- Sztuczna inteligencja zmienia badania biologiczne w takich dziedzinach jak genomika, strukturyzacja białek i analiza obrazu.
- Zaawansowane modele, takie jak AlphaFold i AlphaGenome, wraz z bioinformatyką i biologią systemów, pozwalają nam przewidywać złożone struktury, funkcje i szlaki metaboliczne.
- Otwarte i oparte na współpracy inicjatywy (MOC-A, AI4LIFE, BioImage Model Zoo) demokratyzują dostęp do danych, modeli i zasobów obliczeniowych.
- Nadal pozostają kluczowe wyzwania: potrzeba lepszej jakości danych, możliwości interpretacji modeli, regulacji, etyki i równego dostępu do infrastruktury AI.
Badania biologiczne i sztuczna inteligencja od dziesięcioleci z niepokojem się obserwują, ale w ostatnich latach stały się niezastąpionymi partnerami. To, co kiedyś robiono wyłącznie za pomocą mikroskopów, pipet i notatników, teraz opiera się na algorytmach zdolnych do analizy milionów punktów danych, przewidywania struktur molekularnych niemożliwych do rozwiązania ręcznie i sugerowania nowych eksperymentów.
Ten nowy etap nauki łączy biologię obliczeniową, naukę o danych, modele głębokiego uczenia i otwarte platformy, aby rozwiązywać tak różnorodne problemy, jak pochodzenie życia, diagnostyka złożonych chorób, medycyna precyzyjna i projektowanie leków. Rezultatem jest zmiana paradygmatu: biologia jest dosłownie zapisywana w kodzie.
Od klasycznej bioinformatyki do głębokiego uczenia się w biologii
Przez długi czas biologia i sztuczna inteligencja rozwijały się w bardzo odmiennym tempie: biologia jest złożona, pełna wyjątków i kontekstów , podczas gdy tradycyjne algorytmy potrzebują czystych, jednorodnych i dobrze ustrukturyzowanych danych, aby działać niezawodnie. To napięcie stanowiło jedną z głównych przeszkód w powszechnym wdrażaniu sztucznej inteligencji w laboratoriach.
W biologii obliczeniowej sztuczna inteligencja nie jest jednak nowością: metody uczenia maszynowego stosowano już w latach 80. XX wieku do klasyfikacji sekwencji białek i DNA , a sieci neuronowe wkrótce zaczęto wykorzystywać do przewidywania struktur drugorzędowych białek. Od tego czasu techniki te stały się standardem w bioinformatyce.
Dyskutując o sztucznej inteligencji w biologii, ważne jest rozróżnienie między „klasycznymi” technikami uczenia maszynowego a metodami głębokiego uczenia . Nadzorowane i nienadzorowane uczenie maszynowe zostało z powodzeniem wykorzystane do budowy klasyfikatorów (na przykład do rozróżniania próbek „nowotworowych” i „nienowotworowych”) lub do grupowania genów i próbek według wzorców ekspresji, co pomaga w generowaniu hipotez i ustalaniu priorytetów celów eksperymentalnych.
Metody głębokiego uczenia , a zwłaszcza głębokie sieci neuronowe , zrewolucjonizowały dziedziny, w których ilość danych jest ogromna, a sygnał wysoce ustrukturyzowany, takie jak analiza obrazów mikroskopowych czy histopatologicznych. W tym obszarze sztuczna inteligencja znacznie przewyższa ludzkie możliwości w wykrywaniu subtelnych i powtarzalnych wzorców.
Nie wszystkie dziedziny biologii odnoszą równe korzyści: pola z milionami dobrze przechowywanych sekwencji, takie jak bazy danych białek, takie jak UniProtKB , oferują idealne środowisko do trenowania zaawansowanych modeli. Z kolei repozytoria specyficznych interakcji, które są znacznie mniejsze i bardziej heterogeniczne, nie pozwalają jeszcze głębokiemu uczeniu się w pełni wykorzystać jego potencjału.
Modele językowe białek i impuls dla biologii strukturalnej
Jednym z najbardziej zaskakujących osiągnięć było zastosowanie modeli językowych, inspirowanych przetwarzaniem języka naturalnego , do pracy z sekwencjami białek. Tak jak model tekstowy uczy się wzorców gramatycznych i semantycznych, tak model wytrenowany na milionach sekwencji aminokwasów może uchwycić regularności odzwierciedlające strukturę, funkcję i ewolucję.
W niedawnych międzynarodowych ocenach metod przewidywania funkcji białek, takich jak test CAFA5, zdecydowana większość najlepszych modeli opiera się na tego typu głębokiej reprezentacji . Są one trenowane w bazach danych, takich jak UniProtKB, które zawierają sekwencje i umożliwiają generalizację na słabo scharakteryzowane białka, sugerując ich prawdopodobne funkcje.
Ten postęp wzmacnia wpływ modeli takich jak AlphaFold, który wysunął przewidywanie struktur trzeciorzędowych białek za pomocą sztucznej inteligencji na pierwszy plan. Do tego stopnia, że Nagroda Nobla w dziedzinie chemii niedawno uznała rozwój funkcjonalnych sztucznych białek i algorytmów przewidywania struktur za ważny kamień milowy w nauce.
Jednak modele te stwarzają również wyzwania: są prawdziwymi „czarnymi skrzynkami”, które trudno zinterpretować . Doprowadziło to do powstania całej subdziedziny, wyjaśnialnej sztucznej inteligencji (XAI), która dąży do odkrycia specyficznych wzorców wykorzystywanych przez model i przyczyn podejmowania przez niego określonych decyzji – co jest kluczowe w przypadku pracy z danymi biomedycznymi.
Oprócz struktur, zastosowanie modeli języka białek do adnotacji nieznanych funkcji genów staje się niezbędnym narzędziem pozwalającym wykorzystać potencjał milionów sekwencji, które obecnie nie zostały jeszcze scharakteryzowane eksperymentalnie.
Sztuczna inteligencja zrekonstruuje pochodzenie życia i pierwotny metabolizm
Połączenie biologii obliczeniowej i sztucznej inteligencji (AI) służy nie tylko spojrzeniu w przyszłość, ale także cofnięciu zegara ewolucyjnego i eksploracji odległej przeszłości życia . Uderzającym przykładem jest praca Instytutu Biologii Systemów Zintegrowanych (I2SysBio), gdzie tak zwana strategia „ generatywnego metabolizmu ” została wykorzystana do prześledzenia historii od ostatniego wspólnego przodka (LUCA) do najwcześniejszych etapów życia.
Genetyka porównawcza pozwala nam oszacować wiek wspólnych przodków między gatunkami : im bardziej podobne genomy, tym bliższy był ich ostatni wspólny przodek; im bardziej się różnią, tym dalej cofamy się w czasie. Dzięki ogromnemu nagromadzeniu zsekwencjonowanych genomów, koncepcja LUCA – organizmu przodka, od którego pochodzą wszystkie dzisiejsze organizmy żywe – została doprecyzowana i obecnie szacuje się ją na około 4.200 miliarda lat.
Dotychczas największym wyzwaniem było połączenie chemii prebiotycznej wczesnej Ziemi z już zorganizowanym metabolizmem LUCA . Ani podejście oddolne (od prostej chemii do biologii), ani odgórne (od współczesnych organizmów wstecz) nie zdołało załatać tej luki.
Generatywne podejście do metabolizmu wykorzystuje algorytmy, które generują sieci metaboliczne na podstawie zestawów reguł reakcji . Analizując je wstecz, wnioskuje się, jakie geny i enzymy przodków mógł posiadać LUCA oraz które reakcje były prawdopodobne w konkretnym, pierwotnym środowisku, rozszerzając przestrzeń metaboliczną poza znane dziś szlaki.
W ten sposób sztuczna inteligencja funkcjonuje jak swoisty „detektyw molekularny” zdolny do rekonstrukcji hipotetycznych szlaków metabolicznych , łącząc aktualne reakcje z prawdopodobnymi zestawami reakcji prebiotycznych. To podejście, szeroko stosowane w biologii syntetycznej i inżynierii metabolicznej, zostało tutaj wykorzystane ponownie, aby rozwiązać jedną z największych zagadek: jak złożony metabolizm wyłonił się z prostej, zdezorganizowanej chemii.
Nauka o danych stosowana w biologii: z mokrego laboratorium do klawiatury
Współczesne badania biologiczne stały się niezwykle cyfrowe. Biolog, który chce być w czołówce, musi dziś zarządzać całymi genomami, obrazami o wysokiej rozdzielczości oraz danymi klinicznymi i środowiskowymi , zintegrowanymi w coraz bardziej złożonych procesach analitycznych.
W tym kontekście zastosowanie nauki o danych w biologii stało się kluczowym profilem. Badacz potrafiący połączyć biologię, programowanie i statystykę może wyjść daleko poza interpretację wyników: projektuje eksperymenty oparte na danych, buduje modele predykcyjne i ściśle współpracuje z inżynierami i informatykami.
W genomice technologie sekwencjonowania nowej generacji (NGS) generują miliardy odczytów na eksperyment, co jest niemożliwe do opanowania bez zaawansowanych technik uczenia maszynowego, statystyki i obliczeń rozproszonych . Narzędzia te umożliwiają składanie genomów, identyfikację wariantów związanych z chorobami oraz analizę profili ekspresji genów (RNA-seq) w celu odkrycia, które geny są aktywowane lub wyciszane w różnych warunkach.
Biologia systemów z kolei opiera się na analizie danych, aby rekonstruować sieci regulacji genów, interakcje białko-białko i szlaki metaboliczne . Celem nie jest już badanie izolowanego genu, ale zrozumienie komórki jako złożonej sieci, zlokalizowanie kluczowych „węzłów” i symulacja zmian w systemie pod wpływem manipulacji tymi węzłami.
Kolejnym rozwijającym się obszarem są badania mikrobiomu i metagenomika . W tym obszarze sztuczna inteligencja pomaga klasyfikować tysiące gatunków drobnoustrojów w jednej próbce, wiązać skład mikroorganizmów z dietą, chorobami lub metodami leczenia oraz modelować interakcje ekologiczne między drobnoustrojami a ich środowiskiem. Bez tych narzędzi mikrobiom byłby jedynie niekończącą się listą nazw; dzięki sztucznej inteligencji staje się kopalnią biomarkerów i nowych celów terapeutycznych.
Głębokie uczenie się w obrazowaniu biologicznym i zdrowiu macicy
Współczesna mikroskopia generuje coraz bardziej złożone obrazy trójwymiarowe i czasowe . Analiza wszystkich tych obrazów ręcznie byłaby niepraktyczna, dlatego widzenie komputerowe i uczenie głębokie stały się niezbędnymi narzędziami w biologii komórki i medycynie.
Obecne algorytmy potrafią liczyć i klasyfikować komórki, segmentować struktury, wykrywać guzy w biopsjach cyfrowych i śledzić ruch komórek w czasie rzeczywistym. To nie tylko oszczędza czas personelu laboratoryjnego, ale także zapewnia obiektywność i powtarzalność analiz.
W dziedzinie zdrowia macicy połączenie biologii systemów i sztucznej inteligencji zmienia sposób, w jaki rozumiemy patologie takie jak endometrioza, zespół Ashermana i niektóre rodzaje niepłodności. Zamiast analizować tylko jeden marker lub izolowany obraz, integruje się dane genomiczne, proteomiczne, histologiczne i kliniczne, aby zbudować modele opisujące macicę jako dynamiczny system.
Dzięki tym modelom możliwe jest opracowanie spersonalizowanych narzędzi medycznych, które optymalizują leczenie niepłodności , dostosowują protokoły hormonalne do oczekiwanej odpowiedzi każdej pacjentki oraz wykrywają wczesne biomarkery dysfunkcji macicy. Instytucje takie jak Fundacja Carlosa Simóna pracują właśnie nad tego typu zintegrowanymi podejściami.
Otwarte projekty i ekosystemy współpracy AI w naukach przyrodniczych
Skuteczne wdrożenie sztucznej inteligencji w biologii zależy nie tylko od posiadania dobrych modeli, ale także od budowania otwartych ekosystemów, w których dane, narzędzia i zasoby obliczeniowe są dostępne . W tym kontekście kluczową rolę odgrywają wolne oprogramowanie, akademickie przetwarzanie w chmurze oraz partnerstwa publiczno-prywatne.
Przykładem jest współpraca między Red Hat Research a Mass Open Cloud Alliance (MOC-A) , która promuje otwartą chmurę, w której uniwersytety, ośrodki publiczne i firmy dzielą się infrastrukturą: procesorem, procesorem graficznym, pamięcią masową, dużymi bazami danych, narzędziami i modelami sztucznej inteligencji przechowywanymi w neutralnym pod względem emisji dwutlenku węgla centrum danych.
Na tej podstawie wdrożono na przykład platformę z Red Hat OpenShift AI do eksperymentów związanych z odkrywaniem leków , wykorzystywaną na forach, na których naukowcy mogą szkolić i testować modele open source, skalować zasoby w zależności od swoich potrzeb i nadal uzyskiwać dostęp do swojej pracy po zakończeniu wydarzeń.
Dostępność jest kluczowa: wiele ośrodków akademickich i szpitali regionalnych nie dysponuje wystarczającą lokalną infrastrukturą do obsługi zadań związanych ze sztuczną inteligencją na dużą skalę . Wspólne platformy, takie jak MOC-A, demokratyzują dostęp do zasobów, które w przeciwnym razie byłyby zarezerwowane dla dużych firm farmaceutycznych lub wiodących ośrodków badawczych.
Oprócz dostępności, w biomedycynie kluczowe są przejrzystość oraz możliwość audytu i adaptacji modeli . Oprogramowanie open source umożliwia przegląd kodu, dostosowywanie modeli do lokalnych kontekstów i tworzenie rozwiązań dostosowanych do konkretnych przepływów pracy – co jest trudne do osiągnięcia w przypadku zamkniętych, zastrzeżonych narzędzi.
AI4LIFE, dane FAIR i modele obrazów gotowe na sztuczną inteligencję
W Europie projekty takie jak AI4LIFE koncentrują się na udostępnianiu sztucznej inteligencji biologom bez zaawansowanego doświadczenia programistycznego . Ich celem jest zniwelowanie luki między mocą technik głębokiego uczenia a codzienną rzeczywistością laboratoriów nauk przyrodniczych.
AI4LIFE opracowuje łatwe w użyciu platformy do analizy obrazów biologicznych z wykorzystaniem sztucznej inteligencji : segmentacja komórek, wykrywanie struktur, ekstrakcja cech… Wszystko to w ramach zasady FAIR dla danych (możliwych do zlokalizowania, dostępnych, interoperacyjnych i wielokrotnego użytku), dostosowanych do zestawów obrazów i modeli „gotowych na sztuczną inteligencję”.
Projekt promuje standardy adnotacji i dokumentowania zbiorów danych obrazowych, aby można je było łatwo ponownie wykorzystać do trenowania nowych modeli lub ulepszania istniejących. Zmniejsza to potrzebę wielokrotnego przetwarzania danych, oszczędza czas obliczeniowy i sprzyja współpracy między grupami.
Kamieniem węgielnym AI4LIFE jest BioImage Model Zoo, społecznościowe repozytorium modeli do analizy obrazów biologicznych . Naukowcy mogą tam pobierać wytrenowane modele, stosować je za pomocą popularnych narzędzi analitycznych i dodawać własne, tworząc żywy, stale udoskonalany ekosystem.
Ponadto w ramach projektu organizowane są inicjatywy takie jak Otwarte Nabory Wniosków, wspierające konkretne przypadki użycia, oraz konkursy „Denoising Challenge”, w ramach których opracowywane i porównywane są metody poprawy jakości obrazów mikroskopowych. To podejście oparte na współpracy przyspiesza innowacje, zwiększa widoczność nowych narzędzi i ułatwia ich wdrażanie.
Odkrycie nowych antybiotyków i racjonalne projektowanie leków
Ta sama logika łączenia sekwencji, modeli językowych i eksperymentów na mokro ma zastosowanie w przypadku krytycznego problemu: oporności na antybiotyki. Laboratoria takie jak Machine Biology Group, kierowane przez Césara de la Fuente, badają możliwości wykorzystania sztucznej inteligencji do lokalizowania i projektowania nowych cząsteczek przeciwdrobnoustrojowych.
Ich strategia polega na wykorzystaniu głębokiego uczenia do analizy milionów białek i peptydów , pochodzących zarówno ze współczesnych organizmów, jak i gatunków wymarłych, w podejściu zwanym „molekularną de-ekstynkcją”: ratowaniu cząsteczek z przeszłości o potencjale przeciwdrobnoustrojowym i optymalizowaniu ich za pomocą biologii syntetycznej.
Część tej pracy jest inspirowana źródłami naturalnymi, takimi jak peptydy przeciwdrobnoustrojowe ze skóry płazów , które są modyfikowane i udoskonalane przy użyciu sztucznej inteligencji (AI), aby zmaksymalizować ich skuteczność w walce z opornymi bakteriami i zminimalizować toksyczność oraz niepożądane skutki dla mikrobiomu człowieka.
Modele uczenia maszynowego nie tylko przewidują, które sekwencje mogą zachowywać się jak antybiotyki, ale także pomagają precyzyjnie dostroić stabilność, rozpuszczalność, selektywność i inne kluczowe parametry przed przejściem do eksperymentów laboratoryjnych. To radykalnie skraca czas od wstępnego pomysłu do fazy przedklinicznej.
Patrząc w przyszłość karier naukowych, na czele tego nowego paradygmatu odkrywania leków przy pomocy algorytmów stoją profile osób biegle posługujących się biologią, programowaniem i technikami sztucznej inteligencji .
Sztuczna inteligencja i komórki macierzyste: przeprogramowanie, terapie i wyzwania
Kolejną dynamicznie rozwijającą się dziedziną jest połączenie sztucznej inteligencji i biologii komórek macierzystych . W tym przypadku nacisk kładziony jest nie tylko na analizę danych, ale także na projektowanie bardziej wydajnych i bezpieczniejszych procesów komórkowych do zastosowań klinicznych.
Jednym z najgłośniejszych postępów jest współpraca między OpenAI i Retro Biosciences , która doprowadziła do udoskonalenia słynnych czynników Yamanaki, odpowiedzialnych za przekształcanie dorosłych komórek w indukowane pluripotentne komórki macierzyste (iPSC). Wykorzystując modele sztucznej inteligencji wyspecjalizowane w biologii, zidentyfikowano warianty o znacznie większej zdolności do przeprogramowania.
Wyniki wskazują na nawet 50-krotnie większą wydajność przeprogramowania komórek , lepszą naprawę DNA i skuteczniejsze odmładzanie komórek. To otwiera drogę do skuteczniejszych i bezpieczniejszych terapii regeneracyjnych, zmniejszając ryzyko mutacji lub niepożądanych zachowań w przeprogramowanych komórkach.
Tymczasem grupy w Japonii, we współpracy z firmami takimi jak Google, pracują nad automatyzacją produkcji komórek iPS z wykorzystaniem sztucznej inteligencji . Celem jest standaryzacja i optymalizacja każdego etapu procesu, a tym samym redukcja kosztów i zmienności, aby terapie komórkowe mogły być stosowane na dużą skalę.
Sztuczna inteligencja jest również wykorzystywana do analizy złożonych danych pochodzących z systemów biologicznych (podejścia typu SysBioAI) , wykrywania zagrożeń na wczesnych etapach, personalizowania terapii na podstawie profilu molekularnego każdego pacjenta i dostosowywania leczenia w czasie rzeczywistym na podstawie zaobserwowanych reakcji.
Potencjalne zastosowania obejmują przyspieszenie badań klinicznych i redukcję kosztów , spersonalizowaną medycynę regeneracyjną, odmładzanie komórek oraz integrację sztucznej inteligencji ze wszystkimi fazami procesu biomedycznego. Oczywiście, wiąże się to z poważnymi wyzwaniami: heterogenicznością komórkową, ryzykiem bezpieczeństwa , regulacjami, etyką i ciągłym zapotrzebowaniem na wysokiej jakości dane.
Tymczasem przepisy, takie jak ustawa Unii Europejskiej o sztucznej inteligencji, mają na celu zapewnienie, że wdrażanie tych postępów będzie odbywać się w ramach przejrzystości, nadzoru człowieka i gwarancji bezpieczeństwa, zwłaszcza w przypadku zastosowań medycznych wysokiego ryzyka.
AlphaGenome i „ciemna materia” ludzkiego genomu
Jeśli AlphaFold zmienił sposób, w jaki rozumiemy fałdowanie białek, AlphaGenome ma teraz na celu przełożenie kodu DNA na informacje funkcjonalne , ze szczególnym uwzględnieniem 98% genomu, który nie koduje białek, lecz koncentruje większość wariantów powiązanych ze złożonymi chorobami.
AlphaGenome to opracowany przez zespół Google DeepMind model sztucznej inteligencji bazujący na uczeniu głębokim, szkolony na genomach człowieka i myszy , zdolny do analizowania długich odcinków DNA i przewidywania tysięcy sygnałów genetycznych związanych z regulacją genów i białek.
W standaryzowanych ocenach, jego przewidywania dorównują lub przewyższają inne wiodące modele w praktycznie wszystkich testach, co skłoniło wielu ekspertów do uznania go za przełomowy moment w genomice obliczeniowej . Jego zdolność do interpretowania regionów niekodujących czyni go kluczowym narzędziem do rozszyfrowania „ciemnej materii” genomu.
Praktyczne implikacje są ogromne: AlphaGenome może poprawić interpretację testów genetycznych, identyfikować rzadkie warianty związane z patologiami , kierować rozwojem nowych metod leczenia i symulować, w jaki sposób mutacje w regionach regulacyjnych zmieniają ekspresję genów.
Naukowcy z takich ośrodków, jak CNB-CSIC, Francis Crick Institute czy Wellcome Sanger podkreślają, że chociaż nie jest to magiczna różdżka rozwiązująca wszystkie problemy , jest to wybitne dzieło inżynierii, które integruje wiele wcześniejszych pomysłów i przenosi je na znacznie wyższy poziom wydajności.
Podkreślają jednak kluczową kwestię: modele te są w ogromnym stopniu uzależnione od jakości, różnorodności i standaryzacji danych treningowych . Głównym wyzwaniem na przyszłość jest generowanie i udostępnianie solidnych, otwartych i dobrze udokumentowanych danych biologicznych, które posłużą za paliwo dla kolejnej generacji sztucznej inteligencji genomicznej.
Biorąc pod uwagę ten scenariusz, badania biologiczne wspierane przez sztuczną inteligencję wyłaniają się jako stale rozwijająca się dziedzina, w której połączenie ogromnych zbiorów danych, zaawansowanych modeli, otwartych infrastruktur i współpracy interdyscyplinarnej na nowo definiuje sposób formułowania pytań naukowych i szukania odpowiedzi, od pochodzenia życia po najbardziej spersonalizowane terapie w ramach współczesnej medycyny.
