Et forskningsmiljø ved Chalmers tekniske høyskole i Göteborg har demonstrert et AI-system som ikke bare analyserer biologiske data, men også kan være med på å drive hele forskningssløyfen framover: fra hypotese til forsøksplan, laboratoriearbeid, analyse og ny hypotese.
Arbeidet er publisert i *Journal of the Royal Society Interface* og handler om å koble språkmodellbaserte AI-agenter til automatisert cellekultur og metabolomikk – analyse av små molekyler i celler. Målet er ikke å erstatte forskere, men å gjøre det mulig å undersøke langt flere biologiske spørsmål på en mer systematisk og sporbar måte.
I stedet for å la en språkmodell fritt foreslå forklaringer, bygger løsningen på en logisk struktur med biologisk kunnskap, definerte fagbegreper og forsøksbegrensninger. Det skal redusere risikoen for usammenhengende eller svakt begrunnede forslag fra AI-en. Hypotesene blir deretter oversatt til konkrete laboratorieprotokoller, som utføres i et automatisert oppsett før resultatene analyseres og mates tilbake i systemet.
Testen ble gjennomført på bakegjær, *Saccharomyces cerevisiae*, en modellorganisme som er mye brukt for å forstå grunnleggende prosesser i celler. Systemet identifiserte blant annet en veksthemmende effekt av glutamat i celler behandlet med spermin, samt at aminoadipat delvis kunne motvirke stress fra maursyre. Funnene viser at løsningen kan generere og fysisk teste avgrensede hypoteser i et virkelig laboratorium.
En sentral del av prosjektet er sporbarhet. Hypoteser, forsøksoppsett, målinger og metadata lagres i en grafdatabase med kontrollerte vokabularer. Dermed kan forskere i ettertid følge hvordan en konklusjon oppsto, hvilke data som støttet den og hvilke forsøk som ledet videre. Tidligere arbeid fra Chalmers-gruppen har også vist hvordan slike databaser kan brukes til å koble kunnskap om gjær, genregulering og planlegging av nye forsøk.
Forskerne understreker at dette fortsatt er en spesialisert demonstrasjon i systembiologi, ikke en allmenn «robotforsker» som selvstendig kan løse alle typer vitenskapelige problemer. Men teknologien kan på sikt gjøre særlig data- og forsøksintensiv forskning raskere, mer etterprøvbar og bedre egnet til å håndtere komplekse biologiske systemer.