#sztuczna-inteligencja-w-medycynie — Public Fediverse posts

AI wchodzi w ludzkie DNA. Evo 2 rozszyfruje tajemnice najbardziej skomplikowanych genomów

Pod koniec ubiegłego roku świat nauki żył premierą sztucznej inteligencji Evo, która potrafiła bezbłędnie analizować DNA bakterii i projektować dla nich nowe białka.

Sceptycy twierdzili, że system ten polegnie przy bardziej złożonych, ludzkich komórkach. Twórcy potraktowali to jednak jako wyzwanie. Właśnie udostępniono Evo 2 – potężny, otwartoźródłowy model AI wytrenowany na bilionach par zasad DNA wszystkich form życia.

Genetyka i sztuczna inteligencja to mariaż, który na naszych oczach zmienia medycynę i biologię. Zrozumienie zapisu DNA to jednak tylko połowa sukcesu. Prawdziwym wyzwaniem jest rozszyfrowanie, w jaki sposób z tego kodu powstają konkretne, funkcjonujące organizmy.

Dlaczego ludzkie DNA to koszmar dla algorytmów?

Pierwsza generacja modelu Evo odniosła sukces z prostej przyczyny: genomy bakterii są bardzo uporządkowane. Geny odpowiedzialne za pokrewne funkcje (np. trawienie konkretnego cukru) są zazwyczaj zgrupowane obok siebie i mają jeden, prosty układ sterujący. To sprawia, że są one stosunkowo łatwe do odczytania.

W przypadku tzw. eukariontów (czyli organizmów o komórkach zawierających jądro – od drożdży aż po człowieka) sprawa się komplikuje. Nasze geny są przerywane przez tzw. introny (fragmenty kodu, które niczego nie kodują), a ich systemy regulacyjne mogą być rozsiane po całym łańcuchu DNA, w setkach tysięcy par zasad stąd. Co gorsza, ogromna część ludzkiego genomu to tzw. „śmieciowe DNA” – nieaktywne wirusy i uszkodzone geny, które potęgują chaos informacyjny.

Wychwycenie wzorców w tym gąszczu, nawet przy użyciu specjalistycznego oprogramowania bioinformatycznego, jest obarczone dużym ryzykiem błędu (pamiętajmy, że ludzki genom to 3 miliardy par zasad!). I właśnie tutaj do gry wchodzą ogromne sieci neuronowe.

Trening na 8 bilionach znaków życia

Podstawą systemu Evo 2 jest sieć neuronowa o nazwie StripedHyena 2. Twórcy przeprowadzili jej dwuetapowy trening. Najpierw uczono ją rozpoznawania kluczowych cech na krótkich, 8-tysięcznych fragmentach, a następnie „karmiono” ją sekwencjami długimi na milion zasad, aby mogła dostrzec makro-wzorce.

Do szkolenia wykorzystano bazę OpenGenome2, zawierającą aż 8,8 biliona zasad DNA pochodzących ze wszystkich trzech domen życia (bakterii, archeonów i eukariontów). Co ważne, z powodów bezpieczeństwa badacze wykluczyli z bazy wirusy atakujące ludzi – istniała bowiem obawa, że system mógłby zostać wykorzystany do zaprojektowania nowych, groźnych patogenów.

Finalnie powstały dwie wersje modelu: mniejsza z 7 miliardami parametrów oraz potężna, flagowa wersja posiadająca aż 40 miliardów parametrów.

AI znajduje raka i rozpoznaje intruzy

Możliwości nowej sztucznej inteligencji są imponujące. Badacze udowodnili, że model potrafi bezbłędnie zlokalizować błędy i mutacje, nawet jeśli badacze zmienili tylko jedną, pojedynczą zasadę w całym łańcuchu. Evo 2 ocenia również wagę problemu – potrafi określić, czy dana mutacja jest nieszkodliwa, czy też drastycznie przerwie proces tworzenia białka.

W niektórych testach model przebijał dokładnością specjalistyczne oprogramowanie – świetnie radził sobie na przykład z analizą mutacji w genie BRCA2 (których obecność jest ściśle powiązana z ryzykiem wystąpienia raka piersi). System potrafił również samodzielnie zidentyfikować „pasożyty” na poziomie DNA (mobilne elementy genetyczne). Co najważniejsze – cały proces odbywa się bez utraty wydajności w analizie prostszych, bakteryjnych komórek.

Cały projekt Evo 2 (w tym parametry modelu, kod uczący oraz potężna baza danych OpenGenome2) został w pełni otwarty dla społeczności naukowej (Open Source). Badacze mają nadzieję, że udostępnienie tego potężnego narzędzia pozwoli w niedalekiej przyszłości nie tylko analizować komórki nowotworowe, ale być może również odkryć w naszym genomie funkcje i procesy, o których istnieniu do tej pory nie mieliśmy pojęcia.

Sztuczna inteligencja przyczyniła się do samobójstwa? Rodzina pozywa Google za działanie Gemini

AstraZeneca przestaje „wynajmować” AI. Przejmuje Modella AI, by przyspieszyć leczenie raka

W świecie Big Pharma do tej pory królowały partnerstwa. Gigant farmaceutyczny płacił firmie technologicznej za dostęp do algorytmów, i wszyscy byli zadowoleni. Chyba jednak nie wszyscy.

AstraZeneca właśnie wywróciła ten stolik. Koncern ogłosił przejęcie bostońskiego Modella AI na własność. Cel jest jasny: sztuczna inteligencja ma stać się integralną częścią badań nad rakiem, a nie tylko zewnętrznym dodatkiem.

Google DeepSomatic: nowa AI do precyzyjnego tropienia genetycznych przyczyn raka

Decyzja ta, ogłoszona przy okazji konferencji J.P. Morgan Healthcare, to sygnał, że w 2026 roku kończy się „etap eksperymentów”, a zaczyna walka o technologiczną suwerenność. Aradhana Sarin, CFO AstraZeneki, porównała dotychczasową współpracę z Modella AI do „jazdy próbnej”. Teraz firma kupuje samochód, by móc go dowolnie modyfikować wedle własnych potrzeb.

Patologia zdigitalizowana, czyli czego szuka AI?

Co potrafi Modella AI, że warto było wyłożyć na nią gotówkę (kwoty nie ujawniono)? Firma specjalizuje się w patologii ilościowej. W dużym uproszczeniu: algorytmy analizują obrazy z biopsji i próbek tkanek z precyzją nieosiągalną dla ludzkiego oka specjalisty-patologa.

AI łączy te obrazy z danymi klinicznymi, szukając ukrytych wzorców i biomarkerów. To kluczowe w onkologii precyzyjnej. Dzięki temu AstraZeneca chce lepiej dobierać pacjentów do badań klinicznych. Zamiast testować lek na szerokiej grupie „w ciemno”, AI wskaże osoby, u których terapia ma największe szanse powodzenia. To oznacza szybsze badania, mniej kosztownych porażek i – finalnie – szybciej zatwierdzone leki ratujące życie.

Kupić czy współpracować? Dwie drogi farmacji

Ruch AstraZeneki jest o tyle ciekawy, że stoi w kontrze do reszty rynku. W tym samym czasie Eli Lilly ogłosiło gigantyczne partnerstwo z Nvidią (warte miliard dolarów) na budowę wspólnego laboratorium AI.

Mamy więc zderzenie dwóch filozofii:

• Model współpracy (Eli Lilly + Nvidia): szybki dostęp do najnowszych czipów i mocy obliczeniowej, ale zależność od partnera.
• Model akwizycji (AstraZeneca + Modella): pełna kontrola nad kodem, danymi i zespołem inżynierów, co w silnie regulowanej branży medycznej może okazać się atutem.

Dla nas, potencjalnych pacjentów, najważniejszy jest efekt końcowy. Jeśli inżynierowie Modella AI, pracując teraz „ramię w ramię” z onkologami AstraZeneki, skrócą czas wdrożenia nowego leku na raka o rok czy dwa – nikt nie będzie pytał o model biznesowy.

Pomóż nam rozwijać iMagazine – ruszyło badanie czytelnictwa 2026

„Dr Google” traci dyplom. AI usuwane z wyników medycznych po serii groźnych błędów

Każdy z nas to robił: dziwny ból w boku, niejasny wynik badań i szybkie pytanie do wujka Google: „czy to rak?”.

Gigant z Mountain View chciał nam ułatwić życie, serwując gotowe podsumowania generowane przez AI na samej górze wyników. Okazuje się jednak, że był to pomysł fatalny w skutkach. Google po cichu wycofuje się z medycznych „AI Overviews” po tym, jak ujawniono, że algorytm udzielał porad zagrażających życiu.

Sprawa nabrała rozgłosu po śledztwie dziennikarzy The Guardian i organizacji British Liver Trust. Okazało się, że sztuczna inteligencja Google, mająca streszczać wiedzę medyczną, traktowała skomplikowane dane kliniczne z subtelnością cepa.

Pomóż nam rozwijać iMagazine – ruszyło badanie czytelnictwa 2026

Kontekst to klucz (którego AI nie ma)

Najbardziej jaskrawym przykładem były pytania o normy badań wątrobowych. Gdy użytkownik wpisywał wyniki krwi, AI serwowało mu „prawidłowe zakresy” w formie prostej listy. Problem w tym, że w medycynie „norma” jest pojęciem płynnym.

Algorytm kompletnie ignorował czynniki takie jak płeć, wiek, pochodzenie etniczne czy historia chorób. Podawał te same widełki dla 20-letniego studenta i 60-letniej kobiety. W efekcie pacjent z początkowym stadium choroby wątroby mógł otrzymać informację, że jego wyniki są „w normie”, co potencjalnie skłaniało do zbagatelizowania problemu i rezygnacji z wizyty u lekarza. AI nie rozumiało, że liczba bezpieczna dla jednej grupy, dla innej jest sygnałem alarmowym.

Zabawa w kotka i myszkę

Google zareagowało typowo dla korporacji: usunęło odpowiedzi na oflagowane, konkretne zapytania. Tyle że to walka z wiatrakami. Organizacje zdrowotne szybko zauważyły, że wystarczy lekko przeformułować pytanie (zmienić szyk zdania, użyć synonimu), by AI znów wypluło te same, błędne dane. To pokazuje fundamentalny problem modeli językowych (LLM) – one nie rozumują, one tylko przewidują kolejne słowo, nie mając pojęcia o wadze tematu.

Pułapka autorytetu

Dlaczego to tak niebezpieczne? Bo AI Overviews wyświetlają się na samej górze, w kolorowej ramce, spychając linki do rzetelnych źródeł (szpitali, klinik, pism medycznych) na dół strony. Lata korzystania z internetu nauczyły nas ufać pierwszemu wynikowi.

Google dostało bolesną nauczkę: AI świetnie nadaje się do streszczenia e-maila czy zaplanowania wycieczki, ale w medycynie wciąż jest niebezpiecznym dyletantem. Dopóki modele nie nauczą się kontekstu (lub Google nie nałoży sztywnych kagańców), bezpieczniej jest przewinąć stronę w dół i kliknąć w link, za którym stoi człowiek z dyplomem medycznym, a nie statystyka. To jednak nie znaczy, że AI jest nieprzydatne medycynie, wręcz przeciwnie, przeczytajcie.

Sztuczna inteligencja, która leczy? Jak model od Google DeepMind i Yale wskazał nowy kierunek w walce z rakiem