Vitenskapen går inn i sin agentiske æra Vi introduserer det vitenskapelige AI-økosystemkartet! 🗺️ Vi kartla verktøyene, modellene og agentiske rammeverkene som driver det nye substratet for bio Bygget for å hjelpe grunnleggere, forskere og byggherrer med å navigere i eksplosjonen innen vitenskapelig AI La oss bryte det ned🧵

Vitenskapelige AI-agenter er ikke lenger sci-fi 👾 De kan: → Samlet SOTA-forskning → Formulere vitenskapelige hypoteser → Design og utfør eksperimenter Men hvert laboratorium bygges i siloer. Derfor ser vi et klart behov for å legge til det web2 Agentic Science-verdenen skaper.

For det formål kommer epoken med "kollektiv vitenskapelig intelligens". Fra litteraturutvinning til laboratorieautomatisering har vi kartlagt de 5 nøkkellagene som driver vitenskapelig AI og fremmer det biologiske designområdet👇

1. Kunnskaps- og datakilder Alt starter med data. Vitenskapelige agenter henter fra: • PubMed, Dataverse (artikler og akademiske data) • PDB, UniProt (proteiner) • ChEMBL, PubChem (kjemi) • Reaktom, genontologi (veier) • AACT (kliniske studier) • @biorxivpreprint (forhåndstrykk)

2. Agentiske orkestreringslag Disse verktøyene gir liv til resonnementet. Eksempler: • @ElizaEcoFund – rammeverk for plug-and-play-agenter • ChemCrow - kjemiassistent • BioMCP / PubMedMCP - litteraturservere • "Coscientist" - autonom laboratorieagent • @PrimeIntellect - modulær agentinfrastruktur

3. Grunnlags- og domenemodeller De høyoktan arbeidshestene. Eksempler: • AlphaFold 2 - strukturprediksjon • Evo 2 - genomisk modellering (Arc Institute) • Geneformer - genuttrykk • ChemGPT - kjemi resonnement • ESM-3, PaLM-2, Claude 3 - språkstillas

4. Utførelse av eksperimenter og simuleringer AI kjører eksperimenter. Systemene inkluderer: • Opentrons - API-drevne labroboter • INDRA - mekanistisk modellering • PyMOL / AlphaFold-slutning • Skybasert simulering: OpenMM, Foldit • SMART-on-FHIR: tidlig EPJ-integrasjon

5. Forskerrettede plattformer og assistenter Der AI møter forskere. • @GoogleAI medforsker - hypoteseidédugnad • @FutureHouseSF - Q&A, systematiske oversikter, kjemiplanlegging • Konsensus og fremkalling - strukturerte papirgjennomganger • Biomni, Iris, Scite - spesialiserte papiragenter • @vita_dao AUBRAI, ChatPaper - AI-forsknings-co-piloter

Sammen danner disse verktøyene en ny forskningsstabel: → Modeller tolker biologi → Agenter orkestrerer resonnement → Plattformer leverer assistanse → Robotikk og simulering lukker sløyfen

Scientific AI Ecosystem Map er ikke bare en liste over verktøy. Det er en blåkopi til bio/acc 🧪 Fra søk → til syntese Fra analyse → til handling Fra statisk kunnskap → til systemer som lærer