บทนํา: ขั้นตอนต่อไปสําหรับ AI ในทางการแพทย์ เมื่อเราคิดถึง AI ในทางการแพทย์เรามักจะจินตนาการว่ามันทําหน้าที่ของการรับรู้แบบจําลองเหนือมนุษย์ การวิเคราะห์การสแกนทางการแพทย์สําหรับสัญญาณที่ละเอียดอ่อนของโรคหรือการประมวลผลชุดข้อมูลขนาดใหญ่เพื่อคาดการณ์ผลลัพธ์ของผู้ป่วย นี่คือแอพพลิเคชันที่มีประสิทธิภาพ แต่ส่วนใหญ่เกี่ยวข้องกับการหาการเชื่อมต่อภายในความรู้ที่มีอยู่ สิ่งนี้ทําให้เกิดคําถามที่ลึกซึ้งมากขึ้น: AI สามารถวิเคราะห์มากกว่าสิ่งที่เรารู้แล้วเพื่อสร้างความรู้ที่แท้จริงได้หรือไม่ การค้นพบทางวิทยาศาสตร์ ใหม่ ผลลัพธ์ที่เป็นนวัตกรรมใหม่จากความร่วมมือระหว่างนักวิจัยของ Google และมหาวิทยาลัยเยลล์แสดงให้เห็นว่าคําตอบคือ "ใช่" พวกเขาได้พัฒนา C2S-Scale แบบจําลองฐานพารามิเตอร์ 27 พารามิเตอร์ที่สร้างขึ้นบนครอบครัว Gemma ของ Google ของโมเดลเปิด AI นี้ได้รับการรับผิดชอบไม่เพียง แต่ในการวิเคราะห์ข้อมูลเซลล์ แต่ยังมีการพิจารณาเกี่ยวกับมันเพื่อสร้าง hypothesis ใหม่ที่สามารถทดสอบได้สําหรับการบําบัดมะเร็ง โมเดลนี้ประสบความสําเร็จในการค้นพบเส้นทางชีวภาพที่ไม่รู้จักก่อนหน้านี้ซึ่งสามารถช่วยให้ระบบภูมิคุ้มกันของเราต่อสู้กับเนื้องอกบางอย่าง ประสบการณ์นี้เป็นมากกว่าการค้นพบเดียว มันให้แนวคิดใหม่เกี่ยวกับวิธีการที่ AI สามารถทํางานเป็นพันธมิตรที่สร้างสรรค์ในการวิจัยทางวิทยาศาสตร์สร้างวิธีการที่สามารถทําซ้ําได้สําหรับการสร้าง hypothesis ที่ขับเคลื่อนด้วย AI นี่คือสี่ขั้นตอนที่สําคัญจากความก้าวหน้านี้ ครั้งแรก AI ได้เรียนรู้ที่จะอ่านภาษาของชีวิต ฐานของการค้นพบนี้คือกรอบที่ชาญฉลาดที่เรียกว่า "Cell2Sentence" (C2S) ในคําที่เรียบง่ายวิธีการนี้จะแปลข้อมูลการแสดงออกของพันธุกรรมที่ซับซ้อนจากเซลล์เดียวเป็นรูปแบบที่รูปแบบภาษาใหญ่ (LLM) สามารถเข้าใจ: คําว่า "คําว่าเซลล์" นี้ถูกสร้างขึ้นจากพันธุกรรม K ที่แสดงออกมากที่สุดตามลําดับของระดับการแสดงออกของพวกเขา วิธีนี้มีประสิทธิภาพเนื่องจากช่วยให้นักวิทยาศาสตร์สามารถใช้ LLM แบบทันสมัยที่สร้างขึ้นเพื่อประมวลผลภาษามนุษย์โดยตรงไปยังข้อมูลทางชีวภาพที่ซับซ้อน แทนที่จะออกแบบสถาปัตยกรรม AI แบบใหม่ที่กําหนดเองสําหรับชีววิทยา C2S ปรับปรุงปัญหาทางชีวภาพเพื่อให้เหมาะกับเครื่องมือที่มีประสิทธิภาพ นี้เปิดการพิจารณาขั้นสูงและความสามารถในการสร้างของ LLM สําหรับการวิเคราะห์เซลล์เดี่ยว มันค้นพบการบําบัดที่ทํางานสมาร์ทขึ้นไม่ใช่ยากขึ้น หนึ่งในความท้าทายที่สําคัญในการรักษามะเร็งคือการปรากฏตัวของเนื้องอก "เย็น" ซึ่งเป็นมะเร็งที่ไม่สามารถมองเห็นได้กับระบบภูมิคุ้มกันของร่างกาย เป้าหมายหลักของการบําบัดภูมิคุ้มกันคือการทําให้เนื้องอกเหล่านี้ "ร้อน" โดยบังคับให้พวกเขาแสดงสัญญาณกระตุ้นภูมิคุ้มกันผ่านกระบวนการที่เรียกว่าการนําเสนอ antigens มากกว่า antigens ของเซลล์มะเร็งนําเสนอมันจะเห็นได้มากขึ้นกับเซลล์ภูมิคุ้มกันที่สามารถทําลายมัน นักวิจัยให้ C2S-Scale AI ภารกิจที่ซับซ้อนมากโดยใช้วิธีการประดิษฐ์ที่เรียกว่า "หน้าจอเสมือนแบบคู่" พวกเขาไม่เพียง แต่ต้องการยาเสพติดที่เพิ่มการนําเสนอยีนส์ตลอดเวลา พวกเขาขอให้รุ่นค้นหา "เครื่องขยายตัวที่มีเงื่อนไข" เพื่อทําเช่นนี้ AI ได้วิเคราะห์สถานการณ์สองประการ: การตั้งค่า "ภูมิคุ้มกันในสภาพแวดล้อมเชิงบวก" โดยใช้ตัวอย่างของผู้ป่วยจริงที่มีสัญญาณภูมิคุ้มกันอ่อน แต่มีอยู่ (จากระดับต่ําของอินเทอร์เฟโรน) และ "ภูมิคุ้มกันในสภาพแวดล้อมที่เป็นกลาง" โดยใช้เซลล์แยกต่างหากโดยไม่มีกิจกรรมภูมิคุ้มกัน วัตถุประสงค์คือการหายาเสพติดที่ทํางาน ในบรรทัดฐานแรก เฉพาะ นี้จําเป็นต้องมีการพิจารณาเงื่อนไขระดับซึ่งพิสูจน์ให้เห็นว่าเป็นความสามารถที่เกิดขึ้นใหม่ของรุ่นพารามิเตอร์ 27 พันล้านเนื่องจากรุ่นที่เล็กกว่าไม่ได้พิสูจน์ให้เห็นว่าสามารถแก้ไขผลกระทบที่ขึ้นอยู่กับสภาพแวดล้อมนี้ หลังจากจําลองผลกระทบของยาเสพติดมากกว่า 4,200 AI ระบุสารยับยั้ง kinase ที่เรียกว่า silmitasertib (CX-4945) AI สร้าง hypothesis ใหม่จริงๆ องค์ประกอบที่สําคัญที่สุดของการคาดการณ์ของ AI คือความแปลกใหม่ของมัน แบบจําลองไม่ได้ระบุความสัมพันธ์ทางชีวภาพที่รู้จักจากข้อมูลการฝึกอบรมของมัน การเชื่อมโยงที่นําเสนอระหว่าง silmitasertib (CX-4945) และการนําเสนอ antigen ที่เพิ่มขึ้นเมื่อมีอินเทอร์เฟโรนไม่ได้รายงานก่อนหน้านี้ในวรรณกรรมทางวิทยาศาสตร์ AI สร้างความคิดใหม่อย่างสมบูรณ์ สิ่งนี้แสดงให้เห็นถึงการกระโดดที่สําคัญจากการรับรู้แบบจําลองไปสู่การสร้าง hypothesis จริงซึ่งจะย้าย AI เข้าสู่เขตของพันธมิตรการวิจัยที่แท้จริง ตามที่นักวิจัยสังเกตเห็นในบทความของพวกเขา: "แม้ว่า CK2 มีส่วนร่วมในฟังก์ชั่นเซลล์จํานวนมากรวมทั้งเป็นตัวปรับตัวของระบบภูมิคุ้มกันการยับยั้ง CK2 ผ่าน silmitasertib ไม่ได้รายงานในวรรณกรรมเพื่อเพิ่มการแสดงออกของ MHC-I หรือการนําเสนอยีนส์ สิ่งนี้แสดงให้เห็นว่ารุ่นนี้สร้าง hypothesis ใหม่ที่สามารถทดสอบได้และไม่เพียง แต่ทําซ้ําข้อเท็จจริงที่รู้จัก" จากการคาดการณ์ดิจิตอลไปสู่ความเป็นจริงที่พิสูจน์ในห้องปฏิบัติการ การคาดการณ์ของ AI ไม่ว่ามีความน่าเชื่อถือเท่าไหร่ แต่ก็เป็นแนวโน้มเท่านั้นจนกว่าจะได้รับการทดสอบ ขั้นตอนสุดท้ายที่สําคัญคือการใช้แนวโน้มของรุ่น (คอมพิวเตอร์) การคาดการณ์และยืนยัน นักวิจัยทดสอบ hypothesis บนโมเดลเซลล์ neuroendocrine ของมนุษย์ (จากเซลล์ Merkel และต้นกําเนิดของปอด) - ชนิดเซลล์ที่ถูกแสดงให้เห็นในข้อมูลการฝึกอบรมของโมเดลทําให้การยืนยันที่น่าประทับใจยิ่งขึ้น ในซิลิโคน in vitro ผลการทดลองในห้องปฏิบัติการยืนยันการคาดการณ์ของ AI ด้วยความถูกต้องที่โดดเด่น: การรักษาเซลล์ด้วยยา silmitasertib เท่านั้นไม่ได้มีผลต่อการนําเสนอ antigen การรักษาเซลล์ด้วยอินเทอร์เฟโรนปริมาณต่ําเท่านั้นมีผลเพียงเล็กน้อย การรักษาเซลล์ทั้ง silmitasertib และอินเทอร์เฟโรนปริมาณต่ําตามที่อ้างอิงจาก AI ทําให้เกิด "การขยายตัวที่โดดเด่นและ synergistic" ในเชิงปริมาณการบําบัดแบบรวมได้นําไปสู่การเพิ่มขึ้นถึง 50% ในการนําเสนอ antigens ผลกระทบนี้จะทําให้เซลล์มะเร็งเห็นได้มากขึ้นอย่างมีนัยสําคัญต่อระบบภูมิคุ้มกันซึ่งจะยืนยัน hypothesis ใหม่ของ AI และระบุเส้นทางใหม่ที่คาดหวังสําหรับการบําบัดมะเร็ง Blueprint ใหม่สําหรับ Discovery ประสบการณ์นี้เป็นมากกว่าการค้นพบยาเสพติดที่คาดหวังเท่านั้น มันให้แนวคิดใหม่ที่มีประสิทธิภาพสําหรับการวิจัยทางวิทยาศาสตร์ซึ่งแสดงให้เห็นว่า AI สามารถย้ายไปเหนือกว่าการคัดกรองเสมือนจริงเพื่อสร้าง hypotheses ใหม่ที่สร้างพื้นฐานทางชีวภาพและสามารถทดสอบได้ โดยการแปลข้อมูลพื้นฐานของชีวิตเป็นภาษาที่มันสามารถเข้าใจได้ AI พร้อมที่จะเร่งการค้นพบในวิธีที่ไม่มีที่แล้ว สิ่งสําคัญคือทีม Google และ Yale ไม่เพียง แต่แบ่งปันการค้นพบของพวกเขา แต่ยังเป็นเครื่องมือที่ทําให้มันเป็นไปได้ โมเดล C2S-Scale และทรัพยากรของมันจะถูกนําไปใช้กับชุมชนวิจัยช่วยให้นักวิทยาศาสตร์คนอื่นสามารถสร้างขึ้นจากงานนี้ สิ่งนี้ทําให้เรามีความคิดที่น่าตื่นเต้น: ถ้า AI สามารถช่วยเราทําความเข้าใจภาษาที่ซับซ้อนของเซลล์ของเราแล้วสิ่งที่เป็นความลับทางชีวภาพอื่น ๆ จะช่วยเราแปลต่อไปหรือไม่? สอดท่อ: สอดท่อ: แอปเปิล: ที่นี่ Spotify: ที่นี่ ที่นี่ ที่นี่
