Egy komplett virtuális biotechnológiai vállalatot hoztak létre a Stanford kutatói, amelyben akár 37 ezer mesterséges intelligencia alapú ügynök dolgozhat párhuzamosan gyógyszerfejlesztési feladatokon. A szeptember 17-én a Science folyóiratban megjelent kutatásban több tízezer klinikai vizsgálat adatait elemezték, majd egy lehetséges tüdőrák-kezelési stratégiát is kidolgoztak.
A Virtual Biotech felépítése tudatosan hasonlít egy valódi gyógyszeripari kutatószervezethez. Egy virtuális tudományos igazgató osztja ki a feladatokat különböző szakértői egységeknek, amelyek többek között gyógyszercélpontok azonosításával, molekuláris adatok értékelésével és klinikai vizsgálatok tervezésével foglalkoznak. A rendszerben a mesterséges intelligencia ügynökök nem egyszerűen egyetlen választ generálnak, hanem több lépésből álló kutatási feladatokat hajtanak végre, majd az eredményeiket egy magasabb szintű ügynök összesíti.
Az egyik legnagyobb kísérletben a rendszer 55 984 klinikai vizsgálat adataival dolgozott, és 37 075 külön ügynököt indított a későbbi fázisú vizsgálatok eredményeinek feldolgozására. A retrospektív elemzésben azt találták, hogy bizonyos, sejttípusokra specifikus és kapcsolószerű aktivitást mutató gyógyszercélpontokhoz kötődő készítmények 40 százalékkal nagyobb valószínűséggel jutottak tovább az I. fázisból a II. fázisba, 48 százalékkal nagyobb valószínűséggel érték el a piacot, és 32 százalékkal alacsonyabb mellékhatási aránnyal társultak. Ezek statisztikai összefüggések a korábbi vizsgálatokban, nem annak bizonyítékai, hogy a mesterséges intelligencia önmagában ilyen mértékben javítaná egy új gyógyszer sikerének esélyét.
A kutatók ezután a B7-H3, más néven CD276 nevű fehérjét vizsgáltatták meg a rendszerrel tüdőrákos célpontként. A mesterséges intelligencia többféle genetikai, sejtszintű és térbeli adatot kombinálva olyan antitest-gyógyszer konjugátum stratégiát javasolt, amely a B7-H3-at hordozó sejtekhez juttatna daganatellenes hatóanyagot. A javaslatot kizárólag 2025 januárja előtt elérhető információkból készítették. Hónapokkal később egy gyógyszercég ettől függetlenül hasonló B7-H3 stratégiával lépett elő, amelynek készítménye később emberi vizsgálati eredmények után FDA Breakthrough Therapy minősítést is kapott. Ez érdekes független egybeesés, de nem jelenti azt, hogy a Virtual Biotech saját gyógyszerét klinikailag tesztelték volna.
Olvasd el: Közel 30 év CRM-tudására épül a Salesforce új mesterséges intelligenciája
Eljuthatunk oda, hogy egy gyógyszerkutatási projekt első több tízezer elemzői feladatát már gépi kutatócsapat végzi el, és az emberek csak a legígéretesebb eredményeket viszik tovább a laborba?
A rendszer valódi jelentősége ezért elsősorban a kutatási léptékben lehet. Egy emberi csapat számára rendkívül időigényes több tízezer klinikai vizsgálat eredményeit egységes formában összegyűjteni, más molekuláris adatbázisokkal összekapcsolni és új hipotéziseket keresni bennük. A több ezer párhuzamos ügynök ugyanezt a munkát sokkal nagyobb mennyiségben tudja elvégezni, majd olyan összefüggéseket emelhet ki, amelyeket a kutatók célzott laboratóriumi vizsgálatokban ellenőrizhetnek. A tanulmány szerzői is emberi ellenőrzéssel és további kísérletekkel számolnak, nem teljesen autonóm gyógyszerfejlesztéssel.
A Nature értékelése külön hangsúlyozza ennek a korlátját. A Virtual Biotech előrejelzéseit és új hipotéziseit még nem validálták önállóan valódi gyógyszerfejlesztési programban végzett kísérletekkel vagy klinikai vizsgálatokkal. A B7-H3 esetében egy másik vállalat későbbi, hasonló stratégiája erősíti a megközelítés érdekességét, de nem helyettesíti a rendszer által javasolt új célpontok laboratóriumi tesztelését. A Stanford kutatói ezért következő lépésként éppen azt tervezik, hogy a virtuális vállalat további eredményeit valódi laboratóriumokban vizsgálják meg.
A kutatás így nem azt mutatja, hogy 37 ezer digitális tudós már ember nélkül képes új gyógyszereket piacra vinni. Sokkal inkább azt, hogy a mesterséges intelligencia ügynökökből szervezett nagy rendszerek a gyógyszerkutatás korai, adatintenzív szakaszaiban egészen új léptékű elemzést tehetnek lehetővé. Ha a számítógépes hipotézisek megfelelő része később kísérletben is megállja a helyét, az ilyen virtuális kutatócsapatok jelentősen felgyorsíthatják annak eldöntését, mely gyógyszercélpontokra érdemes valódi időt, laboratóriumi kapacitást és pénzt fordítani.
Olvasd el ezt is: Az MI-vásárlókra készíti fel a webáruházakat a PayU új rendszere
Források: Science, Stanford Medicine, Nature
CS.SZ.
