AI finder nye lægemidler - men rammer en væg
AI forudsiger lovende molekyler lynhurtigt, men laboratorierne kan ikke følge med. Samtidig mangler modellerne data om fiaskoer.
Hastigheden kolliderer
AI kan designe nye lægemiddelkandidater fra bunden og forudsige deres effekt. Men hver eneste kandidat skal stadig testes fysisk i laboratoriet. De klassiske metoder er bygget til at håndtere få, simple prøver – ikke en strøm af komplekse, AI-genererede molekyler. Det lægger et enormt pres på lab-holdene, som mangler udstyr til at følge med.
Data-væggen
Mange AI-modeller er trænet på offentlige datasæt, som alle andre også bruger. Resultatet er, at modellerne rammer en data-væg og bliver ved med at nå de samme konklusioner. Værre er det, at datasættene næsten kun indeholder positive resultater. Forskere deler ikke deres fiaskoer, så AI'en lærer aldrig, hvad der gik galt – nærmest som at have én arm bundet på ryggen.
Fusk er blevet nemmere
Manipulation af data har altid været et problem i forskning. Allerede i 2016 fandt forskere manipulerede billeder i næsten 4 % af biomedicinske artikler. Med AI er det blevet trivielt at forfalske data. Hvis falske data bliver brugt til at træne nye modeller, kan det få katastrofale følger. Heldigvis er værktøjer som Cytivas Image Integrity Checker på vej til at opdage snyd.
Drømmen om mørke labour
Fremtiden er fuldautomatiske laboratorier, der kører døgnet rundt uden mennesker – såkaldte mørke labour. De cykler gennem forudsigelse, test og optimering og fodrer resultaterne tilbage i AI'en. Det kan øge succesraten for kandidater, der kommer i kliniske forsøg. Men før det virker, skal alt udstyr tale samme sprog og dataene være langt mere strukturerede, end de er i dag.
- Det koster 1-2,5 milliarder dollar at udvikle et nyt lægemiddel.
- Over 90 % af alle lægemiddelkandidater fejler undervejs.
- AI bruges især til at finde hits – molekyler der binder til sygdomsmål.
- Offentlige datasæt mangler negative resultater, hvilket skævvrider AI-modeller.
- AI kan ikke forudsige kinetik og udviklingsbarhed pålideligt.
- Cytivas Image Integrity Checker bruger blockchain-teknologi til at opdage manipulation.
- Fremtidens laboratorier skal køre automatiserede loop med minimal menneskelig indgriben.
Du får dyrere og langsommere medicin, hvis ikke AI-modellerne får adgang til ærlige data – inklusive alle fiaskoerne.
Kilder:
MIT Tech Review AI →
Genfortalt i egne ord af AI-nyheder.com · AI-genereret illustration · Tjek altid originalkilden, før du handler på vigtige oplysninger.