Mi a jövője a tudománynak az AI korában? Miközben nagyobb ambíciókról is hallani — például az Anthropic bejelentése, hogy saját "wet lab"–ot nyit —, a legnagyobb és leggyorsabb hatás sokszor nem a látványos, hanem a mindennapi működés átalakulásában látszik. Adrian Sanborn, az Endura Therapeutics vezérigazgatója és társalapítója a témában írt vendégposztjában azt mutatja be, hogyan segítik a modellek és az új belső eszközök a frontvonalbeli kutatást a saját cégénél.
Sanborn Stanfordon szerzett számítástechnikai PhD-t, és doktorija nagy részét Roger Kornberg biokémiai laborjában töltötte a bench-en dolgozva, így ritka perspektívát ad: egyszerre látja, mit tesz egy nagy nyelvi modell (LLM) a kódalappal és a wet lab működésével.
Két alkalmazkodási stratégia: foundry-k és navigátorok
A biotechnológiai ipar két módon alkalmazkodik az AI új lehetőségeihez:
-
Foundry-k: csökkentik a végrehajtás költségét. Ezek az üzemek, platformok vagy technológiák azzal növelik a mérések sebességét és volumenét, hogy új mérési módszereket és automatizációt alkalmaznak. Példák: Xaira, NewLimit, Octant, Tahoe, Endura (next‑generation sequencing és multiplexing), Insitro, Eikon, Noetik (high‑throughput mikroszkópia), Lila és Periodic Labs (fizikai automatizálás). Az AI segít, hogy az így nyert adatok olvashatóak és prediktívek legyenek, de a differenciáló tényező maga a kísérleti adat.
-
Navigátorok: a gondolkodás surplusát költik el. Itt az AI-modellek beépülnek a vállalat napi működésébe, jobb döntéseket hoznak és gyorsabb folyamatokat generálnak. Nem feltétlenül kell saját nagy nyelvi modell vagy hatalmas adatbázis: sokszor elég, ha a cég hajlandó átalakítani, hogyan dolgozik.
A foundry építése komoly stratégiai döntés: tőkébe, évekbe és egy technológiába vetett hitbe kerül. Könnyű észrevenni, mert látványos, és gyakran jár modellek vagy adathalmazok bejelentésével. A navigátorok ezzel szemben láthatatlanabbak: nyereségük elsősorban operatív, és ritkán adnak alapot sajtóközleményre. A fontos megjegyzés: a nagy, jól látható változás néhány tucat vállalatnál történik, míg a csendes, napi szintű navigáció szinte minden cégnél zajlik.
Miért gyorsabban fut a navigáció korai startupoknál?
A korai fázisú startupoknak nincs levetkőzendő örökségük: nincsenek hosszú szoftzerszerződések, standardizált folyamatok vagy merev szervezeti rétegek. Ugyanakkor erős nyomás alatt vannak, hogy gyorsan mozogjanak kevés erőforrással. Ha megjelenik egy jobb munkamód, az könnyen új normává válik.
A hatás minden szinten megjelenik: ha az elemzés egy óra alatt elkészül a korábbi hét helyett, a kísérletek iterálása felgyorsul. Egy szoftver, amelyet korábban hat számjegyű licencdíjért vásároltak volna, egy nap alatt építhető meg. Betegségprogramok közül választhatnak 500 jelöltből, holott hagyományosan ötöt értékelnének.
A kód tartja lépést a tudománnyal
Az kísérleti tudományban van egy strukturális feszültség, aminek nincs pontos megfelelője a szoftverfejlesztésben: a kutatás célja a folyamatos tanulás, ezért a követelmények gyakran változnak. Ha egy megközelítés hat hónapig nem változik, az gyakran azt jelenti, hogy nem folyik felfedezés.
Egy új kísérleti protokoll az első évben tucatnyi alkalommal módosulhat, és ezek mind hatnak az elemzésre. Minden mérés feldolgozást, normalizálást és értelmezést igényel olyasfajta kóddal, amely szorosan követi a kísérletet. Korábban ezt sokszor egy külön számítástechnikai kolléga végezte, ami szakadékot hozott létre a kísérletet értő kutató és a kódot értő mérnök között. Ez a súrlódás visszatartotta a kísérleti változtatásokat.
Most, hogy a kódírás gyorsabb, az elemzés egy módosított protokollhoz való igazítása délutáni feladattá vált a projekt helyett. Az elemzőcsővonal módosítása már nem korlátozza a kísérletet: a kísérletek agile jellegűvé válnak, ha a rugalmasság olcsó és a hibák könnyen javíthatók.
Ugyanez igaz az interpretáció egy rétegére is: egy interaktív vizualizációs dashboard ma percek alatt összeállítható, korábban napok kellettek rá. Endura belső dashboardja például néhány óra alatt elkészült.
A legfontosabb következmény az elérés: korábban az eredmények gyakran a computational queue-ban vártak. Most a kísérletet végző kutató, aki birtokolja a kontextust, bemutathatja saját eredményeit; az adatok nem rekednek valaki más Python jegyzetfüzei mögött.
A szoftver immár képes kifejezni a véleményed
Minden szoftverfelületnek van véleménye: eldönti, mely összehasonlítások legyenek egy kattintásnyira és melyekhez vadászni kell. Két évtizeden át ezeket a véleményeket harmadik fél szoftverszállítók határozták meg, amelyek egy terméket terveztek sok labor számára, a legkisebb közös nevezőre optimalizálva.
Ez ma már nem feltétlenül igaz. Egy házon belüli adatportál a labor adatsajátosságait képes kezelni, épp annyira összetett, amennyire a csapatnak szüksége van, és nő a kérdésekkel együtt. Böngészés és felfedezés egyszerűvé válik, ami viselkedést változtat: mint ha a közösségi média következő bejegyzésének megtekintéséhez nem kellene váltani a füleken és másolni‑beilleszteni.
A megvalósítás gyakran egy nap, de arról dönteni, mit kelljen megjeleníteni egy képernyőn, hetekbe telhet. Ezek a tervezési beszélgetések kritikusak, mert rákényszerítik a csapatot, hogy artikulálja: mely összehasonlítások vezetik a döntéseiket. Amikor vásárolsz egy platformot, nemcsak a mérnöki munkát outsource-olod, hanem azt a kérdést is, hogyan éred el a céljaidat.
Vannak kompromisszumok: egy belső portal kevésbé polírozott lehet, és nincs külső support. Nagyobb szervezetek, sok validációs követelménnyel és szerződéses kötöttséggel, még nehezebben tudnak követni. De a szoftvercégek régóta tudják: a legjobb belső eszközök azokból születnek, amikor mérnökök közvetlenül együtt dolgoznak a felhasználókkal. Most már minden kutatócsapat lehet "forward‑deployed engineer".
A régi szabály: "soha ne építs olyat, amit meg tudsz venni". Az új szabály: építsd meg azokat az eszközöket, amelyek formálják a gondolkodásodat.
Az expert‑szintű mélység skálázódik
A legmeghatározóbb döntés egy gyógyszercég életében az, hogy mely betegségeket kövesse. Egy sikeres program egy évtizedet és körülbelül egymilliárd dollárt igényel, így a döntést alaposan körbediligenselik. Hagyományosan egy csoport belső és külső szakértőt hív össze, akik egy hónapnál tovább gyűjtik, szintetizálják és vitatják a bizonyítékokat.
Ez a folyamat azt feltételezi, hogy már van egy ötfős shortlist. Endura esetében azonban a gyógyszereik mechanizmusa miatt nem volt ilyen előzetes lista: ők egy tablettában adható CRISPR‑szerű gyógyszeren dolgoznak, amely kémiai „heget” képez egy specifikus genetikai üzeneten, és kikapcsolja a betegséget okozó fehérje termelését.
Ennek a megközelítésnek a feltalálása új DNS‑szekvenálási módszert igényelt, amely egyszerre olvas ezekből a „sebekből” minden gén tekintetében, így egyetlen kísérlet több száz betegségre is visszaadhat jelölteket. Ahelyett, hogy öt betegséggel kezdtünk volna, a teljes betegségtérképet kellett triázsolnunk.
Kétlépcsős triázst építettünk, és egy flottányi LLM‑alapú kutatóügynököt (research agents) irányítottunk rá. Az első kör kb. 500 betegségcélpontot fedett le, mindegyikről nagyjából három oldalas összefoglalót generálva, alapvető szűrők alapján: elég elterjedt-e a betegség, van‑e már hatékony terápia, és csökkentené‑e a target‑szint a betegséget. A második körben a maradék ~100 célpontról körülbelül 30 oldalas anyagok készültek, mélyen átvizsgálva a betegségtan és a versenykörnyezet részleteit. A második kör promptjait úgy írtuk meg, hogy szkeptikus szakértőként viselkedjenek: nevezze meg a sikertelen programokat, miért buktak el, és mi lenne szükséges ahhoz, hogy mi sikeresek legyünk ott, ahol mások nem voltak.
Ezen a sebességen az első szakasz korábban körülbelül egy emberévnyi olvasást igényelt volna, a második pedig közel egy évszázadnyi szakértői időt. A második kör anyagai továbbra is ellenőrizve vannak primer forrásokkal, és egyes programok megkapják a hagyományos emberi diligenciát. De ez a széles és mély keresés egy éve még lehetetlen volt.
A kutatásban a drága hibák az ismeretlenekből fakadnak: egy csapat elköteleződik egy irány mellett, és hónapok múlva derül ki, hogy tévedtek, amikor a kísérlet negatív eredményt hoz. Gyakran egy szakértő egy mondatban megmondhatta volna: ezt a pályát már próbálták, ez a readout sosem jósolt semmit, az a cég abban a betegpopulációban megbukott. Az ilyen expert‑mélység skálázott hozzáférése játékot változtat, mert az, hogy korán azt mondják, "nem", nagyon értékes lehet.
Ez még csak a sekély vége
Az Enduránál tapasztaltak — rugalmas, dinamikus elemzés; egy nap alatt készült belső eszközök; 500 betegségen végzett keresés — csak a navigáció kezdete. Minden újabb nyelvi modellgeneráció eltávolítja az eddig adott korlátokat. Hamarosan akár teljesen el is hagyhatjuk a korábbi elemzőcsővonalak és dashboardok állandó megépítését: a kutató felteszi azt a kérdést, amely valóban érdekli, és az elemzés és a felület abból lesz összeállítva.
Az ilyen hozzáférés új munkákat tesz lehetővé, amelyeket korábban senki sem vállalhatott. Jó példa a gyógyszerátcsoportosítás (drug repurposing): a már emberekben biztonságosnak bizonyult gyógyszerek között lehet olyan, amely egy ismeretlen mechanizmussal hat egy másik betegségre. A publikált irodalom hatalmas; bizonyos hasznos összefüggések jelenleg rejlenek benne, mert egyetlen ember sem olvasta el a megfelelő papírok kombinációját. Egy modell azonban képes lehet mindezt feldolgozni és a pontokat összekötni. Több startup és nagy gyógyszercégek ezzel a fogadással kísérleteznek; a kérdés az, hogy ez három új gyógyszert vagy háromszázat eredményez‑e.
Sanborn konklúziója szerint a jelenlegi leggyorsítóbban ható AI a tudományban nem feltétlenül egy tudományos adatra tanított modell: az a rendszer, amely segít egy kutatónak vagy vezetőnek meghatározni, mit érdemes csinálni hétfő reggel, jelenleg a legnagyobb gyorsítószer.
Szerző és köszönetnyilvánítás
Adrian Sanborn az Endura Therapeutics vezérigazgatója és társalapítója. Korábban az Atomic AI alapító tagja volt, ahol a biológiai oldal technológiai platformját vezette és meghatározta a vállalat terápiás stratégiáját. PhD‑ját Stanfordon szerezte, amelynek jelentős részét a bench‑en töltötte Roger Kornberg laborjában. X‑en @AdrianSanborn néven elérhető. Sanborn megköszöni Brandon Andersonnak, swyx‑nek és Lauren Richardsonnak, hogy átnézték és véleményezték a posztot.
(A cikk megjelenése közben egy empirikus tanulmány is napvilágot látott, amely több hasonló megfigyelést alátámasztott.)
