Искусственный интеллект помогает ученым понять рак по-новому. Революционное сотрудничество между DeepMind и Йельским университетом привело к разработке передовой AI-системы, которая может анализировать данные клеток в беспрецедентном масштабе. Названная C2S-Scale 27B, этот инструмент не просто анализирует данные – он предсказывает, как раковые клетки могут реагировать на различные методы лечения.
Этот прорыв представляет собой сдвиг в исследованиях рака от простого описания того, что происходит с раковыми клетками, до фактического прогнозирования их поведения. AI-модель работает путем объединения реальных данных о опухолях с имитированными реакциями клеток, позволяя анализировать, как действуют лекарства в различных условиях. Она использует технику двойного контекстного виртуального скрининга для тестирования тысяч потенциальных лекарств одновременно в лабораторно выращенных клетках и данных о опухолях пациентов.
Что делает это открытие особенно значимым – то, что AI обнаружило: ранее скрытый механизм, который позволяет определенным типам рака, особенно тем, которые классифицируются как «холодные» опухоли, избегать иммунного обнаружения. Это открытие может привести к новым подходам для того, чтобы организм мог распознавать и бороться с лекарственно-устойчивыми раками.
Подход AI имитирует то, как думают биологи. Он может анализировать, как тысячи комбинаций лекарств могут влиять на раковые клетки в различных условиях, что традиционные лабораторные эксперименты не могут эффективно делать. В то время как обычные тесты изучают одну переменную за раз, эта AI может моделировать тысячи комбинаций, чтобы выявить перспективные методы лечения. По словам исследователей, около 10-30 процентов комбинаций лекарств, которые она выявила, ранее не изучались.
Например, AI предсказала, что объединение двух конкретных лекарств значительно улучшит способность иммунной системы распознавать раковые клетки. Когда исследователи Йельского университета протестировали это предсказание в лаборатории, они обнаружили, что комбинация улучшила иммунное распознавание примерно на 50 процентов – намного больше, чем то, чего достигли бы отдельные лекарства. Это продемонстрировало способность AI выявлять эффективные методы лечения, которые люди-исследователи могли бы пропустить.
Разработка знаменует собой новый темп открытия. Интегрируя геномные, протеомные и данные о реакции на лекарства, AI может выявлять ключевые биологические связи гораздо быстрее, чем традиционные экспериментальные подходы. Эта эффективность может преобразовать медицинские исследования, подобно тому, как высокопроизводительное секвенирование революционизировало биологию два десятилетия назад.
Этот прогресс является частью растущей тенденции. Другие исследовательские команды, включая те, что в MIT и Cellarity, разработали дополнительные AI-инструменты, такие как DrugReflector, которые могут тестировать тысячи лекарств в различных типах клеток. Эти замкнутые системы, где AI идентифицирует потенциальные методы лечения и лаборатории их тестируют, могут значительно сократить время, необходимое для разработки новых методов лечения.
Однако эксперты подчеркивают, что AI позиционируется как соавтор, а не как замена человеческим исследователям. На недавних конференциях AI в Биологии ученые признали силу AI в обработке сложных данных, но подчеркнули, что человеческие исследователи по-прежнему предоставляют необходимый контекст и суждения. Эти системы превосходно справляются с выявлением закономерностей и неожиданных связей, которые люди могут пропустить, помогая исследователям сосредоточить свои исследования.
Взгляд в будущее, это развитие представляет собой веху в научной методологии. Впервые крупная AI-модель успешно проанализировала биологические данные для генерации проверяемой гипотезы о раковой устойчивости, которая выдержала лабораторную проверку. Этот подход создает чертеж для ускорения научных открытий во всех областях, позволяя проводить виртуальные эксперименты, которые могут быстро отбирать тысячи возможностей.
