Įsivaizduokite padėtį: penktadienio vakarą mokslininkų komanda pateikia dirbtinio proto sistemai užduotį rasti perspektyvią molekulę retai ligai gydyti. Po kelių dienų ekrane jau matyti kandidatai, kurie teoriškai galėtų veikti norimą biologinį taikinį. Skaitmeninis atradimas įvyko labai greitai.
Kada toks vaistas pasieks ligonius ir atsiras vaistinėse?
Jeigu viskas klostysis sėkmingai, tai vis tiek gali užtrukti ne vienus metus. Kai kuriais atvejais – ir ilgiau nei dešimtmetį.
Būtent čia slypi vienas įdomiausių šiuolaikinio mokslo paradoksų. Dirbtinis protas (DI) vis greičiau generuoja hipotezes, projektuoja molekules, analizuoja biologinius duomenis ir siūlo naujas medžiagas.
Tačiau tikras pasaulis juda lėčiau. Molekulę reikia pagaminti, medžiagą – susintetinti, o vaistą – išbandyti. Žmogaus biologijos ir saugumo reikalavimų neįmanoma paspartinti vien kompiuterio mygtuko paspaudimu.
Kitaip tariant, DI jau padeda mokslui bėgti, bet didelė dalis mokslo infrastruktūros vis dar juda pėsčiomis.
Atradimų greitis auga
Stanfordo universiteto „AI Index 2026“ ataskaita rodo, kad DI vis sparčiau tampa mokslo infrastruktūros dalimi. Gamtos moksluose su DI susijusių straipsnių skaičius 2025 m. pasiekė apie 80 tūkst. ir buvo 26 proc. didesnis nei metais anksčiau.
Kai kuriose mokslo srityse DI jau sudaro nuo 5,8 iki 8,8 proc. visų mokslinių straipsnių, nors 2010 m. ši dalis nesiekė nė vieno procento.
Tai nėra vien straipsnių skaičiaus augimas
Keičiasi ir tai, ką DI geba daryti. Stanfordo ataskaitoje nurodoma, kad kai kuriuose chemijos bandymuose pažangiausi modeliai jau vidutiniškai lenkia žmones žinovus, nors kartu vis dar sunkiai susidoroja su kai kuriomis bazinėmis užduotimis. Tai gerai atspindi dabartinę padėtį: modeliai gali būti įspūdingi, tačiau dar nėra visaverčiai mokslininkai.
Biologijoje taip pat vyksta didžiulis pokytis. „AlphaFold“ duomenų bazė jau suteikia atvirą prieigą prie daugiau kaip 200 mln. baltymų struktūrų prognozių. Tai milžiniškas šuolis sričiai, kurioje baltymų struktūros ilgą laiką buvo nustatomos lėtai, brangiai ir tik bandomaisiais būdais.
Medžiagų moksle panašų lūžį parodė „Google DeepMind“ sistema „GNoME“. Ji sugeneravo apie 2,2 mln. naujų kristalų struktūrų, iš kurių apie 380 tūkst. buvo įvertintos kaip stabilios ir galimai tinkamos tolesniems tyrimams. Tai nereiškia, kad visos šios medžiagos jau yra pagamintos arba praktiškai naudingos. Tačiau tai rodo, kaip stipriai DI gali išplėsti paieškos lauką.
Kodėl atradimas dar netampa vaistu?
Čia ir atsiranda pagrindinis „kamštis“. Skaitmeninis atradimas nėra tas pats, kas veikiantis vaistas ar komerciškai pritaikoma medžiaga.
Vaistų kūrime DI gali padėti greičiau pasirinkti taikinį, pasiūlyti molekulę, nuspėti jos sąveiką su baltymu ar sumažinti kandidatų skaičių.
Tai labai svarbu, nes ankstyvasis atradimo laikas istoriškai yra ilgas ir brangus. „Reuters“ rašė, kad tradicinis vaistų atradimo procesas gali užtrukti apie šešerius metus, kol junginys pasiekia klinikinių tyrimų žingsnį. O DI ir automatizuotų laboratorijų derinys, įmonės „Iambic“ teigimu, kai kuriais atvejais šį laiką gali sutrumpinti iki mažiau nei dvejų metų.
Tačiau po to prasideda kita kelionės dalis. Molekulę reikia fiziškai susintetinti laboratorijoje. Reikia patikrinti, ar ji iš tiesų veikia ląstelėse, ar nėra toksiška, kaip elgiasi kūne. Kaip pasiskirsto audiniuose, kaip metabolizuojama ir kokį šalutinį poveikį gali turėti. Vėliau laukia tyrimai su gyvūnais ir klinikiniai tyrimai su žmonėmis.
Šių žingsnių negalima tiesiog sugeneruoti. Jei šalutinis poveikis gali pasireikšti po kelių mėnesių, mokslininkai turi laukti tuos mėnesius. Jei vaistas skirtas žmonėms, reikia įrodyti ne tik teorinį veikimą, bet ir jo saugumą, tinkamas dozes, ilgalaikį poveikį bei tikrą naudą ligoniams.
Todėl DI gali greitai atsakyti į klausimą „ką verta išbandyti?“, tačiau jis negali automatiškai atsakyti į klausimą „ar tai iš tiesų saugu žmogui?“
DI sprendžia atradimo, bet ne įrodymo problemą
Šiuolaikinis mokslas turi du skirtingus greičius.
Pirmasis yra skaitmeninis. Čia DI gali peržiūrėti milijonus molekulių, baltymų, kristalų ar biologinių duomenų taškų. Jis gali generuoti hipotezes, ieškoti dėsningumų ir siūlyti naujus kandidatus greičiau, nei tai galėtų padaryti žmogus.
Antrasis yra fizinis. Čia reikia laboratorijų, reagentų, robotų, ligonių, klinikinių protokolų, reguliuotojų ir laiko. Šis pasaulis negali judėti tokiu pačiu tempu kaip skaičiavimai serveryje.
Būtent todėl galima sakyti, kad DI iš dalies sprendžia atradimo problemą, bet įrodymo problema išlieka. Moksle neužtenka rasti įdomios molekulės. Reikia įrodyti, kad ji veikia. Ne tik kompiuteryje. Ne tik modelyje. O tikroje biologinėje sistemoje.
Šią tendenciją patvirtina ir Stanfordo ataskaita, kurioje pabrėžiama, kad nauji virtualių ląstelių modeliai siekia numatyti ląstelių atsaką į vaistus ir genetinius pokyčius be tradicinių laboratorinių bandymų. Vis dėlto dabartinėms sistemoms vis dar reikia bandomojo patvirtinimo.
Šis sakinys iš esmės apibendrina visą problemą: DI gali pasakyti, kur verta žiūrėti, bet mokslas vis dar turi patikrinti, ar ten tikrai yra tai, ko ieškome.
Kodėl fizinis pasaulis stabdo skaitmeninį greitį?
Fizinis pasaulis yra lėtas ne todėl, kad mokslininkai ar reguliuotojai tingi. Jis lėtas todėl, kad yra sudėtingas.
Cheminė reakcija ne visada vyksta taip, kaip rodo modelis. Medžiagą gali būti sunku pagaminti didesniu mastu. Molekulė gali puikiai veikti viename teste, bet nepasiteisinti kitame.
Vaistas gali atrodyti saugus ankstyvame žingsnyje, bet vėliau sukelti nepageidaujamą poveikį. Klinikiniai tyrimai reikalauja ligonių, laiko, kokybiškų duomenų, etikos leidimų ir griežtos priežiūros.
Be to, reguliavimas medicinoje nėra tik biurokratinė kliūtis. Jis egzistuoja tam, kad ligoniai nebūtų paversti bandymų lauku. JAV Maisto ir vaistų administracijos (FDA) ar Europos vaistų agentūros (EMA) vaidmuo nėra lėtinti naujoves vien dėl paties lėtinimo. Jų užduotis – užtikrinti, kad nauji vaistai būtų ne tik įdomūs, bet ir saugūs bei veiksmingi.
Tai ypač svarbu DI eroje. Kuo greičiau modeliai generuoja kandidatus, tuo svarbiau turėti patikimą sistemą, kuri atskirtų tikrą pažangą nuo gražiai atrodančių, bet nepatvirtintų hipotezių.
Kur moksle iš tiesų galima laimėti laiko?
Nors fizinės ribos išlieka, mokslo revoliucija nesustoja. Greičiausiai didžiausias artimiausio laikotarpio proveržis bus ne vien dar pažangesni modeliai, o geresnė jų integracija su laboratorijomis, duomenų sistemomis ir klinikiniais procesais.
Vienas iš kelių yra autonominės laboratorijos. Tai laboratorijos, kuriose DI ne tik pasiūlo bandymą, bet ir padeda jį atlikti: robotai gali maišyti, kaitinti, sintetinti, matuoti, registruoti rezultatus ir perduoti duomenis atgal modeliui.
Tokia sistema gali veikti daug greičiau nei tradicinis rankinis bandymų ciklas, nes sujungia hipotezę, bandymą ir rezultatų analizę į vieną procesą.
Kitas kelias yra klinikinių tyrimų modernizavimas. 2026 m. FDA paskelbė iniciatyvą naudoti DI ir duomenų mokslo įrankius klinikinių tyrimų stebėsenai esamu laiku.
Agentūros atstovai nurodė, kad vien tarp pirmosios klinikinių tyrimų fazės ir paraiškos pateikimo reguliuotojui vidutiniškai 45 proc. laiko gali sudaryti „negyvas laikas“, susijęs su dokumentais ir administraciniais procesais. FDA teigimu, DI ir tikro laiko duomenų stebėsena kai kuriais atvejais galėtų sutrumpinti bendrą klinikinių tyrimų trukmę 20, 30 ar net 40 proc.
Tai labai svarbi mintis. DI nebūtinai panaikins būtinybę tirti vaistus su žmonėmis. Tačiau jis gali sumažinti laukimo laiką, administracinį vėlavimą, duomenų tvarkymo klaidas, ligonių atrankos problemas ir lėtą signalų analizę.
Kitaip tariant, DI gali ne tik atrasti daugiau kandidatų. Jis gali padėti išvalyti kelią, kuriuo šie kandidatai juda link tikro pasaulio.
Skaitmeniniai dvyniai ir virtualios ląstelės
Dar viena svarbi kryptis yra skaitmeniniai dvyniai ir biologinių sistemų simuliacijos. Paprastai tariant, mokslininkai siekia sukurti vis tikslesnius modelius, kurie galėtų numatyti, kaip ląstelė, organas ar net konkretaus ligonioo biologinė sistema reaguos į vaistą arba genetinį pokytį.
Tai skamba kaip iš ateities, tačiau pirmieji žingsniai jau žengiami. Stanfordo ataskaitoje virtualių ląstelių modeliai išskiriami kaip viena iš naujų medicinos krypčių.
Tokie modeliai siekia numatyti ląstelių reakcijas į vaistus ir genetinius trikdžius neatliekant kiekvieno bandymo fizinėje laboratorijoje. Tačiau svarbi sąlyga išlieka ta pati: šios prognozės vis dar turi būti patvirtintos bandymais.
Todėl skaitmeniniai dvyniai greičiausiai nepakeis klinikinių tyrimų per vieną naktį. Tačiau jie gali padėti geriau atrinkti kandidatus, numatyti pavojus, pritaikyti tyrimų dizainą ir sumažinti nesėkmių skaičių vėlesniuose žingsniuose.
Jeigu ši kryptis pasiteisins, mokslo procesas taps ne tiesiog greitesnis, bet ir protingesnis. Mažiau aklų bandymų. Daugiau kryptingų bandymų.
Didžioji problema: daugiau atradimų, nei mokslas spėja patikrinti
Čia slypi naujas mokslo iššūkis. DI gali sukurti tiek daug kandidatų, kad laboratorijos, reguliuotojai ir klinikinės sistemos tiesiog nespės jų visų patikrinti.
Tai jau matyti medžiagų moksle. „GNoME“ sugeneravo milijonus struktūrų, tačiau tik nedidelė jų dalis bus fiziškai susintetinta, ištestuota ir pritaikyta tikrose technologijose. Vaistų kūrime padėtis panaši: DI gali pasiūlyti daug daugiau molekulių, nei mokslininkai gali greitai pagaminti, išbandyti ir įvesti į klinikinius tyrimus.
Tai reiškia, kad ateities moksle didžiausia vertė gali būti ne vien naujų kandidatų generavimas. Dar svarbesnė bus atranka: kurie kandidatai tikrai verti laboratorijos laiko, investicijų ir klinikinio pavojaus.
DI padės generuoti sumanymus. Tačiau kitas svarbus žingsnis bus DI, padedantis nuspręsti, kurių sumanymų neverta tikrinti.
Autorius yra Kauno technologijos universiteto Matematikos ir gamtos mokslų fakulteto (KTU MGMF) mokslininkas ir „Hostinger“ dirbtinio proto techninis grupės vadovas
