Η Τεχνητή Νοημοσύνη ετοιμάζεται να περάσει από την ανάλυση πρωτεϊνών στη μοντελοποίηση ολόκληρων ζωντανών κυττάρων.
Ο Mark Zuckerberg, μέσω του Biohub, συνεργάζεται με την Google DeepMind, τη Meta, την Isomorphic Labs, το αμερικανικό υπουργείο Ενέργειας και τα National Institutes of Health – NIH σε ένα από τα πιο φιλόδοξα βιολογικά project της νέας εποχής.
Ο στόχος είναι η δημιουργία ενός «universal virtual cell», ενός καθολικού ψηφιακού μοντέλου κυττάρου που θα μπορεί να προβλέπει πώς αντιδρά η βιολογία σε διαφορετικές παρεμβάσεις.
Με απλά λόγια:
οι επιστήμονες θέλουν να μπορούν να κάνουν πρώτα το πείραμα μέσα στον υπολογιστή και μετά στο εργαστήριο.
Από τις πρωτεΐνες στο ολόκληρο κύτταρο
Η Τεχνητή Νοημοσύνη έχει ήδη σημειώσει τεράστια πρόοδο στην κατανόηση πρωτεϊνών και μοριακών δομών.
Το AlphaFold της DeepMind έδειξε πόσο ισχυρά μπορούν να γίνουν τα μοντέλα όταν διαθέτουν αρκετά δεδομένα και υπολογιστική ισχύ.
Όμως ένα ολόκληρο κύτταρο είναι εντελώς διαφορετική κλίμακα πολυπλοκότητας.
Πρωτεΐνες, RNA, DNA, οργανίδια, μεταβολικά μονοπάτια και αλληλεπιδράσεις λειτουργούν ταυτόχρονα.
Και το βασικό πρόβλημα είναι ότι μεγάλο μέρος των δεδομένων που χρειάζεται ένα τέτοιο μοντέλο δεν υπάρχει ακόμη.
Το μεγάλο πρόβλημα της βιολογίας: Τα δεδομένα πρέπει να δημιουργηθούν
Η πρόοδος στην AI μέχρι σήμερα βασίστηκε σε τρία πράγματα:
καλύτερους αλγορίθμους,
περισσότερη υπολογιστική ισχύ,
και τεράστιους όγκους δεδομένων.
Στη βιολογία, όμως, τα δεδομένα δεν υπάρχουν απλώς στο διαδίκτυο.
Πρέπει να μετρηθούν στον πραγματικό κόσμο.
Αυτό σημαίνει:
εργαστήρια,
πειράματα,
μικροσκοπία,
μοριακές μετρήσεις,
κυτταρικές αποκρίσεις,
και τεράστιο κόστος.
Γι’ αυτό το Biohub μιλά για «empirical AI».
Τεχνητή Νοημοσύνη που δεν μαθαίνει μόνο από κείμενα ή εικόνες, αλλά από πραγματικά βιολογικά δεδομένα.
Τι είναι το «universal virtual cell»
Η πρώτη φάση του προγράμματος θα δημιουργήσει έναν τεράστιο χάρτη της κυτταρικής βιολογίας.
Οι ερευνητές θα συλλέγουν διαφορετικά είδη δεδομένων για:
το πώς λειτουργούν τα κύτταρα,
πώς αλλάζουν όταν εκτίθενται σε διαφορετικές συνθήκες,
πώς αντιδρούν σε φάρμακα,
πώς επηρεάζονται από γενετικές μεταβολές,
και πώς συνδέονται οι διαφορετικοί μοριακοί μηχανισμοί μεταξύ τους.
Ο στόχος είναι αυτά τα δεδομένα να χρησιμοποιηθούν για την εκπαίδευση AI μοντέλων που θα μπορούν να προβλέπουν τη συμπεριφορά του κυττάρου.
Ένα πείραμα πρώτα ψηφιακά
Αν το project πετύχει, η επιστημονική διαδικασία μπορεί να αλλάξει ριζικά.
Σήμερα, ένας ερευνητής μπορεί να χρειαστεί:
μήνες,
ακριβό εξοπλισμό,
μεγάλα εργαστηριακά δείγματα,
και πολλά διαφορετικά πειράματα
για να απαντήσει σε μία βιολογική ερώτηση.
Με ένα αξιόπιστο virtual cell, θα μπορούσε πρώτα να δοκιμάσει εκατοντάδες ή χιλιάδες πιθανά σενάρια ψηφιακά.
Και στη συνέχεια να κρατήσει για το πραγματικό εργαστήριο μόνο εκείνα που έχουν τη μεγαλύτερη πιθανότητα να δώσουν χρήσιμα αποτελέσματα.
Από το Αλτσχάιμερ μέχρι τη γήρανση
Οι πιθανές εφαρμογές είναι τεράστιες.
Τα μοντέλα θα μπορούσαν να βοηθήσουν τους επιστήμονες να μελετήσουν:
τους μηχανισμούς της γήρανσης,
την αναγέννηση ιστών,
το Αλτσχάιμερ,
τις νευροεκφυλιστικές παθήσεις,
τον καρκίνο,
σπάνια νοσήματα,
και τη μοριακή βάση πολλών ασθενειών.
Μακροπρόθεσμα, η φιλοδοξία είναι ακόμη μεγαλύτερη.
Ένα τέτοιο μοντέλο θα μπορούσε θεωρητικά να εξετάζει τα δεδομένα ενός συγκεκριμένου ασθενούς και να προβλέπει:
ποιοι μοριακοί μηχανισμοί προκαλούν τη νόσο,
και ποια παρέμβαση θα είχε τις περισσότερες πιθανότητες να λειτουργήσει.
Το project των 1,8 δισ. δολαρίων
Η συνολική προσπάθεια αντιστοιχεί σε περίπου 1,8 δισ. δολάρια σε χρηματοδότηση, δεδομένα, υπολογιστική ισχύ και τεχνολογία μέτρησης.
Το αμερικανικό υπουργείο Ενέργειας σχεδιάζει να επενδύσει περισσότερα από 500 εκατ. δολάρια σε πέντε χρόνια για βιολογικές μετρήσεις, μοντελοποίηση και computing.
Τα NIH συνεισφέρουν datasets και υποδομές που προέρχονται από περισσότερα από 500 εκατ. δολάρια προηγούμενων ομοσπονδιακών επενδύσεων.
Google DeepMind, Isomorphic Labs και Meta επενδύουν από κοινού περίπου 300 εκατ. δολάρια.
Το Biohub έχει ήδη δεσμεύσει άλλα 500 εκατ. δολάρια.
Zuckerberg + Google + αμερικανικό Δημόσιο
Η σύνθεση της συνεργασίας είναι από μόνη της εντυπωσιακή.
Στο ίδιο project βρίσκονται:
Biohub
Google DeepMind
Isomorphic Labs
Meta
Department of Energy
National Institutes of Health
και σειρά επιστημονικών οργανισμών.
Πρόκειται ουσιαστικά για συμμαχία:
φιλανθρωπικού κεφαλαίου,
Big Tech,
και αμερικανικού κράτους.
Αυτό δείχνει και πόσο στρατηγικής σημασίας θεωρείται πλέον η AI στη βιολογία.
Γιατί μπαίνει το υπουργείο Ενέργειας
Η συμμετοχή του Department of Energy μπορεί να φαίνεται παράξενη.
Όμως το DOE διαθέτει μερικούς από τους ισχυρότερους υπερυπολογιστές στον κόσμο.
Τα αμερικανικά εθνικά εργαστήρια έχουν τεράστια εμπειρία σε:
high-performance computing,
προσομοιώσεις,
επιστημονική μοντελοποίηση,
και διαχείριση μεγάλων επιστημονικών datasets.
Ακριβώς αυτά χρειάζονται για να μοντελοποιηθεί κάτι τόσο πολύπλοκο όσο ένα ζωντανό κύτταρο.
Το εμπορικό «αντάλλαγμα»: Ένας χρόνος αποκλειστικής πρόσβασης
Η συνεργασία όμως έχει και επιχειρηματική διάσταση.
Οι εμπορικοί εταίροι που συμβάλλουν στη δημιουργία των δεδομένων θα έχουν έναν χρόνο αποκλειστικής πρόσβασης πριν αυτά δημοσιοποιηθούν.
Αυτό σημαίνει ότι εταιρείες όπως DeepMind, Meta και Isomorphic Labs μπορούν να αξιοποιήσουν τα δεδομένα πρώτες.
Μετά από έναν χρόνο, τα datasets θα γίνονται ανοικτά στην επιστημονική κοινότητα.
Η λογική είναι να υπάρχει ένα αρκετά ισχυρό κίνητρο για να επενδύσουν ιδιωτικές εταιρείες, χωρίς όμως τα δεδομένα να παραμένουν μόνιμα κλειδωμένα.
Γιατί το ένα έτος έχει σημασία
Στην AI, ένας χρόνος είναι τεράστιο προβάδισμα.
Ειδικά εάν το dataset αποδειχθεί μοναδικό.
Ο πρώτος που έχει πρόσβαση μπορεί:
να εκπαιδεύσει καλύτερα μοντέλα,
να αναπτύξει νέα εργαλεία,
να κατοχυρώσει τεχνογνωσία,
και να επιταχύνει εφαρμογές στην ανακάλυψη φαρμάκων.
Άρα το project έχει διπλό χαρακτήρα:
ανοικτή επιστήμη μακροπρόθεσμα, εμπορικό πλεονέκτημα βραχυπρόθεσμα.
Η Isomorphic Labs και το παιχνίδι των φαρμάκων
Η παρουσία της Isomorphic Labs είναι ιδιαίτερα σημαντική.
Η εταιρεία δημιουργήθηκε από την DeepMind για να εφαρμόσει AI στην ανακάλυψη φαρμάκων.
Η δυνατότητα να μοντελοποιηθεί όχι μόνο μία πρωτεΐνη αλλά ολόκληρη η κυτταρική αντίδραση θα μπορούσε να αλλάξει ριζικά τον τρόπο με τον οποίο σχεδιάζονται νέα φάρμακα.
Αν ένα μοντέλο μπορεί να προβλέπει πώς ένα κύτταρο θα αντιδράσει σε μία συγκεκριμένη ουσία, οι εταιρείες θα μπορούσαν να αποκλείουν πολύ νωρίτερα αποτυχημένες υποψήφιες θεραπείες.
Το μεγάλο στοίχημα: Υπάρχουν «scaling laws» στη βιολογία;
Ένα από τα πιο σημαντικά επιστημονικά ερωτήματα του project είναι εάν η βιολογία ακολουθεί τους ίδιους κανόνες κλιμάκωσης που είδαμε στα μεγάλα AI μοντέλα.
Στα language models, όσο περισσότερα δεδομένα, computing και παραμέτρους προσθέτεις, τόσο καλύτερο γίνεται συνήθως το μοντέλο με σχετικά προβλέψιμο τρόπο.
Το ερώτημα τώρα είναι:
θα συμβεί το ίδιο και στη βιολογία;
Εάν ναι, τότε η δημιουργία τεράστιων datasets μπορεί να οδηγήσει σε άλματα που σήμερα δεν μπορούμε ακόμη να προβλέψουμε.
Η απάντηση μπορεί να έρθει μέσα σε έναν χρόνο
Ο Alex Rives, επικεφαλής επιστήμης του Biohub, εκτιμά ότι οι επιστήμονες δεν θα χρειαστεί να περιμένουν πολύ για να καταλάβουν εάν το στοίχημα λειτουργεί.
Μόλις υπάρξει το πρώτο μεγάλο dataset, μέσα σε περίπου έναν χρόνο θα μπορούν να:
εκπαιδεύσουν μοντέλα,
μετρήσουν τις δυνατότητές τους,
και να διαπιστώσουν ποιο είδος πρόσθετων βιολογικών δεδομένων βελτιώνει περισσότερο την απόδοσή τους.
Αυτό θα είναι το πρώτο πραγματικό τεστ για το εάν η βιολογία μπορεί να μπει στην ίδια εποχή κλιμάκωσης με την υπόλοιπη AI.
Από το εργαστήριο στο «AI-first» science
Αν η ιδέα πετύχει, η βιοϊατρική έρευνα μπορεί να περάσει σε ένα εντελώς νέο μοντέλο.
Σήμερα:
η υπόθεση προηγείται,
το πείραμα ακολουθεί,
και μετά έρχεται η ανάλυση.
Αύριο:
η AI μπορεί να εξετάζει χιλιάδες υποθέσεις,
να απορρίπτει τις λιγότερο πιθανές,
να επιλέγει τις πιο ενδιαφέρουσες,
και μόνο τότε να γίνεται το ακριβό πείραμα.
Η πραγματική εργαστηριακή εργασία δεν εξαφανίζεται.
Αλλά γίνεται πολύ πιο στοχευμένη.
Το μεγάλο όραμα: Ψηφιακή βιολογία
Το project για το universal virtual cell είναι τελικά κάτι μεγαλύτερο από ένα νέο dataset.
Είναι ένα βήμα προς μια νέα μορφή επιστήμης όπου:
η βιολογία θα μπορεί να προσομοιώνεται πριν δοκιμαστεί.
Αυτό δεν σημαίνει ότι ένα AI μοντέλο θα αντικαταστήσει ένα πραγματικό κύτταρο.
Η βιολογία είναι υπερβολικά πολύπλοκη και τα μοντέλα θα πρέπει πάντα να επαληθεύονται με πραγματικά πειράματα.
Αλλά ακόμη και ένα αρκετά καλό ψηφιακό μοντέλο θα μπορούσε να αλλάξει δραματικά την παραγωγικότητα της επιστημονικής έρευνας.
Από το AlphaFold στο «virtual human biology»
Η μεγάλη διαδρομή είναι ήδη ορατή.
Το AlphaFold έδειξε ότι η AI μπορεί να λύσει προβλήματα στη δομή πρωτεϊνών που απασχολούσαν την επιστήμη για δεκαετίες.
Το universal virtual cell επιχειρεί να περάσει στο επόμενο επίπεδο:
όχι μία πρωτεΐνη, αλλά ένα ολόκληρο ζωντανό σύστημα.
Και αν αυτό πετύχει, το επόμενο ερώτημα θα είναι αναπόφευκτο:
πόσο κοντά μπορεί να φτάσει κάποτε η AI στη δημιουργία εικονικών μοντέλων ολόκληρης της ανθρώπινης βιολογίας;
Το project του Zuckerberg, της Google και της αμερικανικής κυβέρνησης δεν έχει ακόμη την απάντηση.
Αλλά με 1,8 δισ. δολάρια, τους ισχυρότερους AI οργανισμούς στον κόσμο και τεράστια δημόσια επιστημονική υποδομή, ετοιμάζεται να κάνει ένα από τα μεγαλύτερα πειράματα πάνω στο ίδιο το μέλλον της βιοϊατρικής έρευνας.