Naukowcy z MIT otwierają czarną skrzynkę AI. Przełom w projektowaniu leków i szczepionek
Modele sztucznej inteligencji, które potrafią przewidywać strukturę i funkcję białek, zrewolucjonizowały w ostatnich latach biotechnologię, stając się kluczowym narzędziem w poszukiwaniu nowych leków czy projektowaniu szczepionek. Był z nimi jednak pewien problem.
Mimo ich niezwykłej skuteczności, do tej pory działały one jak „czarne skrzynki” – naukowcy nie byli w stanie stwierdzić, na podstawie jakich cech białek AI dokonuje swoich trafnych prognoz. Teraz badacze z MIT opracowali nowatorską metodę, która pozwala zajrzeć do wnętrza tych systemów i zrozumieć ich proces „myślowy”.
Problem z modelami językowymi białek (Protein Language Models) polegał na tym, że choć dostarczały one cennych wyników – na przykład wskazując, które fragmenty białek wirusowych najrzadziej mutują, co czyni je idealnymi celami dla szczepionek – sam proces decyzyjny AI pozostawał tajemnicą. „Na końcu otrzymywaliśmy jakąś prognozę, ale nie mieliśmy absolutnie żadnego pojęcia, co działo się w poszczególnych komponentach tej czarnej skrzynki” – wyjaśnia prof. Bonnie Berger, starsza autorka badania opublikowanego w „Proceedings of the National Academy of Sciences”.
Aby rozwiązać ten problem, zespół z MIT jako pierwszy zastosował w badaniach nad białkami algorytm znany jako „rzadki autoenkoder” (sparse autoencoder). W uproszczeniu, technika ta działa poprzez radykalne rozszerzenie wewnętrznej „przestrzeni” w sieci neuronowej, w której reprezentowane jest białko – na przykład z 480 do 20 000 „węzłów”.
W tak powiększonej przestrzeni, informacje mogą się „rozprzestrzenić”, dzięki czemu pojedyncza cecha białka, która wcześniej była zakodowana w sposób złożony przez wiele węzłów, teraz może zająć jeden, konkretny węzeł. To sprawia, że wewnętrzne działanie modelu staje się znacznie bardziej czytelne i interpretowalne.
W kolejnym kroku naukowcy wykorzystali innego asystenta AI, Claude (tego od Anthropic), do analizy tych nowych, czytelnych reprezentacji. Claude porównał aktywność poszczególnych węzłów sieci ze znanymi cechami tysięcy białek, a następnie opisał w prostym języku, za co dany węzeł odpowiada. Przykładowy opis mógłby brzmieć: „Ten neuron wydaje się wykrywać białka zaangażowane w transport jonów przez błonę komórkową”. Dzięki temu badacze po raz pierwszy mogli zrozumieć, jakie cechy białek są dla modelu kluczowe.
Claude z nową funkcją pamięci. AI od Anthropic uczy się sztuczki od ChatGPT
Odkrycie to ma ogromne znaczenie praktyczne. Zrozumienie, jak działają modele AI, pozwoli naukowcom lepiej dobierać narzędzia do konkretnych zadań, co znacznie usprawni proces identyfikacji nowych celów dla leków i szczepionek. W przyszłości, gdy modele staną się jeszcze potężniejsze, zaglądanie do ich wnętrza może prowadzić do odkrywania zupełnie nowych, nieznanych dotąd mechanizmów biologicznych.
