ИИ-учёные нашли старым лекарствам новые задачи

Журнал Nature опубликовал две работы о системах, которые пытаются сделать ИИ не просто поисковиком по научным статьям, а помощником в выдвижении гипотез. Речь о Google Co-Scientist и Robin от некоммерческой лаборатории FutureHouse. Обе системы работали в биологии и искали новые применения для уже известных препаратов.

Важно не перепутать масштаб новости. Это не означает, что ИИ «изобрёл лекарство» и довёл его до клиники. В обоих случаях человек оставался в контуре, а проверка шла на лабораторных моделях и клеточных экспериментах. Но это уже более серьёзный уровень, чем обычный чат-бот, который пересказывает статьи: системы строили гипотезы, сравнивали их, предлагали эксперименты и помогали интерпретировать результаты.

Что сделал Co-Scientist

Google Co-Scientist построен на Gemini и устроен как набор агентов. Один агент ищет литературу, другие предлагают гипотезы, критикуют их, сравнивают в «турнире» и дорабатывают выжившие идеи. Критерии включают правдоподобность, новизну, проверяемость и безопасность. По словам авторов, доступ к научной литературе был важен именно для снижения галлюцинаций: без опоры на источники система легче придумывала бы красивые, но слабые идеи.

В опубликованной работе Co-Scientist применили к острому миелоидному лейкозу. Система помогла подобрать кандидаты для повторного использования известных препаратов и их комбинаций, после чего эксперты выбрали идеи для проверки. Часть препаратов оказалась эффективной только против отдельных линий лейкозных клеток, что нормально для онкологии: разные клетки могут расти через разные биологические механизмы.

Здесь ценность не в том, что модель «лучше учёного». Скорее она может быстрее пройти по массиву разрозненных данных и предложить связи, до которых человек мог бы не дойти из-за узкой специализации или нехватки времени.

Robin пошёл на шаг дальше

Система FutureHouse Robin решала похожую задачу для сухой возрастной макулярной дегенерации, одной из важных причин потери зрения у пожилых людей. Robin использовал специализированные инструменты для чтения литературы: Crow делает краткие выжимки из статей, Falcon готовит более глубокие обзоры. Авторы пишут, что Robin проанализировал 551 статью за 30 минут; человеку на такое чтение они оценивают около 540 часов.

После этого Robin предложил механизм болезни, подобрал клеточные модели, подготовил отчёты по 30 кандидатам в препараты и предложил анализы для проверки. В итоге система указала на идею усилить способность клеток сетчатки поглощать внешний клеточный мусор и выделила ripasudil и KL001 как перспективные кандидаты. Ripasudil уже используется в клинике как ингибитор ROCK, но раньше, по словам авторов, не предлагался для лечения сухой макулярной дегенерации.

Robin также включал инструмент Finch для анализа данных стандартных биологических экспериментов, включая RNA-seq и проточную цитометрию. Это важное отличие: система не только искала гипотезы, но и частично помогала разбирать экспериментальные данные. При этом финальная проверка всё равно оставалась лабораторной, а не чисто вычислительной.

Почему это важно

Главная проблема современной науки не только в нехватке идей, но и в перегрузе литературой. В биомедицине уже есть огромное количество статей, данных и частичных наблюдений, которые лежат в разных дисциплинах и плохо соединяются друг с другом. Если ИИ помогает быстрее найти такие связи и вынести их на экспериментальную проверку, это практический инструмент, а не только красивая демонстрация модели.

Ограничения тоже принципиальны. Перепрофилирование известных препаратов проще, чем создание новых молекул. Клеточные результаты часто не проходят путь через животных и клинические испытания. А сами системы наследуют слабости базовых моделей: неполную фактичность, риск галлюцинаций и зависимость от качества инструментов поиска. Ars Technica отдельно отмечает, что при замене одного специализированного инструмента FutureHouse на обычную модель OpenAI доля выдуманных ссылок выросла до 45%.

Поэтому правильный вывод здесь осторожный. ИИ пока не заменяет учёных, врачей и испытания на пациентах. Но он всё увереннее занимает место между чтением литературы и лабораторным экспериментом: там, где нужно быстро собрать возможные связи, отсечь слабые идеи и дать человеку список гипотез, которые действительно стоит проверить.