From
En sentral utfordring i kreftimmunterapi er at mange svulster er”kalde”– effektivt usynlige for kroppens immunsystem. En nøkkelstrategi er å gjøre dem”varme”ved å tvinge dem til å vise immunutløsende signaler gjennom en prosess som kalles antigenpresentasjon.
For å finne en måte å gjøre dette på, ga forskere C2S-Scale 27B i oppgave med et svært spesifikt oppdrag. De designet en”virtuell skjerm med dobbel kontekst”for å finne et medikament som fungerer som en betinget forsterker, simulerer effekten av over 4.000 medikamenter
«dobbeltkontekst»-tilnærming var nøkkelen. Modellen måtte finne et medikament som kun var effektivt i en pasientrelevant setting med immunsignaler, men ineffektivt i en isolert laboratoriesammenheng. Denne presisjonen krevde et sofistikert nivå av betinget resonnement.
AI-ens toppkandidat var silmitasertib (CX-4945). Modellen spådde at den ville øke antigenpresentasjonen sterkt i målkonteksten, men ellers ha liten effekt. Dette var en ny hypotese, siden stoffet ikke hadde noen tidligere rapportert kobling til denne spesifikke mekanismen.
For å teste spådommen tok teamet hypotesen fra datamaskinen til laboratoriebenken. De brukte menneskelige nevroendokrine cellemodeller-en celletype AI aldri hadde møtt under treningen. Resultatene var en slående bekreftelse på modellens hypotese.
Dette trinnet, som går fra en datamaskinprediksjon (in silico) til en laboratorietest (in vitro), er gullstandarden for å validere AI-drevne biologiske hypoteser. Eksperimentene viste at mens stoffet eller lavdose interferon alene hadde liten effekt, ga kombinasjonen deres en markant, synergistisk forsterkning.
Scaling Laws and the Dawn of Generative Biology
Googles prestasjoner gir kraftig bevis for teorien om”skaleringslover”i biologi. Konseptet, som førte til den nylige eksplosjonen i store språkmodeller, antyder at etter hvert som modellene blir større, forbedres de ikke bare – de kan tilegne seg helt nye, fremvoksende evner.
Emergent-evner er evner som ikke er eksplisitt programmert, men som vises etter hvert som en modell vokser i størrelse og kompleksitet. For C2S-Scale betydde dette at den kunne utføre det betingede resonnementet som trengs for å forstå”hvis-da”-logikken til immunkonteksten – en oppgave som hadde unngått mindre modeller.
C2S-Scale-modellen, bygget på Googles åpne Gemma 2-arkitektur, demonstrerte dette ved å generere en testbar vitenskapelig idé. Som Google DeepMinds Shekoofeh Azizi forklarte,”dette resultatet gir også en blåkopi for en ny type biologisk oppdagelse.”
Dette representerer et fundamentalt skifte fra AI som bare et dataanalyseverktøy til en kreativ partner innen vitenskapelig oppdagelse. Modellens suksess antyder en fremtid der AI kan kjøre massive virtuelle skjermer for å avdekke komplekse, kontekstavhengige biologiske mekanismer.
Den nye tilnærmingen kan dramatisk forkorte veien fra innledende forskning til levedyktige terapeutiske spor. Teamet uttalte at det beviser at større modeller”kan lage prediktive modeller for cellulær atferd som er kraftige nok til å… generere biologisk funderte hypoteser”.
Et nytt verktøy i det åpne’AI for Science’-økosystemet
C2S-Scale 27B-prosjektet er en del av en bredere, spesialisert industritrend for å skape et bredere vitenskapelig industriområde. Google har aktivt bygget ut sin”Gemmaverse”med modeller som TxGemma for oppdagelse av legemidler. Dette reflekterer en strategi som er fokusert på målrettede applikasjoner med høy effekt.
Microsoft følger et lignende”AI for Science”-initiativ, og lanserer verktøy som BiomedParse for medisinsk bildeanalyse og en anomalideteksjonsmodell for å oppdage brystkreft. Den parallelle innsatsen understreker et strategisk omdreiningspunkt på tvers av bransjen.
I tråd med åpen vitenskaps ånd har Google og Yale gjort C2S-Scale 27B-modellen, dens underliggende kode og forskningsartikkelen offentlig tilgjengelig på plattformer som Hugging Face og GitHub. Dette lar det globale forskningsmiljøet bygge videre på arbeidet deres.
Denne åpne tilnærmingen er avgjørende for vitenskapelig validering. Ved å frigi verktøyene inviterer Google og Yale til gransking og samarbeid, slik at andre forskere kan replikere funnene sine og utforske nye hypoteser. Det fremmer et mer transparent forskningsmiljø.
Selv om denne oppdagelsen er en landemerkeprestasjon, er veien til klinisk anvendelse lang. AI i medisin står overfor betydelige hindringer, fra å sikre pålitelighet i den virkelige verden til å navigere i den komplekse etikken for personvern for pasientdata, en bekymring fremhevet av andre storskala helse-AIer.
Som professor Moritz Gerstung fra DKFZ bemerket om en lignende prediktiv modell, kan”generative modeller som vår en dag bidra til å tilpasse helsevesenet og forhåndsskala behov.”Dette arbeidet, ved å gå fra ren prediksjon til validert oppdagelse, bringer denne visjonen et avgjørende skritt nærmere virkeligheten.