Cyfrowi chemicy z intuicją. Agenci AI drastycznie skracają odkrywanie leków

Tradycyjne metody badawcze, oparte na ludzkiej intuicji i samodzielnym analizowaniu literatury, coraz częściej ustępują miejsca zaawansowanym algorytmom. Nowo opracowane systemy wykorzystują zespoły wyspecjalizowanych agentów sztucznej inteligencji, które potrafią odtworzyć i przyspieszyć procesy myślowe zachodzące w ludzkim umyśle. Narzędzia te radzą sobie z zadaniami wymagającymi dotychczas wielomiesięcznych analiz, dzięki czemu badacze mogą niemal błyskawicznie generować wartościowe hipotezy naukowe do dalszego testowania.

"To wygląda niemal jak agentyczna implementacja in silico procesu myślowego w głowie naukowca" - skomentował Vivek Natarajan, badacz z Google DeepMind. "Celem jest danie naukowcom supermocy".

Mimo imponującego tempa działania systemy te wciąż potrzebują człowieka zarówno do ich orkiestracji (czyli zarządzania nimi) oraz do weryfikacji na kluczowych etapach pracy. Opierają się one bowiem na dużych modelach językowych, które bywają podatne na tzw. halucynacje, czyli generowanie fałszywych, choć brzmiących prawdopodobnie odpowiedzi.

Aby temu przeciwdziałać, nowoczesne platformy wdrażają mechanizmy wewnętrznej debaty i wzajemnego oceniania pomysłów przez różnych agentów. Nawet pomimo tej wewnętrznej autokorekty eksperci podkreślają, że pełna automatyzacja bez kontroli specjalistów byłaby obecnie zbyt kosztowna i ryzykowna, gdyż mogłaby prowadzić badania w ślepe zaułki.

Pierwsza z dwóch opublikowanych 19 maja w "Nature" prac dotyczy systemu "Co-Scientist" (dosł. "współnaukowiec"), opracowanego przez Google DeepMind i opartego na architekturze Goole Gemini. Narzędzie to zaprojektowano z myślą o ustrukturyzowanym myśleniu naukowym oraz generowaniu nowatorskich hipotez badawczych na podstawie zadanych celów i istniejących dowodów. Konstrukcja systemu opiera się na asynchronicznym środowisku wykonawczym, które pozwala na elastyczne skalowanie mocy obliczeniowej, oraz na specjalnym procesie "ewolucyjnego turnieju", w którym agenci stale tworzą, krytykują i ulepszają wzajemnie swoje wnioski.

W ramach testów system został wykorzystany do poszukiwania zatwierdzonych już leków, które można by zastosować w terapii ostrej białaczki szpikowej. Co-Scientist wygenerował listę obiecujących substancji, z których ludzcy badacze wybrali 5 do dalszych testów laboratoryjnych, a 3 z nich potwierdziły swoją skuteczność w rutynowych badaniach na komórkach.

Ponadto "współnaukowiec" sprawdził się przy wyjaśnianiu mechanizmów oporności na środki przeciwdrobnoustrojowe u bakterii. W zaledwie kilka dni doszedł do tych samych wniosków, nad którymi zespół ludzkich naukowców pracował przez długi czas i których nie zdążył jeszcze opublikować. Obecnie narzędzie jest testowane przez ok. 100 zewnętrznych naukowców w różnych dziedzinach nauk biomedycznych.

Druga recenzowana publikacja z 19 maja w "Nature" demonstruje system Robin stworzony przez organizację non-profit o nazwie FutureHouse. Jest to pierwsza platforma wieloagentowa zdolna do pełnego zamknięcia pętli badawczej w biologii eksperymentalnej. Oznacza to jednoczesne projektowanie hipotez i samodzielną analizę spływających danych z testów laboratoryjnych. Robin łączy agentów przeszukujących literaturę z agentami analitycznymi. System najpierw przygotowuje przegląd wiedzy, na jego podstawie planuje eksperymenty, a po wykonaniu ich przez ludzi odbiera surowe wyniki i przekazuje je cyfrowemu specjaliście od interpretacji danych.

Naukowcy z FutureHouse postawili przed Robinem zadanie znalezienia metody leczenia postaci suchej zwyrodnienia plamki żółtej (AMD) związanego z wiekiem - głównej przyczyny ślepoty w krajach rozwiniętych. Narzędzie zaproponowało strategię opartą na zwiększeniu fagocytozy nabłonka barwnikowego siatkówki i wskazało lek o nazwie ripasudil, stosowany dotychczas wyłącznie przy jaskrze.

Aby dokładnie zrozumieć, dlaczego ten związek działa, Robin zaplanował i zinterpretował uzupełniający eksperyment sekwencjonowania RNA, który ujawnił aktywację pompy lipidowej ABCA1. Co warte podkreślenia - wszystkie hipotezy, kierunki laboratoryjne, analizy oraz wykresy zamieszczone w publikacji naukowej zostały wygenerowane autonomicznie przez ten wieloagentowy system. Jego twórcy zaznaczają jednak, że droga do pełnego projektowania leków od zera jest wciąż długa, choć całkowicie możliwa do przebycia.

Na łamach prestiżowego czasopisma "Nature" ukazała się jeszcze jedna publikacja badaczy z Google DeepMind, w której zaprezentowali oni agentyczny system AI o nazwie Empirical Research Assistance (ERA). Jego celem jest samodzielne pisanie oprogramowania eksperckiego na potrzeby eksperymentów obliczeniowych.

System ERA powstał jako odpowiedź na powszechny problem w świecie nauki. Chodzi o to, że proces odkrywania często jest hamowany przez powolne, manualne tworzenie kodu. Rozwiązanie to łączy w sobie duży model językowy (LLM) z algorytmami przeszukiwania drzew (ang. Tree Search). Pozwala mu to generować lepszej jakości rozwiązania i inteligentnie poruszać się po ogromnej przestrzeni potencjalnych programów. ERA osiąga poziom ekspercki poprzez analizowanie, eksplorowanie i integrowanie złożonych koncepcji badawczych pochodzących z zewnętrznych źródeł danych.

Skuteczność działania systemu została już potwierdzona w kilku odległych dziedzinach nauki - od kosmologii, przez epidemiologię, po neuronaukę. W bioinformatyce system odkrył 40 zupełnie nowych metod analizy danych jednokomórkowych, które okazały się lepsze od czołowych algorytmów stworzonych przez ludzi. Z kolei w epidemiologii wygenerował 14 modeli prognozujących hospitalizacje z powodu COVID-19, przewyższających swoimi wynikami oficjalny model zbiorczy CDC oraz wszystkie pozostałe propozycje indywidualne. Ponadto asystent stworzył zaawansowane oprogramowanie do analizy geoprzestrzennej, przewidywania aktywności neuronowej u danio pręgowanego (ryby z rodziny karpiowatych), numerycznego rozwiązywania całek oraz nowatorską konstrukcję regułową do prognozowania szeregów czasowych.

Wyżej omówione publikacje warto zestawić z ostatnimi doniesieniami z Massachusetts Institute of Technology. Interesujący kierunek rozwoju technologii wyznacza dr Connor Coley z MIT, którego zespół skupia się na implementowaniu fundamentalnych zasad naukowych do algorytmów sztucznej inteligencji. Szacuje się, że liczba związków mogących potencjalnie służyć jako leki drobnocząsteczkowe wynosi od 10²⁰ do nawet 10⁶⁰. Ręczna weryfikacja tak ogromnej przestrzeni chemicznej przez człowieka jest niewykonalna, dlatego laboratorium Coleya buduje modele łączące uczenie maszynowe (ML) z chemoinformatyką, aby precyzyjnie planować ścieżki syntezy nowych cząsteczek.

Jedno z flagowych narzędzi MIT o nazwie ShEPhERD ocenia potencjalne leki pod kątem ich trójwymiarowego kształtu i sposobu, w jaki będą pasować do białek docelowych w organizmie. Rozwiązanie to jest już wdrażane przez firmy farmaceutyczne. Inny model, nazwany FlowER, służy do przewidywania produktów reakcji chemicznych. W przeciwieństwie do standardowych modeli językowych (LLMs lub SLMs) posiada zakodowane twarde ograniczenia fizyczne, takie jak prawo zachowania masy, i analizuje wykonalność każdego kroku pośredniego.

Dr Coley wyjaśnia, że odwzorowanie tego podejścia było kluczowe dla skuteczności algorytmu. "Myślenie o tych krokach pośrednich, zaangażowanych mechanizmach i tym, jak reakcja ewoluuje, jest czymś, co chemicy robią bardzo naturalnie. W ten sposób chemia jest nauczana, ale nie jest to czymś, o czym te modele z natury myślą" - wyjaśnia ekspert.

Przykłady z Google DeepMind, FutureHouse i MIT pokazują, że wytrenowanie modeli AI na twardych danych naukowych, wyposażenie ich w zdolności agentyczne (czyli umożliwiające prowadzenie realnych działań, a nie tylko pracę z tekstem) i naukową intuicję oraz tworzenie systemów wieloagentowych już teraz, dosłownie na naszych oczach przedefiniowuje pracę w laboratoriach, a sztuczna inteligencja staje się dla chemików cennym partnerem i członkiem zespołu.

Źródła:

1. Gottweis, J., Weng, WH., Daryin, A. et al. Accelerating scientific discovery with Co-Scientist. Nature (2026). DOI: 10.1038/s41586-026-10644-y
2. Ghareeb, A.E., Chang, B., Mitchener, L. et al. A multi-agent system for automating scientific discovery. Nature (2026). DOI: 10.1038/s41586-026-10652-y
3. Aygün, E., Belyaeva, A., Comanici, G. et al. An AI system to help scientists write expert-level empirical software. Nature (2026). DOI: 10.1038/s41586-026-10658-6
4. Trafton, A. Building AI models that understand chemical principles. MIT News (2026).
5. Ledford, H. Teams of AI agents boost speed of research. Nature (2026). DOI: 10.1038/d41586-026-01596-4