A Vivodyne nevű biotechnológiai startup azt állítja, hogy az AI-alapú gyógyszerfelfedezés egyik alapvető akadálya az adatminőség és az adatok hiánya. A cég által fejlesztett HIVE nevű moduláris robotizált laborok képesek 20 különböző emberi szövetet növeszteni, majd ezeket autonóm módon kezelni, dózisolni és folyamatosan monitorozni. A vállalat szerint az így keletkező hosszabb távú, okozati (causal) biológiai adatok olyan típusú információt adhatnak a modelleknek, amely ma elsősorban hiányzik: a jelenlegi adatok többsége állatkísérletekből, egysejtes vagy fehérjeszintű vizsgálatokból származik, nem pedig élő szövetek viselkedéséből.
Miért probléma ez?
Andrei Georgescu, a Vivodyne vezérigazgatója és társalapítója arra hívja fel a figyelmet, hogy AI-modellek nélkülözhetik a valódi emberi biológia komplexitását. „Absent human testing, what are these [AI] models going to do? They’re going to cure cancer in mice,” mondta Georgescu a TechCrunchnak, utalva arra, hogy a jelenlegi adatok alapján készülő modellek túlzó vagy félrevezető következtetésekre juthatnak. Hasonló kritikát fogalmazott meg Dario Amodei, az Anthropic vezérigazgatója is, aki szerint a „mesterséges intelligencia majd meggyógyítja a rákot” jellegű állítások inkább klisék, semmint megalapozott ígéretek.
Az elérhető bizonyítékok is vegyesek: bár néhány, AI által javasolt gyógyszer emberi vizsgálatokba lépett — egyikük egészen a III. fázisig jutott — a gyakorlatban sok akadály maradt, amelyeket az AI jelen formájában nem feltétlenül képes megoldani. Például a Nobel-díjas AlphaFold áttörést jelentett a fehérjék felépítésének megértésében, de önmagában nem szült még új gyógyszereket. Az Isomorphic Labs, amely az AlphaFold eredményeire épít, eredetileg 2025-re várt első vizsgálatokat, majd a vállalat februári közlése szerint a valós gyógyszerfelfedezéshez „rendkívül pontos prediktív modellekre” van szükség számos biokémiai tulajdonság és kölcsönhatás tekintetében.
Vivodyne megközelítése és bizonyítékai
A Vivodyne 2021-ben vált ki a University of Pennsylvania-ról, miután Georgescu ott szerzett PhD-fokozatot bioengineeringből. A cég állítása szerint a laboratóriumi szövetek nagyon hasonlóan viselkednek, mint az emberi szervek:
- A Vivodyne májsejtjei a toxikológiai vizsgálatok esetében 94%-os prediktív pontosságot értek el, összehasonlítva emberi vizsgálatokkal.
- A légutakra modellként szolgáló szövetek viselkedése 96%-ban egyezett a valódi emberi tüdőszövet viselkedésével.
- A csontvelőmodell 20 különböző kemoterápiás szer esetében 100%-os koncordanciát mutatott az emberi eredményekkel.
A társaság közlése szerint a Vivodyne eddig két fordulóban — köztük Khosla Ventures által vezetett körökkel — összesen alig kevesebb mint 80 millió dollár tőkét vont be. A múlt héten megnyitották a cég „világ legnagyobb emberi adatközpontjaként” emlegetett létesítményét San Francisco közelében; Georgescu szerint a csapat jelenleg kétszer akkora áteresztőképességet biztosít, mint az Egyesült Államokban zajló összes állatkísérlet.
Mire jó mindez a gyógyszerfejlesztésben?
A Vivodyne célja, hogy gyorsítsa a potenciális gyógyszercandidatek előrehaladását azáltal, hogy már a klinikai vizsgálat költséges lépése előtt jobb előrejelzéseket lehet kapni arról, mi fog működni. Egy klinikai vizsgálat tipikusan több tízmillió dollárba kerül, és a gyógyszerek többsége kudarccal végződik a humán engedélyezés során: az iparágban Georgescu azt hasonlította az autóipari töréstesztekhez, hogy míg egy autógyártó általában előre bízik abban, hogy a járműje megfelel a NHTSA követelményeinek, a gyógyszergyártók ritkán rendelkeznek hasonló magabiztossággal egy klinikai vizsgálat megkezdésekor.
Hosszabb távú cél: okozati adatok a gépi tanulás számára
Georgescu szerint a HIVE gépek által gyűjtött adatsorok — amelyek száz-, vagy akár százezernyi folyamatos kísérletet követnek, ahol beteg szöveteket valamilyen stimulusnak tesznek ki — olyan okozati információt szolgáltathatnak, amelyre a jövő AI-modelljeinek szükségük lesz. Hivatkozik a Nature Methods-ben nemrég megjelent tanulmányokra, amelyek szerint a jelenlegi sejtes adatokból tanuló generatív AI-modellek esetén nem mutathatók ki egyértelmű skálázási törvények; sok modell „statikus pillanatképekre” épít, és nem tanulja meg, hogyan vezet az egyik sejtes állapot egy másikhoz.
A Vivodyne ezt a hiányt pótolná azzal, hogy az adatok nem csupán állapotokat rögzítenek, hanem a stimulustól a reakcióig tartó dinamikát is, ami Georgescu szerint megalapozhatja a megerősítéses tanulás (reinforcement learning) alkalmazását emberi biológián. Ez pedig különösen fontos lehet a jövő kombinációs terápiáihoz, ahol egyszerre több útvonalat kell célba venni — ilyen esetben a keresési tér robbanásszerűen megnő, és kísérleti megközelítéssel már nem kezelhető.
„Ha kombinációs terápiákat akarunk, a keresendő tér robbanásszerűen nő—nem lehet kísérletezgetéssel megoldani. Azt kell mondani: ‘ezt az effektust akarom elérni, milyen okot hívjak elő?’ Az okozatiság etablerálása az emberi biológiában ennek az egésznek az alapja,” mondta Georgescu a TechCrunch-nak.
Korlátok és kérdések
Bár a Vivodyne által közölt pontossági számok és a megnyitott létesítmény figyelemre méltóak, a cég nem hozta nyilvánosságra a partnerei listáját, és a végső bizonyíték arra nézve, hogy ez a megközelítés valóban csökkenti-e a klinikai kudarcokat, még várat magára. Az iparági tapasztalat szerint a preklinikai modellek javítása fontos, de nem feltétlenül elégséges garancia a humán sikerre; a kérdés az, hogy az emberi szövetekből és automatizált kísérletekből származó adathalmazok mennyire képesek lesznek általánosítható, megbízható prediktív modelleket táplálni.
Vivodyne ígérete az, hogy pontosabb, okozati emberi adatokat biztosítva közelebb hozza a mesterséges intelligenciát a valós orvosi előrelépéshez. A következő években kiderül, mennyire lesz ez elegendő a gyógyszerfelfedezés sebességének és sikerességének lényeges növeléséhez.
