Как генеративный ИИ может ускорить биомедицинские исследования
Генеративный ИИ, включая такие инструменты, как ChatGPT, Bard и GitHub Copilot, прошедшие обучение на огромных массивах данных, открывает новые возможности для анализа не только человеческого языка, но и «языка» биологических систем.
Анализ «языка» биологии
Современные языковые модели, обученные на научных текстах, знают то, что уже известно науке, но страдают от тех же предубеждений и пробелов в знаниях. Поэтому исследователи стремятся создавать генеративные модели, которые обучаются непосредственно на сырых биологических данных (например, о работе генов, клеток и тканей), минуя человеческую интерпретацию.
Такая модель, обученная на данных о клетках и тканях, могла бы:
- Генерировать данные, описывающие новые состояния клеток или тканей.
- Делать прогнозы о взаимодействии клеток.
- Дообучаться на данных интервенционных экспериментов (например, генетических или фармакологических скринингов) для предсказания результатов будущих исследований.
Мультимодальный ИИ и генерация гипотез
Перспективное направление — мультимодальный генеративный ИИ, который объединит языковые модели с моделями, обученными на биологических данных. Это позволит:
- Использовать непредвзятые модели биологии для анализа.
- Удобно взаимодействовать с системой через естественно-языковые запросы.
Такие системы могут стать мощным инструментом для генерации гипотез. Например, в разработке лекарств модель, обученная на данных множества экспериментов, могла бы предлагать потенциальные мишени для терапии. Даже если часть предсказаний окажется неверной, они могут служить отправной точкой для последующей экспериментальной валидации, которая, в свою очередь, улучшит точность модели.
Польза для программирования и риски
В области разработки ПО инструменты вроде GitHub Copilot уже полезны для:
- Написания стандартных, шаблонных частей кода.
- Документирования и комментирования кода.
Основные риски связаны со склонностью моделей к «галлюцинациям» (уверенному порождению ложной информации) и потенциальным злоупотреблением для генерации дезинформации в масштабах, превосходящих человеческие возможности по проверке фактов.
Вывод
В научной среде, где принят критический подход, генеративный ИИ обещает помочь справиться с экспоненциальным ростом объемов данных. Эти инструменты могут стать незаменимыми для выявления закономерностей в данных быстрее и менее предвзято, чем это могут делать люди-эксперты.