AI-drevet biomedicinsk forskning: Fra algoritmer til laboratoriet

Indledning

Biomedicinsk forskning har traditionelt været forbundet med laboratorier, mikroskoper, kliniske observationer og nøje kontrollerede eksperimenter. I dag er et andet miljø blevet lige så vigtigt: den digitale verden. Omfattende datasæt, kunstig intelligens (AI), maskinlæring og stadig mere sofistikerede beregningsmodeller ændrer den måde, forskere undersøger menneskets biologi på.

Moderne laboratorier kan generere enorme mængder information. Genomsekventering, medicinsk billeddiagnostik, molekylær screening, elektroniske patientjournaler, bærbare enheder og automatiseret laboratorieudstyr bidrager alle til et voksende videnskabeligt dataøkosystem. Udfordringen består ikke længere blot i at indsamle information. Forskerne skal finde ud af, hvordan de kan organisere, analysere og fortolke den effektivt.

Det er her, AI begynder at spille en vigtig rolle.

I stedet for at erstatte konventionel biomedicinsk forskning kan kunstig intelligens supplere den. Algoritmer kan gennemgå millioner af observationer, identificere statistiske mønstre og hjælpe forskerne med at afgøre, hvilke hypoteser der fortjener yderligere eksperimentel undersøgelse. Resultatet er et stadig mere sammenhængende forskningsmiljø, hvor datalogi og laboratorievidenskab arbejder sammen.

Hvorfor biomedicinsk forskning bliver datadrevet

Videnskabelig forskning har altid været afhængig af data, men omfanget af moderne biomedicinsk information adskiller sig fundamentalt fra det, forskerne arbejdede med for flere årtier siden.

Et enkelt moderne eksperiment kan generere tusinder eller millioner af målinger. Genomiske studier kan analysere variationer på tværs af hele populationer. Hospitaler akkumulerer omfattende kliniske journaler, mens billeddannelsesteknologier genererer detaljerede digitale repræsentationer af den menneskelige krop.

Forskere kan også indsamle kontinuerlige oplysninger via bærbar teknologi. Puls, søvn, fysisk aktivitet, temperatur og andre variabler kan potentielt overvåges over lange perioder.

Hver for sig giver disse datasæt nyttige oplysninger. Når de kombineres, skaber det en betydeligt større kompleksitet.

Traditionelle statistiske metoder er stadig uundværlige, men kunstig intelligens og maskinlæring giver yderligere muligheder for at undersøge sammenhænge på tværs af store datasæt. Forskere kan bruge beregningsmodeller til at identificere mønstre, der ellers ville forblive skjulte blandt millioner af observationer.

Maskinlæring som et videnskabeligt værktøj

Maskinlæring er en af de vigtigste teknologier bag moderne AI-drevet forskning.

I stedet for at programmere en computer med faste instruktioner til alle mulige scenarier kan forskere træne maskinlæringsmodeller ved hjælp af eksisterende datasæt. Systemet lærer statistiske sammenhænge i informationen og kan derefter klassificere eller estimere resultater for nye data.

Inden for biomedicinsk videnskab har disse metoder mange potentielle anvendelsesmuligheder.

Algoritmer kan analysere medicinske billeder, klassificere molekylære strukturer, undersøge genetiske variationer og sammenligne laboratoriemålinger. De kan også hjælpe forskere med at identificere grupper af patienter eller eksperimentelle prøver, der deler bestemte karakteristika.

Maskinlæring fastslår dog ikke automatisk, hvorfor en biologisk sammenhæng eksisterer.

Hvis en algoritme opdager en sammenhæng mellem en biomarkør og et sundhedsresultat, skal forskerne stadig undersøge den underliggende biologiske mekanisme. Computermæssig analyse kan generere lovende hypoteser, men laboratorieeksperimenter og veludformede kliniske studier er stadig afgørende for at teste dem.

Fra computerforudsigelser til laboratorieeksperimenter

En af de mest interessante udviklinger inden for biomedicinsk forskning er det stadig tættere forhold mellem computermæssige forudsigelser og fysiske eksperimenter.

Traditionelt har forskere måske udviklet en hypotese og derefter designet laboratorieeksperimenter for at undersøge den. AI introducerer endnu et trin i denne proces.

Forskere kan først analysere store eksisterende datasæt og bruge computermodeller til at identificere potentielle sammenhænge. Disse forudsigelser kan derefter danne grundlag for laboratorieeksperimenter.

Forestil dig, at forskere undersøger en biologisk receptor, der er involveret i en bestemt cellulær proces. Computermæssig screening kan undersøge tusindvis af molekylære strukturer og estimere, hvilke forbindelser der mest sandsynligt vil interagere med receptoren.

I stedet for straks at screene hver enkelt kandidat fysisk kan forskerne prioritere en mindre gruppe til laboratorieundersøgelse.

Eksperimentelle resultater kan efterfølgende føres tilbage til den computermæssige model, hvilket skaber en feedback-loop:

Data → Algoritme → Forudsigelse → Eksperiment → Nye data

Denne cyklus kan blive et af de afgørende kendetegn ved fremtidens biomedicinske laboratorier.

AI og lægemiddeludvikling

Lægemiddeludvikling er særligt velegnet til datadrevet forskning, fordi antallet af teoretisk mulige molekyler er enormt.

Forskere kan ikke undersøge hver eneste potentielle forbindelse eksperimentelt. Beregningsteknikker kan derfor hjælpe med at indsnævre søgningen.

AI-systemer kan analysere molekylære strukturer, kemiske egenskaber og eksisterende biologiske data for at identificere kandidater, der fortjener yderligere undersøgelse. Nogle modeller kan estimere egenskaber såsom molekylære interaktioner eller potentiel toksicitet, inden forskerne går videre til dyrere eksperimentelle faser.

Dette betyder ikke, at en algoritme blot kan "opfinde et lægemiddel" og gøre det klar til klinisk brug.

Computergenererede forudsigelser kræver omfattende validering. Forskere skal undersøge farmakologi, toksicitet, metabolisme, dosering, interaktioner og talrige andre variabler. Lovende forbindelser kan stadig slå fejl under laboratorie-, dyre- eller klinisk forskning.

Værdien af AI ligger primært i at hjælpe forskere med at navigere mere effektivt i et enormt søgeområde.

Det voksende digitale landskab omkring forskningsforbindelser

Videnskabelig information er ikke længere begrænset til akademiske tidsskrifter og universitetsbiblioteker. Søgemaskiner, online-databaser, digitale fællesskaber og kommercielle hjemmesider har gjort det meget lettere for offentligheden at få adgang til information om eksperimentelle og præstationsrelaterede forbindelser.

Dette bredere digitale økosystem omfatter platforme såsom Dutch Sarms, hvilket afspejler en stigende offentlig bevidsthed om kategorier af forbindelser, der også diskuteres inden for farmakologiske og præstationsforskningsmæssige sammenhænge. Online tilgængelighed og videnskabelig dokumentation er imidlertid fundamentalt forskellige ting. At en forbindelse diskuteres bredt eller er kommercielt tilgængelig, er ikke ensbetydende med klinisk sikkerhed, effektivitet eller godkendelse fra myndighederne.

AI kan på sigt hjælpe forskere og læsere med at navigere i dette voksende informationsmiljø ved at organisere den videnskabelige litteratur, identificere modstridende resultater og skelne mellem forskellige evidensniveauer.

Det kan blive stadig vigtigere, i takt med at mængden af biomedicinsk information, der er tilgængelig online, fortsætter med at vokse.

Biomarkører og prædiktiv analyse

Biomarkører er målbare biologiske egenskaber, der kan give oplysninger om fysiologiske processer.

Eksempler herpå er hormonkoncentrationer, proteiner, enzymer, genetiske markører og talrige målinger opnået gennem blod- eller vævsanalyse.

Traditionelt har forskere måske undersøgt et relativt lille antal biomarkører ad gangen. Moderne laboratorieteknologier kan måle hundreder eller endda tusinder.

Maskinlæring kan hjælpe med at identificere kombinationer af markører, der ser ud til at svare til bestemte biologiske tilstande.

I stedet for at spørge, om en enkelt måling forudsiger et resultat, kan forskerne undersøge, om et komplekst mønster, der involverer mange målinger, giver nyttig information.

Denne tilgang er særlig relevant inden for områder som metabolisk forskning, hjerte-kar-videnskab, onkologi og endokrinologi.

AI og hormonforskning

Hormonsystemer viser, hvorfor biologisk forskning kan blive en beregningsmæssig udfordring.

Hormoner fungerer sjældent uafhængigt. De interagerer gennem komplekse feedbackmekanismer, der involverer receptorer, organer, enzymer og signalveje. Alder, genetik, søvn, ernæring, medicin og talrige miljøfaktorer kan yderligere påvirke disse systemer.

Store datasæt giver forskerne mulighed for at undersøge disse sammenhænge på tværs af større populationer.

Et eksempel på et stof, der optræder i endokrinologisk og farmakologisk litteratur, er enclomifen, som er blevet undersøgt for dets virkninger på hypothalamus-hypofyse-gonade-aksen og testosteronrelaterede resultater hos mænd med sekundær hypogonadisme. Datadrevet analyse kan hjælpe forskere med at sammenligne målinger på tværs af studier og identificere spørgsmål til yderligere undersøgelse, men konklusioner om klinisk anvendelse afhænger stadig af korrekt udformede forsøg og regulativ evaluering.

Denne skelnen illustrerer et vigtigt princip inden for AI-drevet medicin: Computermæssig analyse kan afsløre mønstre, men disse mønstre kræver stadig biologisk fortolkning og klinisk validering.

Genomforskning skaber en ny dataskala

Få områder demonstrerer omfanget af biomedicinske data bedre end genomik.

Det menneskelige genom indeholder milliarder af DNA-basepar. Når forskere analyserer genetisk information fra tusinder eller millioner af mennesker, bliver de resulterende datasæt enorme.

AI kan hjælpe forskere med at undersøge sammenhænge mellem genetiske variationer og biologiske egenskaber.

Forskere kan kombinere genomisk information med laboratoriemålinger, sygehistorier og miljødata for at udvikle mere detaljerede sygdomsmodeller.

Dette bidrager til den bredere udvikling af præcisionsmedicin.

I stedet for at antage, at alle personer med den samme diagnose har identisk biologi, søger præcisionsmedicin at forstå forskellene mellem patienterne og hvordan disse forskelle kan påvirke forebyggelse, diagnose eller behandling.

AI leverer værktøjer, der kan analysere mange af disse variabler samtidigt.

Medicinsk billedbehandling og computervision

AI-drevet forskning er også ved at transformere medicinsk billeddiagnostik.

Røntgenbilleder, CT-scanninger, MR-scanninger og patologiske præparater indeholder enorme mængder visuel information. Computervisionssystemer kan trænes til at genkende mønstre i disse billeder.

Forskere undersøger, om sådanne systemer kan hjælpe med at identificere afvigelser, kvantificere anatomiske træk eller opdage subtile mønstre forbundet med sygdom.

En algoritme kan fremhæve mistænkelige områder i et billede, så en specialist kan undersøge disse områder nærmere.

Den mest praktiske fremtid kan derfor indebære et samarbejde mellem mennesker og AI.

Algoritmer kan hurtigt behandle enorme mængder billeder, mens uddannede lægefaglige medarbejdere bidrager med den kliniske kontekst, vurderer usædvanlige fund og træffer beslutninger, der kræver en bredere vurdering.

Bærbare enheder og kontinuerlige biologiske data

Biomedicinske datasæt bevæger sig også ud over hospitaler og laboratorier.

Smartwatches, fitness-trackere og specialiserede bærbare sensorer kan generere kontinuerlige strømme af information om fysisk aktivitet og fysiologiske variabler.

Traditionelle kliniske målinger giver ofte kun et øjebliksbillede. En patient kan for eksempel få målt sin puls eller sit blodtryk under et lægebesøg.

Bærbare enheder kan potentielt levere longitudinale data, der dækker uger, måneder eller endda år.

For forskere skaber dette muligheder for at undersøge, hvordan fysiologien ændrer sig over tid.

AI kan analysere disse kontinuerlige datasæt og søge efter tendenser, der kan være vanskelige at identificere manuelt. I forskningssammenhæng kan information fra bærbare enheder på sigt kombineres med biomarkører fra laboratorier, patientjournaler og genomisk information.

Resultatet kan blive et langt mere detaljeret billede af den menneskelige fysiologi.

Automatisering og det smarte laboratorium

AI-drevet biomedicinsk forskning er ikke begrænset til software.

Fysiske laboratorier bliver i stigende grad automatiseret.

Robotsystemer kan udføre gentagne opgaver såsom håndtering af væsker, forberedelse af prøver og screening med høj gennemstrømning. Forbundne laboratorieinstrumenter kan automatisk registrere eksperimentelle målinger og overføre dem til centraliserede databaser.

AI kan derefter analysere disse resultater.

I avancerede forskningsmiljøer kan et automatiseret system udføre eksperimenter, registrere målinger og anvende computermæssig analyse til at afgøre, hvilke eksperimentelle betingelser der skal testes næste gang.

Forskerne har fortsat ansvaret for at udforme forskningsmålene og fortolke resultaterne, men automatiseringen kan øge den eksperimentelle gennemstrømning markant.

Laboratoriet bliver derfor både et fysisk og et digitalt miljø.

Problemet med dårlige data

Den hurtige vækst inden for AI fjerner ikke et af videnskabens ældste principper: Inddata af dårlig kvalitet giver upålidelige konklusioner.

Biomedicinske datasæt kan indeholde manglende målinger, forkerte mærkninger, inkonsekvente indsamlingsmetoder og skævheder i stikprøverne.

En algoritme, der er trænet på fejlbehæftede oplysninger, kan give lige så fejlbehæftede resultater.

Forskere skal derfor nøje undersøge, hvordan datasættene er indsamlet, og om de repræsenterer den undersøgte population tilstrækkeligt.

Ekstern validering er særligt vigtig.

En model, der fungerer godt med data fra ét hospital, ét laboratorium eller én population, kan fungere anderledes andre steder.

AI-systemer bør derfor testes ved hjælp af uafhængige datasæt, før forskerne antager, at deres resultater kan generaliseres.

Privatliv og etik

Biomedicinsk AI rejser også væsentlige etiske spørgsmål.

Patientjournaler, genetiske oplysninger og data fra løbende sundhedsovervågning kan være yderst følsomme.

Forskere og sundhedsinstitutioner skal beskytte disse oplysninger gennem passende sikkerheds-, styrings- og privatlivsprocedurer.

Et andet problem vedrører gennemsigtighed.

Nogle avancerede AI-systemer kan generere forudsigelser uden at give en enkel forklaring på, hvordan de er nået frem til dem. Dette kan skabe vanskeligheder, når algoritmer påvirker medicinsk forskning eller kliniske beslutninger.

Forskere undersøger derfor i stigende grad forklarbar AI – metoder, der er designet til at gøre den computermæssige ræsonnement mere forståelig for forskere og sundhedspersonale.

Forskere er stadig uundværlige

På trods af ekstraordinære fremskridt inden for kunstig intelligens kan biomedicinsk videnskab ikke blot automatiseres fra start til slut.

Algoritmer genkender matematiske mønstre. Forskere afgør, om disse mønstre har biologisk betydning.

Forskere formulerer hypoteser, udformer eksperimenter, identificerer forstyrrende faktorer og vurderer uventede resultater. Klinikere fortolker resultaterne i den bredere sammenhæng med de enkelte patienter.

Menneskelig vurdering er også afgørende for etiske beslutninger.

Den mest realistiske fremtid er derfor ikke, at AI erstatter forskerne. Det er, at forskerne bruger stadig mere kraftfulde computersystemer til at undersøge spørgsmål, der ellers ville være for komplekse eller datakrævende.

Fremtidens laboratorium

Grænsen mellem datalogi og biomedicinsk videnskab bliver stadig sværere at definere.

Fremtidens laboratorier vil muligvis kombinere robotteknologi, genomsekventering, automatiseret mikroskopi, forbundne instrumenter, elektroniske forskningsjournaler og maskinlæringssystemer i ét samlet forskningsmiljø.

Eksperimenter vil generere data automatisk. Algoritmer vil analysere disse oplysninger og identificere potentielle mønstre. Forskere vil bruge disse resultater til at designe de næste eksperimenter.

Denne kontinuerlige interaktion mellem algoritmer og laboratorievidenskab kan i væsentlig grad fremskynde visse områder inden for biomedicinsk forskning.

Alligevel forbliver videnskabens grundlæggende principper uændrede.

Forudsigelser skal testes. Resultater skal gentages. Sammenhænge skal fortolkes omhyggeligt. Medicinske indgreb kræver passende dokumentation.

AI og big data giver forskerne ekstraordinært kraftfulde værktøjer, men deres videnskabelige værdi afhænger i sidste ende af, hvor ansvarligt disse værktøjer anvendes.

Fremkomsten af AI-drevet biomedicinsk forskning handler derfor ikke blot om hurtigere computere. Den repræsenterer en bredere transformation i den måde, hvorpå forskere undersøger biologi – fra isolerede eksperimenter til sammenhængende systemer, hvor laboratoriemålinger, digital information og beregningsmodeller løbende informerer hinanden.

I et sådant miljø kan algoritmer hjælpe med at afgøre, hvor forskerne skal rette deres opmærksomhed hen næste gang, men det vil fortsat være den strenge videnskabelige undersøgelse, der skal afgøre, hvad beviserne rent faktisk betyder.