Kosmos: An AI Scientist for Autonomous Discovery
Kosmos:用于自主探索的AI科学家
https://arxiv.org/pdf/2511.02824
这篇论文介绍了Kosmos,这是一个能够自主进行数据驱动科学发现的 AI 科学家系统。以下是该论文的核心重点概述:
1. 核心突破与架构
结构化世界模型(Structured World Model): Kosmos 的核心创新在于使用一个动态更新的结构化世界模型来管理上下文。这解决了以往 AI 智能体在长时间运行中容易“迷失”或失去连贯性的问题。
并行智能体协作: 系统包含两个通用的 Edison Scientific 智能体(数据分析智能体和文献检索智能体)。它们通过世界模型共享信息,能够在单次运行中执行数百次智能体轨迹(rollouts),平均编写 42,000 行代码并阅读 1,500 篇论文。
长周期自主探索: Kosmos 可以连续运行长达 12 小时(约 20 个迭代周期),相当于人类专家数月的研究工作量,且能保持推理的连贯性和可追溯性。
完全可追溯性: 报告中的每一项陈述都直接链接到生成的代码或原始文献引用,确保推理过程透明且可验证。
高准确性: 独立科学家评估显示,Kosmos 报告中 79.4% 的陈述是准确的。其中基于数据分析的陈述准确率达 85.5%,基于文献综述的达 82.1%。
效率提升: 合作者评估认为,Kosmos 单次 20 周期的运行平均相当于人类专家 6 个月的研究时间。且有价值的科学发现数量与运行周期数呈线性增长关系。
跨学科能力: 系统在代谢组学、材料科学、神经科学、统计遗传学、蛋白质组学和转录组学等多个领域均展示了有效性。
论文详细展示了 Kosmos 在不同领域的七项具体成就,分为三类:
提供新颖支持与方法创新(增强能力):
统计遗传学(SOD2): 利用孟德尔随机化分析,独立确认循环 SOD2 水平可能因果性地减少心肌纤维化,效应量与人工分析几乎完全一致。
2型糖尿病(SSR1): 自主开发了“机制排序得分(MRS)”算法,从 GWAS 数据中优先筛选出 rs9379084 变异通过 ATF3 调控 SSR1 基因表达的保护性机制,并得到多组学数据验证。
阿尔茨海默病(新方法): 提出了一种基于分段回归模型的伪时间分析方法,精确定位了细胞外基质(ECM)功能障碍发生在 Tau 蛋白积累之后,为疾病事件的时间排序提供了新工具。
全新临床发现(创新能力):
衰老机制: 在内嗅皮层衰老研究中,Kosmos 发现了一个人类研究者未曾注意到的机制:翻转酶(Flippase)随年龄下调导致磷脂酰丝氨酸(PS)暴露,进而触发小胶质细胞的吞噬作用。这一发现解释了内嗅皮层神经元在 AD 早期的特异性易损性,并在人类 AD 数据集中得到了验证。
“人在回路”(Scientist-in-the-loop): Kosmos 旨在增强而非取代人类。它需要高质量的数据输入和人类的最终评估,特别是在解释性结论方面(准确率约 57%),AI 倾向于做出过强论断。
技术限制: 目前处理数据集上限约为 5GB,不擅长处理原始图像或测序文件;无法自主访问外部数据库进行正交验证;具有随机性,多次运行结果可能不一致。
科学品味(Scientific Taste): AI 虽然能进行无偏见的广泛探索,但在判断哪些发现真正“有趣”或“重要”方面仍需通过训练向专家对齐。
Kosmos 代表了 AI for Science 的一个重要里程碑。它证明了 AI 不仅能执行既定任务,还能通过结构化的记忆管理和并行探索,在缺乏明确指导的情况下自主提出假设、开发分析方法并做出经专家验证的科学发现。其核心价值在于将计算算力转化为可扩展的科学洞察力,同时保持了科学研究所需的严谨性和透明度。
![]()
![]()
摘要
数据驱动的科学研究需要文献检索、假设生成和数据分析的迭代循环。尽管在能够自动化科学研究的AI智能体方面已取得显著进展,但所有这些智能体在失去连贯性之前所能执行的操作数量仍然有限,从而限制了其发现的深度。在此,我们介绍了Kosmos,一个能够自动化数据驱动发现的AI科学家。给定一个开放式的目标和数据集,Kosmos可运行长达12小时,执行并行数据分析、文献检索和假设生成的循环,然后将发现综合成科学报告。与以往的系统不同,Kosmos使用结构化的世界模型在数据分析智能体和文献检索智能体之间共享信息。该世界模型使Kosmos能够在200次智能体 rollout 中连贯地追求指定目标,每次运行平均集体执行42,000行代码并阅读1,500篇论文。Kosmos在其报告中为所有陈述引用代码或原始文献,确保其推理过程可追溯。独立科学家发现Kosmos报告中79.4%的陈述是准确的,合作者报告称,单次20个周期的Kosmos运行平均相当于他们自己6个月的研究时间。此外,合作者报告称,产生的有价值科学发现的数量与Kosmos周期数呈线性比例增长(最多测试到20个周期)。我们重点介绍了Kosmos做出的七项发现,涵盖代谢组学、材料科学、神经科学和统计遗传学领域。其中三项发现独立复现了Kosmos在运行时未访问过的预印本或未发表手稿中的结果,而另外四项则对科学文献做出了新颖贡献。
1 引言
数据驱动发现由文献检索、假设生成和数据分析的迭代步骤组成,旨在从数据集中得出新的科学结论。大型语言模型(LLM)智能体由于在编程和跨学科推理方面的熟练程度,具有跨领域自动化数据驱动发现的潜力。
我们此前报告的 Robin [1] 系统执行文献检索和数据分析的自动循环以提出基于证据的假设,但其智能体之间的上下文共享有限,且主要针对药物开发进行了定制。Sakana 的 AI Scientist [2] 能够自主形成假设,迭代进行计算实验,并撰写和评审有关其结果的论文,但仍局限于机器学习研究领域。Google 的 AI 联合科学家 [3] 进行迭代推理循环以生成科学假设,但不执行或分析实验。Virtual Lab [4] 成功设计了能中和 SARS-CoV-2 的新型纳米抗体,并且可能扩展到其他领域,但缺乏探索性数据分析能力。
在此,我们介绍 Kosmos,一个能够跨广泛科学学科自动化数据驱动发现的 AI 科学家。给定一个开放式的目标和数据集,Kosmos 执行并行数据分析、文献检索和假设生成的迭代循环,并将其发现总结在科学报告中(图 1a)。在每个循环中,Kosmos 启动两个通用 Edison Scientific 智能体(即数据分析智能体 [5] 和文献检索智能体 [6])的几个并行实例,每个实例被分配给与最终目标一致的具体任务。Kosmos 通过持续更新结构化世界模型在这些智能体之间共享和综合信息,这使得 Kosmos 每次运行能够在 166 次数据分析智能体 rollout 中平均执行 42,000 行代码,并在 36 次文献综述智能体 rollout 中阅读 1,500 篇全长科学论文(图 1b)。与 Robin 相比,代码生成量增加了 9.8 倍。在世界模型中整合信息还使得 Kosmos 科学报告中的每一项主张都能直接链接到其源自的数据分析或来源,从而确保 Kosmos 的推理是可追溯的。
我们报告了 Kosmos 做出的七项发现:其中三项发现复现了预印本或未发表手稿中的结果,而其余四项则对科学文献做出了新颖贡献。每项发现都源于独特的数据类型和领域,并得到了领域专家独立分析的证实。在下文的示例中,Kosmos 识别出一种具有临床相关性的神经元衰老新机制,并生成了新的统计证据,表明高水平的循环超氧化物歧化酶 2(SOD2)可能在因果上减少人类的心肌纤维化。总之,这些发现展示了一个能够自主复现、完善和生成数据驱动发现的系统,具备推进科学理解所需的严谨性和透明度。
2 结果
2.1 Kosmos 系统与架构
Kosmos 的核心进步在于使用结构化世界模型来管理大量并行运行的智能体的输出。Kosmos 由科学家指定的研究目标和数据集启动。Kosmos 利用大型语言模型(LLM)、数据分析智能体、文献检索智能体以及世界模型执行迭代发现循环,以尝试完成研究目标。在每个循环中,Kosmos 执行多达十个文献检索和分析任务,随后用任务输出的摘要更新世界模型。然后,Kosmos 查询世界模型,以提出要在下一个循环中完成的文献检索和数据分析任务。这种上下文管理策略允许 Kosmos 同时探索许多不同的研究途径,并且其运行迭代次数是现有系统 [1, 2, 7] 的八倍。一旦 Kosmos 认为已完成研究目标,它会将关键发现综合成三到四份科学报告。报告中的每一项陈述和图表都引用了由文献检索智能体找到的出版物或由数据分析智能体创建的 Jupyter Notebook。
为了评估 Kosmos 报告的整体准确性,我们首先从三份代表性报告中提取了 102 条陈述,并确定这些陈述是源自科学文献、数据分析,还是两者之间的解释。随后,我们请专家科学家评估者将每条陈述的准确性分类为“支持”或“反驳”。如果评估者能够通过自己的分析复现该陈述或在文献中找到对该陈述的支持,则将其分类为“支持”;如果他们的分析或文献检索产生了不同的结果,则将其分类为“反驳”(参见方法部分)。在此过程中,支持这些陈述的原始代码或引用的论文并未向参与评估的科学家提供。总体而言,报告中 79.4% 的陈述是准确的,不同类型的结果存在差异:85.5% 基于数据分析的陈述是可复现的,82.1% 基于文献综述的陈述通过原始来源得到了验证,57.9% 的综合陈述是准确的(图 1c)。
![]()
接着,我们评估了一名人类科学家完成 Kosmos 单次运行所执行的工作所需的时间。我们首先通过统计给定 Kosmos 运行中包含的数据分析和论文数量,并估算人类研究人员完成相同数量任务所需的时间来计算该值。我们估计每次 Kosmos 运行大约相当于 4.1 个专家月的工作量(n=6, σ=0.85;图 1d),假设一名专家科学家每月工作 174 小时,阅读一篇完整论文需要 15 分钟,使用 Jupyter Notebook 完成一项数据分析任务需要 2 小时 [8]。
为了获得对 Kosmos 工作量的正交估计,我们与领先的学术团体合作,在 Kosmos 运行的第 5、10 和 20 个周期对其进行了评估。这些团体估计,完成一次 20 周期 Kosmos 运行所产生的发现需要他们花费 6.14 个月的研究时间(n=7, σ=2.49),这远高于我们根据其运行情况估算的时间节省量(图 1e)。此外,他们报告称,相当于专家水平的研究时间与 Kosmos 的运行时间成正比,从第 5 周期到第 20 周期大致翻了一番(图 1e)。同样,当被问及 Kosmos 在整个运行过程中产生的有价值发现的数量时,专家报告称,有价值发现的数量与 Kosmos 运行的周期数成正比(图 1f)。最后,当被问及 Kosmos 的推理深度和新颖性时,专家科学家报告称,第 20 周期的有价值发现表现出高到中等的推理深度以及中等到完全的新颖性(图 1g)。总之,这些结果表明计算投入与科学产出之间存在扩展关系。
在接下来的部分中,我们将介绍七项研究,说明在这些合作期间 Kosmos 做出的发现。我们将这些 Kosmos 发现分为以下几类:
1. 两次运行复现了现有的发现,这些发现要么未发表,要么在相关语言模型的截止日期之后发表,且 Kosmos 在运行时未访问过。
2. 一次运行使用独立推理复现了一项 Kosmos 在运行时未访问过的已发表发现。
3. 两次运行为现有发现建立了额外的、新颖的支持证据。
4. 一次运行独立开发了一种新的分析方法。
5. 一次做出了一项先前未被人类研究人员识别出的、具有临床相关性的新颖发现。
每次发现提供给 Kosmos 的提示词和数据集可在补充信息 1 中找到。描述这些发现的 Kosmos 报告可查看补充表 1 中的链接。在本报告的主要图表中,由 Kosmos 生成的任何绘图或结果均在蓝色的“Kosmos”部分中高亮显示。由人类科学家生成以验证 Kosmos 结果的绘图则在橙色的“人类验证”部分中高亮显示。Kosmos 编写的用于生成这些绘图或结果的 Jupyter Notebook 链接在图注中提供。为了提高出版物的可读性,我们改进了这些绘图的清晰度,但未更改绘图内容。
![]()
2.2 Kosmos 复现来自不同领域的人类发现
2.2.1 发现 1:核苷酸代谢是低温条件下大脑中改变的主要通路
我们测试了 Kosmos 是否能利用代谢组学数据复现一项未发表的发现(图 2a)。此次运行所使用的数据最初是为了帮助识别冷却诱导的神经保护背后的代谢机制而收集的。虽然 Kosmos 的运行是在该未发表数据集上进行的,但这项工作此后已作为预印本发表 [9]。具体而言,原始实验研究了激活小鼠体内调节体温的特定脑回路是否能诱发一种受控的、类似冬眠的状态,从而保护大脑免受损伤。Kamal 等人使用化学遗传学工具,选择性激活了内侧视前区(POA)中表达 κ 阿片受体(KOR+)的神经元,该区域是体温调节的关键中心 [9]。
在神经激活后,研究了三组小鼠:对照组(N = 6)、允许自然降温组(低温-POA^KOR+;~22 °C,N = 6),以及保持温暖以防止降温组(常温-POA^KOR+;36 °C,N = 5)。与对照组相比,只有低温组显示出显著更小的脑损伤并保留了运动能力。相反,常温下的激活未提供任何行为益处,表明脑保护作用依赖于低温的发展。
为了理解伴随这种保护状态的潜在生物学机制,Kamal 等人对激活后 30 分钟收集的全脑进行了非靶向代谢组学分析,捕捉了独立于缺血性损伤的早期回路驱动的代谢变化(图 2a)。分析揭示了能量相关代谢物的协调性转变,特别是那些参与核苷酸、磷脂和鞘脂代谢的代谢物(图 2b),表明大脑冷却触发了一个快速的、节能的代谢程序。具体而言,Kamal 等人在讨论中指出,“增强的嘌呤和嘧啶补救合成可以通过维持三磷酸腺苷(ATP)水平和核苷酸池来支持能量守恒和大分子修复”[9]。
![]()
Kosmos 获得了与原始研究中使用的相同的液相色谱-质谱联用(LC-MS)数据集,该数据集包含三种条件下(对照组、常温-POA^KOR+ 和低温-POA^KOR+)小鼠大脑的极性代谢物强度。提供给 Kosmos 的研究目标是识别哪些代谢变化可能解释为什么低温状态具有保护作用(图 2a)。
在探索性分析期间,Kosmos 验证了平衡的组设计和生物重复之间可接受的方差,然后确定宽动态范围需要在统计检验前进行 log10 转换以稳定方差。差异丰度分析确定了在低温条件下差异最显著的代谢物,包括几种核苷酸和氨基酸衍生物。Kosmos 进行了通路富集分析,揭示核苷酸代谢是受影响最大的通路(图 2c)。随后进行了迭代假设探索,提出核苷酸周转可能是低温状态保护效应的基础(图 2d,e)。
Kosmos 专注于核苷酸代谢物,并检测到一个反转模式:前体碱基和核苷减少,而磷酸化核苷酸产物增加,这与核苷酸补救途径的激活一致(图 2d)。与此同时,文献综述智能体进行了文献检索,确认核苷酸补救是在缺氧和低温期间的一种保守的、节能策略,从而加强了 Kosmos 正在形成的假设 [10, 11, 12, 13]。Kosmos 随后通过将核苷酸产物与从头合成底物相关联来测试竞争性解释。由于未发现强相关性,它排除了底物驱动的增加,并得出结论认为数据最可能反映了上调的补救活性而非新合成(图 2e)。最后,Kosmos 综合了其对核苷酸补救途径参与的机制解释(图 2f)。
Kosmos 的分析紧密复现了原始研究 [9] 的推理、结果和结论。两项分析均确定核苷酸代谢是低温条件下改变的主要通路,关键代谢物的效应大小和方向变化几乎相同。Kosmos 独立强调了次黄嘌呤单磷酸(IMP)、胞苷单磷酸(CMP)和尿苷单磷酸(UMP)的增加,以及腺嘌呤、胞苷和鸟苷二磷酸(GDP)-甘露糖的减少,复现了作者描述的作为激活核苷酸补救证据的前体到产物的反转模式。从定量上看,Kosmos 鉴定的前十五种代谢物中有九种与原始分析中报告的完全重叠,且前 15 种代谢物的 log10 倍数变化估计值几乎无法区分(R² = 0.998,图 2g)。
Kosmos 还通过试图排除来自从头核苷酸合成途径的贡献扩展了人类分析。虽然这一步骤展示了其推理的主动性,但也突出了一个关键局限性:数据集仅包含稳态代谢物水平,而非评估通路活性所需的时间分辨通量数据,因此其关于从头合成的结论不能被视为定论。这些结果表明,Kosmos 不仅复现了人类分析的定量结果,而且得出了相同的机制结论:POA^KOR+ 神经元的激活产生了一种类似冬眠的低温状态,其特征是选择性参与节能代谢程序,特别是核苷酸补救途径,这在降低的热代谢需求下支持细胞能量平衡和大分子维持。
2.2.2 发现 2:热退火湿度是决定钙钛矿太阳能电池性能的关键因素
在证明了 Kosmos 能够利用代谢组学数据复现已发表发现的能力后,我们进一步探索了 Kosmos 是否能扩展到生物数据集之外。我们向 Kosmos 提供了 Liu 等人(arXiv 2025)[14] 的一份材料科学数据集,该数据集描述了太阳能电池制造过程中的环境参数,并设定了一个开放式的研究目标(图 3a)。
![]()
钙钛矿太阳能电池的可重复器件性能仍然是一个重大挑战,制造过程中环境条件的微小变化——如温度、湿度和溶剂分压——会强烈影响材料的结晶方式及最终器件的性能。然而,这些因素的综合影响尚未被完全理解。Liu 等人引入了一种系统方法来研究单个及相互作用的环境变量如何影响钙钛矿薄膜的形成和器件效率。研究人员开发了一个制造平台,能够在关键加工步骤中精确、独立地控制环境温度、绝对湿度和溶剂分压 [14]。利用该平台,应用闭环贝叶斯优化策略来高效探索和映射这些变量对器件结果的影响(图 3a,右侧)。这些发现表明,集成的环境控制对于生产可重复的钙钛矿太阳能电池至关重要,并突显了可解释机器学习在驾驭复杂加工环境中的价值。
结果表明,钙钛矿薄膜形成过程中的环境温度、绝对湿度和溶剂分压对太阳能电池效率有显著影响。Liu 等人量化并排序了每个参数的影响,揭示了支配器件性能的个体及耦合非线性相互作用。Kosmos 的分析证实了这些发现,确定热退火期间的绝对湿度是在单变量分析下决定器件效率的最主要因素,同时也表现出相互作用效应(图 3b)。这种主导地位在 Kosmos 的 SHapley Additive exPlanations (SHAP) 图(图 3c)和原始研究的图(图 3g)中都显而易见。虽然原始研究强调了合成过程中环境参数的复杂性和相互依赖性,突出了环境控制对于可重复制造的重要性,但 Kosmos 的扩展分析进一步 delineates 了性能区间并量化了它们对特定器件指标的影响。
总之,这些见解定义了使用 Liu 等人描述的实验装置优化钙钛矿薄膜生长的环境指南。两项分析均确定热退火湿度是关键决定因素,它作为一个“致命过滤器”,超过该阈值器件就会失效。二维偏依赖图(图 3b)显示这一离散失效边界出现在绝对湿度高于约 60 g/m³ 且处于高于约 70 °C 的关键温度窗口内,而在低湿度和中等温度下性能最佳。这一趋势在 Liu 等人预印本中的人工绘制图中得到了独立确认(图 3f)。此外,Kosmos 揭示了旋涂过程中短路电流密度(JSC)随二甲基甲酰胺(DMF)溶剂分压升高而线性下降的关系(图 3d)——这是一种先前未报道的关系,后来被研究人员独立验证(图 3h)。
2.2.3 发现 3:神经元网络中的对数正态连接分布
接下来,我们研究了在给定开放式研究目标的情况下,Kosmos 是否能独立复现现有预印本中的发现。为此,我们向 Kosmos 提供了与 Piazza 等人(bioRxiv 2025)[15] 研究中使用的相同数据:来自五个不同物种的八个独立连接组重建的神经元形态学数据(图 4a)。每个连接组数据集都包含有关神经元线长、连接伙伴数量(度)、突触总数以及突触密度局部测量值的详细信息。我们要求 Kosmos 从神经科学的角度调查这些测量值之间的关系,以提出其中的普遍原则。具体而言,我们旨在观察这一宽泛的提示是否足以捕捉到该预印本的主要发现:(1) 度分布无法用既定的随机或无标度模型来描述,相反,所有形态学指标都能很好地近似为对数正态分布;(2) 这些指标可以通过幂律分布相互关联,这表明 (3) 乘法过程驱动了神经元的发育,从而导致了所有对数正态分布的出现。
![]()
在初步分析中,Kosmos 通过将线长、度和突触密度分布除以其中位数和标准差来进行归一化,这使得来自不同物种的分布坍缩到了同一条曲线上(图 4b)。虽然分布坍缩通常被解释为评估分布相似性的定性指标,但 Kosmos 采取了一种保守的方法,在所有分布之间进行了成对的 Kolmogorov-Smirnov 检验,尽管视觉上明显坍缩为单条曲线(成功镜像了预印本 [15] 的图 2B, E, H, K),但这导致了错误地拒绝了分布相似性假设。
与此同时,Kosmos 调查了所有数据集中线长、总突触数和度之间的相关性(图 4c)。分析显示,在所有数据集中,这些神经元属性之间存在强烈的正相关,且在对数-对数图中呈现出明显的线性模式。这些结果有力地支持了跨物种神经元属性缩放守恒的假设,成功复现了 Piazza [15] 图 3A, G 中展示的核心发现。
基于这些初步数据分析,Kosmos 随后成功验证了预印本的两个主要发现。
首先,Kosmos 检查了神经元形态学指标的潜在分布。在观察到数据集具有重尾特征后,它对突触数量和度拟合了指数分布、幂律分布和对数正态分布,得出结论:“神经元层面的度和突触计数……最简约地由对数正态分布描述”(图 4d),从而重现了 Piazza 等人 [15] 图 2A, D 中呈现的结果。
其次,在识别出突触、长度和度之间存在幂律缩放模式的迹象后(图 4c),Kosmos 发现“突触计数与神经突长度的对数-对数回归在八个数据集中的七个中显示出稳健的幂律缩放”,从而捕捉到了预印本 [15] 的图 3A, G 以及公式 5(图 4d)。
为了验证这些发现,研究人员将 Kosmos 拟合的对数正态分布均值(μ)与预印本中报告的值进行了比较,发现两者高度一致,大多数估计值落在已发表值的一个标准差范围内(突触的 Pearson r = 0.77,度的 Pearson r = 0.46)(图 4e)。然而,Kosmos 使用的幂律拟合包虽然在网络科学应用中很流行,但存在已知的失效模式 [16],这导致了观察到的较大偏差和缺失值。例如,研究人员选择忽略算法拟合出负 μ 值的情况(突触数量的 Hemibrain 和 Flywire 数据集,度的 Mouse 和 FlyWire 数据集),因为负的 μ 值毫无意义地表明分布中心比任何观测数据点低几个数量级。
总之,当获得神经元形态学测量值和调查普遍原则的宽泛指令时,Kosmos 复现了底层预印本的两个主要定量结果(图 4b-e)。此外,Kosmos 恰当地将其结果置于背景之中,首先指出对数正态拟合反驳了文献 [r3] 中关于度分布幂律的普遍性假设,然后捕捉到了源材料(预印本图 4)的第三个定性结果,提出神经发育中的乘法过程可能是导致观察到的分布的原因(图 4d)。因此,Kosmos 不仅能捕捉到预期的发现,还能将实证结果与网络科学和神经发育的新颖解释联系起来。
我们需要注意的是,源预印本 Piazza 等人于 2025 年 2 月 27 日发布在 bioRxiv 上,因此文献检索智能体可以访问它,并且可能包含在数据分析智能体所用模型的训练数据中。作为对照,我们使用截止日期早于该预印本的模型重新运行了 Kosmos,结果同样复现了对数正态和缩放发现。此外,在图 4 报告的 Kosmos 结果中,我们没有看到 Kosmos “记忆”此处报告结果的证据,文献检索智能体也没有访问 Piazza 等人(bioRxiv 2025)。相反,我们观察到 Kosmos 遵循独立的分析和推理链条,得出了与 Piazza 等人报告中相同的结论。
2.3 Kosmos 利用新颖方法为现有发现提供额外支持
2.3.1 发现 4:SOD2 作为人类心肌纤维化的驱动因素
在证明了 Kosmos 能够复现近期已发表和未发表的发现之后,我们接下来试图测试 Kosmos 是否能使用最近开发的分析流程(Reddy 等人,手稿准备中)来分析公共数据集(图 5a)。
![]()
心脏纤维化是导致心力衰竭的主要病理因素,影响着全球数千万患者。心脏纤维化会增加心室僵硬度并损害收缩功能,然而直接针对纤维化通路的治疗干预措施仍然难以实现 [17]。孟德尔随机化(MR)利用遗传变异在受孕时的随机分配来推断暴露与结果之间的因果关系。通过使用遗传变异作为蛋白质水平的工具变量,MR 消除了混杂因素和反向因果关系。该方法在从大规模基因组数据集中识别因果生物标志物和治疗靶点方面尤为强大。
Reddy 等人应用全蛋白质组孟德尔随机化(MR)框架,利用原生 T1 mapping 作为心肌纤维化的定量替代指标,研究了心脏结构和功能中的因果蛋白(Reddy 等人,手稿准备中)。通过心脏磁共振成像测量的原生 T1 弛豫时间反映了心肌组织成分,其升高表明由纤维化或水肿引起的间质体积增加。
同一数据集——心肌 T1 全基因组关联研究(GWAS)和顺式蛋白数量性状位点(pQTL)数据——被提供给 Kosmos,并指示使用 R 包 TwoSampleMR 进行孟德尔随机化分析、coloc 进行共定位分析以及 susieR 进行精细定位(图 5a)。Kosmos 自主执行了该分析流程以识别候选蛋白并提出机制假设。
共定位分析因级联技术问题而失败:许多存储为 0 的 p 值导致 Kosmos 错误地将数千个变异识别为领头 SNP;合并过程中的列名冲突导致向量长度不匹配;缺失的标准差和 MAF 信息阻碍了 coloc 的正确执行 [r12]。Kosmos 没有尝试修复失败的共定位流程,而是转而进行 SuSiE 精细定位分析。该分析确定了超氧化物歧化酶 2(SOD2)的一组方向一致的置信集变异(PP.H4 = 1.00),解决了相互矛盾的共定位结果,并为多效性效应提供了强有力的证据。
Kosmos 和人类 MR 分析均独立确定超氧化物歧化酶 2(SOD2)是心肌纤维化的主要因果蛋白,且效应估计值高度一致。Kosmos 报告 β = −0.231 (p = 4.23×10⁻¹³)(图 5b),而人类分析得出 β = −0.258 (p = 1.22×10⁻²²)(图 5e),代表了几乎相同的效应大小和相同的保护方向。两种方法都发现了近乎确定的共定位证据(KOSMOS PP.H4 = 0.9999;人工 PP.H4 = 0.999999),证实了 SOD2 蛋白水平与心肌 T1 之间存在共享的因果变异。Kosmos 和人类分析均对 MR p 值进行了 Bonferroni 校正,并确定了 32 种满足严格显著性阈值(p < 3.52 × 10⁻⁵)的蛋白。在这 32 种蛋白中,有 31 种被两种方法共同识别,重叠率达 96.9%。这 31 种共有蛋白的效应大小显示出近乎完美的相关性(Pearson r = 0.9991, p = 1.42 × 10⁻⁴¹, R² = 0.9983),且所有重叠蛋白的方向性一致(图 5f)。
最后,Kosmos 提出了 SOD2 调控的潜在转录后机制(图 5c),将 SOD2 3'UTR 内的 rs4555948 确定为预测会破坏 hsa-miR-222-3p 结合位点的置信集变异(图 5d)。然而,基于当前的靶标预测数据库,该位点不与任何预测的 miR-222 结合位点重叠,这突显了 Kosmos 自动注释的局限性。文献支持 miR-222 结合 SOD2 3'UTR 并调节 SOD2 蛋白表达 [18],但未指定确切的结合位置。因此,虽然该变异本身可能不会直接改变 miR-222 位点,但 SOD2 3'UTR 仍然是一个调控热点,不能排除转录后机制的作用。
Kosmos 进一步整合了暗示 SOD2 参与血管氧化还原稳态的文献,提出了一条合理的血流动力学通路,即 SOD2 通过对血压和内皮功能的影响与心脏重构联系起来 [19, 20, 21]。这一假设是新颖的,因为现有的 SOD2 证据主要源于其在小鼠研究中的细胞内抗氧化作用 [22]。尽管如此,由于其他 SOD 亚型已证明在循环中具有功能活性 [23, 24],循环 SOD2 有助于减少心肌纤维化的概念在生物学上仍然是合理的。下游湿实验验证目前正在进行中,以测试这些机制预测。
该分析将先前的观察性发现推进到了因果推断层面。Nauffal 等人 [25] 报道了 SOD2 蛋白水平与心肌纤维化之间的相关性,而非因果关系。两项分析均表明,遗传预测的循环 SOD2 水平可能在因果上减少心肌纤维化。SOD2 的这一发现展示了 Kosmos 能够通过替代方法(通过 GWAS 进行统计分析)识别靶点的能力,并提示了潜在的分子作用机制。
2.3.2 发现 5:人类 2 型糖尿病中保护性 GWAS 变异对 SSR1 的顺式调控
在证明了 Kosmos 能够遵循用户提供的分析流程和方法学指导后,我们接下来评估了 Kosmos 是否能在没有外部指导的情况下,独立从 2 型糖尿病(T2D)的全基因组关联研究(GWAS)中优先排序并论证可能的因果机制。
GWAS 已鉴定出数千个与 T2D 风险相关的常见变异 [26]。将这些统计关联转化为机制性见解仍是人类遗传学面临的核心挑战,需要整合多种分子数据模态。已有超过 1,000 个基因的遗传推断转录水平与 T2D 风险相关 [26],但由于位点复杂性、连锁不平衡以及有限的细胞类型分辨率,这些位点的功能表征一直受到阻碍。
为了大规模解决这一问题,我们向 Kosmos 提供了一个变异水平的输入数据集,该数据集整合了来自公开来源的多组学注释,包括带有精细定位后验包含概率(PIPs)的 T2D GWAS 汇总统计数据 [27]、转录因子结合位点(TFBS)重叠的计算预测、染色质可及性(ATAC-seq)[28]、表达量(eQTL)[29] 和蛋白质(pQTL)[30] 数据(图 6a)。Kosmos 的任务是为保护性 T2D 变异生成机制假设,这些变异被定义为双等位基因变异,其中替代等位基因相对于参考等位基因可降低 T2D 风险(图 6a)。
![]()
在没有明确指示的情况下,Kosmos 建立了一种称为“机制排序得分”(MRS)的机制排序方案,定义为:MRS = PIP × (1 + 一致性得分 + 实验证据得分)(图 6b),其中:PIP 代表精细定位的后验包含概率;一致性得分量化显示与 GWAS 信号方向一致效应的 QTL 数据类型数量(ATAC-seq、eQTL、pQTL)(例如,保护性等位基因导致表达或染色质可及性降低);实验证据得分为预测的转录因子结合破坏加 1 分,并为 ReMap [31] 中的支持性 ChIP-seq 证据额外加 1 分。最高 MRS 分位数中 TFBS 预测的 ChIP-seq 验证富集度是最低分位数的 3.3 倍(p 值 < 1 × 10⁻³,图 6c),证实 Kosmos 的优先排序与实验支持的调控元件相一致。在 7,925 个 GWAS 变异中,观察到的最高 MRS 为 rs9379084 的 6.0。值得注意的是,前 10 名 SNP-基因对中有 6 对对应于同一变异(图 6d),这促使 Kosmos 聚焦于 rs9379084 位点。
为了测试 rs9379084 位点中的蛋白编码基因(RREB1、SSR1、RIOK1、DSP 和 SNRNP48)是否受到预测被同一 SNP 破坏的 12 种 TF 的显著调控,Kosmos 调用了 gseapy 库的 Enrichr 函数进行过表达分析。针对多个 Enrichr TF-靶标数据库(包括 TRRUST_Transcription_Factors_2019、ENCODE_and_ChEA_Consensus_TFs_from_ChIP-X、ChEA_2022、ENCODE_TF_ChIP-seq_2015 和 TF_Perturbations_Followed_by_Expression)对这 5 个基因集进行了测试。随后过滤 Enrichr 输出,筛选出与 12 个预测的 rs9379084 破坏 TF 结合位点之一匹配的术语(调控 TF)。分析确定了一个显著富集项(p < 0.05):该基因集富集了 ATF3 的靶标(p = 0.042),ATF3 调控五个基因中的两个(SSR1 和 SNRNP48)。这一显著发现源自 ATF3 GM12878 hg19 数据库术语。还发现了 ATF3 与 RREB 之间另一个不显著(p = 0.31)的数据库匹配(图 6e)。最后,对该发现的综合阐述为:“总体而言,rs9379084-A 将一个错义标记的调控序列与增加的 ATF3 结合、胰岛选择性染色质关闭以及 SSR1 [...] 的方向一致(尽管效力各异)的表达变化联系起来,提供了一条合理的保护性通路,通过重编程胰岛细胞中的应激响应调控回路来降低 2 型糖尿病风险”(图 6f)。
对该机制假设的独立验证在胰腺特异性增强子-靶标数据 [32] 中找到了支持证据,数据显示错义 SNP rs9379084-A 与一个预测调控 SSR1 和 RREB1 的顺式调控元件重叠(图 6g)。此外,全转录组关联分析(TWAS)中心数据 [33] 显示,SSR1 是该位点中唯一与 T2D 显著相关的基因(TWAS |Z| > 5,图 6h),表明遗传推断的 SSR1 水平与较高的 T2D 风险相关。最后,先前的研究已证明 SSR1 水平与细胞 [34] 和动物模型 [35] 中的循环胰岛素存在因果联系。
这一发现展示了 Kosmos 自主制定 T2D 可能因果机制的靶点优先排序策略的能力,随后提出了一个得到独立数据源和文献支持的特定机制假设。
2.4 Kosmos 独立开发新方法
2.4.1 发现 6:阿尔茨海默病中疾病相关事件的时间排序
除了复现已发表的发现或执行建议的分析外,Kosmos 还能提出新颖的分析方法。在此,我们展示了 Kosmos 如何提出一种数据科学驱动的方法,以确定在疾病连续体中特定细胞过程何时受到影响。
阿尔茨海默病(AD)是最常见的痴呆症形式。大脑病理反映了细胞外蛋白聚集体(以淀粉样斑块的形式)和微管结合蛋白 tau 的细胞内聚集体(形成称为神经原纤维缠结 NFTs 的结构)的积累。尽管 tau 在大脑中广泛且组成性地表达,但 NFTs 以一种高度选择性和刻板化的模式形成,按可预测的顺序影响特定的神经元群体和脑区。这种现象被称为选择性神经元易感性,仍然是具有 NFT 病理特征的疾病中最神秘的特征之一。为了研究神经元易感性的潜在分子机制,Foiani 等人结合了激光捕获显微切割与超灵敏质谱技术,对受累神经元(即通过 AT8 抗体检测到磷酸化 tau 积累的神经元)及其同一大脑中邻近未受累神经元的蛋白质丰度进行了分析。在将此数据提供给 Kosmos 之前,已进行了质量控制,并将样本按照伪时间轴排序,该轴紧密反映了细胞内 tau 的积累情况(Foiani 等人,手稿准备中)。
提供给 Kosmos 的主要研究目标是提出导致 tau 积累的机制以及这些事件的时间序列(方法和图 7a)。Kosmos 最初通过将伪时间最早 33% 的小池与最晚 33% 的小池进行比较来进行差异丰度分析(图 7b)。下调的蛋白质富集于参与细胞外基质(ECM)的蛋白质,这紧密复现了独立的人类分析结果(Foiani 等人,手稿准备中),并与先前报道 ECM 蛋白表达减少和金属蛋白酶上调的研究一致 [36]。
![]()
由于研究目标要求 Kosmos 提出事件序列,因此必须确定事件发生的时间。Kosmos 认为,尽管分箱分析显示了早期和晚期阶段的差异,但连续分析可以更精确地定位通路变化的时间点。Kosmos 假设 ECM 蛋白的下降会呈现出非线性模式,并存在一个指示 ECM 功能障碍时间的断点(图 7c)。为了验证这一假设,Kosmos 首先选择了 10 种 ECM 蛋白,并使用这 10 种蛋白的平均丰度计算了一个复合 ECM 丰度得分(图 7d)。然后,将分段回归模型拟合到 ECM 得分与伪时间的关系中。通过优化残差平方和(RSS)来确定最佳拟合(图 7e)。所得模型比简单的线性模型提供了显著更好的拟合(Davies 检验,p = 0.017,图 7f),并精确定位了位于 0.58 伪时间单位的断点。值得注意的是,提出的断点晚于 tau 阴性向 tau 阳性的转变(约 0.5),表明 ECM 功能障碍是 tau 积累的下游事件。该方法可扩展至其他受影响的细胞通路,以重建导致 tau 病理形成的事件序列。
为了评估计算的可重复性,我们在数据分析智能体的多次独立试验中重复了该分析,获得了对 Kosmos 所提断点的一致支持(见方法部分)。有趣的是,在此过程中,智能体提出了替代的计算方法,进一步强化了这一发现,并经过了人工验证。智能体实施了自助法(bootstrap approach)(图 7g)和正交断点分析(通过识别滑动窗口相关性的拐点,图 7h),两者都得出了相同的结论。
为了验证这一发现的生物学相关性,我们以相同方式计算了先前发表的单胞体转录组数据 [37] 中的 ECM 复合得分。在该数据集中,观察到无神经原纤维缠结(NFT)的 AD 患者神经元与有 NFT 的神经元之间 ECM 基因表达出现了类似的下降(图 7i),这表明可能存在对 tau 积累的适应性反应。完整的研究将在即将发表的手稿中报告(Foiani 等人,手稿准备中)。
这一发现突显了 Kosmos 不仅能够执行标准分析(如差异表达或通路富集分析),还能进行推理并提出非常规方法来解决研究目标的能力。虽然在数据科学中优化分段模型以拟合数据很普遍 [38],但据我们所知,这种方法此前从未在生物学背景下应用于沿细胞时间线调查分子事件。
2.5 Kosmos 做出人类研究人员未识别出的新颖临床发现
2.5.1 发现 7:内嗅皮层在衰老过程中的易损性机制
在此,我们展示了 Kosmos 如何揭示一种具有临床相关性的神经元衰老机制,而该机制最初创建和分析该数据集的研究人员并未识别出来。
衰老是痴呆症最常见的风险因素,但我们仍不了解其涉及的分子机制。Tau 病理首先出现在特定的易感细胞类型和脑区,例如来自内嗅皮层的上颗粒层兴奋性神经元 [39]。这种早期易感性模式在人类患者和相应的小鼠模型中均被一致观察到 [40, 41],为研究提供了一个强有力的系统。Bourdenx 等人(手稿准备中)假设,研究使内嗅神经元在衰老过程中变得易感的特定机制,将为了解阿尔茨海默病(AD)的初始阶段提供关键见解。
Kosmos 被指示通过比较易感的第 2/3 层内嗅皮层(ENT)神经元与有抵抗力的第 2/3 层等皮层(CTX)神经元来识别衰老中的易感性机制,所用数据源自 6-28 月龄小鼠大脑的单核 RNA 测序数据(图 8a)。Kosmos 首先对转录组数据集进行了高层次探索。老年小鼠的差异表达分析显示,Atp10a 的表达在 ENT 神经元中显著高于 CTX 神经元(图 8b)。随后 Kosmos 进行了文献综述,确定 Atp10a 是一种磷脂翻转酶,与谷氨酸能神经元的存活有关,并与神经退行性疾病存在遗传关联(OpenTargets)。
![]()
Kosmos 的进一步分析表明,ENT 中 Atp10a 的表达随年龄增长而下调(图 8c)。Kosmos 探讨了功能丧失机制,调查 ENT 中与年龄相关的 Atp10a 下调是否由其他 P4-ATPase 翻转酶代偿。这一假设也被否定,因为分析揭示了另外九种翻转酶家族成员的同时下调(图 8d)。这种广泛的翻转酶活性丧失促使 Kosmos 提出了一种新的易感性机制:翻转酶活性的降低导致磷脂酰丝氨酸(PS)在外层神经元膜上的暴露增加,这是一种既定的“吃我”信号,可触发小胶质细胞的吞噬作用 [42]。与该模型一致,Kosmos 进行的后续分析证实了神经元中翻转酶基因的同步显著下调以及小胶质细胞中 PS 感应吞噬通路基因的上调,为衰老内嗅皮层中易感神经元的靶向清除提供了合理的机制解释(图 8e)。
这些发现通过两种独立方法得到了验证。首先,我们在另一个研究小组生成的独立数据集中测试了该发现的有效性 [43]。然后,我们通过多次运行提示数据分析智能体确认 Kosmos 的主张,以评估计算的可重复性(见方法部分)。两种方法都证实了在衰老内嗅皮层中翻转酶机制随年龄崩溃的同时,小胶质细胞中促吞噬轴上调的观察结果(图 8f)。值得注意的是,验证数据集使用的是单细胞 RNA 测序(而发现数据集使用的是单核 RNA 测序),这可能是观察到的效应大小差异的原因,验证数据集显示出较温和的变化。
为了评估这一发现的临床相关性,我们分析了来自人类 AD 病例的外部单细胞 RNA 测序数据集 [44],其中观察到了类似的趋势(图 8fg)。我们观察到,与无皮层病理阶段(Braak 0 期)相比,Braak II 期内嗅皮层上颗粒层神经元中翻转酶的表达下降,表明这种下降与该区域 tau 病理的出现相吻合。值得注意的是,在后受累区域(即额上回,SFG)未观察到这种下降。此外,来自 EC 及较小程度 SFG 的小胶质细胞表现出吞噬标记物的同步上调,证实了该促吞噬轴的协调调节。
虽然 PS 作为“吃我”信号的暴露是大脑中细胞和突触清除的公认机制 [42, 45],但这一发现确立了衰老和 AD 中 ENT 神经元易感性的新机制。翻转酶对于维持膜不对称性、信号传导或囊泡运输至关重要 [46]。有趣的是,已有研究表明 Aβ 寡聚体可诱导 PS 暴露和过度活跃 [45]。在 ENT 神经元中观察到的与年龄和 tau 相关的翻转酶下调可能会进一步放大这一现象,并促成临床前患者中观察到的 AD 早期内嗅皮层至海马连接丢失 [47],同时指出了潜在的新型干预领域。这一发现表明,通过迭代探索,Kosmos 能够识别现有数据集中与疾病相关但被忽视的机制。
3 讨论
据我们所知,Kosmos 是首个能够在单次运行中完成数月工作量的 AI 科学家,它结合了闭环文献检索、数据分析和世界模型更新,能够自主在多个领域做出发现。Kosmos 通过使用结构化世界模型来管理智能体之间的上下文,从而部署数百次智能体 rollout、编写数万行代码并阅读数千篇论文来完成单一研究目标。Kosmos 对高维数据集进行大规模、无偏见的探索,成功复现了已知工作(图 2-4),完善并综合了现有知识(图 5-7),并做出了新颖的发现(图 8)。由于 Kosmos 使用动态更新的世界模型来部署两个通用科学智能体,因此它能够在任何领域运作。虽然我们已展示了其在代谢组学(图 2)、材料科学(图 3)、连接组学(图 4)、统计遗传学(图 5, 6)、蛋白质组学(图 7)和转录组学(图 8)中的效用,但我们预计 Kosmos 可应用于各种数据丰富的领域。最后,Kosmos 报告中的每一项陈述都有代码或原始文献引用作为支持。这使得整个发现过程透明化,并便于对任何发现进行独立验证或复现,正如本文所展示的那样。
3.1 人在回路
Kosmos 的设计目的并非取代人类科学家,而是增强并加速他们的工作。集成 Kosmos 的流程始于人类生成和整理的高质量数据集,终于人类对结果的解读和批判性评估。因此,输入数据集的质量和格式对输出发现有显著影响。例如,图 2、5 和 6 中发现的初步运行显示,根据输入数据预处理类型的不同,焦点和结果也有所不同(数据未显示)。在整个测试过程中,合作者发现,当提供清晰标记、格式良好且经过适当归一化的数据时,Kosmos 能提供最佳的科学见解。
在 Kosmos 运行结束后,科学家的角色转变为评估和解释结果。这种人工监督至关重要,因为独立评估者指出,Kosmos 倾向于做出过于强烈的论断,有时甚至会偏离到意想不到的方向(图 1c)。科学家与 Kosmos 共同形成了一个快速反馈循环:最初的人类发现为 AI 生成的假设提供依据,这些假设随后被精炼以指导后续搜索,确保 Kosmos 的分析能力始终指向准确且有意义的科学目标。
3.2 局限性与未来工作
Kosmos 存在若干局限性,这也凸显了未来发展的机会。首先,尽管 85% 源自数据分析的陈述是准确的,但我们的评估并未涵盖 Kosmos 选择执行的分析是否最有可能产生新颖或有趣的科学见解。Kosmos 在其分析中倾向于发明非传统的定量指标,虽然这些指标通常在统计学上是合理的,但在概念上可能晦涩难懂且难以解释。同样,我们发现 Kosmos 在需要解释结果的陈述中准确率仅为 57%,这可能是因为它倾向于将统计显著的结果与具有科学价值的结果混为一谈。鉴于这些局限性,其核心价值主张并非 Kosmos 总是正确的,而是其广泛、无偏见的探索能够可靠地揭示真实且有趣的现象。我们预计,通过对 Kosmos 进行训练,可以更好地将这些“科学品味”要素与专家科学家的品味对齐,进而增加每次运行中产生的有价值见解的数量。
其次,识别 Kosmos 做出的有价值发现是一个耗时的过程,依赖于具有深厚领域专业知识的人类科学家。一份平均水平的 Kosmos 报告包含 3-4 个发现叙述,每个发现叙述包含基于 8-9 条智能体轨迹的 25 项主张。虽然每项主张的来源都是可追溯的,但目前尚无自动化方法能可靠地评估一项主张是否准确、新颖且重要。因此,尽管 Kosmos 能够大规模进行数据驱动发现,但大规模识别有意义的发现仍然是一项挑战。
最后,当前的 Kosmos 实现面临若干技术限制。Kosmos 只能管理大小约 5GB 以内的数据集,且在分析原始数据(如图像或原始测序文件)方面目前并不擅长。Kosmos 无法自主从外部来源访问公开可用数据以用作参考或正交验证。此外,由于 Kosmos 具有随机性,多次独立运行可能无法一致地收敛于相同的发现。系统的研究方向目前对研究目标的措辞敏感。最后,当前实现不允许科学家在中间周期与 Kosmos 交互,限制了科学家引导 Kosmos 走向富有成效的研究途径的机会。我们预计将在未来的工作中解决这些挑战。
3.3 结论
综上所述,我们的结果展示了一种 AI 科学家,它能够自主开展长期的调查研究,并在多个科学领域产生经领域专家验证的发现。世界模型使得并行智能体轨迹的协调能够在相当于人类数月工作量的规模上进行,同时保持所有科学主张的完全可追溯性。通过进一步的训练,Kosmos 有潜力显著扩展数据驱动发现的规模。
4 方法
4.1 图 1 方法
4.1.1 Kosmos 准确性的专家评估
我们请专家科学家评估一组 Kosmos 陈述,以确定其是否准确和/或可复现。最初,这些专家被要求将陈述标记为“支持”、“反驳”或“不确定”。评估说明见补充信息 3。提交后,所有标记为“不确定”的答案都会被审查,以确定是专家无法执行分析,还是陈述本身存在格式错误或信息不足。在后一种情况下,会对陈述进行澄清或提供额外的相关信息,并要求评估者明确判定该陈述是“支持”还是“反驳”。数据分析、文献综述和解释类陈述的“支持”和“反驳”评估示例均提供在补充信息 4 中。
4.2 图 2 方法
4.2.1 体内实验
所有实验均使用成年 KOR-Cre 小鼠(9-10 周龄),维持 12 小时光照/黑暗循环,自由获取食物和水。所有程序均经华盛顿大学动物研究委员会批准,且实验人员对治疗分组不知情。
对于化学遗传学激活,小鼠接受双侧立体定位注射 AAV8-hSyn-DIO-hM3Dq-mCherry(或对照 AAV8-hSyn-DIO-mCherry)至内侧视前区(POA)。至少三周后,通过测试剂量的氯氮平-N-氧化物(CNO;0.5 mg/kg,腹腔注射)验证病毒表达。核心体温下降幅度未达到至少 3°C 的动物被排除。
随后,17 只经确认有效的小鼠被分配到三个实验条件之一。对照组小鼠接受对照病毒,并饲养于室温(~22°C)。低温-POA^KOR+ 组小鼠接受 DREADD 病毒,并饲养于室温(~22°C)以允许发展出类似冬眠的低温状态。常温-POA^KOR+ 组小鼠同样接受 DREADD 病毒,但饲养于 36°C 环境中以防止降温并维持常温。
CNO 给药 30 分钟后,通过活体断头法处死动物。迅速取出全脑,在液氮中速冻,并于 -80°C 保存。极性和脂质代谢物的提取按先前描述的方法进行 [9]:组织在 2:2:1 乙腈:甲醇:水混合液(每毫克组织 40 μL)中使用珠磨仪匀浆,于 -20°C 孵育 1 小时,并在 4°C 下以 10,000 rpm 离心 10 分钟。上清液转移至自动进样器小瓶中,并于 -80°C 保存直至分析。
4.2.2 代谢组学分析与数据预处理
代谢组学分析在 Thermo Scientific Vanquish Flex UHPLC 系统联用 Thermo Scientific Orbitrap ID-X 质谱仪上进行。极性代谢物使用 HILICON iHILIC-(P) Classic HILIC 色谱柱进行分离,脂质使用 Acquity UPLC HSS T3 色谱柱进行分离,均采用原始研究中描述的溶剂梯度程序。数据采集同时包含正离子和负离子模式。
原始谱图在 XCMS、Compound Discoverer (v3.3) 和 Skyline 中进行处理,以完成峰检测、保留时间对齐和化合物鉴定。所得的归一化峰强度矩阵作为 Kosmos 分析的输入数据集。低温组与对照组之间的统计比较采用非配对 t 检验进行(图 2B)。
Kosmos 运行的结果通过与预印本中的统计结果进行比较得到了验证。
4.3 图 3 方法
为了研究 FAPbI₃ 钙钛矿薄膜合成过程中的环境条件如何影响太阳能电池性能,我们使用了两个定制的环境腔室,以实现对旋涂和热退火步骤中环境条件的独立控制。在旋涂腔室中,我们通过 CDA、加湿器/水浴锅和 DMF 鼓泡器,并结合电阻加热和本地传感器进行反馈,独立调节温度、绝对湿度 (AH) 和二甲基甲酰胺 (DMF) 溶剂分压 (SPP)。在退火腔室中,主动控制 AH;温度由热板设定(无独立的腔室温度控制),尽管它被测量并包含在我们的回归模型中。n-i-p 太阳能电池器件的钙钛矿薄膜采用一步反溶剂旋涂法结合热退火制备。所得器件表征了短路电流密度 (JSC)、开路电压 (VOC)、填充因子 (FF) 和光电转换效率 (PCE)。为了高效探索多维工艺空间,我们在迭代学习循环中采用了贝叶斯优化 (BO)。每个周期的实验结果 informs 算法对下一组合成条件的建议。完整的实验细节可在 Liu et al., 2025 [14] 中找到。
Kosmos 运行的结果通过与预印本中的图表和报告的趋势进行比较得到了验证。
4.4 图 4 方法
本研究中分析的所有数据均源自一份预印本 [15],该预印本整合了八个公开可用的连接组重建数据,提供了跨越五个物种(秀丽隐杆线虫、果蝇幼虫、成年果蝇、斑马鱼、小鼠和人类)的单神经元分辨率突触连接信息。数据集涵盖了完整的秀丽隐杆线虫连接组 [48, 49]、成年果蝇中枢神经系统 [50, 51] 和腹神经索 [52] 重建、幼体斑马鱼脑干 [53]、毫米级小鼠视觉皮层体积 [54] 以及人类颞皮层样本 [55]。该预印本通过标准化神经元和突触格式并重缩放空间坐标以考虑成像分辨率和切片厚度差异,从而协调了这些数据集,允许跨物种比较神经元形态和连接性。基于这份预处理数据(完整细节见预印本 [15]),我们下载了完全重建神经元的形态学细节及其所有相关突触。具体而言,我们利用了神经元大小 L(每个神经元重建骨架的总路径长度)、突触计数 S(每个神经元的前突触和后突触接触总数)、局部突触密度 ρ(使用随机游走方法估计每个突触周围的局部每微米突触密度)以及神经元度 k(每个细胞的独特伙伴神经元数量)。
Kosmos 运行的结果通过与预印本中的图表和报告的拟合参数进行比较得到了验证。
4.5 图 5 方法
4.5.1 数据描述与预处理
![]()
4.5.2 发现验证
为了验证 Kosmos 的结果,我们在同一数据集上独立进行了采用逆方差加权(IVW)法的孟德尔随机化分析。MR 工作流程使用 MendelianRandomization R 包 [56] 实施。记录了每个蛋白-结局对用作工具的 SNP 数量。如果结果达到了 Bonferroni 校正后的阈值(0.05 除以每种分析类型内执行的测试数量)以下的 p 值,则被认为具有统计学显著性。
4.6 图 6 方法
4.6.1 数据描述与预处理
使用了公开可用的数据集。通过 GEO 获取了 Wang 等人研究 [28] 中的 10x 多组学数据(登录号:GSE124742 和 GSE164875)。T2D GWAS 汇总统计数据从 DIAGRAM 联盟网站获取 (https://diagram-consortium.org/downloads.html)。所有可用细胞簇的 snRNAseq 和 snATAC-seq 数据按先前描述的方法进行处理 [28]。少于 1000 个细胞的细胞簇被排除在分析之外。R 包 motifbreakR [31] 用于预测与精细定位 GWAS 变异重叠的转录因子结合位点(TFBS)。运行 motifbreakR 时使用 ReMap 查找函数,以包含经 ChIP-seq 验证的预测 TFBS。使用 harmony [28] 将 ATAC-seq 和 snRNAseq 计数转换为伪批量计数。ATAC 峰与转录水平的关联使用线性回归模型进行,该模型调整了性别、BMI 和疾病状态(因为我们关注的是 ATAC 峰与转录水平之间与疾病无关的关联)。eQTL 和 pQTL 汇总统计数据分别来自胰腺特异性 GTEx 数据 [29] 和血液特异性蛋白质组数据 [30]。最后,我们查询了 Gene Ontology,以获取所有推定靶基因以及被预测其结合位点受 GWAS 变异破坏的转录因子的注释。生成的表格包含来自 7,925 个唯一 GWAS SNP 的 68K 个 SNP-TF 对。还生成了一个解释每列含义的数据字典。该表格和数据字典均作为 Kosmos 的输入。
4.6.2 发现验证
带有增强子-基因(E2G)轨道的 IGV 图于 2025 年 10 月 24 日下载自:https://e2g.stanford.edu/variant/6_7231610_G_A
TWAS 反射图使用 Finch 生成:https://platform.edisonscientific.com/trajectories/aa8f203a-a27c-454e-b4be-25c1ed67c965
4.7 图 7 方法
4.7.1 数据收集与预处理
从 10 例病例中收集了福尔马林固定石蜡包埋(FFPE)切片(8 μm),置于兼容激光捕获显微切割的载玻片上。切片经磷酸化 Tau(Ser202/Thr205 - AT8)染色,并收集了 20 个阳性细胞及邻近阴性细胞的小池,提交至超灵敏质谱分析。数据收集后,进行了标准质量控制和插补处理。使用 palantir 包 [57] 将小池排列在伪时间轴上。完整的方法和dataset 将在即将发表的出版物中报告(Foiani 等人,手稿准备中)。
4.7.2 初步发现
数据集和提示词(补充表 1)被提供给 Kosmos,运行了 35 次迭代。在第 8 次和第 35 次迭代后生成了发现报告。经审查,第 8 次迭代的发现呈现了更连贯的叙述。为了完善最终输出,我们通过基于第 8 次迭代报告编写新标题和摘要来人工整理这些发现。随后,使用这些整理后的描述和来自全部 35 次迭代的完整轨迹集生成了最终的整合发现报告。
。。。。。。。。
原文链接:https://arxiv.org/pdf/2511.02824
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.