Vědecká AI od Googlu přišla za 48 hodin na to, co vědě trvalo 10 let dokázat

Jak zapomenutý kousek DNA přerostl v globální hrozbu

Z pohledu vědců jde o příběh o trpělivosti a vytrvalosti. Ze Silicon Valley to vypadá jako testovací případ: dokáže umělá inteligence skutečně přinášet nové biologické nápady bez přístupu k tajným datům a bez práce v laboratoři?

Mikrobiologové se více než deset let snaží pochopit, proč některé bakterie tak rychle získávají odolnost vůči antibiotikům. Nejde jen o mutace v jejich vlastní DNA — klíčovou roli hrají především malé, pohyblivé genetické elementy, které přeskakují mezi různými druhy. Tato genetická „sdílená jízdní dráha" dramaticky zrychluje šíření rezistence po celém světě.

Desetiletí práce v laboratoři

Výzkumníci z Imperial College London pod vedením José R. Penadése se zaměřili právě na jeden takový element: takzvané cf-PICIs, genetické ostrůvky usazující se v bakteriích. Sledovali, jak tyto struktury využívají bakteriální viry — bakteriofágy — jako dopravní prostředek, ale přesný mechanismus zůstával dlouho nejasný.

Postupem času se ukázaly tři zásadní problémy:

• dotčené genetické elementy jsou velmi malé a obtížně detekovatelné;
• dokážou přeskakovat mezi různými druhy, což komplikuje testování;
• interakce mezi bakteriemi a viry je mimořádně dynamická.

Tým krok za krokem rekonstruoval zcela nový mechanismus. Ukázalo se, že cf-PICIs unášejí struktury určitých bakteriofágů — zejména jejich ocasy — a využívají je jako přepravní prostředek do jiných bakterií. Tím překonávají přirozené druhové bariéry a rozšiřují šíření genů rezistence.

Tyto genetické ostrůvky využívají virové struktury jako biologickou síť taxíků, aby rezistenci šířily ještě rychleji.

Potvrzení tohoto objevu trvalo roky: strukturální biologie, genetické manipulace, přenosové experimenty, kontroly a opět kontroly. Když byla hypotéza hotová, neobjevila se v žádném odborném časopise, žádné databázi ani nikde online. Existovala jen v poznámkách, interních prezentacích a v hlavách výzkumníků.

Co Google Co-scientist dokázal bez přístupu k tajným datům

Právě v té době oslovil tým Google Research s nabídkou otestovat nový nástroj umělé inteligence: Co-scientist. Nejde o chatbota odpovídajícího na otázky — tento systém je navržen tak, aby sám generoval vědecké hypotézy, kriticky je hodnotil a seřazoval podle pravděpodobnosti.

AI jako generátor nápadů, ne věštec

Co-scientist se skládá z více „agentů", kteří vzájemně posuzují své návrhy. Systém čerpá výhradně z veřejně dostupné literatury: odborných článků, přehledových studií a databází. Žádné laboratorní deníky, žádné koncepty článků, žádné důvěrné soubory. Výzkumníci položili AI obecnou otázku o roli mobilních genetických elementů a jejich interakci s bakteriofágy při rozvoji antibiotikarezistence.

Během pouhých 48 hodin předložil Co-scientist řadu možných mechanismů. První hypotéza nápadně připomínala to, co Penadés a jeho tým právě sami vypracovali: cf-PICIs by mohly využívat virové ocasy jako dopravní prostředek k rozšíření rozsahu hostitelů.

AI popsala mechanismus, který se prakticky shodoval s nepublikovanou a interně ověřenou hypotézou vzešlou z desetiletí laboratorní práce.

V laboratoři zavládla mírná panika: získal Google nechtěně přístup k důvěrným dokumentům? Penadés se výslovně zeptal na původ výsledků. Google potvrdil, že Co-scientist pracoval výhradně s veřejně dostupnými zdroji. Žádné interní servery, žádné úniky dat.

Zajímavý detail: vedle téměř přesné hlavní hypotézy vygeneroval Co-scientist ještě čtyři další věrohodné scénáře. Některé z nich jsou nyní v laboratoři zpracovávány jako nové pracovní směry — například alternativní způsoby, jak by virové struktury mohly genetické ostrůvky zabalit a uvolnit.

Od hromady literatury k testovatelné hypotéze

Podle studie, která později vyšla v časopise Cell, Co-scientist zřejmě nepřeříkává stávající teorie. Systém kombinuje fragmentární pozorování z různých článků: izolované poznatky o fágových ocasech, vzorcích přenosu, genetických ostrůvcích a genech rezistence. Z toho pak sestavuje scénář, který nikde jako hotový celek popsán nebyl.

Člověk zůstává nezbytný pro filtrování: která z hypotéz dává biologický smysl, je experimentálně ověřitelná a technicky proveditelná? Ale prostor pro hledání se mění. Tam, kde vědci obvykle začínají v jedné slepé uličce, AI najednou rozkládá na stůl celou čtvrť možných cest.

Co to znamená pro boj s antibiotikarezistencí

Antibiotikarezistence roste již léta rychleji, než jak se daří vyvíjet nové léky a strategie. Podle mezinárodních analýz stojí rezistentní infekce každoročně život více než milion lidí — v roce 2019 šlo o přibližně 1,27 milionu úmrtí.

Každé urychlení v procesu generování nápadů je proto zásadní. Hypotézy, jejichž formulace by normálně trvala pět let pokusného hledání, mohou být nyní sestaveny během několika dnů:

• výzkumné skupiny mohou dříve zachytit rizikové, ale slibné scénáře;
• financující instituce rychleji vidí, které směry mají větší šanci na dopad;
• klinické strategie mohou dříve stavět na základních poznatcích.

AI přesouvá úzké místo ve vědě: už ne z nápadu na hypotézu, ale z hypotézy na pevný důkaz.

Zdlouhavé fáze přitom zůstávají: zvířecí modely, klinické studie, regulace, výroba. Co se mění, je rychlost, s jakou může obor přejít k novému funkčnímu způsobu myšlení. U antibiotikarezistence, kde bakterie samy evoluují závratnou rychlostí, se tento časový zisk počítá dvojnásob.

Nový druh spolupráce mezi člověkem a algoritmem

Nikdo z Penadésova týmu netvrdí, že Co-scientist nahrazuje jejich práci. AI nezná vůni kultivačních místností, nevidí nečekanou kontaminaci na Petriho misce a nepociťuje frustraci po nezdařené sérii experimentů. Přináší strukturu do znalostí — ne intuici.

Rozdělení rolí se proměňuje

Přesto se každodenní praxe výzkumu mění, jakmile je k dispozici systém jako Co-scientist. Kde dříve doktorandi strávili týdny procházením literatury jen proto, aby sepsali všechny možné kandidátní mechanismy, může AI dodat první mapu tohoto území za víkend.

Lidský přínos se pak přesouvá směrem k:

• formulování ostrých a netriviálních otázek pro AI;
• rozpoznávání biologického nesmyslu v přesvědčivě znějícím textu;
• navrhování chytrých experimentů k falzifikaci nápadů AI;
• etickému a společenskému zarámování jejich důsledků.

Vztah mezi člověkem a AI se tak stává méně hierarchickým. Výzkumník není jen uživatelem — stává se spoluarchitektem myšlenkového procesu, v němž stroj a člověk střídavě předkládají návrhy a navzájem si opravují chyby.

Rizika, slepá místa a co se může pokazit

Takový systém s sebou přináší i nová zranitelná místa. AI, která čte pouze veřejnou literaturu, přebírá veškeré zkreslení, jež tato literatura obsahuje. Oblasti, kde se toho málo publikuje, nebo kde negativní výsledky zapadají, zůstávají v generovaných hypotézách podreprezentovány.

Vynořují se také bezpečnostní otázky. Model, který rychle přichází na funkční biologické mechanismy, může vedle užitečných strategií nechtěně načrtnout i cesty k nebezpečným aplikacím. To vyžaduje jasné hranice přístupu, protokolování použití a dohled nezávislých komisí.

Bez lidské protiváhy může přesvědčivá, ale chybná hypotéza AI přivést celé výzkumné linie do slepé uličky.

Další riziko spočívá ve skupinovém myšlení na digitální škále. Pokud mnoho laboratoří používá stejnou AI se stejnými tréninkovými daty, mohou slepě opakovat tytéž chyby v uvažování. Alternativní výzkumné směry stojící mimo dominantní literaturu se pak ocitají ještě více mimo záběr. Rozmanitost modelů, zdrojů dat a metod zůstává klíčová.

Co Co-scientist říká o budoucnosti „chytré" vědy

Případ cf-PICIs slouží především jako ukázka širšího trendu: věda se přesouvá od analýzy dat pomocí AI k tvorbě nápadů pomocí AI. Kde dřívější systémy hlavně rozpoznávaly vzory v existujících souborech dat, vidíme nyní modely, které budují modely — mentální obrazy toho, jak by příroda mohla fungovat.

Pro mladé výzkumníky to znamená novou dovednost: procvičovat „společné myšlení" s algoritmem. Hypotézu nehodnotit jen podle obsahu, ale umět ji rozebrat: z jakých článků AI vychází, jaké pojmy chybí, jaké předpoklady se do ní vkrádají?

I financující organizace mohou takový systém využít jako druhý názor. Ne proto, aby delegovaly rozhodování, ale aby granty prošly dalším generátorem nápadů: jaké doplňkové hypotézy, jaké nečekané kombinace oborů vynikají? To může například jinak propojit imunologii a mikrobiologii při hledání řešení rezistence.

Na přední místo se nakonec dostává transparentnost. AI produkující nové biologické hypotézy musí umět vysvětlit, jak k nim dospěla. Metody jako protokolování „řetězce myšlenek", citace zdrojů a explicitní vyjádření míry nejistoty se stávají stejně důležitými jako p-hodnoty v klasické statistice. Jedině tak zůstává vědecký dialog kontrolovatelný — i když model přijde za 48 hodin na to, na co člověk potřeboval deset let.