Googles AI identifierar läkemedelskandidater som mänskliga forskare missade – nu publicerad i Nature
Googles AI hittade förbisedda läkemedelskandidater som forskare missat – nu i Nature.
När maskinen började ställa de rätta frågorna
Det finns ett problem som sällan diskuteras öppet inom forskarvärlden: det går helt enkelt inte att läsa allt. Inom biomedicinsk forskning produceras idag så enorma mängder vetenskaplig litteratur att ingen enskild människa realistiskt kan hålla sig uppdaterad – och i den luckan gömmer sig förbisedda samband, otestad potential och, i förlängningen, liv som kunde räddas.
Det är precis den luckan som Google DeepMind nu siktar på att fylla. I en uppmärksammad publikation i Nature presenteras Co-Scientist – ett system bestående av flera samverkande AI-komponenter, byggt på Googles Gemini-modell, som självständigt kan generera, debattera och förfina vetenskapliga hypoteser. Det är inte ett sökverktyg. Det är något fundamentalt annorlunda.
Tre faser, en tankeprocess
Enligt DeepMinds egna bloggar arbetar Co-Scientist i tre sammanlänkade faser. En genereringskomponent föreslår inledande hypoteser grundade i vetenskaplig litteratur. En reflektionskomponent fungerar som en virtuell granskare och utvärderar originalitet och korrekthet. Slutligen arrangeras en slags idéturnering där hypoteser ställs mot varandra och rangordnas – ett system som tvingar fram skärpa snarare än konsensus.
Resultaten har redan gett konkreta avtryck i laboratorier världen över.
Leverfibros: AI slår forskaren rakt av
Vid Stanford University School of Medicine lät genetikern Gary Peltz Co-Scientist identifiera tre läkemedelskandidater för behandling av leverfibros – ett tillstånd som i förlängningen kan leda till skrumplever och som skördar över 1,4 miljoner liv varje år. Peltz valde själv ut två kandidater baserade på välrepresenterade läkemedel i forskningen. Sedan testades samtliga fem på levande mänskliga leverceller.
Utfallet var slående, rapporterar DeepMind: Peltz egna kandidater visade ingen mätbar effekt. Två av Co-Scientists tre förslag bromsade däremot fibrosprocessen och stimulerade dessutom regenerering av leverceller. Det är inte en liten marginal – det är ett kategoriskifte.
Vid universitetet i Edinburgh arbetar bioingenören Filippo Menolascina med en besläktad leversjukdom kallad MASH – notoriskt svårbehandlad just för att den involverar ett virrvarr av sammanflätade biologiska processer. Den kombinatoriska explosionen av möjliga läkemedelskombinationer gör traditionell utprovning i princip omöjlig. Co-Scientist sammanvägde bevis från leverfysiologi och farmakologi och pekade ut kombinationsbehandlingar som forskargruppen nu kan gå vidare med – ett arbete som annars skulle ha tagit år.
ALS och åldrandet: nya broar mellan isolerade forskarvärldar
Enligt DeepMinds blogg om ALS-forskning stod maskiningenjören Ritu Raman vid MIT inför ett hav av motstridig forskning när hon beslutade sig för att utforska ALS – ett område utanför hennes vanliga domän. Co-Scientist komprimerade månaders litteraturläsning till dagar, rangordnade möjliga forskningsspår efter genomförbarhet och risknivå, och lade grunden för ett samarbete med hennes make Ryan Flynn vid Boston Children's Hospital – en kemisk biolog vars verktyg och frågeställningar tidigare hade föga gemensamt med hennes egna.
På Calico Life Sciences, Alphabets forskningssatsning på åldrande, beskriver AI- och maskininlärningschefen Matt Onsum hur Co-Scientist imponerade med sin vetenskapliga urskiljningsförmåga – förmågan att sålla bort brus och återvändsgränder som annars kostar forskarlag månader. Systemet hjälpte fram en ny hypotes kring den integrerade stressresponsen, ett cellmekanism-system vars kroniska aktivering kopplas till sjukdom och åldrande.
Inte ett oracle – en tankemedarbetare
Det är viktigt att sätta Co-Scientist i rätt perspektiv. Det ersätter inte forskaren – det förstärker densamme. Systemet genererar hypoteser; det är fortfarande människor som testar dem i laboratoriet, tolkar utfallen och bär det vetenskapliga ansvaret. Men i en värld där den verkliga flaskhalsen inte är laboratorieutrustning utan mänsklig kognitiv kapacitet, är det ett skifte av stor betydelse.
Det som gör det här särskilt spännande är inte ett enskilt genombrott – det är mönstret. Leverfibros. MASH. ALS. Åldrandet. Fyra separata forskningsfält, fyra separata forskarlag, samma AI-verktyg – och i samtliga fall ett resultat som utan systemet antingen hade tagit avsevärt längre tid eller kanske aldrig uppstått.
Startskottet har redan avlossats.
Vår analys
Det vi bevittnar med Co-Scientist är inte ytterligare ett AI-verktyg som effektiviserar en befintlig process – det är en förskjutning i var det vetenskapliga värdet skapas. Historiskt har hypotesgenerering varit den mest tidskrävande och minst skalbara delen av forskningsprocessen. Den har krävt decennier av inläsning, breda tvärvetenskapliga nätverk och en dos lycklig serendipitet. Co-Scientist industrialiserar den processen utan att tömma den på mening.
Utvecklingen pekar mot en framtid där AI-system inte är sökmotorer för forskning utan aktiva medforskarare med specialiserad kompetens. Det ställer nya krav – på hur vi tillskriver vetenskapliga bidrag, hur vi säkerställer reproducerbarhet och hur vi hanterar partiskhet inbyggd i träningsdata. Men det öppnar också en dörr som länge varit stängd: möjligheten att angripa sjukdomar med en bredd och ett tempo som mänsklig forskning aldrig ensam kan matcha. Den möjligheten bör vi ta på fullaste allvar.