Biomedicínsky výskum založený na umelej inteligencii: Od algoritmov po laboratórium

Úvod

Biomedicínsky výskum sa tradične spája s laboratóriami, mikroskopmi, klinickými pozorovaniami a starostlivo kontrolovanými experimentmi. Dnes sa však rovnako dôležitým prostredím stal digitálny svet. Obrovské súbory údajov, umelá inteligencia (AI), strojové učenie a čoraz sofistikovanejšie výpočtové modely menia spôsob, akým výskumníci skúmajú ľudskú biológiu.

Moderné laboratóriá dokážu generovať obrovské množstvá informácií. Sekvenovanie genómu, medicínske zobrazovanie, molekulárne skríningy, elektronické zdravotné záznamy, nositeľné zariadenia a automatizované laboratórne vybavenie – to všetko prispieva k rozširovaniu ekosystému vedeckých údajov. Výzvou už nie je len samotné zhromažďovanie informácií. Výskumníci musia určiť, ako ich efektívne organizovať, analyzovať a interpretovať.

Práve tu začína hrať dôležitú úlohu umelá inteligencia.

Umelá inteligencia nenahrádza konvenčný biomedicínsky výskum, ale ho môže dopĺňať. Algoritmy dokážu preskúmať milióny pozorovaní, identifikovať štatistické vzory a pomôcť výskumníkom rozhodnúť, ktoré hypotézy si zaslúžia ďalšie experimentálne skúmanie. Výsledkom je čoraz prepojenejšie výskumné prostredie, v ktorom informatika a laboratórna veda spolupracujú.

Prečo sa biomedicínsky výskum stáva dátovo orientovaným

Vedecký výskum sa vždy spoliehal na údaje, ale rozsah moderných biomedicínskych informácií sa zásadne líši od toho, s čím vedci pracovali pred niekoľkými desaťročiami.

Jeden jediný moderný experiment môže priniesť tisíce či milióny meraní. Genomické štúdie dokážu analyzovať variácie v rámci celých populácií. Nemocnice zhromažďujú rozsiahle klinické záznamy, zatiaľ čo zobrazovacie technológie generujú podrobné digitálne zobrazenia ľudského tela.

Výskumníci môžu tiež zbierať nepretržité informácie prostredníctvom nositeľných technológií. Srdcovú frekvenciu, spánok, fyzickú aktivitu, teplotu a ďalšie premenné je možné potenciálne monitorovať počas dlhých období.

Samostatne poskytujú tieto súbory údajov užitočné informácie. Ich kombinácia však vytvára podstatne väčšiu zložitosť.

Tradičné štatistické metódy zostávajú nevyhnutné, ale umelá inteligencia a strojové učenie poskytujú ďalšie spôsoby skúmania vzťahov v rozsiahlych súboroch údajov. Výskumníci môžu využívať výpočtové modely na identifikáciu vzorov, ktoré by inak mohli zostať skryté medzi miliónmi pozorovaní.

Strojové učenie ako vedecký nástroj

Strojové učenie je jednou z najdôležitejších technológií, na ktorých stojí moderný výskum založený na umelej inteligencii.

Namiesto programovania počítača s pevnými inštrukciami pre každý možný scenár môžu výskumníci trénovať modely strojového učenia pomocou existujúcich dátových súborov. Systém sa učí štatistické vzťahy v rámci informácií a následne dokáže klasifikovať alebo odhadovať výsledky pre nové údaje.

V biomedicínskej vede majú tieto metódy mnoho potenciálnych aplikácií.

Algoritmy dokážu analyzovať lekárske snímky, klasifikovať molekulárne štruktúry, skúmať genetické variácie a porovnávať laboratórne merania. Môžu tiež pomôcť výskumníkom identifikovať skupiny pacientov alebo experimentálnych vzoriek, ktoré majú spoločné určité charakteristiky.

Strojové učenie však automaticky neurčuje, prečo určitý biologický vzťah existuje.

Ak algoritmus zistí súvislosť medzi biomarkerom a zdravotným výsledkom, vedci musia aj naďalej skúmať základný biologický mechanizmus. Počítačová analýza môže generovať sľubné hypotézy, ale na ich overenie sú naďalej nevyhnutné laboratórne experimenty a vhodne navrhnuté klinické štúdie.

Od počítačových predikcií k laboratórnym experimentom

Jedným z najzaujímavejších vývojov v biomedicínskom výskume je čoraz užší vzťah medzi počítačovými predikciami a fyzikálnymi experimentmi.

Tradične vedci najprv vypracovali hypotézu a potom navrhli laboratórne experimenty na jej overenie. Umelá inteligencia do tohto procesu zavádza ďalšiu fázu.

Vedci môžu najprv analyzovať veľké existujúce súbory údajov a pomocou výpočtových modelov identifikovať potenciálne vzťahy. Tieto predpovede potom môžu slúžiť ako vodítko pre laboratórne experimenty.

Predstavme si, že výskumníci študujú biologický receptor zapojený do konkrétneho bunkového procesu. Počítačové skríningové testy môžu preskúmať tisíce molekulárnych štruktúr a odhadnúť, ktoré zlúčeniny s najväčšou pravdepodobnosťou interagujú s týmto receptorom.

Namiesto toho, aby výskumníci okamžite fyzicky testovali každého kandidáta, môžu uprednostniť menšiu skupinu na laboratórne skúmanie.

Výsledky experimentov sa následne môžu vrátiť do výpočtového modelu, čím vznikne spätná väzba:

Dáta → Algoritmus → Predikcia → Experiment → Nové dáta

Tento cyklus by sa mohol stať jednou z charakteristických čŕt budúcich biomedicínskych laboratórií.

AI a vývoj liekov

Objavovanie liekov je obzvlášť vhodné pre výskum založený na údajoch, pretože počet teoreticky možných molekúl je obrovský.

Výskumníci nemôžu experimentálne preskúmať každú potenciálnu zlúčeninu. Počítačové techniky preto môžu pomôcť zúžiť vyhľadávanie.

Systémy umelej inteligencie dokážu analyzovať molekulárne štruktúry, chemické vlastnosti a existujúce biologické údaje s cieľom identifikovať kandidátov, ktorí si zaslúžia ďalšie skúmanie. Niektoré modely dokážu odhadnúť vlastnosti, ako sú molekulárne interakcie alebo potenciálna toxicita, ešte skôr, než výskumníci prejdú k nákladnejším experimentálnym fázam.

To však neznamená, že algoritmus môže jednoducho „vymyslieť liek“ a pripraviť ho na klinické použitie.

Počítačom generované predpovede si vyžadujú rozsiahle overenie. Výskumníci musia preskúmať farmakológiu, toxicitu, metabolizmus, dávkovanie, interakcie a mnohé ďalšie premenné. Sľubné zlúčeniny môžu aj napriek tomu zlyhať počas laboratórneho, zvieracieho alebo klinického výskumu.

Hodnota umelej inteligencie spočíva predovšetkým v tom, že pomáha vedcom efektívnejšie sa orientovať v obrovskom priestore vyhľadávania.

Rozširujúce sa digitálne prostredie v oblasti výskumných zlúčenín

Vedecké informácie už nie sú obmedzené na akademické časopisy a univerzitné knižnice. Vďaka vyhľadávačom, online databázam, digitálnym komunitám a komerčným webovým stránkam má verejnosť oveľa ľahší prístup k informáciám o experimentálnych zlúčeninách a zlúčeninách súvisiacich s výkonom.

Tento širší digitálny ekosystém zahŕňa platformy, ako napríklad Dutch Sarms, čo odzrkadľuje rastúce povedomie verejnosti o kategóriách zlúčenín, o ktorých sa diskutuje aj v kontexte farmakologického výskumu a výskumu výkonnosti. Online dostupnosť a vedecké dôkazy sú však zásadne odlišné veci. Skutočnosť, že sa o nejakej zlúčenine široko diskutuje alebo je komerčne dostupná, ešte neznamená, že je klinicky bezpečná, účinná alebo schválená regulačnými orgánmi.

Umelá inteligencia môže v konečnom dôsledku pomôcť výskumníkom a čitateľom orientovať sa v tomto rozširujúcom sa informačnom prostredí tým, že bude organizovať vedeckú literatúru, identifikovať protichodné zistenia a rozlišovať rôzne úrovne dôkazov.

To by mohlo nadobúdať čoraz väčší význam, keďže objem biomedicínskych informácií dostupných online neustále rastie.

Biomarkery a prediktívna analýza

Biomarkery sú merateľné biologické charakteristiky, ktoré môžu poskytovať informácie o fyziologických procesoch.

Medzi príklady patria koncentrácie hormónov, proteíny, enzýmy, genetické markery a početné merania získané analýzou krvi alebo tkanív.

Tradične vedci skúmali naraz relatívne malý počet biomarkerov. Moderné laboratórne technológie dokážu merať stovky či dokonca tisíce.

Strojové učenie môže pomôcť identifikovať kombinácie markerov, ktoré zdanlivo zodpovedajú konkrétnym biologickým stavom.

Namiesto toho, aby sa pýtali, či jedno meranie predpovedá výsledok, môžu výskumníci skúmať, či komplexný vzor zahŕňajúci mnoho meraní poskytuje užitočné informácie.

Tento prístup je obzvlášť relevantný v oblastiach, ako je metabolický výskum, kardiovaskulárna veda, onkológia a endokrinológia.

Umelá inteligencia a hormonálny výskum

Hormonálne systémy demonštrujú, prečo môže byť biologický výskum z hľadiska výpočtov náročný.

Hormóny zriedka fungujú nezávisle. Vzájomne na seba pôsobia prostredníctvom zložitých spätnoväzobných mechanizmov, do ktorých sú zapojené receptory, orgány, enzýmy a signálne dráhy. Vek, genetika, spánok, výživa, lieky a početné faktory životného prostredia môžu tieto systémy ďalej ovplyvňovať.

Veľké súbory údajov umožňujú výskumníkom skúmať tieto vzťahy v rámci väčších populácií.

Jedným z príkladov zlúčeniny, ktorá sa objavuje v endokrinologickej a farmakologickej literatúre, je enklomifén, ktorý bol skúmaný z hľadiska jeho účinkov na os hypotalamus-hypofýza-gonády a výsledkov súvisiacich s testosterónom u mužov so sekundárnym hypogonadizmom. Analýza založená na údajoch môže pomôcť výskumníkom porovnať merania v rámci rôznych štúdií a identifikovať otázky na ďalšie skúmanie, avšak závery o klinickom použití stále závisia od vhodne navrhnutých klinických štúdií a regulačného posúdenia.

Toto rozlíšenie ilustruje dôležitý princíp medicíny riadenej umelou inteligenciou: počítačová analýza môže odhaliť vzory, ale tieto vzory stále vyžadujú biologickú interpretáciu a klinickú validáciu.

Genomika vytvára nový rozsah údajov

Máloktorá oblasť demonštruje rozsah biomedicínskych údajov lepšie ako genomika.

Ľudský genóm obsahuje miliardy párov báz DNA. Keď výskumníci analyzujú genetické informácie od tisícov alebo miliónov ľudí, výsledné súbory údajov nadobúdajú obrovský rozsah.

Umelá inteligencia môže pomôcť vedcom skúmať súvislosti medzi genetickými variáciami a biologickými charakteristikami.

Výskumníci môžu kombinovať genomické informácie s laboratórnymi meraniami, anamnézami a údajmi o prostredí, aby vyvinuli podrobnejšie modely ochorení.

To prispieva k širšiemu rozvoju presnej medicíny.

Namiesto predpokladu, že každý jedinec s rovnakou diagnózou má identickú biológiu, sa presná medicína snaží pochopiť rozdiely medzi pacientmi a to, ako by tieto rozdiely mohli ovplyvniť prevenciu, diagnostiku alebo liečbu.

Umelá inteligencia poskytuje nástroje schopné analyzovať mnohé z týchto premenných súčasne.

Lekárske zobrazovanie a počítačové videnie

Výskum založený na umelej inteligencii mení aj oblasť medicínskeho zobrazovania.

Röntgenové snímky, CT skeny, MRI skeny a patologické preparáty obsahujú obrovské množstvo vizuálnych informácií. Systémy počítačového videnia je možné naučiť rozpoznávať vzory v týchto snímkach.

Výskumníci skúmajú, či takéto systémy môžu pomôcť identifikovať abnormality, kvantifikovať anatomické rysy alebo detekovať jemné vzory spojené s ochorením.

Algoritmus by mohol zvýrazniť podozrivé oblasti na snímke, čo by špecialistovi umožnilo tieto oblasti podrobnejšie preskúmať.

Najpraktickejšia budúcnosť preto môže spočívať v spolupráci medzi ľuďmi a umelou inteligenciou.

Algoritmy dokážu rýchlo spracovať obrovské množstvo snímok, zatiaľ čo vyškolení zdravotnícki odborníci poskytujú klinický kontext, vyhodnocujú nezvyčajné nálezy a prijímajú rozhodnutia, ktoré si vyžadujú širší úsudok.

Nositeľné zariadenia a nepretržité biologické údaje

Biomedicínske dátové súbory sa tiež dostávajú mimo nemocníc a laboratórií.

Inteligentné hodinky, fitness trackery a špecializované nositeľné senzory dokážu generovať nepretržité toky informácií o fyzickej aktivite a fyziologických premenných.

Tradičné klinické merania často poskytujú len momentálny obraz. Pacientovi sa napríklad môže počas vyšetrenia zmerať srdcová frekvencia alebo krvný tlak.

Nositeľné zariadenia môžu potenciálne poskytovať longitudinálne informácie pokrývajúce týždne, mesiace alebo dokonca roky.

Pre výskumníkov to vytvára príležitosti na skúmanie toho, ako sa fyziológia mení v priebehu času.

Umelá inteligencia dokáže analyzovať tieto nepretržité súbory údajov a hľadať trendy, ktoré by bolo ťažké identifikovať ručne. Vo výskumnom prostredí sa informácie z nositeľných zariadení môžu nakoniec kombinovať s laboratórnymi biomarkermi, zdravotnými záznamami a genomickými informáciami.

Výsledkom by mohol byť oveľa podrobnejší obraz ľudskej fyziológie.

Automatizácia a inteligentné laboratórium

Biomedicínsky výskum poháňaný umelou inteligenciou sa neobmedzuje len na softvér.

Fyzické laboratóriá sú čoraz viac automatizované.

Robotické systémy dokážu vykonávať opakované úlohy, ako je manipulácia s kvapalinami, príprava vzoriek a vysokokapacitné skríningové testy. Prepojené laboratórne prístroje môžu automaticky zaznamenávať experimentálne merania a prenášať ich do centralizovaných databáz.

Umelá inteligencia potom môže tieto výsledky analyzovať.

V pokročilých výskumných prostrediach môže automatizovaný systém vykonávať experimenty, zaznamenávať merania a pomocou výpočtovej analýzy určovať, ktoré experimentálne podmienky by sa mali testovať ďalej.

Vedci naďalej zodpovedajú za stanovenie výskumných cieľov a interpretáciu zistení, automatizácia však môže výrazne zvýšiť experimentálnu priepustnosť.

Laboratórium sa tak stáva fyzickým aj digitálnym prostredím.

Problém nekvalitných údajov

Rýchly rozvoj umelej inteligencie neodstraňuje jeden z najstarších vedeckých princípov: nekvalitné vstupné údaje vedú k nespoľahlivým záverom.

Biomedicínske súbory údajov môžu obsahovať chýbajúce merania, nesprávne označenia, nekonzistentné metódy zberu a skreslenia pri odbere vzoriek.

Algoritmus vytrénovaný na chybných informáciách môže produkovať rovnako chybné výsledky.

Výskumníci musia preto starostlivo preskúmať, ako boli súbory údajov zhromaždené a či primerane reprezentujú skúmanú populáciu.

Obzvlášť dôležitá je externá validácia.

Model, ktorý funguje dobre s údajmi z jednej nemocnice, laboratória alebo populácie, môže fungovať odlišne inde.

Systémy umelej inteligencie by sa preto mali testovať pomocou nezávislých dátových súborov, skôr než výskumníci predpokladajú, že ich zistenia možno zovšeobecniť.

Súkromie a etika

Biomedicínska umelá inteligencia so sebou prináša aj významné etické otázky.

Zdravotné záznamy, genetické informácie a údaje z nepretržitého monitorovania zdravotného stavu môžu byť mimoriadne citlivé.

Výskumníci a zdravotnícke inštitúcie musia tieto informácie chrániť prostredníctvom primeraných bezpečnostných, riadiacich a ochranných postupov.

Ďalšou obavou je transparentnosť.

Niektoré sofistikované systémy umelej inteligencie dokážu generovať predpovede bez toho, aby poskytli jednoduché vysvetlenie, ako k nim dospeli. To môže spôsobiť ťažkosti, keď algoritmy ovplyvňujú lekársky výskum alebo klinické rozhodnutia.

Vedci sa preto čoraz viac zaoberajú vysvetliteľnou umelou inteligenciou – metódami navrhnutými tak, aby bolo počítačové uvažovanie zrozumiteľnejšie pre výskumníkov a zdravotníckych odborníkov.

Vedci zostávajú nevyhnutní

Napriek mimoriadnemu pokroku v oblasti umelej inteligencie nie je možné biomedicínsku vedu jednoducho automatizovať od začiatku do konca.

Algoritmy rozpoznávajú matematické vzory. Vedci určujú, či majú tieto vzory biologický význam.

Výskumníci formulujú hypotézy, navrhujú experimenty, identifikujú rušivé faktory a vyhodnocujú neočakávané výsledky. Klinickí lekári interpretujú zistenia v širšom kontexte jednotlivých pacientov.

Ľudský úsudok je tiež nevyhnutný pri etických rozhodnutiach.

Najrealistickejšou budúcnosťou preto nie je nahradenie vedcov umelou inteligenciou. Je to skôr to, že vedci budú využívať čoraz výkonnejšie výpočtové systémy na skúmanie otázok, ktoré by inak boli príliš zložité alebo náročné na spracovanie údajov.

Laboratórium budúcnosti

Hranica medzi informatikou a biomedicínskymi vedami je čoraz ťažšie definovateľná.

Budúce laboratóriá môžu v rámci jedného výskumného prostredia kombinovať robotiku, sekvenovanie genómu, automatizovanú mikroskopiu, prepojené prístroje, elektronické výskumné záznamy a systémy strojového učenia.

Experimenty budú automaticky generovať údaje. Algoritmy budú tieto informácie analyzovať a identifikovať potenciálne vzory. Výskumníci budú tieto zistenia využívať na navrhovanie ďalších experimentov.

Táto nepretržitá interakcia medzi algoritmami a laboratórnou vedou by mohla výrazne urýchliť pokrok v určitých oblastiach biomedicínskeho výskumu.

Základné princípy vedy však zostávajú nezmenené.

Predpovede si vyžadujú overenie. Výsledky si vyžadujú replikáciu. Korelácie si vyžadujú starostlivú interpretáciu. Lekárske zákroky si vyžadujú primerané dôkazy.

Umelá inteligencia a veľké dáta poskytujú výskumníkom mimoriadne výkonné nástroje, ale ich vedecká hodnota v konečnom dôsledku závisí od toho, ako zodpovedne sa tieto nástroje používajú.

Rozmach biomedicínskeho výskumu poháňaného umelou inteligenciou preto nie je len príbehom o rýchlejších počítačoch. Predstavuje širšiu transformáciu v tom, ako vedci skúmajú biológiu – od izolovaných experimentov smerom k prepojeným systémom, kde sa laboratórne merania, digitálne informácie a výpočtové modely neustále vzájomne ovplyvňujú.

V takomto prostredí môžu algoritmy pomôcť určiť, kam by sa výskumníci mali zamerať ďalej, ale prísne vedecké skúmanie bude naďalej zodpovedné za určenie toho, čo dôkazy skutočne znamenajú.