Man kan teoretisk anslå at det finnes flere unike biologiske interaksjoner enn det finnes stjerner i vårt kjente univers.
Livets biologiske fundament er bygget på et ubegripelig stort nettverk av interaksjoner, hvor molekyler, celler, systemer og organismer konstant kolliderer med hverandre.
Les: Japan vil bygge en solring rundt Månen – for å skape uendelig energi
I århundrer har forskere og leger stolt på målrettede teknikker og isolerte observasjoner. Gjennom langsom, gjentakende og delt oppdagelse over generasjoner har vi utviklet vår forståelse av biologi, og brukt brøkdeler av kunnskap til å muliggjøre livsendrende tilnærminger for bare et lite antall sykdomstilstander og dysfunksjoner.
Menneskeheten går nå inn i en ny æra av vitenskapelig oppdagelse, hvor vi bruker kunstig intelligens til å lære om og resonnere rundt komplekse biologiske utfordringer.
Kunstig intelligens
Gjennomtenkte implementeringer avslører ny informasjon som kan løse betydelige problemer i skjæringspunktet mellom biologi og medisin.
Ved å bruke KI kan vi organisere og oppfatte kompleksiteten i biologiske interaksjoner i større skala enn det menneskehjernen naturlig er i stand til. Disse rammeverkene støttes av økende mengder eksperimentelle data, muliggjort av raskt forbedrende analytiske teknologier.
Et mye omtalt eksempel på KI i biologi er Nobelprisen i kjemi for 2024, som gikk til AlphaFold – en KI-modell som forutsier proteinstrukturer og interaksjoner basert på statistiske regelmessigheter i strukturelle og evolusjonære data.
Proteiner, som er ansvarlige for en enorm andel av biologiske interaksjoner, kan nå utforskes systematisk virtuelt i løpet av timer eller dager. Dette omgår konvensjonelle metoder som krever uker, måneder eller til og med år med arbeid.
AlphaGenome, en annen av Google DeepMinds KI-drevne modeller, gjør det nå mulig for forskere raskt og effektivt å forutsi hvordan genvarianter bidrar til genetiske landskap som driver sykdom og dysfunksjon.
Disse banebrytende KI-tilnærmingene (og andre) brukes allerede bredt innen kreft, Alzheimers sykdom, pandemiberedskap og andre områder.
Korrelasjon versus årsak og virkning
Det er viktig å merke seg at KI-feltet for tiden er dominert av modelleringstilnærminger som er statistiske av natur – det vil si at disse modellene lærer korrelasjoner, snarere enn årsak og virkning.
Dette skillet er viktig. Statistiske modeller er begrenset av den konteksten de kan anvendes innenfor.
Dette leder oss til det store overordnede spørsmålet i feltet i dag: Hvordan fanger vi årsak og virkning av hver eneste interaksjon som finnes innenfor dette tåkete nettet vi kaller biologi?
Moderne løsninger på dette spørsmålet utforskes gjennom hybride beregningsrammeverk. Dette er modeller som kombinerer den begrensede strukturerte kunnskapen vi har om biologiske systemer og hvordan de fungerer, med multimodale datasett.
Men hva mener jeg med kunnskap? Fra et naturvitenskapelig perspektiv: etablerte årsaksmekanismer eller grunnleggende lover innen fysikk, kjemi og biologi.
Fra et medisinsk perspektiv: etablerte mekanismer for sykdomsprogresjon eller aldring.
Og multimodale datasett? Data innhentes for å observere biologi og medisin fra ulike perspektiver. Dette kan være:
- Bilder av biologi som gir informasjon om romlige kjennetegn ved friske eller syke tilstander.
- Kvantitative data som gir informasjon om uttrykk av metabolitter, gener, proteiner, epigenetikk eller andre aspekter ved biologisk identitet og funksjon.
- Medisinske data som gir informasjon om de mange variablene som kan (eller ikke kan) spille en rolle i sykdomsutbrudd og -progresjon.
Dette er bare noen få eksempler. Som du kanskje forstår, er ikke dette en enkel oppgave.
Trening av KI-modeller
Arc Institute er én av flere grupper som angriper dette problemet ved å lære biologiske representasjoner på cellenivå.
Forskere ved Arc Institute trener KI til å forstå hvordan gennettverk interagerer for å utgjøre cellulær identitet på tvers av over 150 millioner celler fra ulike organer i kroppen.
Deretter utfører forskerne forstyrrelser – de gjør bevisste inngrep i biologien for å forstå årsaker og virkninger som driver biologiske endringer. Disse endringene har implikasjoner for cellulær funksjon eller identitet.
Dataene fra disse eksperimentene gir informasjon om årsaksmekanismer i biologi.
Dette betyr å gi informasjon om direkte årsak og virkning, samt kompensatoriske mekanismer (hvordan biologien forsøker å tilpasse seg som respons på endringer) og biologisk variasjon (hvordan én celle kan avvike i sin respons fra en annen).
Disse resultatene integreres i modellarkitekturen for å optimalisere hvor godt modellen lærer å forutsi en statistisk-årsaksbasert representasjon av celletilstand. Det vil si en representasjon som er årsaksinformert, men som også fanger statistiske representasjoner av hvordan et stort antall egenskaper (inndatavariabler) interagerer.
Denne tilnærmingen, og lignende tilnærminger, driver feltene biologi og medisin fremover i et akselererende tempo.
Men biologi er svært komplekst. Spørsmålet gjenstår: Hvordan binder vi ett aspekt ved biologisk tilstand (som gener uttrykt for en gitt celleidentitet eller -funksjon) til de mange andre aspektene som driver identitet og funksjon i biologiske sammenhenger?
Ekstraordinær kompleksitet
Det kan ikke nektes at årsaksbevisste KI-systemer har potensial til å akselerere legemiddeloppdagelse, optimalisere personlige behandlingsanbefalinger og til og med tilby nye mekanistiske løsninger på tvers av biomedisinsk vitenskap og medisin.
Imidlertid er det betydelige utfordringer knyttet til å oppnå disse resultatene. Biologiske systemer er ekstraordinært komplekse.
Disse systemene er høy-dimensjonale, noe som betyr at de opererer i skjæringspunktet mellom et svært stort antall variabler. De er også konfunderende, ettersom biologisk variasjon gjør det vanskelig å skille viktig informasjon fra støy.
Videre er biologien rik på kompensatoriske mekanismer som er innvevd i vår evolusjon – biologien forsøker å korrigere eller kompensere for seg selv når én variabel avviker.
Selv begrenset årsaksevidence er vanskelig å skille fra korrelasjon i biologiske systemer, enten det er eksperimentelt i laboratoriet eller medisinsk i klinikken.
Det finnes også andre utfordringer:
- Utilstrekkelige data, eller mangel på kritisk informasjon i eksisterende datasett.
- Uoverensstemmelser og skjevheter i datainnsamling, inkludert, men ikke begrenset til, underrepresentasjon og perspektivskjevheter i mange sammenhenger.
- Etikk i KI – et tema man kan skrive flere bøker om, knyttet til helse, medisin og alt annet.
Spørsmålet gjenstår likevel: Hvordan kan vi pålitelig implementere, tolke og oversette disse systemene til løsninger, til tross for alle disse hindringene?
Regenerativ kompetanse
Vårt eget team, Biernaskie-laboratoriet ved University of Calgary, bruker nettopp disse tilnærmingene.
Vi studerer hvordan reinsdyr regenererer gevirer sine – både sesongmessig og etter skade. Vårt arbeid går ut på å først modellere, deretter forutsi, og til slutt tilrettelegge for denne regenerative kompetansen hos mennesker.
Vårt første mål er å regenerere sunn hud hos brannskadede eller betydelig forbedre helingsutfall.
Alvorlige brannskader resulterer i fibrotisk arrdannelse – en evolusjonær mekanisme som bevarer liv ved å minimere risikoen for blødning og infeksjon. Resultatet er dysfunksjonelt arrevev uten svettekjertler, hårsekker eller de fleste av celletypene som koordinerer sunn hud.
Brannskader er mest vanlig hos barn, og de fysiske, sosiale og psykologiske effektene av alvorlige brannskader skaper en betydelig belastning gjennom hele overlevendes liv.
Andre laboratorier rundt om i verden er opptatt av å bruke KI til å løse komplekse problemer innen helse og medisin, med fokus på et bredt spekter av tilnærminger. Dette spenner fra dypere integrasjon av data på tvers av omics og bildediagnostikk, til forbedrede teoretiske og eksperimentelle rammeverk for validering av årsaksmekanismer, robust syklisk validering for å fremme prediksjoner ved hjelp av prekliniske eksperimenter, og transparente, rettferdige og etiske rammeverk.
Fagfolk på tvers av dette tverrfaglige feltet kan sammen være på vei til å låse opp en ny æra innen helse og medisin.
Les på Radiosporten: Bodø/Glimt spillerne verdt over tre ganger så mye som Eliteserie leder Tromsø
