Fa quello che fanno i ricercatori, ma con una velocità inimmaginabile e la capacità dis-umana di processare contemporaneamente quantità mastodontiche di dati
L’intelligenza artificiale applicata alla ricerca e alla pratica clinica è oggi uno dei temi centrali in ambito medico. Il mondo è già pieno di strumenti in questo settore ma il passo ulteriore è stato lanciato da Google il 19 febbraio scorso: con AI Co-Scientist, oggi “esiste” un collaboratore virtuale, un co-scienziato appunto, capace di scandagliare montagne di dati, di individuare correlazioni impercettibili all'occhio umano, di formulare ipotesi innovative e di suggerire esperimenti rivoluzionari. In sostanza Co-Scientist non è solo una macchina velocissima che fa ciò che gli si dice di fare, e che impara autonomamente dalla propria esperienza di elaborazione dati sulla base dei nostri feedback. È un sistema che ha lo scopo primario di supportare gli scienziati nell’avanzare ipotesi di ricerca.
È un passaggio cruciale, e ormai non si tratta di discutere se e come, ma di regolamentarne bene l’uso. Come sempre con l’AI, non c’è stato un momento di discussione se questi strumenti saranno utili o meno. La comunità scientifica non ha elaborato una direzione su questi temi. La direzione la stanno dando le grandi aziende, che lavorano a queste tecnologie da anni e a un certo punto hanno raggiunto un primo obiettivo. Sistemi come AI Co-Scientist esistono già, sono già sul mercato.
COME FUNZIONA AI Co-Scientist
Il progresso scientifico procede così da 400 anni a questa parte: i ricercatori combinano ingegno e creatività con intuizioni ed esperienze basate sulla letteratura per generare ipotesi di ricerca nuove e praticabili. In molti campi, ciò presenta un dilemma di ampiezza e profondità, poiché è difficile orientarsi nella rapida crescita delle pubblicazioni scientifiche integrando intuizioni da domini sconosciuti.
Costruito su Gemini 2.0, AI Co-Scientist è progettato per rispecchiare proprio il processo di ragionamento alla base del metodo scientifico. Oltre alla revisione della letteratura standard, il sistema è progettato per formulare ipotesi e proposte di ricerca basandosi su prove precedenti e adattate a obiettivi di ricerca specifici. Inoltre, il sistema sfrutta strumenti come ricerche sul web e modelli AI specifici per garantire, si legge, la qualità e la pertinenza delle ipotesi elaborate.
Al momento – si legge - il ruolo del ricercatore rimane centrale, perché può interagire direttamente con l'AI tramite un'interfaccia di chat, un dialogo continuo che permette di fornire riscontri immediati e di introdurre nuove direzioni di analisi. Questa interazione assicura, per il momento, un controllo umano sul processo di scoperta.
I PRIMI TEST
Una caratteristica chiave dell’AI Co-scientist è la sua capacità di scalare la potenza computazionale durante il processo di elaborazione scientifica. Tramite un meccanismo di auto-valutazione, il sistema esegue confronti tra le ipotesi proposte, selezionando e affinando progressivamente le soluzioni più promettenti. Studi condotti su 15 obiettivi di ricerca in diverse discipline hanno dimostrato che il sistema supera i modelli AI più avanzati, producendo ipotesi valutate come più originali e ad alto impatto dagli esperti del settore, si legge sul sito di Co-Scientist. Certo, aggiungiamo noi, per valutare se si tratta davvero di ipotesi originali serve tempo.
In ogni modo, l’efficacia dell’AI Co-scientist è stata testata attraverso esperimenti in laboratorio su tre ambiti biomedici cruciali: il riposizionamento di farmaci per la leucemia mieloide acuta, la scoperta di nuovi target terapeutici per la fibrosi epatica e l’analisi dei meccanismi di resistenza antimicrobica. Quest’ultima è una delle sfide più ardue di questo secolo per la ricerca scientifica.
In ciascun caso, le ipotesi formulate dal sistema sono state validate tramite esperimenti in vitro e il riscontro di esperti, confermando il potenziale dell’AI Co-scientist nel supportare scoperte scientifiche concrete. Per approfondire il potenziale del sistema e valutarne le applicazioni pratiche, è stato avviato un programma Trusted Tester che consentirà a centri di ricerca e istituzioni accademiche di sperimentare l’AI Co-scientist.
COME TROVARE NUOVI TARGET TERAPEUTICI
Trovare nuovi bersagli terapeutici è un processo più complesso rispetto al riposizionamento dei farmaci. Mentre quest’ultimo si basa sull’uso di farmaci già esistenti per nuove indicazioni, l’identificazione di target terapeutici richiede di individuare specifiche molecole o meccanismi biologici coinvolti in una malattia. Questo processo spesso risulta non ottimale a causa della difficoltà nel selezionare ipotesi promettenti e nel dare la giusta priorità agli esperimenti in vitro (in provetta o su cellule) e in vivo (su organismi viventi).
L’AI Co-scientist è stato testato per valutare la sua capacità di formulare, classificare e sviluppare ipotesi e protocolli sperimentali per la scoperta di nuovi target terapeutici, concentrandosi sulla fibrosi epatica. Questa condizione, caratterizzata da un'eccessiva produzione di tessuto cicatriziale nel fegato, rappresenta una sfida clinica significativa. L’AI ha dimostrato il suo potenziale individuando bersagli epigenetici con attività anti-fibrotica, basandosi su evidenze precliniche. Questi risultati sono stati validati in organoidi epatici umani, modelli tridimensionali di tessuto derivati da cellule umane che replicano la struttura e la funzione del fegato. Ulteriori dettagli su queste scoperte saranno pubblicati in un prossimo studio condotto in collaborazione con l’Università di Stanford.
QUALI PRO PER LA MEDICINA PERSONALIZZATA?
Uno strumento come questo potrebbe aprire porte nuove anche nell'ambito delle terapie avanzate per una medicina sempre più personalizzata. Un esempio: analizzando il profilo genetico di un paziente, l'AI potrebbe prevedere la sua risposta a diverse terapie, ottimizzando il dosaggio dei farmaci e minimizzando gli effetti collaterali. Potrebbe essere in grado di ideare un sistema in grado di progettare vaccini personalizzati contro il cancro, o di creare vettori virali su misura per terapie geniche sempre più efficaci. Nel campo della medicina rigenerativa, l'AI potrebbe progettare biomateriali intelligenti, capaci di guidare la rigenerazione di tessuti danneggiati.
Gli organoidi, ad esempio, sono modelli tridimensionali di organi umani e rappresentano un'altra frontiera promettente per la ricerca biomedica. L'AI potrebbe analizzare immagini ad alta risoluzione di questi organoidi, individuando anomalie e cambiamenti morfologici associati a diverse malattie. Potrebbe ottimizzare le condizioni di coltura, migliorando la riproducibilità e l'affidabilità dei modelli.
SARANNO DAVVERO LE MIGLIORI IPOTESI
Al netto dei problemi di bias, che riguardano tutte le AI, il rischio principale è quello di sovrastimare l’effettivo potere di questi sistemi. In altre parole, chi ci dice che davvero individui le migliori ipotesi, indirizzandoci verso lo sviluppo di terapie che altrimenti non saremo in grado di sviluppare nella stessa unità di tempo? E se alla fine l’AI ci facesse perdere del tempo? Potrebbe trovare correlazioni spurie nei dati, portando a "false scoperte" che non si traducono in risultati reali. Questo è un rischio soprattutto quando si analizzano grandi quantità di dati complessi. Oltre al fatto che alcuni sistemi di AI, come le reti neurali profonde, possono essere difficili da interpretare. Questo significa che potrebbe essere difficile capire come il sistema è arrivato a una determinata conclusione, rendendo difficile la verifica e la validazione dei risultati.
