Introducció: El següent salt per a la IA en medicina Quan pensem en la IA en la medicina, sovint ens imaginem que realitza tasques de reconeixement de patrons sobrehumans; analitzant escanes mèdiques per a signes subtils de malaltia o processant vasts conjunts de dades per predir els resultats dels pacients. Els descobriments científics? Nou Un èxit innovador d'una col·laboració entre Google i els investigadors de la Universitat de Yale suggereix que la resposta és un sí ressò.Els investigadors van desenvolupar C2S-Scale, un model de fundació de 27 mil milions de paràmetres construït sobre la família Gemma de models oberts de Google.Aquesta IA es va encarregar no només d'analitzar dades cel·lulars, sinó de raonar sobre això per generar una nova hipòtesi testable per a la teràpia del càncer. El model va tenir èxit, descobrint una ruta biològica anteriorment desconeguda que podria ajudar els nostres propis sistemes immunològics a lluitar contra certs tumors.Aquest èxit és més que un únic descobriment; proporciona un nou plafó per a com la IA pot funcionar com a soci creatiu en la investigació científica, creant una metodologia repetible per a la generació d'hipòtesi impulsada per la IA. Primer, una IA va aprendre a llegir el llenguatge de la vida La base d'aquest descobriment és un marc intel·ligent anomenat "Cell2Sentence" (C2S). En termes senzills, aquest enfocament tradueix les dades d'expressió de gens complexes d'una sola cèl·lula en un format que un Model de Llengua Major (LLM) pot entendre: una frase. Aquest mètode és potent perquè permet als científics aplicar els LLM d'avantguarda, construïts originalment per processar el llenguatge humà, directament a dades biològiques complexes. En lloc de dissenyar arquitectures d'IA completament noves i personalitzades per a la biologia, C2S reformata el problema biològic per encaixar en una poderosa eina existent. Troben una teràpia que funciona més intel·ligent, no més difícil Un gran repte en el tractament del càncer és l'existència de tumors "frescos" - càncers que són efectivament invisibles al sistema immunològic del cos. Un objectiu clau de la immunoteràpia és fer que aquests tumors "calents" obligant-los a mostrar senyals de desencadenament immunològic a través d'un procés anomenat presentació d'antigens. Els investigadors van donar a la C2S-Scale AI una tasca altament sofisticada utilitzant una metodologia enginyosa anomenada "una pantalla virtual de doble context." No només volien un fàrmac que augmentés la presentació d'antigens tot el temps; van demanar al model que trobés un "amplificador condicional." Per fer-ho, la IA va analitzar dos escenaris: un establiment "immunocontext-positiu" utilitzant mostres reals de pacients amb senyals immunes febles però presents (de baixos nivells d'interferó), i un "immunocontext-neutral" utilitzant cèl·lules aïllades sense activitat immune. En el primer context. Només Això requeria un nivell de raonament condicional que va resultar ser una capacitat emergent del model de paràmetres de 27 mil milions, ja que els models més petits es van demostrar incapaços de resoldre aquest efecte depenent del context. Després de simular els efectes de més de 4.200 fàrmacs, la IA va identificar un inhibidor de la kinasa anomenat silmitasertib (CX-4945). L'AI va generar una hipòtesi veritablement nova L'aspecte més significatiu de la predicció de l'IA va ser la seva novetat. El model no va identificar simplement una relació biològica coneguda a partir de les seves dades d'entrenament. La relació proposada entre silmitasertib (CX-4945) i la presentació d'antigens reforçada en presència d'interferó no va ser anteriorment reportada en la literatura científica. Això demostra un salt crític des del reconeixement de patrons a la generació d'hipòtesis veritables, movent la IA al regne d'un autèntic soci de recerca. "Encara que CK2 ha estat implicat en moltes funcions cel·lulars, incloent-hi com a modulador del sistema immunitari, la inhibició de CK2 a través de silmitasertib no s'ha informat en la literatura per millorar explícitament l'expressió de MHC-I o la presentació d'antigens. De la predicció digital a la realitat verificada en laboratori La predicció d'una IA, no importa com sigui convincent, és només una hipòtesi fins que estigui provada. predicció basada en l'ordinador i validar-la Els investigadors van provar la hipòtesi sobre models de cèl·lules neuroendocrines humanes (d'origen cel·lular i pulmonar de Merkel) - tipus de cèl·lules que estaven representats mínimament en les dades d'entrenament del model, fent la validació encara més impressionant. En silicona In vitro Els resultats dels experiments de laboratori van confirmar la predicció de l'IA amb una precisió notable: El tractament de les cèl·lules amb el fàrmac silmitasertib sol no va tenir cap efecte en la presentació d'antigens. El tractament de les cèl·lules amb una baixa dosi d'interferó només va tenir un efecte modest. El tractament de les cèl·lules amb silmitasertib i interferó de baixa dosi, com va predir l'AI, va produir una "amplificació sinèrgica marcada". Quantitativament, la teràpia combinada va resultar en un augment de fins a un 50% en la presentació d'antigens. Aquest efecte faria que les cèl·lules tumorals fossin significativament més visibles al sistema immunitari, validant la nova hipòtesi de la IA i identificant una nova via prometedora per a la teràpia del càncer. Un nou projecte per a Discovery Aquest èxit és molt més que un descobriment de fàrmacs únic i prometedor.Proporciona un poderós nou pla per a la investigació científica, demostrant que la IA pot anar més enllà de la detecció virtual per generar hipòtesis noves, biològicament fonamentades i testables.Amb la traducció de les dades fonamentals de la vida en un llenguatge que pot entendre, la IA està preparada per accelerar el descobriment de maneres sense precedents. Crucialment, els equips de Google i Yale no només comparteixen el seu descobriment, sinó també l'eina que el va fer possible.El model C2S-Scale i els seus recursos estan sent posats a disposició de la comunitat de recerca, empoderant altres científics per construir sobre aquest treball. El podcast: El podcast: Apple: aquí Spotify: aquí Aquí Aquí