AI:n som läser hela den vetenskapliga världslitteraturen – och hittar botemedel vi missat

Vetenskapens informationsöverflöd har nått en kritisk punkt

Det finns ett problem i modern forskning som sällan hamnar i rubrikerna, men som alla som arbetat nära akademin känner igen: det är numera praktiskt taget omöjligt att hålla sig ajour med den vetenskapliga litteraturen – ens inom sitt eget smala specialområde. Utanför det egna fältet är det helt enkelt inte genomförbart.

Detta är inte ett marginellt bekymmer. Det innebär att viktiga rön kan ligga begravda i publikationer ingen relevant forskare råkar läsa. Det innebär att kopplingar mellan olika fält förbises. Och det innebär att potentiellt livräddande insikter kan dröja i onödan.

Det är mot den bakgrunden man bör läsa de två artiklar som nyligen publicerades i Nature, och som enligt Ars Technica beskriver AI-system byggda för att systematiskt tackla just det problemet.

Googles Co-Scientist – ett internt rådslagssystem

Googles system, kallat Co-Scientist, är byggt ovanpå språkmodellen Gemini. Men det är inte ett enkelt fråga-svar-verktyg. Flödet är mer sofistikerat än så: forskaren formulerar ett mål, varefter systemet söker igenom den granskade litteraturen och formulerar hypoteser. Dessa hypoteser ställs sedan mot varandra i en intern urvalsprocess, där ett så kallat reflektionsverktyg bedömer och värderar resultaten. De mest lovande idéerna skickas sedan vidare till ett förbättringsverktyg, som förfinar dem ytterligare – innan processen börjar om.

Det som är tekniskt intressant här är mönstret: det påminner om hur ett välorganiserat forskarteam faktiskt arbetar, med interna diskussioner, kritisk granskning och iterativa förbättringar. Skillnaden är att systemet kan göra detta i en skala och hastighet som inget mänskligt team kan matcha.

Viktigast av allt: forskarna hålls involverade längs hela vägen. AI:n ersätter inte beslutsfattandet – den förbereder underlaget.

I ett konkret test lyckades Co-Scientist identifiera befintliga läkemedel med potential att användas mot sjukdomar de ursprungligen inte var avsedda för. Det är ett område – ofta kallat läkemedelsomriktning – som är enormt lovande ur ett samhällsperspektiv. Att hitta nya användningsområden för redan godkända läkemedel sparar både tid och kostnader i en bransch där ett nytt läkemedel kan ta decennier och miljardbelopp att ta fram.

FutureHouse – öppen och ideell

Den andra aktören, FutureHouse, är en ideell organisation – vilket i sig är en intressant signal i ett landskap som annars domineras av teknikjättar med kommersiella intressen. Deras system delar grundtanken med Googles: att hjälpa forskare navigera i det vetenskapliga informationsbruset och hitta mönster som annars skulle förbises.

Att just Nature publicerade båda artiklarna ger dem en tyngd som inte ska underskattas. Det är inte ett pressmeddelande eller en konferenspresentation – det är granskad vetenskap.

Varför läkemedelsomriktning är ett perfekt startskott

Det är ingen slump att båda systemen prövats just mot läkemedelsomriktning. Uppgiften är väl lämpad för AI av flera skäl: det finns en väldefinierad frågeställning (kan detta läkemedel fungera mot den sjukdomen?), en enorm mängd befintlig litteratur att söka igenom, och tydliga kriterier för vad som räknas som ett framgångsrikt resultat.

Samtidigt är nyttan konkret och omedelbart begriplig. Vi talar inte om teoretiska förbättringar i ett laboratorium – vi talar om att potentiellt ge patienter tillgång till behandlingar snabbare och till lägre kostnad.

Från mitt perspektiv som systemutvecklare är det också värt att notera den arkitektoniska mognad som beskrivs, särskilt i Co-Scientist. Den iterativa återkopplingsslinga som systemet bygger på är ett välbeprövat mönster inom mjukvaruutveckling – men att tillämpa det på hypotesgenerering inom biomedicin är en påtagligt elegant lösning på ett svårt problem.