Фиброз печени ежегодно убивает 1,4 млн человек, превращая орган в бесполезный комок рубцовой ткани. Пока классическая фарма продолжает сжигать миллиарды в надежде на случайное открытие, Google DeepMind и генетик Гэри Пельц из Стэнфорда демонстрируют смену парадигмы: переход от ИИ-ассистентов к автономным исследователям. Проблема не в дефиците данных, а в когнитивном тупике: человеческий мозг физически не способен синтезировать массивы доступной медицинской литературы.
Человеческая предвзятость против машинной логики
В прямом столкновении, результаты которого опубликованы в журнале Advanced Science, Гэри Пельц бросил вызов агенту Co-Scientist. Условия просты: выбрать кандидатов для перепрофилирования существующих лекарств против фиброза. Пельц, опираясь на десятилетия опыта, выбрал два препарата, наиболее часто упоминаемых в статьях. Это классическая ловушка «научного консенсуса»: люди ищут там, где светлее, ориентируясь на цитируемость. Co-Scientist же предложил три варианта на основе логического вывода, игнорируя популярность запросов.
Результаты на живых клетках печени оказались разгромными для человека. Препараты, выбранные Пельцем, не показали никакой эффективности — типичный пример инерции мышления. В то же время два из трех кандидатов от ИИ успешно заблокировали рубцевание и запустили регенерацию клеток. Co-Scientist не просто искал ключевые слова, он выстроил гипотезу о перестройке генной активности, а не простом подавлении одного пути болезни.
Один из успешных кандидатов упоминался в контексте фиброза лишь в паре работ. Это та самая иголка в стоге сена, которую исследователь-человек никогда бы не приоритезировал для клинических тестов из-за низкого индекса цитируемости.
Экономика перепрофилирования
Звездой эксперимента стал противораковый препарат вориностат. По данным исследования, он заблокировал 91% реакций, вызывающих рубцевание. Здесь кроется главный бизнес-кейс: использование ИИ-агентов для поиска новых свойств у старых таблеток — это самый дешевый способ снизить смертность. Эти молекулы уже прошли проверку на безопасность и токсичность, что позволяет перепрыгнуть через самые финансово затратные этапы разработки.
Однако на пути к автономному R&D стоят не только технологические барьеры вроде галлюцинаций в биомедицинских данных, но и юридический тупик патентного права. Кто владеет правами на новое свойство препарата, если его нашел алгоритм на основе «логического вывода» из чужих статей? Пока юристы чешут головы, автономные агенты доказывают, что интеллектуальная собственность на миллиарды долларов уже пылится в библиотеках, ожидая нечеловеческой логики для своего извлечения. Эпоха простого поиска закончилась; началась эра автономного проектирования смыслов, где наиболее ценные открытия скрыты в данных с низкой частотой упоминания.