Sztuczna inteligencja znów daje o sobie znać w dziedzinie medycyny – tym razem w sposób, który może zrewolucjonizować walkę z rakiem.
Google we współpracy z Yale University opracował model AI, który nie tylko analizuje dane, ale także generuje własne hipotezy naukowe. I co najważniejsze – jedna z nich została już zweryfikowana eksperymentalnie. To kamień milowy w historii wykorzystania AI w nauce.
Model Cell2Sentence-Scale 27B (w skrócie C2S-Scale) to najnowsze dziecko rodziny Gemma, otwartych modeli językowych Google. Z 27 mld parametrów jest w stanie rozumieć język komórek. System zidentyfikował obiecującą ścieżkę terapeutyczną, która może pomóc w leczeniu nowotworów odpornych na standardowe metody immunoterapii.
Jak nauczyć maszynę czytać w komórkach
Tradycyjnie analiza pojedynczych komórek to koszmarne zadanie – każda komórka reprezentowana jest przez tysiące liczb opisujących ekspresję genów. To dane wysokowymiarowe, trudne do interpretacji i wymagające specjalistycznych narzędzi. Zespół Google’a i Yale zastosował jednak sprytne rozwiązanie: przekształcił profile ekspresji genów w zdania komórkowe.
Jak to działa? Wyobraźmy sobie, iż komórka mówi poprzez swoje geny. Model C2S-Scale porządkuje nazwy genów według malejącej ekspresji, tworząc sekwencje tekstowe, które wielkie modele językowe potrafią zrozumieć.
System został wytrenowany na ponad miliardzie tokenów danych transkryptomicznych, tekstów biologicznych i metadanych. Badacze wcześniej wykazali, iż modele biologiczne podlegają tym samym prawom skalowania co modele językowe – większe modele działają lepiej. Pytanie brzmiało jednak: czy większy model tylko lepiej radzi sobie z istniejącymi zadaniami, czy może nabywa całkiem nowe zdolności? Okazało się, iż to drugie.
Zimne guzy kontra gorące guzy – tajemniczy świat immunoterapii
Jednym z największych wyzwań w immunoterapii nowotworów jest fakt, iż wiele guzów to tak zwane zimne guzy – niewidzialne dla układu odpornościowego. Stanowią przeciwieństwo gorących guzów, które mają wokół siebie aktywne komórki odpornościowe i dobrze reagują na leczenie. Kluczem do przekształcenia zimnych guzów w gorące jest prezentacja antygenów – proces, w którym komórki nowotworowe wyświetlają fragmenty nieprawidłowych białek na swojej powierzchni, sygnalizując układowi odpornościowemu: hej, tu jest problem, zajmijcie się tym.
Model C2S-Scale dostał zadanie: znajdź lek, który działa jako warunkowy wzmacniacz – taki, który podbija sygnał immunologiczny tylko w specyficznym środowisku pozytywnym immunologicznie, gdzie obecne są niskie poziomy interferonu (kluczowego białka sygnalizacyjnego układu odpornościowego), ale niewystarczające, by samodzielnie wywołać prezentację antygenów.
To wymagało poziomu warunkowego rozumowania, który okazał się emergentną zdolnością większych modeli – mniejsze wersje nie poradziły sobie z tym kontekstowo zależnym efektem. Można powiedzieć, iż AI musiało pomyśleć o kontekście biologicznym, a nie tylko przeszukać bazę danych.
Wirtualny przesiew 4000 leków i zaskakujące odkrycie
Badacze zaprojektowali dwukontekstowy wirtualny przesiew. W pierwszym scenariuszu model analizował rzeczywiste próbki pacjentów z nietkniętymi interakcjami guz-układ odpornościowy i niskim poziomem interferonu. W drugim – izolowane linie komórkowe bez kontekstu immunologicznego. Następnie zasymulowano działanie ponad 4000 leków w obu kontekstach, szukając takich, które wzmocnią prezentację antygenów wyłącznie w pierwszym, istotnym klinicznie scenariuszu.
Wyniki były uderzające. Model zidentyfikował silny podział kontekstowy dla inhibitora kinazy CK2 o nazwie silmitasertib (CX-4945). Przewidział znaczny wzrost prezentacji antygenów, gdy lek zastosowano w środowisku pozytywnym immunologicznie, ale niewielki lub żaden efekt w środowisku neutralnym. Co sprawiało, iż to przewidywanie było tak ekscytujące? To była nowa hipoteza. Chociaż CK2 ma udokumentowane role w wielu funkcjach komórkowych, w tym jako modulator układu odpornościowego, to jego inhibicja przez silmitasertib nie była wcześniej opisana w literaturze jako metoda zwiększania ekspresji MHC-I czy prezentacji antygenów.
Innymi słowy: AI nie powtarzało znanych faktów. Stworzyło nową, testowalna hipotezę.
Z komputera do laboratorium
Przewidywanie to jedno, ale wartość ma dopiero wtedy, gdy można je zweryfikować w rzeczywistych warunkach. Zespół przeprowadził testy w ludzkich modelach komórkowych neuroendokrynnych – typie komórek, który w ogóle nie był widziany przez model podczas treningu. To najważniejszy test zdolności generalizacji AI.
Eksperymenty wykazały precyzyjnie to, co przewidział model. Samo leczenie komórek silmitasertibem nie miało wpływu na prezentację antygenów (MHC-I). Samo leczenie niską dawką interferonu miało umiarkowany efekt. Ale połączenie silmitasertibu z niską dawką interferonu wywołało wyraźną, synergiczną amplifikację prezentacji antygenów – w testach laboratoryjnych zwiększenie wyniosło około 50 proc.
Pięćdziesiąt procent to liczba, która robi wrażenie w kontekście immunoterapii. Taki wzrost sprawia, iż guz staje się bardziej widoczny dla układu odpornościowego, potencjalnie bardziej podatny na ataki komórek T.
Przewidywanie modelu in silico zostało wielokrotnie potwierdzone in vitro. C2S-Scale skutecznie zidentyfikował nowy, warunkowy wzmacniacz interferonowy, ujawniając potencjalną nową ścieżkę do przekształcania zimnych guzów w gorące – a tym samym prawdopodobnie bardziej responsywne na immunoterapię.
Dlaczego to przełom, a nie tylko kolejny eksperyment
Ten wynik dostarcza planu działania dla nowego rodzaju odkryć biologicznych. Pokazuje, iż przestrzegając praw skalowania i budując większe modele jak C2S-Scale 27B możemy tworzyć predykcyjne modele zachowań komórkowych na tyle potężne, by przeprowadzać wysokoprzepustowe wirtualne przesiewy, odkrywać biologię uwarunkowaną kontekstem i generować hipotezy zakorzenione w rzeczywistości biologicznej.
Zespoły z Yale już teraz badają mechanizm odkryty w ten sposób i testują dodatkowe przewidywania wygenerowane przez AI w innych kontekstach immunologicznych. Przy dalszej walidacji przedklinicznej i klinicznej takie hipotezy mogą ostatecznie przyspieszyć ścieżkę do nowych terapii.
Silmitasertib sam w sobie nie jest całkowitą nowością w onkologii – jest już znany w badaniach klinicznych jako dodatek do chemioterapii w leczeniu raka dróg żółciowych. Jest też testowany w przypadku rdzeniaka zarodkowego i ma zastosowania w terapii przeciwwirusowej, w tym przeciwko COVID-19. Jednak jego zastosowanie jako warunkowego wzmacniacza prezentacji antygenów w specyficznym kontekście immunologicznym to zupełnie nowy kierunek odkryty przez AI.
Google nie zamierza niczego ukrywać
Model C2S-Scale 27B i jego zasoby zostały udostępnione społeczności badawczej. Kod, wagi modelu i przykładowe notebooki są dostępne na GitHubie i Hugging Face. Model może nie tylko przewidywać reakcje na perturbacje, ale także generować podsumowania dla niewidzianych zestawów danych scRNA-seq i odpowiadać na pytania o nowe dane w języku naturalnym. Oznacza to, iż biolog może po prostu zapytać komórkę, co robi, jak może zareagować na lek lub chorobę – i otrzymać odpowiedź po angielsku.
To osiągnięcie Google’a i Yale to tylko jeden z rosnącej liczby przykładów tego, jak AI zmienia świat odkrywania leków i badań nad rakiem. Od platform jak AtomNet firmy Atomwise, które identyfikują potencjalne terapie w ciągu godzin zamiast miesięcy, po wirtualne badania kliniczne testujące leki in silico, zanim trafią do pacjentów – możliwości rosną wykładniczo. Wyzwania pozostają. Zapewnienie dokładności modeli symulacyjnych, jakość używanych danych i ustanowienie wytycznych regulacyjnych dla leków testowanych przez wirtualne badania to najważniejsze kwestie.
Model C2S-Scale 27B nie jest tylko narzędziem obliczeniowym – to dowód koncepcji, iż AI może być prawdziwym współpracownikiem naukowym, generującym oryginalne hipotezy, które prowadzą do rzeczywistych odkryć laboratoryjnych. Jak ujął to CEO Google’a Sundar Pichai: Ekscytujący kamień milowy dla AI w nauce.
Dla entuzjastów technologii, takich jak czytelnicy Spider’s Web, to przypomnienie, iż granica między science fiction a science fact staje się coraz cieńsza. A dla pacjentów z rakiem – to nadzieja, iż nowe terapie mogą nadejść szybciej, niż kiedykolwiek sądziliśmy.
