I ett betydande genombrott för medicinsk forskning har forskare från Google DeepMind och Yale University använt en ny AI för att upptäcka en potentiell cancerterapiväg. Modellen med 27 miljarder parametrar, kallad C2S-Scale 27B, presenterades den 15 oktober 2025.
Den analyserade encellsdata för att bilda en ny hypotes: ett specifikt läkemedel kan förstärka immunsystemets förmåga att rikta in sig på annars”osynliga”tumörer. Forskare validerade sedan framgångsrikt denna AI-genererade förutsägelse i labbexperiment.
Denna framgång markerar ett avgörande ögonblick för”AI for Science.”Den visar att stora modeller inte bara kan bearbeta information utan också generera originella, testbara idéer. Detta kan påskynda utvecklingen av nya medicinska behandlingar och förändra hur biologisk forskning bedrivs.
En central utmaning inom cancerimmunterapi är att många tumörer är”kalla”– i praktiken osynliga för kroppens immunsystem. En nyckelstrategi är att göra dem”heta”genom att tvinga dem att visa immunutlösande signaler genom en process som kallas antigenpresentation.
För att hitta ett sätt att göra detta gav forskare C2S-Scale 27B i uppdrag att utföra ett mycket specifikt uppdrag. De designade en”virtuell skärm med dubbla sammanhang”för att hitta ett läkemedel som fungerar som en villkorlig förstärkare, simulerar effekterna av över 4 000 läkemedel
“dual-context”tillvägagångssätt var nyckeln. Modellen var tvungen att hitta ett läkemedel som var effektivt endast i en patientrelevant miljö med immunsignaler, men ineffektivt i ett isolerat labbsammanhang. Denna precision krävde en sofistikerad nivå av villkorliga resonemang.
AI:s toppkandidat var silmitasertib (CX-4945). Modellen förutspådde att den kraftigt skulle öka antigenpresentationen i målsammanhanget men hade liten effekt annars. Detta var en ny hypotes, eftersom läkemedlet inte hade någon tidigare rapporterad koppling till denna specifika mekanism.
För att testa förutsägelsen tog teamet hypotesen från datorn till labbbänken. De använde mänskliga neuroendokrina cellmodeller-en celltyp som AI aldrig hade stött på under sin träning. Resultaten var en fantastisk bekräftelse på modellens hypotes.
Det här steget, att gå från en datorförutsägelse (in silico) till ett labbtest (in vitro), är guldstandarden för att validera AI-drivna biologiska hypoteser. Experimenten visade att även om läkemedlet eller lågdos interferon ensamt hade liten effekt, producerade deras kombination en markant, synergistisk förstärkning.
Scaling Laws and the Dawn of Generative Biology
Googles prestation ger kraftfulla bevis för teorin om”skalningslagar”inom biologi. Konceptet, som underblåste den senaste explosionen av stora språkmodeller, hävdar att när modellerna blir större, förbättras de inte bara – de kan skaffa sig helt nya, framväxande förmågor.
Emergenta förmågor är förmågor som inte är explicit programmerade utan dyker upp när en modell växer i storlek och komplexitet. För C2S-Scale innebar detta att den kunde utföra de villkorliga resonemang som behövdes för att förstå”om-då”-logiken i immunkontexten – en uppgift som hade undgått mindre modeller.
C2S-Scale-modellen, byggd på Googles öppna Gemma 2-arkitektur, visade detta genom att generera en testbar vetenskaplig idé. Som Google DeepMinds Shekoofeh Azizi förklarade,”det här resultatet ger också en plan för en ny typ av biologisk upptäckt.”
Detta representerar en grundläggande förändring från AI som ett rent dataanalysverktyg till en kreativ partner inom vetenskaplig upptäckt. Modellens framgång antyder en framtid där AI kan köra massiva virtuella skärmar för att avslöja komplexa, kontextberoende biologiska mekanismer.
Det nya tillvägagångssättet kan dramatiskt förkorta vägen från initial forskning till livskraftiga terapeutiska leads. Teamet konstaterade att det bevisar att större modeller”kan skapa prediktiva modeller av cellulärt beteende som är kraftfulla nog att… generera biologiskt grundade hypoteser”.
Ett nytt verktyg i det öppna”AI for Science”-ekosystemet
C2S-Scale 27B-projektet är en del av en bredare, specialiserad industritrend för att skapa AI-områden. Google har aktivt byggt ut sin”Gemmaverse”med modeller som TxGemma för läkemedelsupptäckt. Detta återspeglar en strategi fokuserad på riktade tillämpningar med hög effekt.
Microsoft driver ett liknande initiativ”AI for Science”, och släpper verktyg som BiomedParse för medicinsk bildanalys och en anomalidetekteringsmodell för att upptäcka bröstcancer. De parallella ansträngningarna understryker en strategisk pivot över hela branschen.
I enlighet med andan av öppen vetenskap har Google och Yale gjort C2S-Scale 27B-modellen, dess underliggande kod och forskningsrapporten offentligt tillgängliga på plattformar som Hugging Face och GitHub. Detta gör att det globala forskarsamhället kan bygga vidare på sitt arbete.
Detta öppna tillvägagångssätt är avgörande för vetenskaplig validering. Genom att släppa verktygen uppmanar Google och Yale till granskning och samarbete, vilket gör att andra forskare kan replikera sina resultat och utforska nya hypoteser. Det främjar en mer transparent forskningsmiljö.
Även om denna upptäckt är en landmärke, är vägen till klinisk tillämpning lång. AI inom medicin står inför betydande hinder, från att säkerställa verklig tillförlitlighet till att navigera i den komplexa etiken kring patientdataintegritet, en oro som lyfts fram av andra storskaliga hälso-AI:er.
Som professor Moritz Gerstung från DKFZ noterade om en liknande prediktiv modell,”generativa modeller som vår skulle en dag kunna hjälpa till att anpassa vårdbehoven i förebyggande skala.”Detta arbete, genom att gå från ren förutsägelse till validerad upptäckt, för den visionen ett avgörande steg närmare verkligheten.
