Umělá inteligence pomáhá vědcům porozumět rakovině novými způsoby. Průkopnická spolupráce mezi DeepMind a Yale University vyústila ve vývoj špičkového systému umělé inteligence, který dokáže analyzovat mobilní data v bezprecedentním měřítku. Tento nástroj s názvem C2S-Scale 27B neanalyzuje pouze data, ale předpovídá, jak mohou rakovinné buňky reagovat na různé způsoby léčby.
Tento průlom představuje posun ve výzkumu rakoviny od prostého popisu toho, co se stane s rakovinnými buňkami, ke skutečnému předpovídání jejich chování. Model AI funguje tak, že kombinuje reálná data o nádorech se simulovanými buněčnými reakcemi, což umožňuje analýzu toho, jak léky fungují za různých podmínek. Využívá duální kontextové virtuální screeningové techniky k současnému testování tisíců kandidátů léků v buňkách pěstovaných v laboratoři a údajích o nádorech pacientů.
To, co činí tento objev obzvláště významným, je to, že AI objevila: dříve skrytý mechanismus, který umožňuje určitým typům rakoviny, zejména těm, které jsou klasifikovány jako „studené“ nádory, vyhýbat se imunitní detekci. Tento objev by mohl vést k novým přístupům, které pomohou tělu rozpoznat a bojovat s rakovinou rezistentní vůči lékům.
Přístup AI napodobuje způsob, jakým biologové myslí. Dokáže analyzovat, jak mohou tisíce kombinací léků ovlivnit rakovinné buňky za různých podmínek, což tradiční laboratorní experimenty nemohou účinně dělat. Zatímco konvenční testy se zaměřují na jednu proměnnou najednou, tato umělá inteligence dokáže simulovat tisíce kombinací k identifikaci slibných léčebných postupů. Asi 10 až 30 procent kombinací léků, které identifikovala, nebylo dříve studováno, uvedli vědci.
Umělá inteligence například předpověděla, že spojení dvou specifických léků výrazně zlepší schopnost imunitního systému rozpoznat rakovinné buňky. Když výzkumníci z Yale testovali tuto předpověď v laboratoři, zjistili, že tato kombinace zlepšila imunitní rozpoznávání asi o 50 procent – mnohem více, než čeho by dosáhly jednotlivé léky. To prokázalo schopnost umělé inteligence identifikovat účinné způsoby léčby, které by lidským výzkumníkům jinak uniklo.
Vývoj znamená nové tempo objevování. Díky integraci genomických, proteomických dat a dat odezvy na léky dokáže umělá inteligence identifikovat klíčové biologické souvislosti mnohem rychleji než tradiční experimentální přístupy. Tato účinnost by mohla změnit lékařský výzkum, stejně jako před dvěma desetiletími způsobilo sekvenování s vysokou propustností revoluci v biologii.
Tento pokrok je součástí rostoucího trendu. Další výzkumné týmy, včetně těch z MIT a Cellarity, vyvinuly další nástroje umělé inteligence, jako je DrugReflector, který dokáže testovat tisíce léků v různých typech buněk. Tyto systémy s uzavřenou smyčkou, kde AI identifikuje potenciální léčebné postupy a laboratoře je testují, by mohly výrazně zkrátit dobu potřebnou k vývoji nových léčebných postupů.
Odborníci však zdůrazňují, že umělá inteligence je postavena jako spolupracovník, a nikoli jako náhrada lidských výzkumníků. Na nedávných konferencích AI in Biology vědci uznali sílu AI při zpracování složitých dat, ale zdůraznili, že lidští výzkumníci stále poskytují potřebný kontext a úsudek. Tyto systémy vynikají v identifikování vzorců a neočekávaných spojení, které by lidem mohly uniknout, a pomáhají tak výzkumníkům zaměřit jejich výzkum.
Při pohledu do budoucnosti představuje tento vývoj milník ve vědecké metodologii. Poprvé velký model umělé inteligence úspěšně analyzoval biologická data, aby vytvořil testovatelnou hypotézu o odolnosti vůči rakovině, která obstála v laboratorních testech. Tento přístup vytváří plán pro urychlení vědeckých objevů ve všech oblastech a umožňuje virtuální experimenty, které mohou rychle prověřit tisíce možností.
