Kiedy AI stworzy lek na raka (gość: Piotr Byrski) | TECHNOFOBIA

Jak sobie popatrzymy na ten proces właśnie rozwoju leku, od tej hipotezy wstępnej targetu do IND, czyli aplikacji już leku do badań klinicznych, tuż przed badaniami klinicznymi, To może ja będę mógł w tej samej cenie poprowadzić 5 albo 10 takich procesów. Ja się troszeczkę bawiłem w Competitive Mathematics jak byłem młodszy i jakby dla mnie jest zupełnie niezwykłe i niesamowite, że AI jest w stanie zdobyć obecnie złoty medal na... Międzynarodowej Olimpiadzie Matematycznej albo wygrać te zawody ACM, ACPC, czyli najlepsze, najbardziej prestiżowe na świecie zawody programowania studentów. Uważam, że dane rozumiane statycznie też mają pewien problem, bo właśnie ciężko w ogóle myśleć o przewadze konkurencyjnej jako o czymś statycznym.

Tak. Tak, my jesteśmy w ogóle ufundowaniem takim, wierzę w to, że w erze galopującej AI, sztucznej inteligencji, gdzie postęp, przełom goni przełom tak naprawdę, w branży biotech te przełomy jeszcze tak się bardzo nie wdrożyły. Mieliśmy taki, powiedzmy, first wave of AI in biotech. To już tak, powiedzmy, od 2015-16 roku spokojnie, dość intensywnie. Był peak w czasach covidu. Natomiast problem polega na tym, że infrastruktura badawcza w przemyśle farmaceutycznym, biotechnologicznym nie do końca nas za tym nadąży, nie do końca jest do tego dopasowana.

Co masz na myśli? Jak pewnie wiesz, AI jest, zwłaszcza ta generatywna AI wokół dużych modeli językowych, ale też innych zastosowań, jest bardzo łasa na dane. Potrzebuje tych danych bardzo dużo i tam, gdzie jesteśmy w stanie tych danych AI dostarczyć dużo, tam obserwujemy przełomy. Nie jest to przypadkiem, że w nauce, tak naprawdę w researchu, pierwsze wielkie osiągnięcia AI są w matematyce czy w computer science, bo tych danych jest po prostu bardzo dużo i jesteśmy w stanie je dostarczać modelom.

W natural sciences, takich jak biologia, chemia, to jest trudne. Bo każdy eksperyment, każdy data point, który sobie generujemy na temat rzeczywistości, jest drogi. I właśnie to jest jedna z rzeczy... Tak wchodząc trochę... Na trochę szerszą perspektywę, to jest jedna z rzeczy, którą my chcemy naprawić. To znaczy, my chcemy, żeby eksperymenty w świecie realnym były dużo tańsze niż są obecnie. Bo wtedy, tylko wtedy naszym zdaniem, jesteśmy w stanie odblokować Ta podobną eksplozję, AI eksplozję sztucznej inteligencji w zastosowaniach chemicznych, biologicznych, związanych z realnym światem.

No i takim podstawowym pojęciem w tym naszym gotowaniu jest reakcja chemiczna. Reakcja chemiczna, czyli składamy sobie dwie cząsteczki, cząsteczka A, cząsteczka B, no i liczymy na to, że nam powstanie coś, co byśmy chcieli, żeby powstało. Powiedzmy cząsteczka C. I głównym pytaniem, na którym odpowiada nasza AI, to jest to, czy to zajdzie w świecie realnym, czy nie. To znaczy, mamy jakieś teoretyczne wyobrażenie tego, jak to powinno zajść. I nie wiemy na pewno, bo nie mamy danych eksperymentalnych. No i chcemy, żeby nasza AI z dokładnością 85-90-95% była nam w stanie na takie pytanie odpowiedzieć.

Jak to robimy? Jak trenujemy to AI? Po prostu robiąc bardzo dużo takich eksperymentów i dostarczając właśnie tych informacji na temat tego, czy to jest sukces, czy to jest porażka, co to znaczy, że to jest sukces, jak dużo powstało tej substancji, którą chcieliśmy zrobić. No i tak jak mówisz, to jest w pewnym sensie taki trochę digital twin dla to, co tworzymy. Czy wy to musicie robić sami u siebie te eksperymenty, czy możecie też kupować dane od innych podmiotów? To jest bardzo dobre pytanie, bo my w ogóle zaczęliśmy... Zaczęliśmy z taką wiarą, że te dane istnieją na rynku.

A jeśli trenujemy AI, które ma rozróżniać eksperymenty udane od nieudanych i dajemy mu tylko udane, Więc dajemy mu bardzo wysoką poprzeczkę i jednocześnie sobie szklany sufit, czego realnie możemy, jeśli chodzi o performance, takiego AI oczekiwać. No i my na ten szklany sufit dość szybko trafiliśmy, bo jeśli chodzi o zespół po stronie machine learningowej, jesteśmy w absolutnej topce. I jeżeli chodzi o te narzędzia stworzone na patentach czy na literaturze naukowej, też nasze rozwiązanie w tym roku wygrało taki konkurs światowy dla najlepszego narzędzia tego typu.

No i potem już dopasowujemy te wyniki modelu do konkretnego laboratorium, do konkretnego sposobu wykonywania tych reakcji. Brzmi to bardzo fajnie. Wydaje mi się, że wasza technologia, wasz pomysł na pomaganie branży farmaceutycznej powinien być absolutnie... powinni się być noszeni na rękach. Czy tak się dzieje? Czy raczej jest tak? Domniemuję, i to jest moja teza, że branża może podchodzić do was, hmm, przez ileś tam setek lat robiliśmy badania i było okej, a przyszli jacyś młodzi z AI-em i próbują to wszystko wywrócić do góry nogami. Co oni tutaj będą nam mówili? Szczerze mówiąc widzimy jedno i drugie tak naprawdę.

To jest w ogóle szalenie ciekawy problem, bo mamy... Białka, czyli to, co nas buduje, jest zbudowane z 20-21 aminokwasów, które sobie jakoś tam oznaczamy, a potem to, jak to białko się układa w przestrzeni, było szalenie trudnym problemem i znowu powszechnie uznawanym na zasadzie nie wiemy. Możemy sprawdzić eksperymentalnie i wtedy jest super, wtedy wiemy, ale dla białka, którego nie sprawdziliśmy eksperymentalnie, to nie działa. No i przyszli ludzie z AI, zostali wyśmiani. Serio tak było? Oczywiście, że tak. Co to w ogóle jest? Google się bawi, jakieś dzieciaki, które tam wygrały w jakieś gry, no bo to już było po AlphaGo.

Wygrali w jakieś gry, no tam wiadomo, że AI mogło sobie poradzić, ale tutaj sobie nie poradzi. Tam mieli o tyle fajną sytuację, że mieli taki level playing field, to znaczy, że co dwa lata odbywał się taki konkurs, w którym wszyscy święci tego przewidywania struktur białkowych występowali. No i powiedzieli, dobra, no to my też wystartujemy w tym. No i dalej byli wyśmiewani. No i wystartowali i wygrali z marszu, tak? W pierwszym konkursie, w którym wystartowali, wygrali go. Wygrali go nie trochę, wygrali go absolutnie zdecydowanie. W drugim konkursie, w którym wystartowali dwa lata później, zakończyli w ogóle istnienie tego konkursu.

Bardziej myślimy o 2026 roku, żeby już bezpośrednio operacyjnie rozwijać się w Stanach. No i to są, to są duże różnice czasami, bo jest taka firma teraz Periodic Labs, która też, oni trochę po stronie bardziej material science pracują, my po stronie farmaceutycznej, oni po stronie material science. I oni mają w sumie bardzo podobną tezę w pewnym sensie do nas. To znaczy, że musimy zbudować nową infrastrukturę badawczą po to, żeby AI działające agentowo, jako taki AI naukowiec, AI scientist, było w stanie samemu testować hipotezy, generować kolejną rundę hipotezy i w pewnym sensie w takiej zamkniętej pętli dokonywać odkryć naukowych.

To jest liczba, gdzie jest to teoretycznie możliwe. Jest 10 do potęgi 60, 62. Bardzo dużo. Bardzo dużo, tak. 50 rzędów wielkości. Dla porównania liczba atomów we wszechświecie to jest chyba mniej więcej 10 do 80. Więc mamy się gdzie poruszać, mamy co odkrywać i myślę, że nie jesteśmy w stanie tego zrobić samemu, bez pomocy AI. Powiedziałeś o tym, że w waszym, czy w całej branży, w której wy się też poruszacie, problem jest to, że dane, które musicie pozyskać po to, żeby wytrenować swój model, nie zawierają informacji o błędach, o failach.

Tak. To tak postaram się teraz... To dlaczego same firmy typu właśnie Big Pharma nie zrobiły... Mając już wiedzę na temat tego, że istnieje AI, generatywne AI, nie wezmą sobie jakiegoś modelu i nie wytrudnią na swoich danych, tak? Bo to by wydawało mi się dosyć logiczne. Nie muszą dzielić je, ale sobie zrobią to wewnętrznie. Jasne. To jest myślę, że bardzo... Bardzo dobre pytanie i jest kilka takich... Może na trzy rzeczy zwrócę tutaj uwagę. Pierwsza jest taka, że oni trochę to robią, tak? To znaczy są w niektórych rzeczywiście największych firmach takie programy, że okej, mamy trochę tych danych, mamy sporo tych danych, zobaczymy, co nam z tego wyjdzie.

No i rzeczywiście te modele często są lepsze niż te modele publicznie, no bo jakby te dane negatywne robią swoją robotę. Natomiast, i to jest druga rzecz, którą chciałbym powiedzieć, one nie do końca... Budowa takiego, powiedzmy... Names mentioned. Byrski, Piotr, molecule.one, Standard Industries, American Chemical Society CAS. AI scientist był w stanie samemu, w pewnym sensie, czy w jakiejś zamkniętej pętli z laboratorium, dokonywać analizy tych danych, dokonywać odkryć, która mogłaby doprowadzić do czegoś niespodziewanego.

Możliwość wykonywania nowych. Możliwość wykonywania setek tysięcy, milionów eksperymentów w bardzo niskim koszcie po to, żeby to był proces, w którym to AI się rozwija, a nie pewien snapshot rzeczywistości, który mamy dzisiaj. I dalej potem rozwijamy się w tym samym tempie, co rozwijaliśmy się wcześniej. To może to jest głupie pytanie, głupia propozycja, ale... Poczekaj, może być głupie, bo oczywiście wiesz, mam zerowo praktycznie znajomość w waszej branży, ale czy pewnym pomysłem nie byłoby stworzenie podmiotu, który zajmowałby się tworzeniem... Wręcz maszynowo eksperymentów i sprzedawanie Wam ich wyników właśnie z otagowaniem na wszystkich poszczególnych poziomach.

Zwłaszcza jak patrzysz bardziej z tej perspektywy technologicznej. Zwłaszcza w naszej branży, ale tak naprawdę nie tylko. W sumie nawet nie tylko w naszej branży. Modele nie są zazwyczaj źródłem stabilnej przewagi konkurencyjnej. To znaczy, jest takie słynne memo, które wyciekło z Google'a. Wyciekło lub zostało wycieknięte. We have no mode, tak? To było takie zdanie. But neither has open AI. No i to jest coś, co my w naszej branży bardzo widzimy. To znaczy, że modele, które, jeśli chodzi o jakąś tam architekturę, modele, które są publikowane jako state of the art model, przeżywają 4 do może 8 miesięcy.

Wydaje mi się, że długofalowo, jak AI nam rzeczywiście przeora ten rynek researchu medycznego, na co mam nadzieję, jest możliwe, że to będzie możliwe troszeczkę albo do skrócenia, albo że będziemy w stanie ułożyć to w nieco inny sposób, żeby właśnie trzymać incentywy, a jednocześnie uwolnić dostępność większą do takiego leku trochę wcześniej. Na razie jesteśmy, jesteśmy w ogóle w takim okresie, że jest bardzo dużo, jest tak zwany patent cliff, to znaczy bardzo dużo leków, które przynosiły przychody rzędu kilku, kilkunastu nawet, w pewnych przypadkach miliardów dolarów rocznie, kończy im się ochrona patentowa.

Piotr Sankowski twierdzi, że matematyka będzie pierwszą dziedziną wiedzy, gdzie AI osiągnie możliwości nadludzkie. Czy coś takiego również myślisz, że stanie się z chemią dzięki AI? Myślę, że tak. Myślę, że zgadzam się z Piotrem, bo rozmawialiśmy też na początku rozmowy chyba o tym, że właśnie mamy... Ja się troszeczkę bawiłem w Competitive Mathematics jak byłem młodszy i jakby dla mnie jest zupełnie niezwykłe i niesamowite, że AI jest w stanie zdobyć obecnie złoty medal na... Międzynarodowej Olimpiadzie Matematycznej albo wygrać te zawody ACM i ACPC, czyli najlepsze, najbardziej prestiżowe na świecie zawody programowania studentów.

Więc tak, uważam, że to jest kwestia dostępności danych i dostępności sposobu do generowania nowych danych na temat rzeczywistości. I we're gonna get there. Mhm. W 2023 dzięki Graph Networks for Materials Exploration naukowcy dokonali odkrycia dwóch, ponad dwóch milionów nowych kryształów, z czego 380 tysięcy okazało się stabilnymi. Moja wyobraźnia od razu podążyła tą ścieżką, kiedy sobie o tym pomyślałem. Skoro to się udało z kryształami, no to może z formami życia też by to się udało. Czy sądzisz, że w bliskiej przyszłości, wiem, że to może być trochę science fiction, futurologia, ale czy wyobrażasz sobie takiego AI, który jest w stanie stworzyć, wiesz, naciskasz klawisz, czekasz ileś godzin, tygodni, może miesięcy i nagle on wypluwa z siebie, zobacz, zupełnie nowe formy życia.

Ostatnie pytanie. AI odkryje lek na raka? Dzięki AI odkryjemy lek na raka? Myślę, że to są dwa różne pytania i myślę, że odpowiedź na oba brzmi tak. Jedna rzecz. Lek na raka mamy dopiero w momencie, kiedy zostało udowodnione w badaniach klinicznych, że działa lek na raka. Musimy być bardzo pokorni. Jest mnóstwo cząsteczek odkrytych przy pomocy AI już teraz. Szerze setki, jak nie tysiące, które mają potencjalną aktywność przeciwnowotworową. Nie wiem, czy którąś bym powiedział odkryta przez AI, ale na pewno odkryta przy pomocy AI. Żadna z nich nie jest jeszcze skuteczna.

Żadna z nich nie ma jeszcze udowodnionej skuteczności. Dotrzemy tam. Myślę, że dość szybko. Myślę, że w ciągu bardziej dwóch, trzech lat niż więcej. Natomiast w ciągu 10 lat myślę, że dojdziemy również do sytuacji, gdzie to AI samo wygenerowało hipotezę badawczą, samo zaprojektowało eksperymenty, aby ją sprawdzić i iterowało, aż dotarło do momentu, w którym zaproponowało rzeczywiście kandydata na lek. I mam nadzieję, że wciąż my jako ludzie mieliśmy ostatnie słowo, żeby zdecydować o tym, czy ten kandydat będzie sprawdzony, czy nie.

Bardzo Ci dziękuję. Piotr Byrski był moim i Waszym gościem. Bardzo dziękuję, Arturze. Fascynująca rozmowa. Wiele się nauczyłem, chociaż jestem absolutnie zielony pod kątem chemii, już nie mówiąc o wchodzeniu w te obszary, w których Ty działasz i Wy się zajmujecie w molecule.one. Natomiast powiem szczerze, przygotowując się do naszej rozmowy, Głowa mi wybuchła, ile fajnych rzeczy można tworzyć już teraz, jak bardzo szerokie właśnie daje nam możliwości AI i co to połączenie już naszych doświadczeń obecnych plus właśnie uczenia maszynowego może wytworzyć, więc mam nadzieję, że pokażecie już niebawem właśnie, że ten przełom jest możliwy i będziecie jedną z tych niewielu, a być może jedyną firmą na świecie, która...