„Poveikis bus milžiniškas. To niekas negalėjo padaryti 50 m.“ ()
Nors dirbtinis intelektas paties mokslo dar tikrai netransformuoja, tačiau transformuoja pagalbines jo priemones: duomenų analizę, situacijų modeliavimą bei interpretavimą.
Prisijunk prie technologijos.lt komandos!
Laisvas grafikas, uždarbis, daug įdomių veiklų. Patirtis nebūtina, reikia tik entuziazmo.
Sudomino? Užpildyk šią anketą!
Vakar paskelbta, kad Nobelio premija chemijoje atitenka JAV biochemikui Davidui Beikeriui už tai, kad jis sukūrė visiškai naujas baltymų rūšis, o „Google DeepMind“ kompanijoje Londone dirbantiems Demisui Hassabiui ir Johnui Jumperiui už tai, kad jie sukūrė dirbtinio intelekto (DI) modelį, skirtą sudėtingoms baltymų struktūroms nuspėti. Pastaroji problema buvo neišspręsta 50 metų.
Nors dirbtinis intelektas paties mokslo dar tikrai netransformuoja, tačiau transformuoja pagalbines jo priemones: duomenų analizę, situacijų modeliavimą bei interpretavimą.
Taip transformuojamas mokslininko įrankis (ypač tų, kurie nėra DI specialistai) ir šis poveikis yra milžiniškas, nes tyrėjams iš dalies dingsta būtinybė pasitelkti kitų disciplinų pagalbą (tas, beje, galioja ir informatikams, nes DI pagalba mes kuo puikiausiai atliekame įprastai socialinių mokslų sritimis priskiriamus tyrimus, pavyzdžiui – apklausų analizę).
Grįžtant prie šiais metais įteiktos Nobelio premijos chemijos srityje, turime pasinerti į kompiuterinę biologiją. Nuo pat šiuolaikinio kompiuterinio modeliavimo (kam, beje, turbūt jau 50 metų) baltymų struktūros prognozavimas iš aminorūgščių sekų buvo neišspręstas uždavinys, daugiausia dėl milžiniško skaičiaus galimų baltymų konformacijų.
|
Jas suskaičiuoti mokslininkui ar visiems universiteto mokslininkams teoriškai įmanoma, tačiau tradiciniais metodais, pvz., rentgeno spindulių kristalografija ar branduolių magnetiniu rezonansu daug kombinacijų nepridarysi, nes šie tyrimai neįtikėtinai imlūs laikui, reikalaujantys specifinio „know how“.
Pasirodžius DI (čia vienas lūžių buvo tokių platformų, kaip nominantų naudotas „Google DeepMind AlphaFold“ pasirodymas https://deepmind.google/technologies/alphafold/), šioje srityje įvyko revoliucija, nes mokslininkai gavo įrankį.
Su tokiais įrankiais atsirado galimybė prognozuoti baltymų struktūras atomo lygio tikslumu, neretai pranokstant ankstesnius modeliavimo rezultatus. Atsirado spartesnis suvokimas apie biologinius procesus molekuliniu lygmeniu. Na, o to rezultatas – Nobelio premija, nes baltymų struktūros paskatins (tiksliau, jau skatina) pažangą įvairiose srityse – nuo vaistų atradimo iki sintetinės biologijos.
Vaistai – be šalutinio poveikio
Tiesa, turėtume suprasti, kad be mokslininkų, tyrėjų, kurie gavo šią premiją už savo „know how“, DI būtų visiškai bevertis.
Tačiau vėl – nelyginkime DI su žmonėmis, bet lyginkime DI su įrankiais. Šitoje mokslo įrankių „svorio kategorijoje“ DI yra gal net bekonkurencinis, nes leidžia sąlyginai lengvai prognozuoti 3D baltymų struktūras iš sekų per didžiulius biologinių duomenų rinkinius.
Į šią grandinę įjungiant žmogų, mokslininką, tampa aiškiau pvz., kaip nustatyti potencialias gydomųjų junginių prisijungimo vietas ir taip pagreitinti naujų gydymo metodų kūrimą, kaip kurti naujus baltymus, atliekančius konkrečias vaisto funkcijas. Šiaip tokio DI vaidmuo neapsiriboja tik biologija, tokie įrankiai keičia įvairių gamtos mokslų (ir ne tik) problemų modeliavimą.
Visų pirma, tai būtent paties D. Beikerio (vakarykščio Nobelio premijos laureato) pasiekimai kuriant naujus baltymus nuo nulio yra didelis šuolis bioinžinerijos srityje. Čia DI yra tik priemonė, kuri padėjo tai pasiekti, nes DI „automatizavo“ kosmiškai didelių baltymų projektavimo erdvių tyrinėjimą, t.y. DI leido greitai atsirinkti perspektyvias sekas, pasižyminčias pageidaujamomis struktūrinėmis ir funkcinėmis savybėmis, o mokslininkui vietoje milijonų sekų, jau pakako patikrinti jų gerokai mažiau.
Šio atradimo vertė mokslui, ypač gydymui, yra itin svarbi. Šis sprendimas paspartins praktinį vaistų kūrimą, nes leis gerokai greičiau sumodeliuoti specifinių funkcijų baltymus, pavyzdžiui, katalizuojančius chemines reakcijas arba labai tiksliai prisijungiančius prie tam tikrų molekulių. Pavyzdžiui, įsivaizduokime vaistus be šalutinio poveikio. Skamba kaip fantastika?
Visada reikės žmogaus
Iš praktikos, dirbant su DI, galiu pasakyti, kad didžiausias iššūkis – patys duomenys ir jų kokybė. Biologinės sistemos iš prigimties yra sudėtingos, pasižymi dideliu kintamumu ir dažnai neišsamiais ar „triukšmingais“ duomenimis.
Tam, kad dirbtinio intelekto modeliai būtų veiksmingi, reikia didelio kiekio aukštos kokybės duomenų, o biologinius duomenis neretai sunku gauti ar standartizuoti. Be to, biologiniai procesai apima daugybę laiko ir erdvės mastelių, o tai apsunkina modelių prognozes.
Kalbant apie mokslinius resursus, turint lėšų, bet kas gali pastatyti kokį pastatą ir jį pripildyti naujausiais DI skaičiavimo klasteriais. Tačiau neturint „know how“ – šios investicijos bus bevertės.
Ir tai yra pati didžiausia problema, nes nei pastatai, nei mašinos mokslo nedaro. Žinoma, galime nesigilinant pateikti užklausą į kokį tame pastate instaliuotą „ChatGPT“ kloną ar tą patį „AlphaFold“, tik ar jūs suprasite, ką gausite kaip rezultatą? Ir dar svarbiau – ar pasitikėsite „ChatGPT“ ar atsitiktine „AlphaFold“ išdava? Ar vaistu su tokiu baltymu? Turbūt, kad ne. Tam visada reikės žmogaus, mokslininko, į kuriuos pasaulyje, kol kas, investuojama mažiau, nei į DI.
Gydymas – pagal asmeninę genetinę sandarą
Žiūrint optimistiškai, DI kaip efektyvesnis įrankis, potencialiai galėtų lemti proveržį individualizuotoje medicinoje, kai gydymas pritaikomas pagal konkretaus asmens genetinę sandarą, arba sintetinėje biologijoje, kai galima sukurti visiškai naujus organizmus.
Tačiau konkretaus asmens ar visiškai naujų organizmų sukūrimas – jau mokslinės etikos klausimas, nepaprastesnis kaip embrionai ir klonavimas. Čia susiduriame ir su milžiniška rizika. Sintetinių organizmų kūrimas ar manipuliavimas genomais gali sukelti nenumatytų pasekmių, ir nereikia jokių mokslinės fantastikos filmų, kad suvoktume prie kokių ekologinių sutrikimų ar grėsmių biologiniam saugumui tai gali privesti.
Tačiau turime ir paprastesnių etinių klausimų. Jau dabar turime personalizuotus vaistus, tai yra itin brangus gydymo būdas. Jei pradėsim riboti DI naudojimą mūsų aptariamoje srityje, ar tokie vaistai netaps prieinami tik jį išgalinčiųjų turėti turtingų valstybių elitui ar atsidurs globalinių korporacijų rankose? Juk taip dar labiau ir dar greičiau padidinsime nelygybę pasaulyje.
Niekas taip pat nėra garantuotas, kad ši technologija nebus panaudota, pavyzdžiui naujų virusų sukūrimui, nuo kurių ta pati įmonė siūlys ir vaistus. Skamba kaip konspiracijos teorija, tačiau DI ją kuo puikiausiai įgalina.
Nepamirškime, kad einame labai sparčiu žingsniu prie savarankiško DI. Jei neturėsime efektyvaus reguliavimo, griežtų etinių gairių, priežiūros ir svarbiausia mąstančios ir aktyvios visuomenės, bėdų galime pasidaryti labai greitai. Ypač šiandien sparčiai skaitmenizuojamose srityse kaip sintetinė biologija ar medicina.
Prof. Rytis Maskeliūnas, Kauno technologijos universiteto Informatikos fakulteto DI tyrėjas