Исследования
Научный ИИ сталкивается с проверкой в лаборатории на фоне изменений биологических рабочих процессов
Системы ИИ углубляются в биологию и открытие лекарств, но практическим испытанием является то, могут ли вычислительные гипотезы выдержать проверку в лаборатории и клиническую разработку.
Майкл Г ·
Научный ИИ вступает в более требовательную фазу. Эта область уже показала, что модели могут суммировать литературу, предсказывать структуры, предлагать эксперименты и исследовать химическое пространство. Следующее испытание — выдержат ли эти вычислительные результаты контакт с лабораторией.
Это различие имеет решающее значение. Модель может за считанные секунды выдать правдоподобную гипотезу. Биология решает, полезна ли она. Молекулы терпят неудачу, потому что они нестабильны, токсичны, трудно производимы, плохо усваиваются или просто неэффективны в системах, более сложных, чем данные, на которых проводилось обучение.
Возможность остаётся огромной. Исследователи тратят огромное количество времени на переход между статьями, наборами данных, тетрадями, планами экспериментов и неудачными результатами. ИИ может уменьшить это трение, предлагать кандидатов, выявлять противоречия и помогать учёным определять, что тестировать дальше.
Но чем более прямым становится ИИ в науке, тем важнее значение доказательств. Лабораторный ассистент, который помогает составить протокол, — это одно. Система, которая продвигает терапевтический кандидат к разработке, — это другое. Второе требует прослеживаемости, воспроизводимости и человеческой ответственности.
Наиболее сильные варианты использования в ближайшей перспективе могут быть гибридными. Модели могут помогать учёным рассуждать на основе литературы, разрабатывать варианты, автоматизировать анализ и выявлять негативные доказательства. Люди по-прежнему решают, какие гипотезы заслуживают ограниченного времени в лаборатории и как интерпретировать хаотичные результаты.
Эта гибридная структура не является слабостью. Так работает наука уже сейчас. Лучшие инструменты не устраняют экспериментальную дисциплину. Они меняют то, где исследователи сосредотачивают внимание.
Риск заключается в чрезмерных заявлениях. Научные компании в области ИИ могут звучать так, как будто открытие становится проблемой программного обеспечения. Это не так. Программное обеспечение может сократить части процесса, но биология, регулирование, производство и клинические данные по-прежнему задают темп.
Для инвесторов вопрос заключается в том, создаёт ли ИИ лучшие производственные процессы или просто лучшие демонстрации. Для лабораторий вопрос в том, делают ли модели учёных более продуктивными, не закапывая их под правдоподобными, но малополезными предложениями.
Победителей в области научного ИИ будут оценивать не столько по тому, насколько плавно звучат их модели, сколько по тому, выдержат ли их идеи проверку пипетками, анализами, пациентами и временем.
Темы: научный ИИ, биология, разработка лекарств, лабораторная проверка