Σε μια σημαντική ανακάλυψη για την ιατρική έρευνα, επιστήμονες από το Google DeepMind και το Πανεπιστήμιο Yale χρησιμοποίησαν μια νέα τεχνητή νοημοσύνη για να ανακαλύψουν μια πιθανή οδό θεραπείας του καρκίνου. Το μοντέλο παραμέτρων των 27 δισεκατομμυρίων, που ονομάζεται C2S-Scale 27B, αποκαλύφθηκε στις 15 Οκτωβρίου 2025.
Ανάλυσε δεδομένα μονοκυττάρου για να σχηματίσει μια νέα υπόθεση: ένα συγκεκριμένο φάρμακο θα μπορούσε να ενισχύσει την ικανότητα του ανοσοποιητικού συστήματος να στοχεύει κατά τα άλλα «αόρατους» όγκους. Στη συνέχεια, οι ερευνητές επικύρωσαν με επιτυχία αυτήν την πρόβλεψη που δημιουργήθηκε από την τεχνητή νοημοσύνη σε εργαστηριακά πειράματα.
Αυτή η επιτυχία σηματοδοτεί μια κομβική στιγμή για το”AI for Science”. Δείχνει ότι τα μεγάλα μοντέλα όχι μόνο μπορούν να επεξεργαστούν πληροφορίες αλλά και να δημιουργήσουν πρωτότυπες, ελεγχόμενες ιδέες. Αυτό θα μπορούσε να επιταχύνει την ανάπτυξη νέων ιατρικών θεραπειών και να αλλάξει τον τρόπο με τον οποίο διεξάγεται η βιολογική έρευνα.
Μια κεντρική πρόκληση στην ανοσοθεραπεία του καρκίνου είναι ότι πολλοί όγκοι είναι «κρύοι» — ουσιαστικά αόρατοι για το ανοσοποιητικό σύστημα του σώματος. Μια βασική στρατηγική είναι να τα κάνετε «καυτά» αναγκάζοντάς τα να εμφανίζουν σήματα που ενεργοποιούν το ανοσοποιητικό σύστημα μέσω μιας διαδικασίας που ονομάζεται παρουσίαση αντιγόνου. Για να βρουν έναν τρόπο να το κάνουν αυτό, οι ερευνητές ανέθεσαν στο C2S-Scale 27B μια εξαιρετικά συγκεκριμένη αποστολή. Σχεδίασαν μια”εικονική οθόνη διπλού πλαισίου”για να βρουν ένα φάρμακο που λειτουργεί ως ενισχυτής υπό όρους, προσομοιώνοντας τις επιπτώσεις περισσότερων από 4,00. Η προσέγγιση «διπλού πλαισίου» ήταν κλειδί. Το μοντέλο έπρεπε να βρει ένα φάρμακο που να ήταν αποτελεσματικό μόνο σε ένα περιβάλλον σχετικό με τον ασθενή με ανοσολογικά σήματα, αλλά αναποτελεσματικό σε ένα απομονωμένο εργαστηριακό πλαίσιο. Αυτή η ακρίβεια απαιτούσε ένα περίπλοκο επίπεδο συλλογισμού υπό όρους. Ο κορυφαίος υποψήφιος του AI ήταν το silmitasertib (CX-4945). Το μοντέλο προέβλεψε ότι θα αύξανε έντονα την παρουσίαση αντιγόνου στο πλαίσιο στόχου, αλλά διαφορετικά θα είχε μικρή επίδραση. Αυτή ήταν μια νέα υπόθεση, καθώς το φάρμακο δεν είχε προηγουμένως αναφερθεί σύνδεση με αυτόν τον συγκεκριμένο μηχανισμό. Για να ελέγξει την πρόβλεψη, η ομάδα μετέφερε την υπόθεση από τον υπολογιστή στον πάγκο του εργαστηρίου. Χρησιμοποίησαν μοντέλα ανθρώπινων νευροενδοκρινών κυττάρων-έναν τύπο κυττάρου που το AI δεν είχε συναντήσει ποτέ κατά τη διάρκεια της εκπαίδευσής του. Τα αποτελέσματα ήταν μια εκπληκτική επιβεβαίωση της υπόθεσης του μοντέλου. Αυτό το βήμα, η μετάβαση από μια πρόβλεψη υπολογιστή (in silico) σε μια εργαστηριακή δοκιμή (in vitro), είναι το χρυσό πρότυπο για την επικύρωση βιολογικών υποθέσεων που βασίζονται στο AI. Τα πειράματα έδειξαν ότι ενώ το φάρμακο ή η ιντερφερόνη χαμηλής δόσης από μόνα τους είχαν μικρή επίδραση, ο συνδυασμός τους παρήγαγε μια αξιοσημείωτη, συνεργιστική ενίσχυση. Το επίτευγμα της Google παρέχει ισχυρές αποδείξεις για τη θεωρία των”νόμων κλιμάκωσης”στη βιολογία. Η ιδέα, η οποία τροφοδότησε την πρόσφατη έκρηξη στα μεγάλα γλωσσικά μοντέλα, υποθέτει ότι καθώς τα μοντέλα μεγαλώνουν, δεν βελτιώνονται απλώς – μπορούν να αποκτήσουν εντελώς νέες, αναδυόμενες δυνατότητες. Οι δυνατότητες έκτακτης ανάγκης είναι ικανότητες που δεν προγραμματίζονται ρητά αλλά εμφανίζονται καθώς ένα μοντέλο μεγαλώνει σε μέγεθος και πολυπλοκότητα. Για το C2S-Scale, αυτό σήμαινε ότι θα μπορούσε να εκτελέσει τον συλλογισμό υπό όρους που απαιτείται για την κατανόηση της λογικής «αν-τότε» του ανοσοποιητικού πλαισίου—μια εργασία που είχε ξεφύγει από μικρότερα μοντέλα. Το μοντέλο C2S-Scale, βασισμένο στην ανοιχτή αρχιτεκτονική Gemma 2 της Google, το απέδειξε δημιουργώντας μια ελεγχόμενη επιστημονική ιδέα. Όπως εξήγησε ο Shekoofeh Azizi του Google DeepMind,”αυτό το αποτέλεσμα παρέχει επίσης ένα προσχέδιο για ένα νέο είδος βιολογικής ανακάλυψης.” Αυτό αντιπροσωπεύει μια θεμελιώδη μετατόπιση από την τεχνητή νοημοσύνη ως απλό εργαλείο ανάλυσης δεδομένων σε έναν δημιουργικό συνεργάτη στην επιστημονική ανακάλυψη. Η επιτυχία του μοντέλου υποδηλώνει ένα μέλλον όπου η τεχνητή νοημοσύνη μπορεί να τρέξει τεράστιες εικονικές οθόνες για να αποκαλύψει πολύπλοκους βιολογικούς μηχανισμούς που εξαρτώνται από το περιβάλλον. Η νέα προσέγγιση θα μπορούσε να συντομεύσει δραματικά τη διαδρομή από την αρχική έρευνα σε βιώσιμους θεραπευτικούς πελάτες. Η ομάδα δήλωσε ότι αποδεικνύει ότι τα μεγαλύτερα μοντέλα «μπορούν να δημιουργήσουν προγνωστικά μοντέλα κυτταρικής συμπεριφοράς που είναι αρκετά ισχυρά για… να δημιουργήσουν βιολογικά θεμελιωμένες υποθέσεις». Το έργο C2S-Scale 27B είναι μέρος μιας τάσης για τη δημιουργία εξειδικευμένων επιστημονικών τομέων AI. Η Google χτίζει ενεργά το”Gemmaverse”της με μοντέλα όπως το TxGemma για την ανακάλυψη φαρμάκων. Αυτό αντικατοπτρίζει μια στρατηγική που επικεντρώνεται σε στοχευμένες εφαρμογές υψηλού αντίκτυπου. Η Microsoft επιδιώκει μια παρόμοια πρωτοβουλία «AI for Science», κυκλοφορώντας εργαλεία όπως το BiomedParse για ανάλυση ιατρικής εικόνας και ένα μοντέλο ανίχνευσης ανωμαλιών για τον εντοπισμό του καρκίνου του μαστού. Οι παράλληλες προσπάθειες υπογραμμίζουν μια στρατηγική στροφή σε όλο τον κλάδο. Σύμφωνα με το πνεύμα της ανοιχτής επιστήμης, η Google και η Yale έχουν κάνει το μοντέλο C2S-Scale 27B, τον υποκείμενο κώδικα και την ερευνητική εργασία δημόσια διαθέσιμα σε πλατφόρμες όπως η Αγκαλιασμένο πρόσωπο και GitHub. Αυτό επιτρέπει στην παγκόσμια ερευνητική κοινότητα να βασιστεί στη δουλειά της. Αυτή η ανοιχτή προσέγγιση είναι ζωτικής σημασίας για την επιστημονική επικύρωση. Με την κυκλοφορία των εργαλείων, η Google και το Yale προσκαλούν τον έλεγχο και τη συνεργασία, επιτρέποντας σε άλλους ερευνητές να αναπαράγουν τα ευρήματά τους και να εξερευνήσουν νέες υποθέσεις. Προωθεί ένα πιο διαφανές ερευνητικό περιβάλλον. Αν και αυτή η ανακάλυψη είναι ένα επίτευγμα ορόσημο, ο δρόμος προς την κλινική εφαρμογή είναι μακρύς. Η τεχνητή νοημοσύνη στην ιατρική αντιμετωπίζει σημαντικά εμπόδια, από τη διασφάλιση της αξιοπιστίας του πραγματικού κόσμου έως την πλοήγηση στην περίπλοκη ηθική του απορρήτου των δεδομένων των ασθενών, μια ανησυχία που τονίζεται από άλλα μεγάλης κλίμακας AI για την υγεία. Όπως σημείωσε ο καθηγητής Moritz Gerstung του DKFZ για ένα παρόμοιο μοντέλο πρόβλεψης, «τα γενετικά μοντέλα περίθαλψης θα μπορούσαν να βοηθήσουν μια μέρα στην προσωπική μας φροντίδα και να βοηθήσουν στην προσωπική μας φροντίδα». Αυτή η εργασία, μεταβαίνοντας από την καθαρή πρόβλεψη στην επικυρωμένη ανακάλυψη, φέρνει αυτό το όραμα ένα κρίσιμο βήμα πιο κοντά στην πραγματικότητα.
Scaling Laws and the Dawn of Generative Biology
Ένα νέο εργαλείο στο Open «AI for Science» Οικοσύστημα
