AI-teadlased leidsid vanadele ravimitele uusi ülesandeid
Nature avaldas kaks artiklit süsteemidest, mis püüavad teha AI-st mitte lihtsalt teadusartiklite otsingumootorit, vaid hüpoteeside loomise abilist. Jutt käib Google Co-Scientistist ja mittetulundusliku labori FutureHouse süsteemist Robin. Mõlemad töötasid bioloogias ning otsisid juba tuntud ravimitele uusi kasutusvõimalusi.
Uudise mõõtkava tuleb hoida täpne. See ei tähenda, et AI „leiutas ravimi“ ja viis selle kliinikusse. Mõlemal juhul jäi inimene protsessi sisse ning kontroll toimus laborimudelites ja rakukatsetes. Kuid see on juba tõsisem tase kui tavaline vestlusrobot, mis artikleid ümber jutustab: süsteemid ehitasid hüpoteese, võrdlesid neid, pakkusid eksperimente ja aitasid tulemusi tõlgendada.
Mida tegi Co-Scientist
Google Co-Scientist põhineb Geminil ja on üles ehitatud agentide kogumina. Üks agent otsib kirjandust, teised pakuvad hüpoteese, kritiseerivad neid, võrdlevad ideid „turniiris“ ja viimistlevad ellujäänud variante. Kriteeriumide seas on usutavus, uudsus, kontrollitavus ja ohutus. Autorite sõnul oli ligipääs teaduskirjandusele oluline just hallutsinatsioonide vähendamiseks: ilma allikatoeta looks süsteem kergemini ilusaid, kuid nõrku ideid.
Avaldatud töös rakendati Co-Scientisti ägeda müeloidse leukeemia peal. Süsteem aitas valida kandidaate tuntud ravimite ümberkasutuseks ja nende kombinatsioonideks, mille järel eksperdid valisid ideed kontrollimiseks. Osa ravimeid osutus tõhusaks ainult konkreetsete leukeemiarakuliinide vastu, mis on onkoloogias normaalne: eri rakud võivad kasvada eri bioloogiliste mehhanismide kaudu.
Väärtus ei ole siin selles, et mudel oleks „teadlasest parem“. Pigem saab see kiiremini läbi käia hajusate andmete massi ja pakkuda seoseid, milleni inimene ei pruugi jõuda kitsa eriala või ajapuuduse tõttu.
Robin läks sammu edasi
FutureHouse Robin lahendas sarnast ülesannet kuiva ealise maakuli degeneratsiooni jaoks, mis on üks oluline nägemiskaotuse põhjus vanematel inimestel. Robin kasutas kirjanduse lugemiseks spetsiaalseid tööriistu: Crow teeb artiklitest lühikokkuvõtteid, Falcon koostab sügavamaid ülevaateid. Autorid kirjutavad, et Robin analüüsis 551 artiklit 30 minutiga; inimese jaoks hindavad nad sama lugemismahu umbes 540 tunnile.
Seejärel pakkus Robin välja haiguse mehhanismi, valis rakumudelid, koostas aruanded 30 ravimikandidaadi kohta ja soovitas analüüse kontrolliks. Lõpuks tõstis süsteem esile idee tugevdada võrkkestarakkude võimet neelata välist rakuprahti ning nimetas ripasudili ja KL001 perspektiivseteks kandidaatideks. Ripasudil on ROCK-inhibiitorina juba kliinilises kasutuses, kuid autorite sõnul ei olnud seda varem kuiva maakuli degeneratsiooni raviks pakutud.
Robin sisaldas ka tööriista Finch standardsete bioloogiliste katseandmete analüüsiks, sealhulgas RNA-seq ja voolutsütomeetria jaoks. See on oluline erinevus: süsteem ei otsinud ainult hüpoteese, vaid aitas osaliselt ka eksperimentaalseid andmeid lahti mõtestada. Lõplik kontroll jäi siiski laborisse, mitte puhtalt arvutisse.
Miks see on tähtis
Tänapäeva teaduse põhiprobleem ei ole ainult ideede puudus, vaid ka kirjanduse üleküllus. Biomeditsiinis on tohutu hulk artikleid, andmeid ja osalisi tähelepanekuid, mis paiknevad eri distsipliinides ja haakuvad omavahel halvasti. Kui AI aitab sellised seosed kiiremini üles leida ja katselisse kontrolli viia, on see praktiline tööriist, mitte ainult ilus mudelidemo.
Piirangud on samuti põhimõttelised. Tuntud ravimite ümberprofileerimine on lihtsam kui uute molekulide loomine. Rakutulemused ei jõua sageli loomkatsete ja kliiniliste uuringuteni. Süsteemid pärivad ka baasmudelite nõrkused: puuduliku faktitäpsuse, hallutsinatsiooniriski ja sõltuvuse otsingutööriistade kvaliteedist. Ars Technica märgib eraldi, et kui üks FutureHouse’i spetsialiseeritud tööriist asendati tavalise OpenAI mudeliga, kasvas väljamõeldud viidete osakaal 45 protsendini.
Seetõttu on aus järeldus ettevaatlik. AI ei asenda veel teadlasi, arste ega patsiendikatseid. Küll aga võtab see üha kindlamalt koha kirjanduse lugemise ja laborikatse vahel: seal, kus on vaja kiiresti koguda võimalikke seoseid, nõrgad ideed välja sõeluda ja anda inimesele hüpoteeside nimekiri, mida tasub päriselt kontrollida.
- nature.comA multi-agent system for automating scientific discovery - Nature
- nature.comAccelerating scientific discovery with Co-Scientist - Nature
- arstechnica.comTwo AI-based science assistants succeed with drug-retargeting tasks
- techmeme.comTwo research papers describe how Google’s Co-Scientist and nonprofit FutureHouse’s AI tools can succeed at drug-retargeting tasks by forming hypotheses
