Исследование
Научный ИИ сталкивается с испытанием лабораторной валидации по мере изменения биологических рабочих процессов
Системы ИИ проникают глубже в биологию и открытие лекарств, но практическим тестом является то, смогут ли вычислительные гипотезы выдержать проверку в лаборатории и клиническую разработку.
Майкл Г ·
Научный ИИ вступает в более требовательную фазу. Область уже показала, что модели могут суммировать литературу, предсказывать структуры, предлагать эксперименты и исследовать химическое пространство. Следующий тест — смогут ли эти вычислительные результаты выдержать контакт с лабораторией.
Это различие крайне важно. Модель может сгенерировать правдоподобную гипотезу за секунды. Биология решает, полезна ли она. Молекулы терпят неудачу, потому что они нестабильны, токсичны, трудно синтезируются, плохо всасываются или просто неэффективны в системах, более сложных, чем данные, на которых проводилось обучение.
Возможности остаются огромными. Исследователи тратят огромное количество времени на переход между статьями, наборами данных, тетрадями, экспериментальными планами и неудачными результатами. Искусственный интеллект может уменьшить это трение, предлагать кандидатов, указывать на противоречия и помогать ученым определять, что тестировать дальше.
Но чем более прямым становится ИИ в науке, тем больше значение имеет доказательная база. Лабораторный ассистент, помогающий составить протокол, — это одно. Система, которая продвигает терапевтического кандидата к разработке, — это другое. Второе требует отслеживаемости, воспроизводимости и ответственности человека.
Наиболее перспективные краткосрочные случаи применения могут быть гибридными. Модели могут помогать ученым анализировать литературу, разрабатывать варианты, автоматизировать анализ и выявлять отрицательные доказательства. Люди по-прежнему решают, какие гипотезы заслуживают ограниченного времени в лаборатории и как интерпретировать запутанные результаты.
Эта гибридная структура не является слабостью. Именно так наука уже работает. Лучшие инструменты не отменяют экспериментальную дисциплину. Они меняют то, на чем исследователи сосредотачивают внимание.
Риск заключается в преувеличении. Научные компании в области ИИ могут создавать впечатление, что открытие становится программной проблемой. Это не так. Программное обеспечение может ускорять части процесса, но биология, регулирование, производство и клинические доказательства по-прежнему задают темп.
Для инвесторов вопрос заключается в том, создает ли ИИ лучшие процессы или просто лучшие демонстрации. Для лабораторий вопрос в том, делают ли модели ученых более продуктивными, не заваливая их правдоподобными, но малополезными предложениями.
Победители в научном ИИ будут оцениваться меньше по тому, насколько бегло звучат их модели, и больше по тому, выдерживают ли их идеи проверку пипетками, тестами, пациентами и временем.
Темы: научный ИИ, биология, разработка лекарств, лабораторная проверка