Badania biomedyczne oparte na sztucznej inteligencji: od algorytmów do laboratorium

Wprowadzenie

Badania biomedyczne tradycyjnie kojarzą się z laboratoriami, mikroskopami, obserwacjami klinicznymi i starannie kontrolowanymi eksperymentami. Obecnie równie ważne stało się inne środowisko: świat cyfrowy. Ogromne zbiory danych, sztuczna inteligencja (AI), uczenie maszynowe oraz coraz bardziej zaawansowane modele obliczeniowe zmieniają sposób, w jaki naukowcy badają biologię człowieka.

Nowoczesne laboratoria mogą generować ogromne ilości informacji. Sekwencjonowanie genomu, obrazowanie medyczne, badania przesiewowe na poziomie molekularnym, elektroniczna dokumentacja medyczna, urządzenia do noszenia na ciele oraz zautomatyzowany sprzęt laboratoryjny – wszystko to przyczynia się do rozbudowy ekosystemu danych naukowych. Wyzwaniem nie jest już tylko gromadzenie informacji. Naukowcy muszą ustalić, jak skutecznie je uporządkować, analizować i interpretować.

Właśnie w tym zakresie sztuczna inteligencja zaczyna odgrywać ważną rolę.

Sztuczna inteligencja nie zastępuje tradycyjnych badań biomedycznych, lecz może je uzupełniać. Algorytmy mogą analizować miliony obserwacji, identyfikować wzorce statystyczne i pomagać naukowcom w podejmowaniu decyzji, które hipotezy zasługują na dalsze badania eksperymentalne. Efektem tego jest coraz bardziej zintegrowane środowisko badawcze, w którym informatyka i nauki laboratoryjne współdziałają ze sobą.

Dlaczego badania biomedyczne stają się oparte na danych

Badania naukowe zawsze opierały się na danych, ale skala współczesnych informacji biomedycznych zasadniczo różni się od tego, z czym naukowcy mieli do czynienia kilkadziesiąt lat temu.

Pojedynczy współczesny eksperyment może dostarczyć tysiące lub miliony pomiarów. Badania genomiczne pozwalają analizować różnice w obrębie całych populacji. Szpitale gromadzą obszerne dokumentacje kliniczne, a technologie obrazowania generują szczegółowe cyfrowe odwzorowania ludzkiego ciała.

Naukowcy mogą również gromadzić informacje w trybie ciągłym za pomocą technologii noszonych. Tętno, sen, aktywność fizyczna, temperatura i inne zmienne mogą być potencjalnie monitorowane przez długi czas.

Pojedyncze zbiory danych dostarczają przydatnych informacji. Ich połączenie powoduje jednak znaczny wzrost złożoności.

Tradycyjne metody statystyczne pozostają niezbędne, ale sztuczna inteligencja i uczenie maszynowe zapewniają dodatkowe sposoby badania zależności w dużych zbiorach danych. Naukowcy mogą wykorzystywać modele obliczeniowe do identyfikowania wzorców, które w przeciwnym razie mogłyby pozostać ukryte wśród milionów obserwacji.

Uczenie maszynowe jako narzędzie naukowe

Uczenie maszynowe jest jedną z najważniejszych technologii leżących u podstaw współczesnych badań opartych na sztucznej inteligencji.

Zamiast programować komputer za pomocą stałych instrukcji dla każdego możliwego scenariusza, naukowcy mogą trenować modele uczenia maszynowego przy użyciu istniejących zbiorów danych. System uczy się statystycznych zależności w ramach tych informacji, a następnie może klasyfikować lub szacować wyniki dla nowych danych.

W naukach biomedycznych metody te mają wiele potencjalnych zastosowań.

Algorytmy mogą analizować obrazy medyczne, klasyfikować struktury molekularne, badać wariacje genetyczne i porównywać pomiary laboratoryjne. Mogą również pomóc naukowcom w identyfikacji grup pacjentów lub próbek eksperymentalnych, które mają wspólne cechy.

Jednak uczenie maszynowe nie pozwala automatycznie ustalić, dlaczego istnieje dana zależność biologiczna.

Jeśli algorytm odkryje związek między biomarkerem a wynikiem zdrowotnym, naukowcy nadal muszą zbadać leżący u jego podstaw mechanizm biologiczny. Analiza obliczeniowa może generować obiecujące hipotezy, ale do ich weryfikacji niezbędne pozostają eksperymenty laboratoryjne i odpowiednio zaprojektowane badania kliniczne.

Od prognoz komputerowych do eksperymentów laboratoryjnych

Jednym z najciekawszych osiągnięć w badaniach biomedycznych jest coraz ściślejszy związek między prognozami obliczeniowymi a eksperymentami fizycznymi.

Tradycyjnie naukowcy formułowali hipotezę, a następnie projektowali eksperymenty laboratoryjne w celu jej zbadania. Sztuczna inteligencja wprowadza do tego procesu kolejny etap.

Naukowcy mogą najpierw przeanalizować duże istniejące zbiory danych i wykorzystać modele obliczeniowe do zidentyfikowania potencjalnych zależności. Prognozy te mogą następnie stanowić wskazówki dla eksperymentów laboratoryjnych.

Wyobraźmy sobie naukowców badających receptor biologiczny biorący udział w konkretnym procesie komórkowym. Przesiewanie obliczeniowe może obejmować analizę tysięcy struktur molekularnych i oszacowanie, które związki mają największe szanse na interakcję z receptorem.

Zamiast od razu fizycznie badać każdego kandydata, naukowcy mogą wybrać mniejszą grupę do badań laboratoryjnych.

Wyniki eksperymentów można następnie wprowadzić z powrotem do modelu obliczeniowego, tworząc pętlę sprzężenia zwrotnego:

Dane → Algorytm → Prognoza → Eksperyment → Nowe dane

Cykl ten może stać się jedną z charakterystycznych cech przyszłych laboratoriów biomedycznych.

Sztuczna inteligencja a odkrywanie leków

Odkrywanie leków szczególnie dobrze nadaje się do badań opartych na danych, ponieważ liczba teoretycznie możliwych cząsteczek jest ogromna.

Naukowcy nie są w stanie zbadać eksperymentalnie każdego potencjalnego związku. Techniki obliczeniowe mogą zatem pomóc w zawężeniu zakresu poszukiwań.

Systemy sztucznej inteligencji mogą analizować struktury molekularne, właściwości chemiczne oraz istniejące dane biologiczne w celu zidentyfikowania kandydatów, którzy zasługują na dalsze badania. Niektóre modele potrafią oszacować takie właściwości, jak interakcje molekularne czy potencjalna toksyczność, zanim naukowcy przejdą do bardziej kosztownych etapów eksperymentalnych.

Nie oznacza to jednak, że algorytm może po prostu „wymyślić lek” i przygotować go do zastosowania klinicznego.

Prognozy generowane komputerowo wymagają szeroko zakrojonej walidacji. Naukowcy muszą zbadać farmakologię, toksyczność, metabolizm, dawkowanie, interakcje i wiele innych zmiennych. Obiecujące związki mogą nadal zawieść podczas badań laboratoryjnych, na zwierzętach lub badań klinicznych.

Wartość sztucznej inteligencji polega przede wszystkim na tym, że pomaga naukowcom efektywniej poruszać się po ogromnej przestrzeni poszukiwań.

Rozwijający się cyfrowy krajobraz wokół związków badawczych

Informacje naukowe nie ograniczają się już wyłącznie do czasopism akademickich i bibliotek uniwersyteckich. Wyszukiwarki, internetowe bazy danych, społeczności cyfrowe i komercyjne strony internetowe sprawiły, że informacje o związkach eksperymentalnych i związanych z wydajnością są znacznie łatwiej dostępne dla ogółu społeczeństwa.

Ten szerszy ekosystem cyfrowy obejmuje platformy takie jak Dutch Sarms, odzwierciedlające rosnącą świadomość społeczną na temat kategorii związków, które są również omawiane w kontekście badań farmakologicznych i dotyczących wydajności. Jednak dostępność w Internecie i dowody naukowe to zasadniczo różne rzeczy. Fakt, że dany związek jest szeroko omawiany lub dostępny na rynku, nie oznacza jeszcze jego bezpieczeństwa klinicznego, skuteczności ani zatwierdzenia przez organy regulacyjne.

Sztuczna inteligencja może w przyszłości pomóc badaczom i czytelnikom w poruszaniu się po tym rozrastającym się środowisku informacyjnym poprzez porządkowanie literatury naukowej, identyfikowanie sprzecznych wyników badań oraz rozróżnianie różnych poziomów dowodów.

Może to nabierać coraz większego znaczenia w miarę jak ilość informacji biomedycznych dostępnych w Internecie będzie nadal rosnąć.

Biomarkery i analityka predykcyjna

Biomarkery to mierzalne cechy biologiczne, które mogą dostarczać informacji o procesach fizjologicznych.

Przykłady obejmują stężenia hormonów, białka, enzymy, markery genetyczne oraz liczne pomiary uzyskane w wyniku analizy krwi lub tkanek.

Tradycyjnie naukowcy badali stosunkowo niewielką liczbę biomarkerów naraz. Nowoczesne technologie laboratoryjne pozwalają mierzyć setki, a nawet tysiące.

Uczenie maszynowe może pomóc w identyfikacji kombinacji markerów, które wydają się odpowiadać określonym stanom biologicznym.

Zamiast zastanawiać się, czy jeden pomiar pozwala przewidzieć wynik, naukowcy mogą badać, czy złożony wzór obejmujący wiele pomiarów dostarcza użytecznych informacji.

Podejście to ma szczególne znaczenie w takich dziedzinach, jak badania metaboliczne, kardiologia, onkologia i endokrynologia.

Sztuczna inteligencja a badania hormonalne

Układy hormonalne pokazują, dlaczego badania biologiczne mogą stanowić wyzwanie obliczeniowe.

Hormony rzadko działają niezależnie. Wchodzą one w interakcje poprzez złożone mechanizmy sprzężenia zwrotnego, w których biorą udział receptory, narządy, enzymy i szlaki sygnałowe. Na systemy te mogą dodatkowo wpływać wiek, genetyka, sen, odżywianie, leki oraz liczne czynniki środowiskowe.

Duże zbiory danych pozwalają badaczom analizować te zależności w szerszych populacjach.

Jednym z przykładów związku pojawiającego się w literaturze endokrynologicznej i farmakologicznej jest enklomifen, który był badany pod kątem wpływu na oś podwzgórze–przysadka–gonady oraz parametrów związanych z testosteronem u mężczyzn z wtórnym hipogonadyzmem. Analiza oparta na danych może pomóc naukowcom w porównywaniu wyników pomiarów z różnych badań i identyfikowaniu zagadnień wymagających dalszych badań, jednak wnioski dotyczące zastosowania klinicznego nadal zależą od odpowiednio zaprojektowanych badań klinicznych i oceny regulacyjnej.

To rozróżnienie ilustruje ważną zasadę medycyny opartej na sztucznej inteligencji: analiza obliczeniowa może ujawniać wzorce, ale wzorce te nadal wymagają interpretacji biologicznej i walidacji klinicznej.

Genomika tworzy nową skalę danych

Niewiele dziedzin lepiej ilustruje skalę danych biomedycznych niż genomika.

Ludzki genom zawiera miliardy par zasad DNA. Gdy naukowcy analizują informacje genetyczne pochodzące od tysięcy lub milionów osób, powstające zbiory danych stają się ogromne.

Sztuczna inteligencja może pomóc naukowcom w badaniu powiązań między wariacjami genetycznymi a cechami biologicznymi.

Naukowcy mogą łączyć informacje genomiczne z pomiarami laboratoryjnymi, historią chorób oraz danymi środowiskowymi w celu opracowania bardziej szczegółowych modeli chorób.

Przyczynia się to do szerszego rozwoju medycyny precyzyjnej.

Zamiast zakładać, że każda osoba z tą samą diagnozą ma identyczne cechy biologiczne, medycyna precyzyjna dąży do zrozumienia różnic między pacjentami oraz tego, jak te różnice mogą wpływać na profilaktykę, diagnostykę lub leczenie.

Sztuczna inteligencja zapewnia narzędzia umożliwiające jednoczesną analizę wielu z tych zmiennych.

Obrazowanie medyczne i wizja komputerowa

Badania oparte na sztucznej inteligencji zmieniają również oblicze obrazowania medycznego.

Zdjęcia rentgenowskie, tomografia komputerowa, rezonans magnetyczny i preparaty histopatologiczne zawierają ogromne ilości informacji wizualnych. Systemy wizji komputerowej można wyszkolić tak, aby rozpoznawały wzorce występujące na tych obrazach.

Naukowcy badają, czy takie systemy mogą pomóc w identyfikacji nieprawidłowości, ilościowym określeniu cech anatomicznych lub wykrywaniu subtelnych wzorców związanych z chorobą.

Algorytm może zaznaczyć podejrzane obszary na obrazie, umożliwiając specjaliście dokładniejsze zbadanie tych obszarów.

Najbardziej praktyczna przyszłość może zatem polegać na współpracy między ludźmi a sztuczną inteligencją.

Algorytmy mogą szybko przetwarzać ogromne ilości obrazów, podczas gdy wykwalifikowani pracownicy służby zdrowia zapewniają kontekst kliniczny, oceniają nietypowe wyniki i podejmują decyzje wymagające szerszej oceny sytuacji.

Urządzenia do noszenia na ciele i ciągłe dane biologiczne

Zbiory danych biomedycznych wykraczają również poza szpitale i laboratoria.

Inteligentne zegarki, urządzenia monitorujące aktywność fizyczną oraz specjalistyczne czujniki noszone na ciele mogą generować ciągłe strumienie informacji dotyczących aktywności fizycznej i parametrów fizjologicznych.

Tradycyjne pomiary kliniczne często dostarczają jedynie chwilowego obrazu sytuacji. Na przykład tętno lub ciśnienie krwi pacjenta mogą być mierzone podczas wizyty.

Urządzenia noszone na ciele mogą potencjalnie dostarczać dane longitudinalne obejmujące tygodnie, miesiące, a nawet lata.

Dla naukowców stwarza to możliwości badania zmian fizjologicznych w czasie.

Sztuczna inteligencja może analizować te ciągłe zbiory danych i wyszukiwać trendy, które mogą być trudne do zidentyfikowania ręcznie. W warunkach badawczych informacje z urządzeń noszonych na ciele mogą ostatecznie zostać połączone z biomarkerami laboratoryjnymi, dokumentacją medyczną i informacjami genomowymi.

Wynikiem tego może być znacznie bardziej szczegółowy obraz fizjologii człowieka.

Automatyzacja i inteligentne laboratorium

Badania biomedyczne oparte na sztucznej inteligencji nie ograniczają się do oprogramowania.

Laboratoria stają się coraz bardziej zautomatyzowane.

Systemy robotyczne mogą wykonywać powtarzalne zadania, takie jak manipulowanie cieczami, przygotowywanie próbek i badania przesiewowe o wysokiej przepustowości. Połączone urządzenia laboratoryjne mogą automatycznie rejestrować pomiary eksperymentalne i przesyłać je do scentralizowanych baz danych.

Następnie sztuczna inteligencja może analizować te wyniki.

W zaawansowanych środowiskach badawczych zautomatyzowany system może przeprowadzać eksperymenty, rejestrować pomiary i wykorzystywać analizę obliczeniową do określenia, które warunki eksperymentalne należy przetestować w następnej kolejności.

Naukowcy pozostają odpowiedzialni za wyznaczanie celów badawczych i interpretację wyników, ale automatyzacja może radykalnie zwiększyć wydajność eksperymentalną.

Laboratorium staje się zatem środowiskiem zarówno fizycznym, jak i cyfrowym.

Problem złych danych

Szybki rozwój sztucznej inteligencji nie eliminuje jednej z najstarszych zasad nauki: dane wejściowe niskiej jakości prowadzą do niewiarygodnych wniosków.

Zbiory danych biomedycznych mogą zawierać brakujące pomiary, nieprawidłowe oznaczenia, niespójne metody gromadzenia danych oraz błędy systematyczne w próbkowaniu.

Algorytm wyszkolony na błędnych informacjach może generować równie błędne wyniki.

Naukowcy muszą zatem dokładnie zbadać, w jaki sposób zebrano zbiory danych i czy odpowiednio reprezentują one badaną populację.

Szczególnie ważna jest walidacja zewnętrzna.

Model, który działa dobrze w oparciu o dane z jednego szpitala, laboratorium lub populacji, może działać inaczej w innym miejscu.

Systemy sztucznej inteligencji powinny zatem być testowane przy użyciu niezależnych zbiorów danych, zanim naukowcy uznają, że ich wyniki można uogólnić.

Prywatność i etyka

Sztuczna inteligencja w medycynie rodzi również istotne kwestie etyczne.

Dokumentacja medyczna, informacje genetyczne oraz dane z ciągłego monitorowania stanu zdrowia mogą być niezwykle wrażliwe.

Naukowcy i instytucje opieki zdrowotnej muszą chronić te informacje za pomocą odpowiednich procedur bezpieczeństwa, zarządzania i ochrony prywatności.

Kolejna kwestia dotyczy przejrzystości.

Niektóre zaawansowane systemy sztucznej inteligencji mogą generować prognozy bez podawania prostego wyjaśnienia, w jaki sposób do nich doszły. Może to stwarzać trudności, gdy algorytmy wpływają na badania medyczne lub decyzje kliniczne.

Dlatego naukowcy coraz częściej zajmują się badaniem wyjaśnialnej sztucznej inteligencji – metod zaprojektowanych tak, by rozumowanie obliczeniowe było bardziej zrozumiałe dla badaczy i pracowników służby zdrowia.

Naukowcy nadal odgrywają kluczową rolę

Pomimo niezwykłych postępów w dziedzinie sztucznej inteligencji nauki biomedyczne nie mogą być po prostu zautomatyzowane od początku do końca.

Algorytmy rozpoznają wzorce matematyczne. Naukowcy ustalają, czy wzorce te mają znaczenie biologiczne.

Badacze formułują hipotezy, projektują eksperymenty, identyfikują czynniki zakłócające i oceniają nieoczekiwane wyniki. Lekarze interpretują wyniki badań w szerszym kontekście poszczególnych pacjentów.

Ludzka ocena jest również niezbędna przy podejmowaniu decyzji etycznych.

Najbardziej realistyczną wizją przyszłości nie jest zatem zastąpienie naukowców przez sztuczną inteligencję. Jest nią sytuacja, w której naukowcy wykorzystują coraz potężniejsze systemy obliczeniowe do badania zagadnień, które w przeciwnym razie byłyby zbyt złożone lub wymagałyby analizy zbyt dużej ilości danych.

Laboratorium przyszłości

Granica między informatyką a naukami biomedycznymi staje się coraz trudniejsza do zdefiniowania.

Przyszłe laboratoria mogą łączyć robotykę, sekwencjonowanie genomowe, zautomatyzowaną mikroskopię, połączone urządzenia, elektroniczną dokumentację badawczą oraz systemy uczenia maszynowego w ramach jednego środowiska badawczego.

Eksperymenty będą automatycznie generować dane. Algorytmy będą analizować te informacje i identyfikować potencjalne wzorce. Naukowcy będą wykorzystywać te wyniki do projektowania kolejnych eksperymentów.

Ta ciągła interakcja między algorytmami a nauką laboratoryjną może znacznie przyspieszyć postępy w niektórych obszarach odkryć biomedycznych.

Jednak podstawowe zasady nauki pozostają niezmienne.

Prognozy wymagają weryfikacji. Wyniki wymagają powtórzenia. Korelacje wymagają starannej interpretacji. Interwencje medyczne wymagają odpowiednich dowodów.

Sztuczna inteligencja i duże zbiory danych zapewniają naukowcom niezwykle potężne narzędzia, ale ich wartość naukowa ostatecznie zależy od tego, jak odpowiedzialnie są one wykorzystywane.

Rozwój badań biomedycznych opartych na sztucznej inteligencji nie jest zatem jedynie kwestią szybszych komputerów. Stanowi on szerszą transformację w sposobie, w jaki naukowcy badają biologię – od izolowanych eksperymentów w kierunku wzajemnie powiązanych systemów, w których pomiary laboratoryjne, informacje cyfrowe i modele obliczeniowe nieustannie się wzajemnie uzupełniają.

W takim środowisku algorytmy mogą pomóc w określeniu, na czym naukowcy powinni skupić się w następnej kolejności, ale to rygorystyczne badania naukowe będą nadal odpowiedzialne za ustalenie, co faktycznie oznaczają uzyskane dowody.