Cyfrowi chemicy z intuicją. Agenci AI rzucają wyzwanie farmacji

Współczesna chemia medyczna rzuca wyzwanie erze żmudnych, wieloletnich poszukiwań nowych terapii metodą prób i błędów. Na łamach magazynu „Nature” zadebiutowały właśnie trzy autonomiczne systemy agentyczne: Co-Scientist, Robin oraz ERA. To nie są proste algorytmy analizujące dane, ale struktury zdolne do formułowania hipotez i projektowania ścieżek syntezy, które przesuwają rolę badacza z pozycji wykonawcy ku roli dyrygenta cyfrowych procesów.

Dlaczego to ważne teraz? Branża farmaceutyczna ruszyła do morderczego wyścigu o skrócenie czasu odkrywania leków z lat do miesięcy. Publikacje w „Nature” potwierdzają, że agenci AI wyszli z fazy ciekawostek i zaczęli realnie sprzątać biurka naukowców z powtarzalnej pracy, domykając pełną pętlę badawczą — od lektury tekstów źródłowych po interpretację wyników testów komórkowych.

Sojusznik o nazwie Co-Scientist

System Co-Scientist od Google DeepMind, oparty na modelu Gemini, nie przypomina tradycyjnego oprogramowania. To sieć agentów, którzy w ramach „turnieju ewolucyjnego” wzajemnie podważają i ulepszają swoje wnioski. Skuteczność tej metody widać w liczbach: podczas testów nad ostrą białaczką szpikową system wytypował zestaw leków, z których większość faktycznie zadziałała w testach komórkowych. W zaledwie kilka dni AI odtworzyło skomplikowane procesy oporności bakteryjnej, które ludziom zajmowały długie miesiące.

Robin i pętla badawcza

Organizacja non-profit FutureHouse zbudowała system Robin, który jako pierwszy w historii w pełni domyka pętlę badawczą. Podczas poszukiwania terapii na zwyrodnienie plamki żółtej (AMD), maszyna wskazała na ripasudil – lek stosowany dotąd w leczeniu jaskry. Robin nie tylko zaproponował zmianę przeznaczenia preparatu, ale precyzyjnie wyjaśnił mechanizm aktywacji pompy lipidowej. Jak podaje AI Obserwator, wszystkie wykresy i analizy do końcowej publikacji przygotował autonomiczny agent.

Fizyka zamiast czystej statystyki

Eksperci z MIT podkreślają jednak, że modele językowe bywają podatne na halucynacje i brak zrozumienia materii. Rozwiązaniem są projekty takie jak ShEPhERD czy FlowER, które integrują uczenie maszynowe z prawami fizyki. Zamiast szukać skojarzeń w słowach, analizują trójwymiarowe kształty cząsteczek. To krytyczne, gdy weźmiemy pod uwagę, że przestrzeń potencjalnych leków obejmuje 10 do potęgi 60 substancji. O tym, jak blisko realnej pracy naukowej są te narzędzia, świadczy system Synthegy, który osiągnął już 71,2% zgodności z decyzjami ludzkich ekspertów, wyprzedzając w trafności planowania syntezy doktorantów i niemal dorównując profesorom chemmii.

Wyzwania i rola człowieka

Mimo sukcesów naukowcy studzą emocje. Barierą pozostają koszty potencjalnych pomyłek w badaniach klinicznych. Nawet zaawansowany asystent ERA (Empirical Research Assistance), który w bioinformatyce i epidemiologii generuje kod lepszy od ludzi, wymaga nadzoru. Jak zauważono w podsumowaniach prac z „Nature”: „Cyfrowi chemicy stają się mocnym wsparciem laboratoriów, ale nie samodzielnymi odkrywcami”. Transformacja nie polega na zwolnieniach, ale na wyposażeniu specjalistów w narzędzia, które wykonają tytaniczną pracę analityczną, zostawiając człowiekowi przestrzeń na kreatywną weryfikację odkryć.