„Badacze AI” mogą przyspieszyć odkrycia nowych leków. Ale bez człowieka i tak się nie obejdzie
Co-Scientist, oparty na modelu Gemini, oraz Robin, wykorzystujący OpenAI o4-mini oraz Anthropic Claude 3.7, to tzw. systemy wieloagentowe. Składają się z wyspecjalizowanych „modułów”, z których każdy odpowiada za inne zadanie – od przeszukiwania literatury naukowej, przez generowanie hipotez, po analizę surowych danych laboratoryjnych.
Robin i zwyrodnienie plamki żółtej
Aby przetestować działanie Robina, polecono mu znaleźć potencjalną terapię związanego z wiekiem zwyrodnienia plamki żółtej, czyli głównej przyczyny nieodwracalnej utraty wzroku w krajach rozwiniętych. System samodzielnie przeanalizował ponad 550 publikacji w ciągu pół godziny (człowiekowi zajęłoby to ponad 500 godz.) i zaproponował strategię polegającą na usprawnieniu naturalnego mechanizmu „sprzątania” (tzw. fagocytozy) w komórkach nabłonka siatkówki. Wytypował także konkretne substancje do testów. Znalazł się wśród nich ripasudil – lek stosowany w kilku krajach Azji w leczeniu jaskry – którego podanie podczas badań laboratoryjnych niemal dwukrotnie zwiększyło wydajność tego procesu.
Czytaj także: Człowiek, AI i luka odpowiedzialności. Korzystanie ze sztucznej inteligencji ułatwia bycie nieuczciwym?
Co-Scientist kontra ostra białaczka szpikowa
Jeszcze ciekawsze wyniki uzyskał Co-Scientist, którego twórcy poszli trochę inną drogą. Generowane przez niego hipotezy najpierw „rywalizują” ze sobą w symulowanych debatach naukowych. Najbardziej obiecujące są następnie „szlifowane” krok po kroku – system wielokrotnie je analizuje i poprawia, aż do uzyskania najlepszego rezultatu. W ten sposób AI odkryła nowe potencjalne terapie ostrej białaczki szpikowej, które w testach laboratoryjnych wykazały skuteczność. Wytypowała m.in. zastosowanie jednego z już istniejących leków, KIRA6, który nawet przy bardzo niskich stężeniach okazał się skuteczny (in vitro) w hamowaniu wzrostu komórek nowotworowych. Ponadto Co-Scientist samodzielnie odkrył mechanizm, który wyjaśnia, w jaki sposób bakterie przekazują sobie geny oporności na antybiotyki – dochodząc do tych samych wniosków, co zespół naukowców pracujących nad tym zagadnieniem.
Czytaj także: Czy AI odnajdzie się w chaosie SOR-u? Naukowcy właśnie to sprawdzili
Są sukcesy, jest i ryzyko
Twórcy obydwu systemów podkreślają jednak, że sztuczna inteligencja ma współpracować z badaczami, a nie ich zastępować. Między innymi z powodu ograniczeń algorytmów. Na przykład baza wiedzy Co-Scientist opiera się na literaturze naukowej, do której dostęp jest otwarty, i dlatego może pomijać kluczowe artykuły umieszczane za paywallem lub niepublikowane wyniki negatywne. Z kolei Robin doskonale radzi sobie z planowaniem ogólnej strategii badawczej, ale brakuje mu jeszcze precyzji potrzebnej do stworzenia instrukcji postępowania w laboratorium. Ponadto jego moduł analityczny mocno zależy od tzw. inżynierii promptów, co oznacza, że ludzki ekspert musi na starcie sformułować bardzo szczegółowe instrukcje tekstowe – bez tego „nakierowania” maszyna nie potrafi jeszcze samodzielnie i bezbłędnie zinterpretować skomplikowanych danych biologicznych. Oba systemy obciążone są też ryzykiem halucynacji oraz powielania błędów z wadliwych publikacji źródłowych. Przede wszystkim zaś każda wygenerowana przez algorytmy propozycja to zaledwie punkt wyjścia, który zawsze wymaga rygorystycznej weryfikacji w testach laboratoryjnych czy badaniach klinicznych.