Հիմնական հոդված՝ The Next Leap for AI in Medicine When we think of AI in medicine, we often picture it performing tasks of superhuman pattern recognition; analyzing medical scans for subtle signs of disease or processing vast datasets to predict patient outcomes. These are powerful applications, but they largely involve finding connections within existing knowledge. This raises a more profound question: can AI go beyond analyzing what we already know to make genuinely Ի՞նչ է գիտական բացահայտությունները? new A groundbreaking achievement from a collaboration between Google and Yale University researchers suggests the answer is a resounding yes. They developed C2S-Scale, a 27 billion parameter foundation model built on Google's Gemma family of open models. This AI was tasked not just with analyzing cellular data, but with reasoning about it to generate a novel, testable hypothesis for cancer therapy. Այս մոդելը հաջողվել է, բացահայտելով նախապես չգիտելի բնական ճանապարհը, որը կարող է օգնել մեր ինտեգրային համակարգերի հետազոտությունը որոշ բարդների հետ: Այս գործառույթը ավելի է, քան մի բաղադրիչ: Այն ապահովում է նոր բաղադրիչ, թե ինչպես AI- ը կարող է աշխատել որպես ստեղծագործական ընկերություն գիտական հետազոտության մեջ, ստեղծելով մի վերականգելի մեթոդություն AI- ի հիմնված բաղադրիչների արտադրման համար: Հետեւաբար, այստեղ են այս վերլուծության երեք հիմնական բաղադրիչները: First, an AI Learned to Read the Language of Life The foundation of this discovery is a clever framework called "Cell2Sentence" (C2S). In simple terms, this approach translates the complex gene expression data from a single cell into a format that a Large Language Model (LLM) can understand: a sentence. This "cell sentence" is constructed from the K most highly expressed genes, ranked in order by their level of expression. Այս մեթոդը հզոր է, քանի որ այն թույլ է տալիս գիտականներին օգտագործել state-of-the-art LLMs, առաջին անգամ կառուցված է բուժել մարդային լեզուը, ուղղակիորեն հարմարեցված բուժական տվյալների. Ավելի քան դիզայնը ամբողջականապես նոր, հարմարեցված AI դիզայններ biology, C2S վերլուծում է բուժական խնդիրը հարմարեցնել հզոր առկա գործիքը. Սա բացում է առաջատար ռեժիմացման եւ generative հզորությունները LLMs համար Single-cell analytics. It Found a Therapy That Works Smarter, Not Harder A major challenge in cancer treatment is the existence of "cold" tumors—cancers that are effectively invisible to the body's immune system. A key goal of immunotherapy is to make these tumors "hot" by forcing them to display immune-triggering signals through a process called antigen presentation. The more antigens a cancer cell presents, the more visible it is to immune cells that can destroy it. Researchers gave the C2S-Scale AI a highly sophisticated task using an ingenious methodology called a "dual-context virtual screen." They didn't just want a drug that boosts antigen presentation all the time; they asked the model to find a "conditional amplifier." To do this, the AI analyzed two scenarios: an "immune-context-positive" setting using real patient samples with weak but present immune signals (from low levels of interferon), and an "immune-context-neutral" one using isolated cells with no immune activity. The goal was to find a drug that worked in the first context. only Դա պահանջեց մի մակարդակի պայմանագրական խոսակցությունը, որը ցույց է տալիս, որ 27 միլիոն մետր parameter մոդելը, քանի որ փոքրիկ մոդելները ցույց են տալիս, որ չի կարող լուծել այս ինտեգրտ-կախված ազդեցությունը: Երբ մոդելել են ավելի քան 4,200 դեղների ազդեցությունը, AI- ը գտնել է մի kinase inhibitor, որը կոչվում է silmitasertib (CX-4945). The AI- ը ստեղծել է ճշգրիտ նոր հպարտություն Մոդելը պարզապես չգիտել է հայտնի բովանդակական կապը իր դասընթացների տվյալների հետ: Ապրանքում առաջարկված կապը silmitasertib- ի (CX-4945) եւ բարելավված antigen- ի ներկայացման միջեւ ինտերֆերոնի prezences- ում նախապես չգիտվել է գիտական գրասենյակում: AI- ը ստեղծել է ամբողջական նոր գաղափար: This demonstrates a critical leap from pattern recognition to true hypothesis generation, moving AI into the realm of a genuine research partner. As the researchers noted in their paper: «Եթե CK2- ը ներառում է բազմաթիվ բջիջային գործիքներում, այդ թվում, որպես բջիջային համակարգի մոդուլատորը, CK2- ի բջիջը silmitasertib- ի միջոցով չգիտվում է, որ բացառապես բարելավել է MHC-I- ի բացառությունը կամ antigen presentation- ը: Սա ցույց է տալիս, որ մոդելը ստեղծում է նոր, ստուգված հպարտություն, եւ ոչ միայն վերլուծում է հայտնի գործերը»: From Digital Prediction to Lab-Verified Reality AI-ի նախընտրություն, թե ինչպես խոշոր է, պարզապես մի հպարտություն է, մինչեւ այն ստուգվել է: Հիմնական վերջնական քայլը այն էր, որ մոդելը ստանում է (computer-based) prediction and validate it Ուսանողները ստուգել են սխալը մարդային neuroendocrine բջիջային մոդելների վրա (Merkell- ի բջիջային եւ բջիջային արտադրանքի) - բջիջային տեսակի վրա, որոնք minimally represented են մոդելի դասընթացային տվյալների մեջ, ինչպիսիք են, որ validation- ը նույնիսկ ավելի տպավոր է: in silico in vitro Ապրանքային փորձերի արդյունքները բացահայտել են AI- ի նախընտրությունը շատ ճշգրիտությամբ: Treating the cells with the drug silmitasertib alone had no effect on antigen presentation. Բուժում բջիջները ցածր քանակի ինտերֆերոնով միայն մի քիչ ազդեցություն էր: Բուժում են բջիջները, ինչպես silmitasertib եւ ցածր քանակի ինտերֆերոնով, ինչպիսիք են AI- ի նախընտրում, արտադրել են «նշել, sinergistic amplification». Quantitatively, the combination therapy resulted in up to a 50% increase in antigen presentation. This effect would make the tumor cells significantly more visible to the immune system, validating the AI's novel hypothesis and identifying a promising new pathway for cancer therapy. Նոր Blueprint-ը Discovery-ի համար Այս գործառույթը շատ ավելի է, քան մի միակ, հուսալի դեղային բացառություն: Այն ապահովում է հզոր նոր բլանբրոնտը գիտական հետազոտությունների համար, որը ցույց է տալիս, որ AI- ը կարող է հեռանալ virtualized screening- ից, որպեսզի ստեղծել նոր, biologically-founded, եւ testable հստակություններ: Հիմնական տվյալները կյանքի մի լեզուով, որը կարող է հասկանալ, AI- ը պատրաստ է արագացնել բացառությունը անմիջապես. Crucially, the Google and Yale teams are not just sharing their discovery, but also the tool that made it possible. The C2S-Scale model and its resources are being made available to the research community, empowering other scientists to build upon this work. This leaves us with a tantalizing thought: if AI can now help us decipher the complex language of our cells, what other biological mysteries will it help us translate next? Podcast է: Podcast է: Apple: HERE Spotify: HERE HERE Այստեղ
