Calico Life Sciences использовала Co — Scientist для связывания данных о старении и ускорения экспериментов

Calico Life Sciences применил мультиагентного ИИ‑партнёра Co — Scientist, чтобы сопоставить разрозненные данные о старении и генерировать проверяемые гипотезы, что ускорило переход от наблюдений к экспериментам.

Calico Life Sciences сообщает о применении мультиагентного ИИ‑партнёра Co — Scientist для поиска связей в разрозненных результатах по биологии старения и ускорения экспериментальной работы; это важно, потому что такая интеграция данных помогает быстрее получать проверяемые гипотезы и сокращать время до публикаций. В публикации от 19 мая 2026 года команда описала, как модель использовалась как практический инструмент в научном процессе — от отбора идей до планирования экспериментов.

Авторы представляют Co — Scientist как систему, способную фильтровать «шум» в научной литературе и помогать формулировать проверяемые гипотезы. В проекте участвуют глава AI/ML Мэтт Онсам (Matt Onsum) и ведущий научный сотрудник Кэтрин Лаббе (Dr Katherine Labbé), которые используют модель как инструмент генерации идей и планирования исследований. По словам Лаббе, инструмент «думает как учёный» и «работает естественно с тем, как учёный уже думает и действует», что по её мнению ускоряет переход от наблюдений к экспериментальным предложениям.

Как конкретный пример команда приводит работу по интегрированному стресс‑ответу (ISR). Co — Scientist предложил новую правдоподобную гипотезу о том, как возрастные изменения метаболизма могут регулировать ISR. Исследователи применяли ИИ для уточнения дизайна экспериментов и регулярно подгружали в систему новые данные по мере получения результатов; эти итерации помогли выявить новые находки, которые, по мнению команды, имеют важные последствия для понимания роли ISR в здоровье и болезнях. Calico планирует опубликовать полученные результаты.

Авторы отмечают системную проблему в исследованиях старения: перекрывающиеся биологические процессы, большое количество смешанных по качеству данных и частые проблемы с воспроизводимостью. В таком контексте Co — Scientist показал способность отсекать «мертвые концы» и фокусироваться на гипотезах, которые реально можно проверить в лабораторных условиях, что повысило научную разборчивость команды и снизило риск затратного направления работы. Команда подчёркивает практическое значение мультиагентных ИИ‑систем для разработчиков и экспериментаторов: такие инструменты способны ускорять цикл «литература → гипотеза → эксперимент», улучшать дизайн исследований и сокращать время до публикуемых результатов. Как отметил Мэтт Онсам, способность интегрировать разнообразную информацию для распутывания проблем старения — «почти что лунный выстрел» в масштабах задач, с которыми работает команда.