Dirbtinis intelektas laboratorijoje: kaip algoritmai padeda atrasti vaistus ir naujas medžiagas

Per pastarąjį dešimtmetį dirbtinis intelektas iš lėto, bet nuosekliai persikėlė iš technologijų pasaulio į klasikines laboratorijas. Tai keičia, kaip kuriami vaistai, atrandamos naujos medžiagos ir planuojami eksperimentai.

Nors galutinius sprendimus vis dar priima žmonės, vis dažniau pirmuosius žingsnius atlieka algoritmai: jie siūlo hipotezes, atrenka perspektyviausius junginius ir padeda sutaupyti brangiausią resursą, kurio neturi jokia laboratorija, laiką.

Kaip DI „mąsto“ laboratorijoje

DI laboratorijoje dažniausiai veikia ne kaip stebuklinga „juodoji dėžė“, o kaip pažangesnė skaičiavimo, prognozavimo ir automatizavimo sistema. Algoritmai iš esmės daro tai, ką mokslininkai darydavo patys, tik žymiai greičiau ir su daug didesniu duomenų kiekiu.

Modeliai mokomi iš sukauptų eksperimentų rezultatų, cheminių junginių duomenų bazių, klinikinių duomenų ar medžiagų savybių katalogų. Vėliau jie gali numatyti, kokios savybės bus būsimų junginių, net jei jų niekas dar nėra susintetinus.

Vaistų paieška: nuo milijonų molekulių iki kelių kandidatų

Tradicinis vaistų kūrimas yra lėtas ir brangus procesas, kuriame iš milijonų galimų molekulių galiausiai į klinikinius tyrimus patenka vos kelios. Kiekvienas žingsnis reikalauja sudėtingų bandymų ir ilgo vertinimo.

DI čia pasitelkiamas kaip filtras. Vietoje to, kad laboratorija fiziškai išbandytų labai daug junginių, algoritmai pagal jų struktūrą ir žinomas sąveikas su baltymais ar ląstelėmis gali įvertinti, kurie variantai turi didžiausią tikimybę būti veiksmingi ir saugūs.

Virtualus ekranuotas pasaulis

Laboratorijose vis dažniau taikomas vadinamasis virtualus ekranuotas atrinkimas. Tai skaičiavimo metodas, kai kompiuteris „išbando“ milžiniškas molekulių bibliotekas kompiuteriniuose modeliuose ir numato, kaip jos prisijungs prie tikslo, pavyzdžiui, tam tikro baltymo.

Tokiu būdu galima sparčiai sumažinti kandidatų skaičių ir į realius bandymus palikti tik perspektyviausius junginius. Tai ne tik taupo laiką ir pinigus, bet ir leidžia atrasti netikėtus, anksčiau neįvertintus cheminius sprendimus.

Naujos medžiagos ir baterijos: skaitmeninės „bandymų aikštelės“

DI vis plačiau taikomas ir medžiagų moksle. Ten, kur reikia rasti patvarią, lengvą, atsparią karščiui ar itin laidžią medžiagą, algoritmai gali išanalizuoti tūkstančius galimų kompozicijų ir struktūrų.

Pavyzdžiui, kuriant efektyvesnes baterijas ar saulės elementus, DI modeliai vertina skirtingų junginių derinius ir prognozuoja jų elektrines, chemines ir mechanines savybes dar prieš pradedant realius bandymus.

Kas keičiasi inžinierių darbe

Inžinieriai ir medžiagų tyrėjai pradeda dirbti tarsi su skaitmenine bandymų aikštele. Užuot iškart maišę naujus lydinius ar polimerus, jie pirmiausia išbando juos skaitmeniniuose modeliuose ir mato, kaip keičiasi stipris, elastingumas ar atsparumas korozijai.

Tokios galimybės ypač svarbios ten, kur klaidos brangiai kainuoja, pavyzdžiui, aviacijoje, kosmoso technologijose ar branduolinėje energetikoje. Kuo daugiau nesėkmių pavyksta „perkelti“ į kompiuterį, tuo saugesnis ir pigesnis tampa realus bandymas.

Robotizuotos laboratorijos ir automatizuoti eksperimentai

DI poveikis nesibaigia vien prognozėmis. Vis dažniau jis derinamas su robotizuotomis laboratorijomis, kurios gali savarankiškai pipetuoti, maišyti, šildyti ir matuoti mėginius pagal algoritmų pasiūlytą planą.

Tokia sistema veikia uždaru ciklu: DI pasiūlo eksperimentą, robotai jį įvykdo, rezultatai grįžta atgal į modelį, kuris juos įvertina ir pasiūlo kitą, jau labiau tikslinantį bandymą. Taip per trumpą laiką galima atlikti itin daug iteracijų.

Ką tai reiškia mokslininkams

Toks darbo modelis keičia mokslininkų vaidmenį. Vietoje to, kad jie patys atliktų daug pasikartojančių veiksmų, didesnę laiko dalį jie skiria eksperimentų dizainui, rezultatų interpretavimui ir platesnių hipotezių formulavimui.

Praktikoje tai gali reikšti mažiau naktų prie kolonėlių ir daugiau darbo prie kompiuterio, planuojant, kokius duomenis verta surinkti ir kaip juos panaudoti tolesniems tyrimams ar produktų kūrimui.

Nauda ir ribos: kur DI padeda, o kur dar klumpa

Didžiausias DI privalumas laboratorijoje yra gebėjimas dirbti su didžiuliais duomenų kiekiais ir pastebėti dėsningumus, kurių žmogus plika akimi nepamatytų. Tai padeda sumažinti atsitiktinumo vaidmenį ir pagreitina atradimų ciklą.

Tačiau egzistuoja ir ribos. DI modeliai priklauso nuo to, kokius duomenis jie gauna. Jei pradiniai duomenys yra šališki, neišsamūs ar netikslūs, klaidas sustiprina ir modeliai. Todėl patikimas eksperimentų planavimas ir duomenų kokybės kontrolė išlieka kritiškai svarbi.

Skaidrumo ir paaiškinamumo klausimas

Kita problema ta, kad sudėtingus modelius ne visada lengva interpretuoti. Kartais tampa neaišku, kodėl algoritmas pasirinko vieną ar kitą junginį ar pasiūlė būtent tokį eksperimentą.

Dėl to stiprėja paaiškinamo DI kryptis, kurioje siekiama, kad algoritmai ne tik pateiktų rezultatą, bet ir nurodytų, kokiomis savybėmis ar sąryšiais jis pagrįstas. Tai svarbu ir mokslinei atsakomybei, ir reguliavimui, ypač kalbant apie mediciną.

Pasikeitęs karjeros kelias jauniems tyrėjams

Jauniems biologams, chemikams ar medžiagų tyrėjams DI tampa ne pasirinkimu, o beveik būtinu darbo įrankiu. Gebėjimas suprasti pagrindinius skaitmeninių modelių principus ir dirbti su duomenimis jau dabar vertinamas panašiai, kaip anksčiau buvo vertinama laboratorinė patirtis.

Nebūtina tapti programuotoju, tačiau naudinga išmanyti, kaip kaupiami, tvarkomi ir analizuojami eksperimentiniai duomenys, kuo skiriasi paprastesni statistiniai metodai nuo sudėtingų neuroninių tinklų ir kaip kritiškai vertinti jų išvadas.

Kokie įgūdžiai tampa svarbiausi

Prie klasikinių eksperimentinių ir teorinių žinių prisideda tarpinės kompetencijos: gebėjimas dirbti su duomenų analizės įrankiais, suprasti kodų pavyzdžius, bendrauti tarpdisciplininėse komandose, kur dirba ir informatikai, ir biologai, ir chemikai.

Toks profilių derinimas leidžia kurti laboratorijas, kuriose naujos idėjos iš kompiuterio ekrano labai greitai keliauja į mėgintuvėlius, o atgal grįžtantys rezultatai dar labiau stiprina skaitmeninius modelius.

Žvilgsnis į ateitį: nuo įrankio iki partnerio

Šiandien DI laboratorijoje daugiausia veikia kaip galingas įrankis, kuris pagreitina tai, ką žmonės darytų ir patys. Tačiau ilgainiui jis gali tapti ir tam tikru mokslo partneriu, kuris siūlo idėjas, neatitinkančias nusistovėjusių loginių schemų.

Tokios „netradicinės“ hipotezės gali padėti pamatyti senas problemas nauju kampu ir atrasti sprendimus, apie kuriuos žmonės tiesiog nepagalvojo. Vis dėlto atsakomybė už sprendimus ir toliau liks žmonių rankose, ypač srityse, susijusiose su sveikata ir saugumu.

DI nepašalina poreikio kritiniam mąstymui, etiniams svarstymams ir atsakingam eksperimentavimui. Priešingai, jis padidina šių dalykų svarbą, nes dėl spartesnių procesų klaidos gali išplisti greičiau, nei buvo įprasta tradicinėje laboratorijoje.