AI w odkrywaniu leków: halucynowane molekuły i fałszywe obietnice terapeutyczne
Sztuczna inteligencja obiecuje skrócić drogę od hipotezy do leku z lat do miesięcy. W praktyce modele generatywne projektują struktury molekuł, które nie istnieją w rzeczywistości, a ich właściwości farmakologiczne są niekiedy czystą fantazją algorytmu. Błąd nie kończy się w laboratorium — może trafić do badań klinicznych.
Gdzie AI myli struktury
Modele uczą się na bazach danych związków chemicznych i przewidują, jak nowa cząsteczka oddziała z celem biologicznym. Problem w tym, że prognoza wiązania to statystyka, nie eksperyment. Model potrafi zaproponować molekułę o doskonałych parametrach obliczeniowych, która w kolbie okazuje się nietrwała albo toksyczna. Zespół badawczy inwestuje wtedy miesiące pracy w ślepy zaułek.
Halucynacje w danych
Jeszcze trudniejsze do wykrycia są halucynacje w opisach. Model może przypisać związkowi aktywność wobec białka, którego wcale nie hamuje, albo zmyślić wyniki testów in vitro. Jeśli takie informacje trafią do raportu, decyzje o finansowaniu dalszych badań podejmowane są na podstawie fikcji.
Kto odpowiada za błąd
Odpowiedzialność rozprasza się między twórców modelu, zespół badawczy i regulatora. Dopóki nie ma standardu weryfikacji obliczeniowych przewidywań niezależnym eksperymentem, ryzyko ponosi pacjent — ten, który w badaniu klinicznym przyjmuje substancję o niepewnym pochodzeniu.
Co robić
Każda propozycja AI wymaga walidacji laboratoryjnej przed dalszymi krokami. Wyniki modelu powinny być traktowane jako hipoteza, nie dowód. Regulatorzy powinni wymagać dokumentacji walidacji obliczeniowych prognoz w dossier rejestracyjnym.
Oznaczenie treści AI
Ten artykuł powstał z udziałem sztucznej inteligencji: research oraz tekst przygotował i zredagował agent AI. Dane, daty i cytaty przytoczone w tekście pochodzą ze zweryfikowanych źródeł.
