Περίληψη
Αυτό το άρθρο εξετάζει αυτή την υπόθεση μέσα από το πρίσμα της θεωρίας ελέγχου και της θεωρίας πληροφοριών. Προτείνει ένα πλαίσιο τριών βρόχων για την αξιολόγηση του ρυθμού απόκτησης βιοϊατρικής γνώσης, κάνοντας διάκριση μεταξύ βελτιώσεων στην επεξεργασία δεδομένων, πειραματικού σχεδιασμού και υποδομής φυσικής μέτρησης. Η ανάλυση υποστηρίζει ότι ο τρίτος βρόχος, το στρώμα οργάνων, καθορίζει το ανώτατο όριο για τα άλλα δύο, και οι περισσότερες από τις τρέχουσες προσπάθειες βιολογίας AI λειτουργούν κάτω από αυτό το ανώτατο όριο. Ο δεσμευτικός περιορισμός στη βιοϊατρική που βασίζεται στην τεχνητή νοημοσύνη δεν είναι υπολογισμός αλλά παρατηρητικός. Η πρόοδος στη βιοϊατρική εξαρτάται από όργανα ικανά να καταγράφουν βιολογικά συστήματα πολλαπλής κλίμακας σε πραγματικό χρόνο.
Εισαγωγή
Οι πρόσφατες εξελίξεις στη βιοϊατρική που βασίζεται στην τεχνητή νοημοσύνη έχουν προκαλέσει ένα εντυπωσιακό παράδοξο. Ένας μηχανικός χωρίς επίσημη εκπαίδευση στη βιολογία χρησιμοποίησε μηχανική μάθηση για να σχεδιάσει ένα εξατομικευμένο εμβόλιο καρκίνου mRNA για έναν τελικώς άρρωστο σκύλο, αξιοποιώντας μοντέλα ανοιχτού κώδικα και γονιδιωματικά δεδομένα [1]. Εν τω μεταξύ, παρά τα δισεκατομμύρια δολάρια που επενδύθηκαν στην έρευνα μακροζωίας και στην ανάπτυξη φαρμάκων, μερικές από τις πιο ισχυρές αναγεννητικές παρεμβάσεις, όπως ο ύπνος, παραμένουν μη φαρμακολογικές και ελάχιστα κατανοητές σε μηχανιστικό επίπεδο. Αυτή η αποσύνδεση υποδηλώνει ότι το σημείο συμφόρησης στη βιοϊατρική μπορεί να μην βρίσκεται εκεί που κατευθύνονται οι περισσότερες επενδύσεις επί του παρόντος.
Ανασκόπηση λογοτεχνίας
Η διατριβή κλιμάκωσης για την τεχνητή νοημοσύνη στη βιολογία βασίζεται σε ένα καλά τεκμηριωμένο προηγούμενο. Οι Kaplan et al. (2020) απέδειξε ότι η απώλεια δοκιμής σε μεγάλα γλωσσικά μοντέλα εμπίπτει ως νόμος προβλέψιμης ισχύος υπολογιστών και δεδομένων, ένα εύρημα που έκτοτε επεκτάθηκε στην όραση, τη δημιουργία κώδικα και τα πολυτροπικά συστήματα [3]. Τα μοντέλα θεμελιωδών γλωσσών κατέρρευσαν πολλαπλά εξειδικευμένα μοντέλα από νομική, σύνταξη, αναγνώριση ομιλίας σε ένα ενιαίο μαθησιακό πρόβλημα αναπαράστασης. Αυτό έχει εντάξει στη διαδικασία πολλές εταιρείες τεχνητής νοημοσύνης που αφορούν συγκεκριμένες τροποποιήσεις πριν από το 2021.
Στη δομική βιολογία, το AlphaFold προέβλεψε δομές πρωτεΐνης με σχεδόν πειραματική ακρίβεια. Ωστόσο, οι Collins et al. στο MIT διαπίστωσε ότι οι προσομοιώσεις μοριακής σύνδεσης χρησιμοποιώντας δομές AlphaFold απέδωσαν λίγο καλύτερα από την πιθανότητα για την πρόβλεψη αντιβακτηριακών μηχανισμών [3]. Τα μοντέλα του AlphaFold είναι στατικά και δεν καταγράφουν τη δυναμική των πρωτεϊνών που είναι κρίσιμη για τη δέσμευση του φαρμάκου [3,4]. Ο ακριβής υπολογισμός δεν μπορεί να υποκαταστήσει τις δυναμικές βιολογικές πληροφορίες πολλαπλής κλίμακας.
Η πορεία της ίδιας της φαρμακοβιομηχανίας το ενισχύει αυτό. Scannell et al. (2012) τεκμηριώθηκε ο νόμος του Eroom: το κόστος ανάπτυξης ενός νέου φαρμάκου διπλασιάζεται περίπου κάθε εννέα χρόνια από το 1950, παρά τις προόδους στη γονιδιωματική, τη συνδυαστική χημεία και τους υπολογισμούς [5]. Αυτή η τάση παραμένει όχι επειδή η βιολογία είναι μη κλιμακούμενη, αλλά επειδή ο πειραματικός βρόχος ανάδρασης μεταξύ υπόθεσης, διαταραχής και μέτρησης δεν έχει ποτέ κλείσει σωστά.
Τεχνική ανάλυση
Η βιοϊατρική ως πρόβλημα συστημάτων ελέγχου
Σε κάθε κλίμακα βιολογικής οργάνωσης, η ίδια αρχιτεκτονική επαναλαμβάνεται: αίσθηση, επεξεργασία, ελαχιστοποίηση σφαλμάτων, δράση και ανάδραση. Ένα κύτταρο αισθάνεται τα εξωκυτταρικά σήματα, προσαρμόζει την έκφραση των γονιδίων του και εκπέμπει σήματα που μεταβάλλουν τα γειτονικά κύτταρα. Αυτοί οι γείτονες δημιουργούν λειτουργίες σε επίπεδο ιστού που μετατοπίζουν τα συστημικά σήματα που λαμβάνει το αρχικό κύτταρο. Η βιολογία είναι ένα ενιαίο σύστημα ελέγχου που εκτελεί ένθετους βρόχους ανάδρασης από τα μόρια σε ολόκληρο τον οργανισμό.
Κάθε τομέας που έχουν κατασκευάσει οι άνθρωποι ως σύστημα ελέγχου κλειστού βρόχου έχει γίνει προβλέψιμα βελτιωμένος. Οι αυτόματοι πιλότοι έκλεισαν τον βρόχο ανίχνευσης-ενεργοποίησης κατά την πτήση. Τα εργοστάσια ημιαγωγών έκλεισαν τον βρόχο λιθογραφίας-επιθεώρησης και εμφανίστηκε ο νόμος του Μουρ. Στα γλωσσικά μοντέλα, οι νόμοι κλιμάκωσης εμφανίστηκαν μόλις τυποποιήθηκε ο κύκλος εκπαίδευσης-αξιολόγησης-επανάληψης. Το μοτίβο είναι συνεπές: τυποποιήστε τον κύκλο της διαταραχής, μετρήστε, αιτιολογήστε, επαναλάβετε και ακολουθεί ένας νόμος κλιμάκωσης.
Τρεις βρόχοι για τη βελτίωση του ποσοστού βιοϊατρικής μάθησης
Ο ρυθμός επιστημονικής μάθησης περιορίζεται από την αιτιώδη γνώση που μπορεί να εξαχθεί ανά πειραματικό κύκλο. Τρεις ιεραρχικοί βρόχοι διέπουν τη βελτίωση:
Βρόχος 1 — Επεξεργασία σήματος. Τα καλύτερα μοντέλα εξάγουν περισσότερες πληροφορίες από δεδομένα που παράγει ήδη το υπάρχον υλικό.
Βρόχος 2 — Πειραματικός σχεδιασμός. Επιλογή βάσει μοντέλου ποιων διαταραχών, χρονικών σημείων και τύπων κυψελών θα μετρηθούν στη συνέχεια, μεγιστοποιώντας το κέρδος πληροφοριών από τα υπάρχοντα όργανα.
Βρόχος 3 — Υποδομή μέτρησης. Νέα όργανα ή διαμορφώσεις που καταγράφουν σήματα που δεν μπορεί να παρατηρήσει κανένα τρέχον υλικό.
Η ιεραρχία είναι αυστηρή. Οι βρόχοι 1 και 2 δεν μπορούν να εξαγάγουν αιτιακές πληροφορίες διασταυρούμενης κλίμακας από αισθητήρες που δεν κατασκευάστηκαν ποτέ για να τις συλλάβουν. Ένα μοντέλο που έχει εκπαιδευτεί σε διαχωρισμένα δεδομένα ενός κυττάρου δεν μπορεί να μάθει τη δυναμική σηματοδότησης σε επίπεδο ιστού ανεξάρτητα από τον αριθμό των παραμέτρων του και αυτές οι δυναμικές καταστράφηκαν κατά την προετοιμασία του δείγματος.
Εκεί που βρίσκεται σήμερα το γήπεδο
Η συντριπτική πλειονότητα των επενδύσεων στη βιολογία τεχνητής νοημοσύνης λειτουργεί εντός των βρόχων 1 και 2. Τα θεμελιώδη μοντέλα για τη γονιδιωματική βελτιώνουν την εκμάθηση αναπαράστασης σε σχέση με τα υπάρχοντα σύνολα δεδομένων. Τα ενεργά πλαίσια μάθησης βελτιστοποιούν την επιλογή πειράματος. Ο ρομποτικός αυτοματισμός αυξάνει την απόδοση των υπαρχουσών αναλύσεων. Αυτές είναι πραγματικές εξελίξεις, αλλά βελτιστοποιούνται εντός του ανώτατου ορίου πληροφοριών που ορίζεται από τα τρέχοντα όργανα
Μελλοντικές κατευθύνσεις
Αρκετές αναδυόμενες τεχνολογίες δείχνουν προς το κλείσιμο του χάσματος των οργάνων. Οι χωρικές πλατφόρμες πολλαπλών ωμικών συνδυάζουν μεταγραφικές, πρωτεωμικές και επιγονιδιωματικές ενδείξεις σε άθικτο ιστό [6]. Τα συστήματα οργάνου σε τσιπ ανασυνθέτουν τη δυναμική σε επίπεδο ιστού σε ελεγχόμενα μικροπεριβάλλοντα. Οι τρισδιάστατες τεχνικές in situ αλληλουχίας επεκτείνουν το χωρικό προφίλ σε παχείς ιστούς [7]. Καμία δεν επιτυγχάνει ακόμη εγγραφή σε πραγματικό χρόνο, πολλαπλής κλίμακας σε μοριακά, κυτταρικά και ιστικά επίπεδα ταυτόχρονα.
Ο απώτερος στόχος είναι τα αυτοβελτιωμένα εργαλεία παρατήρησης: όργανα των οποίων οι διαμορφώσεις βελτιστοποιούνται συνεχώς από τα μοντέλα που τροφοδοτούν, κλείνοντας τον κύκλο μεταξύ παρατήρησης και σχεδίασης οργάνων.
Αναφορές
[1] Conyngham, P. (2026). Εξατομικευμένο εμβόλιο καρκίνου mRNA σχεδιασμένο με AI για σκύλο. Περίπτωση που αναφέρθηκε σε πολλά καταστήματα, Μάρτιος 2026. Ο Conyngham χρησιμοποίησε τα ChatGPT, AlphaFold, Grok και Gemini για να αναλύσει το DNA του όγκου από τον σκύλο διάσωσης Rosie. το Ινστιτούτο RNA UNSW (εργαστήριο Thordarson) κατασκεύασε το εμβόλιο mRNA-λιπιδίου-νανοσωματιδίων που προέκυψε. Βλέπε: The Australian (13 Μαρτίου 2026); Fortune (15 Μαρτίου 2026), https://fortune.com/2026/03/15/australian-tech-entrepreneur-ai-cancer-vaccine-dog-rosie-unsw-mrna/; AFP/France24 (30 Μαρτίου 2026), https://www.france24.com/en/live-news/20260330-one-man-his-dog-and-chatgpt-australia-s-ai-vaccine-saga.
[2] Kaplan, J., McCandlish, S., Henighan, T., Brown, TB, Chess, B., Child, R., Gray, S., Radford, A., Wu, J., & Amodei, D. (2020). Νόμοι κλιμάκωσης για μοντέλα νευρωνικών γλωσσών. arXiv προεκτύπωση arXiv:2001.08361. https://arxiv.org/abs/2001.08361
[3] Wong, F., Krishnan, A., Zheng, EJ, Stärk, H., Manson, AL, Earl, AM, Jaakkola, T., & Collins, JJ (2022). Συγκριτική αξιολόγηση προβλέψεων μοριακής σύνδεσης με δυνατότητα AlphaFold για ανακάλυψη αντιβιοτικών. Molecular Systems Biology, 18(9), e11081. https://doi.org/10.15252/msb.202211081
[4] Trafton, A. (2022, 6 Σεπτεμβρίου). Αναλύοντας τις δυνατότητες του AlphaFold στην ανακάλυψη φαρμάκων. Ειδήσεις MIT. https://news.mit.edu/2022/alphafold-potential-protein-drug-0906
[5] Scannell, JW, Blanckley, A., Boldon, H., & Warrington, B. (2012). Διάγνωση της μείωσης της αποτελεσματικότητας της φαρμακευτικής Ε&Α. Nature Reviews Drug Discovery, 11(3), 191–200. https://doi.org/10.1038/nrd3681
[6] Vandereyken, K., Sifrim, A., Thienpont, B., & Voet, T. (2023). Μέθοδοι και εφαρμογές για μονοκύτταρα και χωρικά πολυομικά. Nature Reviews Genetics, 24(8), 494–515. https://doi.org/10.1038/s41576-023-00580-2
[7] Wang, X., Allen, WE, Wright, MA, Sylwestrak, EL, Samusik, N., Vesuna, S., Evans, K., Liu, C., Ramakrishnan, C., Liu, J., Nolan, GP, Bava, F.-A., & Deisseroth, K. (2018). Τρισδιάστατη αλληλουχία άθικτου ιστού μεταγραφικών καταστάσεων μονοκυττάρου. Science, 361(6400), eaat5691. https://doi.org/10.1126/science.aat5691
VIA: dataconomy.com
