A Silicon Valley gyakran reklámozza a generatív AI-t forradalmi erőként, amely készen áll arra, hogy öt- tíz éven belül véget vessen a betegségeknek – nem a hagyományos onkológiai kutatások vagy az orvoshiány kezelésével, hanem AI áttöréseken keresztül. Demis Hassabis, a Nobel-díjas és a Google DeepMind vezérigazgatója szerint hamarosan az AI gyógyíthat minden betegséget. Az OpenAI nemrég olyan modelleket mutatott be, amelyek képesek javasolni és értékelni új biológiai hipotéziseket, míg az Anthropic társalapítója előrejelzte, hogy az AI eltávolíthatja a legtöbb rákot. Bár ezek a vezetők nyilván optimistán reklámozzák technológiájukat, valóban van-e reális potenciál ezekben az állításokban?És hogy élhetnek a tudósok gyakorlatiasan a generatív AI nyújtotta lehetőségekkel a felfedezések során? Az olyan intézményekben, mint a Pfizer, Moderna vagy a Memorial Sloan Kettering, folytatott beszélgetésekből világosan kiderül, hogy az AI ígéretet hordoz, ugyanakkor jelentős korlátokkal is szembenéz. Még akkor is, ha holnap elkezdené kifejleszteni egy AI által tervezett gyógyszer, az még mindig hosszadalmas laboratóriumi és humán klinikai vizsgálatok előtt állna – olyan folyamat, amit az AI még nem tud szimulálni. Alex Zhavoronkov, az Insilico Medicine vezetője, aki AI-alapú gyógyszertervezéssel foglalkozik, hangsúlyozza, hogy a gyógyszerfejlesztés szigorú protokolljait jó okkal alakították ki. Ugyanakkor az AI-alapú kutatások segítettek olyan gyógyszerek tervezésében, amelyek sikerrel léptek be a korai klinikai fázisokba, és a Hassabis által fejlesztett AlphaFold, az a fehérjeszerkezetet előrejelező AI, széles körben használatos a gyógyszerkutatásban. A generatív AI hatása inkább egy gyorsabb motorhoz hasonlítható, mintsem autonóm vezetőhöz a tudományban. Jelenleg két fő típusú generatív AI segíti a tudományos haladást. Az első – beszélgetőrobot-szerű eszközök – a tudományos irodalmat keresik és szintetizálják, hogy hasznos összefoglalókat és jelentéseket készítsenek. Bár az álom az, hogy ezekre a programokra komplex tudományos kérdéseket tegyünk fel, és áttörő válaszokat kapjunk, a mai modellek főként információfeldolgozásra alkalmasak. Rafael Gómez-Bombarelli, a MIT kémikusa megjegyzi, hogy a tudósok rendszeresen használják az OpenAI és a Google Deep Research termékeit, hogy gyorsan átfésüljék a cikkeket, ez jelentős munkafolyamat-innováció. Ugyanakkor ezek az eszközök “hallucinálnak” hamis információkat – nem létező hivatkozásokat vagy adatokat fabricálnak, ahogyan Andrea Califano, a számítási biológus tapasztalta, amikor a ChatGPT és a DeepSeek hamisan idézett kutatásokat a kéziratának segédkezeként. Az OpenAI szerint a legújabb modelljei néha még inkább hallucinálnak, és ezek az AI-k jobban alkalmasak az meglévő tudás összegzésére, mint valódi újszerű ötletek generálására. Gómez-Bombarelli megjegyzi, hogy ezek a botok nehezen boldogulnak valódi újszerű következtetésekkel; mivel a már létező adatok szintetizálására vannak betANítva, megbuktak, amikor új ötletek kitalálására kértük őket. A hallucination veszélyeinek kezelésére és a megbízhatóság növelésére az AI rendszerek kollaboratív partnerekké válnak. A Google egyik ígéretes példája ennek az “AI társ-tudós” rendszer: egy nyelvi modellekből álló szett, amely úgy van betanítva, hogy hipotéziseket generáljon és kritikus szemmel értékelje ezeket a biomedicinális kutatásban, inkább mint egy emberi csapat, egy “ötletverseny” megközelítéssel. Egy teszt során ez a társ-tudós függetlenül ért el áttörő hipotézist a baktériumok evolúciójáról, amit az emberek csak évek munkájával tudtak volna kidolgozni, kiemelve az AI lehetséges szerepét a hipotézisek gyorsabb generálásában, az emberi torzítások és szűklátókörűség elkerülésével.

Bár nem hozott radikálisan új paradigmákat, hatékonyan integrálta a hatalmas mennyiségű információt, és egyezett a humán kísérleti eredményekkel – így az AI inkább támogató, mint helyettesítő szerepet tölt be a tudósok számára. A második típus “biológia nyelvén szól”, mivel közvetlenül a kísérleti adatokból tanul, mint például fehérjeszerkezetek vagy génkifejeződés. Az AlphaFold és hasonló modellek sokkal nagyobb adatmennyiséget elemeznek, mint amit egy ember elbírna, segítve olyan feladatokat, mint gyógyszerek áthasználása vagy terápiás célpontok azonosítása. Például a Pfizer AI-t használ rákkutatási célpontok felfedezésére, melyek jelenleg tesztelés alatt állnak. A generatív AI segít a gyógyszertervezésben is, navigálva a molekuláris konfigurációk hatalmas világában, hogy optimalizálja a hatékonyságot vagy a mellékhatásokat, még a laboratóriumi tesztek előtt. A Moderna Wade Davis szerint az AI által segített keresőterek rendkívül nagyok: az emberi számára lehetetlen ilyen hatalmas kémiai és genetikai keresési tereket csökkenteni. Ahogy Pratyush Tiwary, kémiai fizikus megjegyzi, az AI soha nem fogja önmagában “felfedezni” a gyógyszereket, de drámaian leszűkíti a keresési teret, növelve a hatékonyságot – hasonlóan az építészeti szoftverekhez, amelyek felgyorsítják az ötletelést, de nem helyettesítik az emberi ítéletet vagy az fizikai teszteket. Végső soron az AI fő értéke lehet a tudományos gyorsaság és hatékonyság növelése. Míg a jelenlegi AI néhány évet rövidíthet a gyógyszerfejlesztés időtartamán – kb. 20 évről talán 15-re –, ez a csökkenés még mindig jelentős, ugyanakkor mérsékelt. Maradnak korlátok, különösen mert a generatív AI gyakran javasol olyan molekulákat, amelyeket nem lehet szintetizálni, és hiányzik a szükséges átfogó, magas színvonalú biológiai adatok bősége, amelyekkel pontosan modellezhetők a komplex sejtfogalmak. Andrea Califano hangsúlyozza, hogy a helyes kérdések megfogalmazása és a jó minőségű adatok gyűjtése fontosabb, mint az algoritmusok fejlesztése, mivel az AI akkor indul el, ha megfelelő, megbízható tudással rendelkezik, amit még nem tud önállóan generálni. Mindazonáltal az ember-AI hibrid együttműködések már haladnak előre. Olyan startupok, mint a Lila Sciences és az Insilico, robotlaboratóriumokat működtetnek, amelyeket emberi tudósok irányítanak, és interaktív módon használnak generatív AI-t a hipotézisek gyors tesztelésére és finomhangolására. Emellett a Chan Zuckerberg Kezdeményezés által vezetett erőfeszítések célja, hogy olyan “virtuális sejtek” AI-jait fejlesszék, amelyek képesek szimulálni az emberi biológia összetettségét. Az új hipotézisek generálása kevésbé jelent kihívást, mint azok kísérleti igazolása – ez egy drága, időigényes lépés, amelyben a humán kutatók továbbra is vezetnek. Összegzésképpen elmondható, hogy a biomedicinában alkalmazott generatív AI egyre inkább hatékony eszközzé válik a tudás összefoglalásában, a tesztelhető hipotézisek generálásában és a molekuláris tervezés felgyorsításában. Ugyanakkor nem egy varázspálca, amellyel azonnal meggyógyíthatóak a betegségek, vagy helyettesíthetők a tudósok. A haladás kulcsa a helyes kérdések megfogalmazásában, a megfelelő adatok gyűjtésében és a szigorú kísérleti validációban rejlik – ezekben az emberi szakértelem továbbra is nélkülözhetetlen. Az AI jövője a tudományban abban rejlik, hogy kiegészíti az emberi kreativitást és ítélőképességet, jelentősen növelve a hatékonyságot, nem pedig teljesen átveszi a felfedezés szerepét.