Han behövde 30 forskare och ett år – KI gjorde samma jobb på 30 minuter för 50 kronor

Från forskarlag till femminutersprojekt

2009 var genetikforskaren Euan Ashley del av ett pionjärprojekt: att analysera en kollegas hela arvsmassa. Det krävde ett tvärvetenskapligt team på 30 personer — genetiker, datavetare, farmakologer, kliniker — och tog nästan ett år. Resultatet publicerades i den medicinska tidskriften The Lancet och betraktades som ett vetenskapligt genombrott.

Nyligen upprepade Ashley samma experiment. Den här gången använde han KI-assistenten Claude, gav den en instruktion på 180 ord och väntade. Trettio minuter senare hade systemet återskapat merparten av de ursprungliga fynden. Totalkostnaden: ungefär fem dollar.

Det är svårt att överdriva hur dramatisk den förändringen är.

Vad Claude faktiskt hittade

Ashley bad Claude att följa exakt samma analysramverk som det ursprungliga teamet använde: identifiera sällsynta genetiska varianter kopplade till ärftliga sjukdomar, kartlägga hur arvsmassan kan påverka läkemedelsrespons och bedöma risken för vanliga folksjukdomar.

Resultaten var, enligt STAT News, anmärkningsvärda. Claude lyckades återidentifiera flera av de viktigaste fynden — inklusive det mest betydelsefulla: att Ashley bär två kopior av APOE ε4-varianten, starkt förknippad med förhöjd risk för Alzheimers sjukdom. Systemet hittade inga större genstörande varianter kopplade till ärftliga tillstånd, ett resultat som stämde väl överens med vad det ursprungliga teamet kom fram till. Claude flaggade dessutom för varianter i generna DPYD och CYP2C19 — båda relevanta för hur kroppen bryter ned vissa läkemedel, vilket har direkt klinisk betydelse vid läkemedelsval.

Det handlar alltså inte om ett system som ger vaga svar i stil med "du kanske har förhöjd risk för vissa sjukdomar". Det rör sig om konkreta, reproducerbara fynd med medicinsk relevans.

Tekniken är redo — regelverket är det inte

Som systemutvecklare är det här fascinerande av flera skäl. Stora språkmodeller har länge visat styrka i att resonera över komplex, textbaserad information — men att tillämpa det på råa genomdata på det här sättet är ett kvalitativt språng. Det kräver att modellen inte bara kan läsa genetisk information, utan att den kan kontextualisera den mot ett enormt medicinskt kunskapsunderlag och dra slutsatser med klinisk precision.

Men med den förmågan följer ofrånkomligen svåra frågor. Vem ska ha rätt att använda den här tekniken? En läkare med full patientjournal som bakgrund? En nyfiken privatperson som laddar upp sitt rådata från en direkttill-konsument-gentesttjänst? En försäkringsbolag?

Det är just den spänningen som gör Ashleys experiment till mer än en teknisk kuriosa. Tidigare har kostnaden och komplexiteten fungerat som en naturlig tröskel — den höll genomanalys inom sjukvårdens och forskningens kontrollerade miljöer. När den tröskeln nästan försvinner behöver vi andra skyddsmekanismer.

Möjligheternas baksida

Jag vill vara tydlig: jag ser det här som ett fundamentalt positivt genombrott. Tillgänglig genomanalys kan demokratisera tidig diagnostik, ge patienter bättre underlag för beslut om sin egen hälsa och öppna dörrar för forskning som tidigare var ekonomiskt omöjlig. Det är inte lite.

Men möjligheten och risken växer ur exakt samma rot. En teknik som kan ge en enskild människa insikter om sin genetiska sårbarhet kan också användas för att diskriminera, manipulera eller kränka integriteten på ett sätt som är svårt att ångra — genetisk information är per definition permanent och unik.

Därför är det klokt att Ashley och andra i fältet nu ropar efter tydliga riktlinjer. Tekniken väntar inte på regelverken, men vi kan åtminstone se till att ramverken byggs med öppen ögon och utan naivitet om vad som faktiskt är möjligt.