이러한 요약을 바탕으로 Robin은 황반 변성의 질병 메커니즘에 대한 일련의 가설을 세웠고 이러한 도구를 사용하여 각 메커니즘에 대한 증거에 대한 자세한 보고서를 제공했습니다. 그런 다음 LLM 심사위원은 가설 간의 쌍별 비교를 수행하여 Google의 토너먼트 시스템과 약간 유사한 상대적 순위를 결정했습니다.
유사한 방식으로 시스템을 재배치하여 황반변성 모델을 제공할 수 있는 세포주 및 배양 조건을 제안하고, 30개 후보 약물에 대한 보고서를 작성했습니다. FutureHouse 팀에 따르면 “이러한 보고서에는 각 약물이 시험관 모델에서 나타난 질병 메커니즘을 완화하는 데 적합한 이유와 약물이 제기할 수 있는 잠재적 한계에 대한 정당성이 모두 포함되어 있습니다.”라고 합니다. 다시 말하지만, 이러한 보고서는 어떤 테스트를 진행할 것인지 결정하기 위해 인간 전문가에 의해 평가되었습니다.
로빈은 또한 인간이 평가한 약물을 테스트하기 위한 분석법을 제안했습니다(대부분의 경우 제안된 약물의 변형을 사용한 것으로 보입니다).
Robin과의 주요 차이점은 유세포 분석 및 RNA-seq와 같은 일부 표준 생물학적 스크리닝 분석의 데이터 평가를 자동화할 수 있는 도구인 Finch가 포함되어 있다는 것입니다. 따라서 테스트에 Finch가 처리할 수 있는 분석 중 하나가 포함되어 있는 한 시스템에서 수행할 수 있는 추가 단계가 있습니다.
위와 같이 로빈은 새로운 가설을 내놓았습니다. 망막 세포가 세포 외부의 잔해물을 수집하는 능력을 높이면 질병에 대한 어느 정도 보호를 제공할 수 있다는 것입니다. 그리고 제안된 실험에서 바로 그런 종류의 향상을 제공하는 것처럼 보이는 약물을 확인했습니다.
Google이 발견한 바와 같이, 과학 문헌과 상호 작용하도록 특별히 설계된 도구를 갖는 것이 중요했습니다. Crow를 OpenAI의 o4-mini로 교체하면 환각 참조 비율이 0%에서 최대 45%로 높아졌습니다. FutureHouse는 또한 OpenAI의 연구 중심 도구의 성능을 살펴본 결과 로빈이 제시하지 않은 약물을 제안한 모든 경우에 해당 약물이 이러한 세포에 영향을 미치지 않는다는 사실을 발견했습니다.
관련 정보는 아래 링크에서 확인하세요
