Dokonując znaczącego przełomu w badaniach medycznych, naukowcy z Google DeepMind i Uniwersytetu Yale wykorzystali nową sztuczną inteligencję do odkrycia potencjalnej ścieżki terapii nowotworów. Model obejmujący 27 miliardów parametrów, nazwany C2S-Scale 27B, został zaprezentowany 15 października 2025 r.
Przeanalizowano w nim dane dotyczące pojedynczych komórek, aby sformułować nową hipotezę: określony lek może wzmocnić zdolność układu odpornościowego do atakowania „niewidocznych” nowotworów. Następnie badacze pomyślnie zweryfikowali przewidywania wygenerowane przez sztuczną inteligencję w eksperymentach laboratoryjnych.
Ten sukces oznacza kluczowy moment dla inicjatywy „Sztuczna inteligencja dla nauki”. Pokazuje, że duże modele mogą nie tylko przetwarzać informacje, ale także generować oryginalne, testowalne pomysły. Może to przyspieszyć rozwój nowych metod leczenia i zmienić sposób prowadzenia badań biologicznych.
Od wirtualnego ekranu do potwierdzonego odkrycia
Głównym wyzwaniem w immunoterapii nowotworów jest to, że wiele nowotworów jest „zimnych” – w rzeczywistości niewidocznych dla układu odpornościowego organizmu. Kluczową strategią jest uczynienie ich „gorącymi” poprzez zmuszanie ich do wykazywania sygnałów wyzwalających układ odpornościowy w procesie zwanym prezentacją antygenu.
Aby znaleźć na to sposób, badacze powierzyli urządzeniu C2S-Scale 27B bardzo specyficzną misję. Zaprojektowali „wirtualny ekran z podwójnym kontekstem”, aby znaleźć lek działający jako wzmacniacz warunkowy, symulujący działanie ponad 4000 leków.
The Kluczowe było podejście „dwukontekstowe”. Model musiał znaleźć lek, który byłby skuteczny tylko w przypadku istotnych dla pacjenta warunków i sygnałów immunologicznych, ale nieskuteczny w izolowanym kontekście laboratoryjnym. Ta precyzja wymagała zaawansowanego poziomu wnioskowania warunkowego.
Najlepszym kandydatem na sztuczną inteligencję był silmitasertib (CX-4945). Model przewidywał, że znacznie zwiększy to prezentację antygenu w kontekście docelowym, ale poza tym ma niewielki wpływ. Była to nowatorska hipoteza, ponieważ nie zgłoszono wcześniej związku leku z tym konkretnym mechanizmem.
Aby przetestować przewidywania, zespół przeniósł hipotezę z komputera na stół laboratoryjny. Wykorzystali modele ludzkich komórek neuroendokrynnych – typu komórek, z którym sztuczna inteligencja nigdy nie spotkała się podczas swojego szkolenia. Wyniki w zdumiewający sposób potwierdziły hipotezę modelu.
Ten etap, polegający na przejściu od przewidywania komputerowego (in silico) do testu laboratoryjnego (in vitro), stanowi złoty standard w weryfikowaniu hipotez biologicznych opartych na sztucznej inteligencji. Eksperymenty wykazały, że chociaż sam lek lub interferon w małych dawkach miał niewielki wpływ, ich połączenie spowodowało wyraźną, synergistyczną amplifikację.
Prawa skalowania i początek biologii generatywnej
Osiągnięcia Google dostarczają mocnych dowodów na poparcie teorii „praw skalowania” w biologii. Koncepcja, która przyczyniła się do niedawnej eksplozji dużych modeli językowych, zakłada, że w miarę powiększania się modeli nie tylko się one ulepszają, ale mogą zyskać zupełnie nowe, wyłaniające się możliwości.
Wschodzące możliwości to zdolności, które nie są jawnie zaprogramowane, ale pojawiają się w miarę wzrostu rozmiaru i złożoności modelu. W przypadku skali C2S oznaczało to, że mógł przeprowadzić wnioskowanie warunkowe potrzebne do zrozumienia logiki „jeśli-to” kontekstu immunologicznego – zadania, które wymknęło się mniejszym modelom.
Model w skali C2S, zbudowany na otwartej architekturze Gemma 2 firmy Google, zademonstrował to, generując sprawdzalną koncepcję naukową. Jak wyjaśniła Shekoofeh Azizi z Google DeepMind, „wynik ten stanowi także plan nowego rodzaju odkryć biologicznych”.
Oznacza to fundamentalne przejście od sztucznej inteligencji jako zwykłego narzędzia do analizy danych do kreatywnego partnera w odkryciach naukowych. Sukces modelu sugeruje przyszłość, w której sztuczna inteligencja będzie mogła wyświetlać ogromne wirtualne ekrany w celu odkrywania złożonych, zależnych od kontekstu mechanizmów biologicznych.
Nowe podejście może radykalnie skrócić drogę od wstępnych badań do realnych wskazówek terapeutycznych. Zespół stwierdził, że dowodzi, że większe modele „mogą tworzyć modele predykcyjne zachowań komórkowych, które są wystarczająco potężne, aby… generować hipotezy o podłożu biologicznym”.
Nowe narzędzie w otwartym ekosystemie „AI for Science”
Projekt C2S-Scale 27B wpisuje się w szerszy trend branżowy zmierzający do tworzenia wyspecjalizowanej sztucznej inteligencji dla dziedzin nauki. Google aktywnie rozwija swój „Gemmaverse” za pomocą modeli takich jak TxGemma do odkrywania leków. Odzwierciedla to strategię skupioną na ukierunkowanych zastosowaniach o dużym wpływie.
Microsoft realizuje podobną inicjatywę „Sztuczna inteligencja dla nauki”, udostępniając narzędzia takie jak BiomedParse do analizy obrazów medycznych i model wykrywania anomalii w wykrywaniu raka piersi. Równoległe wysiłki podkreślają strategiczny zwrot w całej branży.
Zgodnie z duchem otwartej nauki firmy Google i Yale udostępniły publicznie model C2S-Scale 27B, leżący u jego podstaw kod i artykuł badawczy na platformach takich jak Przytulająca twarz i GitHub. Dzięki temu globalna społeczność naukowa może opierać się na swojej pracy.
To otwarte podejście ma kluczowe znaczenie dla walidacji naukowej. Udostępniając te narzędzia, Google i Yale zachęcają do analizy i współpracy, umożliwiając innym badaczom powielanie swoich odkryć i odkrywanie nowych hipotez. Sprzyja bardziej przejrzystemu środowisku badawczemu.
Chociaż to odkrycie jest przełomowym osiągnięciem, droga do zastosowania klinicznego jest długa. Sztuczna inteligencja w medycynie napotyka poważne przeszkody, od zapewnienia niezawodności w świecie rzeczywistym po radzenie sobie ze złożonymi etykami związanymi z prywatnością danych pacjentów, co jest problemem podkreślanym przez inne zakrojone na szeroką skalę sztucznej inteligencji w dziedzinie zdrowia.
Jak zauważył profesor Moritz Gerstung z DKFZ na temat podobnego modelu predykcyjnego, „modele generatywne, takie jak nasz, mogą pewnego dnia pomóc w personalizowaniu opieki i przewidywaniu potrzeb w zakresie opieki zdrowotnej na dużą skalę”. Ta praca, przechodząc od czystego przewidywania do potwierdzonego odkrywania, przybliża tę wizję do rzeczywistości.
