Liczba unikalnych interakcji biologicznych w żywych organizmach przewyższa teoretycznie liczbę gwiazd w obserwowalnym wszechświecie. To nie poetycka przesada, to szacunek naukowy, który uzmysławia skalę problemu, z którym mierzy się współczesna biologia i medycyna.
Przez stulecia naukowcy i lekarze pracowali metodami ukierunkowanymi na wąskie, izolowane obserwacje. Pokolenia badaczy, krok po kroku, budowały wiedzę wystarczającą do opracowania przełomowych terapii, ale tylko dla ułamka znanych chorób. Teraz coś zaczyna się zmieniać.
Jeśli chcesz otrzymać raport przed oficjalną premierą oraz zobaczyć nazwę swojej firmy wśród uczestników badania – zostaw adres email na końcu ankiety.
AlphaFold, AlphaGenome i nowy język biologii
Symbolem tej zmiany jest AlphaFold, model AI od Google DeepMind, który w 2024 roku przyniósł swojemu twórcy Nagrodę Nobla w dziedzinie chemii. AlphaFold potrafi przewidzieć strukturę białek i ich wzajemne interakcje, analizując statystyczne regularności w danych strukturalnych i ewolucyjnych. Zadanie, które dawniej zajmowało miesiące lub lata laboratoryjnej pracy, można dziś wykonać w ciągu kilku godzin.
Kolejnym krokiem jest AlphaGenome, który pozwala badaczom szybko i efektywnie przewidywać, jak warianty genetyczne wpływają na powstawanie chorób. Oba narzędzia są już stosowane w badaniach nad nowotworami, chorobą Alzheimera czy odpowiedzią na pandemie.
Ale jest jeden zasadniczy problem.
Korelacja to nie przyczynowość
Dominujące dziś modele AI uczą się korelacji, a nie związków przyczynowo-skutkowych. To rozróżnienie ma ogromne znaczenie praktyczne.
Model statystyczny może powiedzieć: „te dwie rzeczy często występują razem”. Nie powie: „jedna rzecz powoduje drugą”. W biologii ta różnica może zadecydować o tym, czy lek zadziała, czy nie.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl:
To dla mnie jeden z najważniejszych problemów w całej narracji wokół AI w medycynie. Entuzjazm jest zrozumiały, wyniki spektakularne, a inwestycje gigantyczne. Ale czy naprawdę jesteśmy tak blisko przełomu, jak nam się wydaje? Z jednej strony mamy narzędzia, które rzeczywiście skracają czas odkryć z lat do godzin. Z drugiej, biologia jest systemem pełnym kompensacji, szumów i wyjątków. Modele AI uczą się wzorców, nie praw. I tu pojawia się pytanie, które powinno towarzyszyć każdej dyskusji o AI w ochronie zdrowia: kto, jak i na podstawie czego będzie walidował te wyniki zanim trafią do kliniki? Optymizm jest uzasadniony. Ostrożność jest niezbędna.
Współczesne odpowiedzi na to wyzwanie przyjmują formę hybrydowych ram obliczeniowych, które łączą ustrukturyzowaną wiedzę o mechanizmach biologicznych z wielomodalnymi zbiorami danych. Chodzi o dane obrazowe, dane ilościowe dotyczące ekspresji genów, metabolitów czy epigenetyki, a także dane medyczne dotyczące przebiegu chorób.
150 milionów komórek jako punkt wyjścia
Arc Institute należy do grupy organizacji, które podchodzą do problemu od podstaw. Tamtejsi badacze trenują modele AI na danych z ponad 150 milionów komórek pobranych z różnych organów ciała. Następnie przeprowadzają celowe zaburzenia biologiczne (perturbacje), obserwując, co się zmienia i dlaczego.
Wyniki takich eksperymentów zasilają modele o architekturze zdolnej do łączenia reprezentacji statystycznych z mechanizmami przyczynowymi. To nie jest jeszcze pełna „mapa biologii”, ale wyraźny krok w tym kierunku.
Wyzwania, które pozostają:
- Braki danych lub brak kluczowych informacji w istniejących zbiorach
- Nierównomierność i błędy systematyczne w procesie zbierania danych, w tym niedoreprezentowanie określonych grup
- Etyka AI w kontekście zdrowia i medycyny, temat na osobną dyskusję
Renifery, oparzenia i regeneracja skóry
Jeden z bardziej zaskakujących przykładów zastosowania tych metod pochodzi z Uniwersytetu w Calgary. Laboratorium prof. Biernaskiego bada, jak renifery regenerują poroże, zarówno sezonowo, jak i po urazach. Celem jest jednak nie zoologia, ale translacja tej zdolności regeneracyjnej na człowieka.
Pierwsza aplikacja? Regeneracja zdrowej skóry u osób z ciężkimi oparzeniami.
Oparzenia prowadzą do powstawania blizn włóknikowych, tkanki pozbawionej gruczołów potowych, mieszków włosowych i większości komórek odpowiedzialnych za prawidłowe funkcje skóry. Najczęstszymi ofiarami są dzieci, a długotrwałe skutki fizyczne, społeczne i psychologiczne są ogromnym obciążeniem na całe życie.
Czy jesteśmy na progu przełomu?
James Colter z The Conversation, autor analizowanego tekstu, stawia tezę, że naukowcy z różnych dyscyplin mogą wspólnie stać „na skraju nowej ery rozwiązań dla najtrudniejszych wyzwań zdrowotnych i medycznych.” To zdanie brzmi jak ostrożna nadzieja, nie obietnica.
I właśnie ta ostrożność jest chyba właściwym punktem wyjścia. AI zmienia tempo odkryć biologicznych, to fakt. Modele takie jak AlphaFold pokazały, że nie jest to tylko technologiczna ciekawostka. Ale droga od predykcji białkowej do leku zatwierdzonego przez FDA jest wciąż długa i pełna pułapek, których żaden model nie przewidzi.
Nowa era? Możliwe. Ale na razie jesteśmy bliżej świtu niż południa.
