研究者らがAutoDiscoveryをどのように活用しているか
研究者たちは、自動発見ツール「AutoDiscovery」を用いて、複雑な問題解決やデータ分析の効率化を図っている。この手法により、人間の介入を最小限に抑えつつ、高精度なモデル構築や発見プロセスの自動化を実現している。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
今日、私たちは AstaLabs で AutoDiscovery を実験的機能としてリリースしました。AutoDiscovery は、構造化されたデータセットを自律的に探索する AI 駆動のツールであり、仮説の生成、統計実験の設計と実行、研究者が決して考えつかなかった発見の提示を行います。
科学分野におけるほとんどの AI ツールは目的指向です。研究質問を提供してもらうのを待ち、それに対する回答を手伝います。AutoDiscovery はこれとは異なります。データセットを与えて一夜明けさせるだけで構いません。完了すれば、再現可能なコード、統計結果、そして継続的な調査への明確な道筋を備えた、新たな研究方向の完全なリストが得られます。
AutoDiscovery は、昨年にオープンソースコードと共に 発表した 研究プロジェクトとして始まりました。開発中は、異なる分野の研究者と協力し、実際の科学問題への適用を行いました。現在では、AstaLabs で広く利用可能にしています。
腫瘍学において
プロビデンス・スウェーデンがん研究所の免疫腫瘍学センター所長であり、医療腫瘍医であるケリー・ポールソン博士は、AutoDiscovery を用いて、乳がんおよび黒色腫の研究プログラムからの大規模な臨床データ、ゲノムデータ、遺伝子発現データを分析してきました。これらのがんは依然として治療が難しく、現在の治療法は一部の患者には効果的ですが、他の患者には効果がありません。ポールソン博士のチームは、予後の改善に関連する要因を理解することを目指しています。
「従来の大規模がんデータセットへのアプローチ、および多くの現在の AI ツールは、研究者が特定の仮説を立ててそのアイデアをデータに対して検証するという枠組みに依存していることが多い」とポールソン氏は述べる。「これにより、発見できる範囲は私たちがすでに疑っていることに限定されてしまう。AutoDiscovery は異なるアプローチを採用し、事前定義された前提条件を必要とせずに、データセット全体を探索する。」
このシステムはすでに、メラノーマにおける免疫活性の重要性や乳がんにおける PI3K パスウェイ（PI3K pathway）の関連性など、いくつか予想される知見を確認することで価値を示しており、チームの信頼性を高める結果となった。しかし、初期の実行でも臨床的・生物学的に関連性の高い新たな仮説が示唆された。メラノーマでは非常に強い免疫反応を伴う可能性のある関連性が、乳がんではリンパ節転移のリスクと結びつく可能性がある関係性などがそれである。これらの知見はチームの当初の仮説には含まれておらず、現在は追跡研究においてこれらを検証・確認している段階だ。
「AutoDiscovery は、目に見える場所に隠れている発見を明らかにする能力を持っており、臨床データやゲノムデータの大部分がまだ部分的にしか探索されていないがん研究においては特に価値がある」とポールソン氏は語る。
ポールソン氏のレポートは こちら で読むことができます。
海洋生態学において
スクリップス海洋研究所の研究者たちは、AutoDiscovery を活用してカリフォルニア湾における過去 20 年以上にわたる岩礁モニタリングデータを探索しました。彼らはすでに、近年の海洋熱波が魚類個体群に悪影響を及ぼしていることを理解していましたが、AutoDiscovery はより広範なパターンを超えて、より独創的で構造化されたメカニズム仮説を提示することで研究を進展させました。特に同システムは、栄養段階全体にわたる生産性に関する関係性を浮き彫りにしましたが、これらを発見するには従来であれば膨大な手動反復作業が必要でした。
「ユーザーがその後徹底的に評価できる複数の仮説を生成する能力は極めて強力です」と、スクリップスの海洋生態学者であるファビオ・ファヴォレット氏は述べています。「一部の仮説が妥当性において劣る場合でも、プロセスから学ぶべき点は常に存在します。」ファヴォレット氏は、AutoDiscovery の透明性、すなわち推論および分析手順を深く検証できる能力が、AI ツールを活用する科学者たちが必要とする信頼性を構築すると強調しました。
ファヴォレット氏による詳細な技術報告書は こちら でご覧ください。
社会科学の分野において
ユタ大学社会・行動科学大学の経済学者であるサンチャイタ・ハズラ氏は、AutoDiscovery を用いて社会・経済データセットを探索し、通常であれば広範な手動仮説検証を必要とする変数間の関係を明らかにしました。彼女の発見は昨年 11 月に査読付き論文として発表されました。
「AutoDiscovery の最大の競争優位性は、データが広がる可能性のある仮説空間全体に対する体系的な検索能力です」とハズラ氏は述べています。「チャットベースの AI インターフェースはアイデアの局所的な探索を可能にしますが、データを用いた場合でも、それは常に局所探索の範囲を超えず、しばしば同じことを繰り返します。AutoDiscovery は、データを伴う深遠な研究のようなものですが、その能力はさらに強化されています。」
ハズラ氏の論文では、学術著者が AI 生成文をどのように編集するかという点が検討されました。彼女の当初の焦点は、人間による条件と AI による条件下での行動を比較することでしたが、AutoDiscovery は彼女が探していなかったものを浮き彫りにしました：教育レベルが編集パターンに与える有意な影響です。博士号を持つ著者は、学士号や修士号を持つ著者に比べて、AI 生成の要約を大幅により多く編集しており、より経験豊富な研究者ほど AI 生成テキストに対して批判的に関与していることを示唆しています。
その後、ハズラ氏はこれらの結果を独立して確認しました。
「これは、私の当初の研究焦点ではこの発見を見逃したか、あるいはこの興味深い結果を得るために数回の回帰分析が必要だった明確な例です」と彼女は言います。「既存の文献に対して非自明で関連性がありつつも新規性の高い結果を表面化させることは、博士課程の学生にとって数週間のフルタイムの仕事になります。しかし AutoDiscovery はそれを数時間で達成しました。」
振り返ると、Hazra 氏は AutoDiscovery が、長年にわたる博士研究で収集した実験データから多くの主要な発見を再現できたことに注目しています。「このツールにアクセスできていれば、私の研究が加速し、新規な拡張のためのアイデアの種となる可能性があったでしょう」と彼女は述べています。
専門家との協働は AutoDiscovery の開発を形作り、オープンエンド型の発見が最も価値を持つ領域や、それが実際の研究ワークフローにどう組み込まれるべきかを理解する手助けとなりました。科学の世界では常に、探索するための時間よりもデータの方が多くなっています。AutoDiscovery は優れた研究を駆動する直感や専門知識を代替するものではありませんが、データの中に隠された問いを表面化させることで、あなたが最も注力すべき場所に集中できるよう支援します。
今日から AstaLabs で AutoDiscovery をお試しください。発見した結果をお知らせください。また、技術ブログ記事 でさらに詳しく学ぶことができます。
*AutoDiscovery などの機能への早期アクセスを得るために、Asta Preview に 登録 してください。*
Ai2 の最新ニュースに関する月次更新を受け取るには購読してください。
原文を表示
Today we released AutoDiscovery as an experimental feature in AstaLabs. AutoDiscovery is an AI-powered tool that explores structured datasets autonomously—generating hypotheses, designing and running statistical experiments, and surfacing findings that researchers might never have thought to look for.
Most AI tools for science are goal-driven: they wait for you to provide a research question, then help you answer it. AutoDiscovery works differently. Give it a dataset and let it explore overnight. When it finishes, you'll have a complete list of novel research directions—each one with reproducible code, statistical results, and a clear path to follow-up investigation.
AutoDiscovery started as a research project we published last year with open-source code. During development, we worked with researchers across disciplines to apply it to real scientific problems. Now we're making it broadly available in AstaLabs.
In oncology
Dr. Kelly Paulson, a medical oncologist and Head of the Center for Immuno-Oncology at Providence Swedish Cancer Institute, has used AutoDiscovery to analyze large clinical, genomic, and gene expression datasets from breast cancer and melanoma research programs. These cancers remain challenging because current treatments work well for some patients but not others, and Paulson's team aims to understand the factors associated with improved outcomes.
"Traditional approaches to large cancer datasets, including many current AI tools, often rely on a framework in which researchers begin with a specific hypothesis and test that idea against the data," Paulson says. "This limits discovery to what we already suspect. AutoDiscovery takes a different approach by exploring the full dataset without requiring predefined assumptions."
The system has already provided value by confirming several expected findings – such as the importance of immune activity in melanoma and the relevance of the PI3K pathway in breast cancer – which increased the team's confidence in its reliability. But even early runs pointed to new hypotheses of clinical and biological relevance: in melanoma, potential associations involving very strong immune responses, and in breast cancer, relationships that may be linked to the risk of lymph node spread. These findings weren't part of the team's initial hypotheses, and they're now testing and validating them in follow-up studies.
"AutoDiscovery's ability to reveal discoveries that may be hiding in plain sight is especially valuable in cancer research, where substantial amounts of clinical and genomic data remain only partially explored," Paulson says.
Read Paulson’s report here.
In marine ecology
Researchers at the Scripps Institution of Oceanography have used AutoDiscovery to explore more than 20 years of rocky reef monitoring data from the Gulf of California. They already understood that recent marine heatwaves were negatively affecting fish populations, but AutoDiscovery helped them move beyond broad patterns by framing more original, structured, and mechanistic hypotheses. In particular, the system surfaced relationships between productivity across trophic levels that would have required extensive manual iterations to discover.
"The ability to generate multiple hypotheses that can then be thoroughly evaluated by the user is extremely powerful," Fabio Favoretto, a marine ecologist at Scripps, says. "Even when some hypotheses are less valid, there is always something to learn from the process." Favoretto emphasized that AutoDiscovery's transparency – the ability to inspect reasoning and analytical steps in depth – builds the trust that scientists need when working with AI tools.
Read a detailed technical report by Favoretto here.
In social science
Sanchaita Hazra, an economist in the College of Social and Behavioral Science at the University of Utah, has used AutoDiscovery to explore social and economic datasets, surfacing relationships between variables that might otherwise require extensive manual hypothesis testing to uncover. Her findings were published in a peer-reviewed paper last November.
"The biggest competitive advantage of AutoDiscovery is its systematic search over the possible hypothesis space spanned by the data," Hazra says. "While chat-based AI interfaces allow for local exploration of ideas, even with data, they never go beyond a local search, often repeating themselves. AutoDiscovery is almost like deep research with data, but on steroids."
In her paper, Hazra examined how academic authors edit AI-generated writing. Her original focus was comparing behavior under human versus AI conditions. But AutoDiscovery helped surface something she hadn't been looking for: a significant effect of education level on editing patterns. Authors with doctoral degrees edited AI-generated abstracts substantially more than those with undergraduate or master's degrees, suggesting that more experienced researchers engage more critically with AI-generated text.
Later, Hazra independently confirmed the results.
"This is a clear example of where my original research focus would have missed this finding or needed several regressions to get to this interesting result," she says. "Surfacing results that are non-trivial, relevant, but novel to the existing literature is a full-time job for a PhD student for a couple of weeks. AutoDiscovery did it in a few hours."
Looking back, Hazra notes that AutoDiscovery was able to replicate many major findings from experimental data she collected over years of doctoral research. "Had I had access to this tool, it would have powercharged my research, potentially seeding ideas for novel extensions," she says.
Our collaborations with experts have shaped AutoDiscovery's development—helping us understand where open-ended discovery is most valuable and how it fits into real research workflows. Science has always had more data than time to explore it. AutoDiscovery won't replace the intuition and expertise that drive great research, but it can help surface the questions hiding in your data so you can focus your effort where it matters most.
Try AutoDiscovery in AstaLabs today, and let us know what you find—and learn more in our technical blog post.
*Sign up for Asta Preview to gain early access to features like AutoDiscovery. Learn more *here*.*
Subscribe to receive monthly updates about the latest Ai2 news.
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み