AI w biologii bez skrótów myślowych

Model nie rozumie organizmu — rozwiązuje zdefiniowane zadanie

„AI w biologii” może oznaczać segmentację jąder na obrazie, przewidywanie struktury białka, klasyfikację wariantów, wybór związku do syntezy, integrację danych jednokomórkowych albo generowanie tekstu. Te zastosowania mają inne dane, cele i kryteria błędu. Łączy je to, że model znajduje regularność statystyczną między reprezentacją wejścia a zadanym wynikiem.

To nie jest drobne zastrzeżenie językowe. Model może świetnie przewidywać etykietę, która słabo reprezentuje zjawisko biologiczne. Może rozpoznawać laboratorium zamiast choroby, skład pożywki zamiast losu komórki albo rodzinę chemiczną zamiast oczekiwanego mechanizmu. Wynik obliczeniowy staje się wiedzą biologiczną dopiero wtedy, gdy wiadomo:

• co dokładnie było jednostką obserwacji;
• skąd pochodziła etykieta i jaki ma błąd;
• jakie zależności model mógł wykorzystać;
• na jak odległych danych zachowuje skuteczność;
• jaki eksperyment sprawdza przewidywany mechanizm;
• do jakiej decyzji wynik ma zostać użyty.

Przegląd zastosowań głębokiego uczenia w naukach biologicznych pokazuje ten sam wzorzec w wielu dziedzinach: architektura modelu ma znaczenie, ale nie usuwa problemów jakości danych, zmiany domeny i źle postawionego pytania.¹

Najpierw nazwij produkt pracy

Zamiast zaczynać od nazwy modnej architektury, warto uzupełnić jedno zdanie:

Dla [jednostki], na podstawie [danych dostępnych w chwili decyzji], model ma przewidzieć [ściśle określony wynik], aby wesprzeć [konkretną decyzję], przy czym koszt fałszywego wyniku wynosi [konsekwencja].

Przykłady dobrych produktów są wąskie:

• maska każdego jądra na obrazie, potrzebna do policzenia komórek;
• prawdopodobieństwo, że wariant zaburzy splicing w określonym transkrypcie;
• uporządkowana lista związków, z której laboratorium wybierze partię do syntezy;
• współrzędne przewidywanej struktury kompleksu wraz z lokalną ufnością;
• ryzyko niepowodzenia różnicowania przed zużyciem kolejnej partii odczynników.

„Odkryć mechanizm”, „znaleźć lek” i „zrozumieć komórkę” nie są jeszcze specyfikacją zadania. Są programem badawczym obejmującym wiele modeli i wiele rodzajów eksperymentu.

Cztery różne rodzaje uczenia

W uczeniu nadzorowanym przykłady mają etykiety: aktywny lub nieaktywny związek, typ komórki, wartość ekspresji, obrys jądra. Model uczy się mapowania wejścia na etykietę. Jakość sufitu wyznacza tu między innymi jakość etykiet.

W uczeniu nienadzorowanym algorytm szuka struktury bez docelowej odpowiedzi: skupień, osi zmienności albo reprezentacji. Klaster nie staje się automatycznie typem komórki. Nazwę biologiczną trzeba uzasadnić markerami, pochodzeniem, funkcją i stabilnością wyniku.

W uczeniu samonadzorowanym zadanie treningowe powstaje z samych danych, na przykład przez odtwarzanie zamaskowanego fragmentu sekwencji. Tak można nauczyć reprezentacji białek, DNA lub komórek na ogromnych zbiorach, a następnie dostroić model do mniejszego zadania. Wielki zbiór treningowy nie gwarantuje jednak, że reprezentacja zawiera informację potrzebną w konkretnym eksperymencie.

Model generatywny proponuje nowe obiekty — sekwencje, struktury lub cząsteczki — zgodne z wyuczonym rozkładem i narzuconymi warunkami. „Nowy” może znaczyć nieobecny w bazie, ale niekoniecznie łatwy do syntezy, stabilny, selektywny albo bezpieczny.

Dane biologiczne nie są zbiorem niezależnych wierszy

Jedna biopsja może dać tysiące komórek, jedna płytka setki pól widzenia, a jedna cząsteczka dziesiątki podobnych analogów. Liczba plików nie jest liczbą niezależnych jednostek biologicznych.

Załóżmy, że badamy obrazy organoidów od dziesięciu dawców. Losowy podział obrazów może umieścić pola tego samego organoidu, studzienki i dawcy jednocześnie w treningu oraz teście. Model zobaczy w teście bardzo bliskich krewnych przykładów treningowych. Wynik odpowie na pytanie „czy rozpoznaję kolejne pole z tego samego doświadczenia?”, choć deklarowane pytanie brzmi „czy zadziałam u nowego dawcy?”.

Podział wykonuje się zatem na najwyższym poziomie zależności istotnym dla przyszłego użycia:

• po dawcy, gdy wynik ma działać dla nowego człowieka;
• po zwierzęciu, nie po skrawku;
• po linii komórkowej, gdy ma działać dla nowego genotypu;
• po płytce lub dniu, gdy trzeba ocenić odporność na efekt partii;
• po szkielecie chemicznym, gdy oczekujemy nowych chemotypów;
• po czasie, gdy model ma przewidywać przyszłość;
• po ośrodku, jeśli celem jest przeniesienie do innego laboratorium lub szpitala.

Wyciek danych: wynik zna odpowiedź zbyt wcześnie

Wyciek nie ogranicza się do duplikatu w dwóch zbiorach. Może powstać, gdy normalizację, selekcję cech, imputację braków albo korekcję partii dopasowano przed wydzieleniem testu. Informacja o rozkładzie testu wpływa wtedy na model pośrednio.

Wyciek etykiety zachodzi, gdy wejście zawiera informację powstałą po zdarzeniu, które rzekomo przewidujemy. W danych klinicznych może to być procedura zlecona dlatego, że lekarz już podejrzewa wynik. W hodowli komórkowej — ręczna decyzja o zakończeniu nieudanego różnicowania wpisana do metadanych. W literaturze medycznej rozróżnia się między innymi wyciek przez agregację, czas i skojarzenie cechy z wynikiem.²

Jest też przeciek podobieństwa. Jeżeli losowo dzielimy bliskie analogi związku, model może interpolować wewnątrz jednej serii chemicznej. To użyteczne przy optymalizacji tej serii, lecz nie dowodzi zdolności znalezienia nowego szkieletu. W biologii sekwencji analogiczny problem tworzą homologiczne białka po obu stronach podziału.

Uczenie skrótów

Model wybiera sygnał skuteczny na danych treningowych, nie sygnał zgodny z intencją badacza. To uczenie skrótów: klasyfikator może użyć barwy tła, aparatu, rozdzielczości, długości sekwencji albo charakterystycznego braku danych. Skrót nie musi obniżać wyniku wewnętrznego — często właśnie go podnosi.³

Najlepszą obroną nie jest samo „wyjaśnienie modelu”, lecz projekt:

1. spisać możliwe zmienne zakłócające przed treningiem;
2. oddzielić grupy zgodnie z planowanym użyciem;
3. wykonać testy negatywne, na przykład przetasowanie etykiet;
4. sprawdzić działanie na nowym dniu, aparacie lub laboratorium;
5. zbadać przypadki, w których skrót i właściwy sygnał prowadzą do przeciwnych odpowiedzi.

Jeżeli po usunięciu paska skali albo zmianie kontrastu model przestaje działać, problem nie polega na „braku inteligencji”. Problemem jest to, że dane pozwalały rozwiązać inne zadanie niż zamierzone.

Trening, walidacja i test pełnią inne funkcje

Zbiór treningowy służy do dopasowania parametrów. Zbiór walidacyjny pomaga wybrać architekturę, cechy, próg i hiperparametry. Zbiór testowy ma symulować jednorazowy egzamin po zakończeniu wyborów.

Jeśli badacz wielokrotnie ogląda wynik testu i na jego podstawie poprawia pipeline, test staje się walidacją. Potrzebny jest wtedy nowy, nietknięty test. Przy małej liczbie niezależnych jednostek można stosować walidację krzyżową grupowaną, ale wszystkie operacje uczące się z danych muszą być wykonywane osobno wewnątrz każdego podziału.

Test zewnętrzny pochodzi z innego źródła. Test prospektywny zbiera dane po zamrożeniu modelu i protokołu. To nie są synonimy. Zewnętrzny zbiór może być historyczny, a prospektywne dane mogą pochodzić z tego samego aparatu. Najmocniejszy dowód zwykle łączy zmianę czasu, miejsca i operatora.

Zmiana domeny jest biologiczną normą

Model jest uczony na pewnym rozkładzie danych. Nowy odczynnik, inny protokół przygotowania biblioteki, nowe tło genetyczne, inny skład populacji albo nowszy mikroskop zmieniają ten rozkład. Nazywa się to zmianą domeny lub przesunięciem rozkładu.

Trzeba rozdzielić co najmniej trzy pytania:

• interpolacja: czy model działa między przykładami podobnymi do treningowych;
• ekstrapolacja: czy działa poza zakresem obserwowanych wartości;
• transportowalność: czy zależność pozostaje użyteczna w nowej populacji lub procedurze.

Model może być znakomity w pierwszym sensie i słaby w dwóch pozostałych. Dlatego karta modelu powinna podawać zakres gatunków, tkanek, aparatów, stężeń, jakości wejścia i czasu, w którym dokonano walidacji.

Metryka ma odzwierciedlać decyzję

Dokładność wynosząca 99% może być bezużyteczna, jeśli pozytywny przypadek występuje raz na sto i model zawsze odpowiada „ujemny”. Dla nierównych klas przydatne są czułość, swoistość, precyzja, wartość predykcyjna ujemna oraz krzywa precision–recall. Która miara jest ważniejsza, zależy od skutku błędu.

W segmentacji wysoki współczynnik nakładania masek nie gwarantuje poprawnej liczby komórek. Połączenie dwóch sąsiadujących jąder może nieznacznie zmienić pole maski, lecz mocno zaburzyć analizę klonalności. Dla modelu strukturalnego średni wynik całego białka może zasłonić błąd w kieszeni wiążącej. Dla związku aktywnego w hodowli sama czułość nie obejmuje cytotoksyczności.

Zawsze potrzebna jest baza odniesienia:

• prosta reguła biologiczna;
• regresja liniowa lub logistyczna;
• najbliższy sąsiad;
• standardowy pipeline używany przez laboratorium;
• człowiek o określonym doświadczeniu.

Złożony model ma wartość, jeśli poprawia wynik ważny dla decyzji na danych odpowiednio oddalonych — nie wtedy, gdy jedynie bije słabo skonfigurowaną bazę.

Kalibracja, próg i niepewność

Wynik 0,9 nie zawsze znaczy „90% szans”. Model jest skalibrowany, jeśli wśród przypadków z prognozą 0,9 około 90% rzeczywiście ma dany wynik. Kalibrację sprawdza się osobno od rozróżniania klas, a po zmianie laboratorium może się ona pogorszyć.

Próg decyzji powinien wynikać z kosztu błędu. W przesiewie kandydatów do taniego testu można dopuścić więcej fałszywie dodatnich wyników. Przy odrzucaniu unikalnej próbki lub kierowaniu pacjenta do ryzykownej procedury próg i nadzór muszą być inne.

Niepewność ma co najmniej dwa źródła. Niepewność danych wynika z szumu i nakładania się klas. Niepewność modelu rośnie, gdy wejście jest daleko od treningu. Model powinien umieć przekazać sprawę do człowieka albo zgłosić „poza zakresem”, zamiast zawsze produkować pewną etykietę.

Wyjaśnienie nie jest dowodem mechanizmu

Mapa uwagi, ważność cechy czy wyróżniony fragment sekwencji opisują zachowanie modelu. Nie dowodzą, że wskazany element powoduje zjawisko biologiczne. Metody wyjaśniające mogą być niestabilne, zależne od reprezentacji i dawać przekonujące historie nawet dla błędnego modelu.

Wskazana cecha staje się hipotezą mechanistyczną dopiero po interwencji:

• mutacji przewidywanego motywu;
• zablokowaniu szlaku;
• zmianie ligandu;
• usunięciu cechy obrazu w kontrolowany sposób;
• pomiarze odpowiedzi w niezależnym modelu.

AI może znakomicie ustalać kolejność takich eksperymentów. Nie zastępuje ich samą wizualizacją.

AlphaFold2: przewidywana struktura, nie fotografia cząsteczki

AlphaFold2 połączył informacje z sekwencji homologicznych, reprezentację par reszt i geometrię trójwymiarową. W CASP14 osiągnął przełomową dokładność dla wielu domen białkowych, a opublikowany system umożliwił predykcje na skalę proteomów.⁴

Wynik zawiera współrzędne oraz miary ufności. pLDDT opisuje lokalną wiarygodność ułożenia reszt, a PAE — oczekiwany błąd wzajemnego położenia części struktury. Wysoka lokalna ufność dwóch domen nie gwarantuje poprawnej orientacji jednej względem drugiej.

Model odpowiada przede wszystkim na pytanie o prawdopodobną strukturę zgodną z danymi treningowymi i wejściem. Nie mierzy bezpośrednio:

• udziałów wielu konformacji w roztworze;
• wpływu konkretnego pH, błony i stężenia;
• kinetyki przejść;
• wszystkich modyfikacji potranslacyjnych;
• powinowactwa i funkcji;
• skutku mutacji w żywej komórce.

Porównania predykcji z mapami eksperymentalnymi pokazały, że modele mogą przyspieszać rozwiązanie struktury i pomagać w interpretacji danych, ale nie zastępują automatycznie eksperymentalnej mapy, szczególnie gdy pytanie dotyczy lokalnego szczegółu lub ruchomego układu.⁵

AlphaFold3: kompleks jest szerszy, odpowiedzialność pozostaje

AlphaFold3 rozszerzył wspólny model na kompleksy obejmujące białka, kwasy nukleinowe, małe cząsteczki, jony i zmodyfikowane reszty. Wprowadził generowanie współrzędnych z użyciem dyfuzji i w benchmarkach przewyższał wiele wyspecjalizowanych metod dla wybranych typów interakcji.⁶

To ogromna zmiana zakresu, nie licencja na utożsamienie przewidywanej pozy ligandu z działającym lekiem. Poprawna geometria kompleksu nie dowodzi odpowiedniego powinowactwa, selektywności, przenikalności, metabolizmu ani bezpieczeństwa. Benchmark może też zawierać przykłady bliższe danym treningowym niż przyszły cel.

W praktyce badacz:

1. sprawdza ufność interfejsu i lokalną geometrię;
2. porównuje wiele predykcji i znane homologi;
3. kontroluje protonację, tautomery, kofaktory i stechiometrię;
4. projektuje mutacje albo pomiar wiązania;
5. aktualizuje hipotezę po danych eksperymentalnych.

Projektowanie białek: kandydat przechodzi przez serię filtrów

Modele dyfuzyjne potrafią generować szkielety białkowe dopasowane do warunku, a modele sekwencyjne dobierają aminokwasy stabilizujące strukturę. RFdiffusion pokazał eksperymentalnie projektowanie między innymi nowych binderów i architektur białkowych.⁷

Komputerowa propozycja przechodzi jednak przez kolejne bramki:

• zgodność sekwencji z przewidywaną strukturą;
• różnorodność, a nie setki wariantów jednego motywu;
• ekspresję i rozpuszczalność;
• monomeryczność lub właściwą oligomeryzację;
• stabilność;
• wiązanie mierzone metodą biofizyczną;
• funkcję w komórce;
• immunogenność i zachowanie in vivo, jeśli celem jest terapia.

Niepowodzenia są informacją dla kolejnej rundy. Najbardziej produktywny układ to pętla projektuj — wytwórz — testuj — ucz się, a nie jednorazowy ranking tysięcy efektownych struktur.

Genomika: sekwencja nie niesie całego kontekstu

Modele przewidują wpływ wariantu na splicing, ekspresję lub dostępność chromatyny. Są użyteczne do priorytetyzacji, bo liczba możliwych zmian jest ogromna. Ich etykiety często pochodzą jednak z eksperymentów przeprowadzonych w ograniczonych typach komórek.

Efekt wariantu może zależeć od:

• właściwego transkryptu i izoformy;
• typu oraz stanu komórki;
• haplotypu i wariantów w sprzężeniu;
• wieku, środowiska i dawki;
• etapu rozwoju;
• kompensacji na poziomie sieci.

Wynik in silico nie jest równoważny klasyfikacji klinicznej. Może wspierać ocenę wraz z częstością populacyjną, segregacją rodzinną, danymi funkcjonalnymi i fenotypem. W edycji genomu przewidywanie miejsc poza celem również wymaga pomiaru: model nie widzi wszystkich możliwych zdarzeń naprawy ani selekcji komórek.

Dane jednokomórkowe: komórka to nie zawsze replika

Modele latentne i fundamentowe pomagają kompresować ekspresję, integrować partie, imputować lub przewidywać odpowiedź na perturbację. Tysiące komórek od trzech dawców nadal oznaczają jednak trzy niezależne źródła biologiczne dla pytania o populację dawców.

Korekcja partii może usunąć artefakt techniczny, ale także prawdziwą różnicę biologiczną, jeśli partia jest splątana z warunkiem. Automatyczna adnotacja może narzucić znane typy komórek i przeoczyć nowy stan. Imputowana wartość nie jest dodatkowym pomiarem — jest przewidywaniem warunkowym.

Rozsądny przepływ pracy zachowuje surowe liczności, metadane dawcy i próbki, analizuje pseudobulk na odpowiednim poziomie, pokazuje wpływ integracji oraz sprawdza wnioski markerami i niezależną metodą.

Obrazowanie: od piksela do wyniku biologicznego

U-Net, Cellpose i StarDist mogą radykalnie przyspieszyć segmentację. Walidacja nie kończy się na kilku ładnych nakładkach. Zbiór testowy powinien obejmować słabe kontrasty, skupiska, martwe komórki, brzegi obrazu, różne gęstości i aparaty.

Trzeba oceniać dwa poziomy:

• techniczny: jakość maski, rozdzielenie obiektów, pominięcia i nadmiarowe detekcje;
• biologiczny: błąd liczby komórek, intensywności, lokalizacji, morfologii lub dynamiki, które trafią do dalszej analizy.

Model segmentacyjny może mieć podobny średni wynik w dwóch grupach, a mimo to systematycznie łączyć duże jądra tylko w jednej z nich. Wtedy błąd staje się pozornym efektem biologicznym.

Odkrywanie leków to łańcuch, nie pojedynczy ranking

AI może wspierać wybór celu, modelowanie struktury, wirtualny przesiew, generowanie cząsteczek, przewidywanie syntezy, aktywności, selektywności i właściwości ADME/Tox. Każdy etap zmniejsza przestrzeń kandydatów, ale też może usunąć wartościowe obiekty albo przepuścić fałszywe.

Minimalny łańcuch dla małej cząsteczki wygląda tak:

1. zdefiniować fenotyp lub mechanizm i wiarygodny test;
2. zgromadzić dane z wartościami ujemnymi, nie tylko sukcesami;
3. podzielić związki zgodnie z celem generalizacji;
4. porównać model z prostą bazą;
5. zamrozić ranking przed wyborem do syntezy;
6. potwierdzić tożsamość i czystość związku;
7. zmierzyć aktywność w niezależnych powtórzeniach;
8. sprawdzić cytotoksyczność, selektywność i artefakty testu;
9. ustalić mechanizm oraz odporność;
10. zbadać farmakokinetykę, ekspozycję i działanie in vivo;
11. przejść normalny program toksykologiczny i kliniczny.

Model nie unieważnia żadnej z późniejszych bramek. Może sprawić, że mniej związków trzeba fizycznie zbadać.

Halicyna: mocny przykład przesiewu, nie „lek odkryty przez komputer”

W badaniu z 2020 roku sieć przewidująca aktywność przeciwbakteryjną wskazała halicynę w bibliotece leków do repozycjonowania. Związek był strukturalnie odmienny od typowych antybiotyków i wykazał aktywność wobec wielu patogenów. Autorzy testowali go także w modelach mysich. W osobnym przesiewie ponad 107 milionów struktur wybrali do eksperymentu 23 predykcje i znaleźli osiem aktywnych związków odległych strukturalnie od znanych antybiotyków.⁸

Co zostało dowiedzione? Model skutecznie priorytetyzował związki, a wybrane kandydaty przeszły testy in vitro; halicyna uzyskała również dowód w określonych modelach zwierzęcych. Co nie wynika z tego automatycznie? Zatwierdzenie do leczenia ludzi, przewaga kliniczna, właściwa dawka, profil toksyczności i odporność w długim czasie.

Prawidłowy skrót brzmi: „model pomógł znaleźć eksperymentalnie aktywnych kandydatów”. Skrót „AI stworzyła nowy antybiotyk” miesza etap przesiewu z całym rozwojem leku.

Model generatywny musi liczyć się z syntezą

Model może zaproponować cząsteczkę o idealnym wyniku predykcyjnym, której nie da się praktycznie wytworzyć. SyntheMol ograniczył przestrzeń generowania do możliwych do złożenia bloków i reakcji. Z przestrzeni blisko 30 miliardów cząsteczek zaprojektowano kandydatów przeciw Acinetobacter baumannii, zsyntetyzowano 58 propozycji, a sześć nowych strukturalnie związków wykazało aktywność przeciwbakteryjną.⁹

Ta arytmetyka jest ważniejsza niż słowo „generatywny”. Każda bramka ma wydajność: kandydat obliczeniowy → możliwy zakup lub synteza → czysty produkt → aktywność → selektywność → działanie in vivo. Raport bez mianowników na kolejnych etapach utrudnia ocenę, czy model rzeczywiście wzbogacił pulę.

Równie ważne są wyniki ujemne. Jeśli do publikacji trafia tylko sześć sukcesów bez pełnego zestawu 58 prób, kolejny zespół nie odtworzy kalibracji i nie nauczy lepszego modelu.

Rentosertib: AI doszła do fazy 2a, lecz klinika nadal rozstrzyga

Rentosertib, wcześniej ISM001-055, jest inhibitorem TNIK rozwijanym w idiopatycznym włóknieniu płuc. AI wspierała zarówno wskazanie celu, jak i generowanie cząsteczki. W opublikowanym w 2025 roku randomizowanym, podwójnie zaślepionym badaniu fazy 2a 71 pacjentów otrzymywało przez 12 tygodni jedną z trzech dawek albo placebo. Pierwszorzędowy punkt dotyczył zdarzeń niepożądanych. W najwyższej dawce odnotowano zachęcającą zmianę FVC, ale grupy liczyły po 17–18 osób, obserwacja była krótka, a 16 uczestników nie ukończyło badania.¹⁰

To jeden z najbardziej dojrzałych przykładów translacji cząsteczki kojarzonej z generatywną AI. Nie jest jednak dowodem, że „AI rozwiązała rozwój leków”. Wynik wymaga większego i dłuższego potwierdzenia, a faza 2a nie jest rejestracją. Ostateczne pytania pozostają klasyczne: korzyść kliniczna, ryzyko, właściwa populacja, porównanie ze standardem i powtarzalne wytwarzanie.

Najuczciwszy wniosek jest mocny, ale ograniczony: narzędzia AI mogą skrócić nominację celu i kandydata oraz doprowadzić produkt do rygorystycznego testu u ludzi. Nie zwalniają z tego testu.

Modele językowe w pracy biologa

Duży model językowy może pomóc stworzyć szkic analizy, wyjaśnić kod, uporządkować terminologię, zaproponować testy brzegowe albo wyszukać słowa kluczowe. Nie powinien być traktowany jako baza faktów.

Najczęstsze tryby awarii to:

• nieistniejące lub błędnie dopasowane cytowanie;
• prawdziwa publikacja przypisana do innego wyniku;
• połączenie dwóch procedur w pozornie standardowy protokół;
• ukrycie niepewności pod płynnym językiem;
• poprawny składniowo kod z błędną jednostką analizy;
• opis najnowszego produktu na podstawie nieaktualnej wiedzy;
• ujawnienie danych wrażliwych w zewnętrznej usłudze.

Każdy DOI trzeba otworzyć. Każdą liczbę trzeba odnaleźć w tabeli lub metodach. Kod trzeba uruchomić na danych testowych, a analizę obejrzeć pod kątem biologicznej jednostki, nie tylko komunikatu „wykonano”.

Nie należy wprowadzać danych pacjentów, niepublikowanych genomów, tajemnic projektu ani danych objętych umową do publicznej usługi bez formalnej oceny. Trzeba zapisać dostawcę, model, wersję lub datę, prompt, parametry, wejście, wyjście i zakres ludzkiej weryfikacji.

Jak rozpoznać przegląd, który tylko kolekcjonuje obietnice

Rozdział przeglądowy z analizowanej książki trafnie wymienia wiele pól zastosowań AI: wybór celu, omiki, strukturę, repozycjonowanie, projektowanie de novo, toksyczność i badania kliniczne. Jednocześnie daje dobrą lekcję krytycznego czytania: część przykładów ma niedopasowane odsyłacze, a marketingowe deklaracje są zestawione z wynikami naukowymi bez wyraźnego oznaczenia poziomu dowodu.¹¹

Przy takim tekście warto wykonać audyt zdanie po zdaniu:

1. Czy źródło rzeczywiście dotyczy wskazanego modelu i wyniku?
2. Czy publikacja jest pierwotna, czy powtarza komunikat firmy?
3. Jaki był mianownik: ile kandydatów oceniono i ile zadziałało?
4. Czy „walidacja” była obliczeniowa, in vitro, na zwierzęciu czy u ludzi?
5. Czy związek był wygenerowany, wybrany, zoptymalizowany czy tylko ponownie sklasyfikowany przez AI?
6. Czy porównanie czasu i kosztu używa tej samej definicji początku oraz końca?
7. Czy etap kliniczny i stan rejestracji są aktualne?

Mapa zastosowań jest dobrym początkiem researchu. Nie może zastąpić weryfikacji każdej obietnicy.

Regulator pyta o kontekst użycia, nie o prestiż architektury

W styczniu 2025 roku FDA opublikowała projekt wytycznych dla modeli AI wytwarzających informacje wspierające decyzje o jakości, bezpieczeństwie lub skuteczności leków i produktów biologicznych. Rama jest oparta na ryzyku i wiarygodności w określonym kontekście użycia.¹²

Ten sposób myślenia nadaje się również do badań akademickich:

• Co dokładnie model wnosi do decyzji?
• Jak poważna jest konsekwencja błędu?
• Jak silny wpływ ma wynik modelu na dalszy krok?
• Jaki poziom dowodu wiarygodności odpowiada temu ryzyku?
• Jak będą wykrywane dane poza zakresem i pogorszenie działania?

EMA w przyjętym w 2024 roku dokumencie ujmuje AI w całym cyklu życia produktu leczniczego — od odkrywania po okres po dopuszczeniu — i łączy wymagania z etapem oraz ryzykiem zastosowania.¹³ Model do eksploracyjnego wyboru eksperymentu nie wymaga tego samego pakietu co model generujący kluczowe dane do decyzji klinicznej.

„Zatwierdzone przez regulatora” nie powinno też opisywać biblioteki albo algorytmu w oderwaniu od zastosowania. Ocena dotyczy produktu, procedury, danych, wersji i kontekstu.

Reprodukowalność obejmuje więcej niż plik z wagami

Aby odtworzyć wynik, potrzeba:

• kodu i środowiska;
• wersji modelu oraz wag;
• pełnej definicji kohorty;
• identyfikatorów danych i dat pobrania;
• reguł czyszczenia, wykluczeń i etykietowania;
• dokładnego podziału na trening, walidację i test;
• losowych ziaren;
• transformacji oraz normalizacji;
• wybranego progu;
• wszystkich porównywanych modeli;
• wyników dla podgrup i przypadków nieudanych.

Usługa dostępna przez API może zmienić model bez zmiany nazwy produktu. Publiczna baza biologiczna również się zmienia. Sama data analizy jest więc częścią metody.

W eksperymencie mokrym zapisuje się także partię odczynnika, operatora i aparat. Te zmienne powinny pozostać w metadanych AI, bo pozwalają sprawdzić, czy model nauczył się biologii czy procesu.

Minimalny projekt dla osoby wchodzącej do dziedziny

Dobry pierwszy projekt nie musi używać największego modelu. Powinien przejść cały łańcuch dowodowy.

1. Wybierz pytanie z dostępną, zrozumiałą etykietą.
2. Zdefiniuj jednostkę niezależną i przewidywane użycie.
3. Narysuj pochodzenie próbek oraz możliwe efekty partii.
4. Zamroź grupowy podział danych.
5. Zbuduj prostą bazę.
6. Dopiero potem dodaj bardziej złożony model.
7. Oceniaj metrykę powiązaną z decyzją i kalibrację.
8. Przejrzyj błędy, zamiast pokazywać tylko średnią.
9. Przetestuj jedną zmianę domeny.
10. Zaproponuj eksperyment, który może obalić najważniejsze przewidywanie.

Taki projekt lepiej pokazuje kompetencje niż notebook kończący się wysokim wynikiem na przypadkowym podziale.

Czerwone flagi w publikacji i prezentacji

Ostrożność powinny wzbudzić:

• brak jawnej jednostki podziału;
• tysiące komórek przy dwóch dawcach przedstawione jako duże n;
• strojenie modelu na zbiorze nazywanym testowym;
• brak prostej metody odniesienia;
• wyłącznie walidacja wewnętrzna;
• brak mianownika przy liczbie „odkrytych” kandydatów;
• dobór tylko udanych predykcji do walidacji;
• nazywanie korelacji „mechanizmem”;
• „wyjaśnialność” bez interwencji eksperymentalnej;
• brak danych ujemnych i nieudanych syntez;
• twierdzenie o klinicznej użyteczności na podstawie hodowli;
• cytowanie komunikatu firmy zamiast protokołu i wyników;
• niepodana wersja modelu;
• wynik bez przedziału niepewności i analizy podgrup.

Żadna pojedyncza flaga nie musi unieważniać całej pracy. Wyznacza pytanie, które trzeba zadać przed użyciem wyniku.

Jak opisać wynik bez skrótu myślowego

Zamiast:

AI odkryła lek na chorobę.

napisz:

Model wytrenowany na określonym zbiorze uporządkował kandydatów. Wybrane związki potwierdzono w teście in vitro, jeden w modelu zwierzęcym; bezpieczeństwo i skuteczność u ludzi pozostają nieznane.

Zamiast:

Model wyjaśnił, który gen powoduje różnicowanie.

napisz:

Model wskazał gen jako cechę predykcyjną; jego rolę przyczynową trzeba sprawdzić perturbacją i pomiarem funkcji.

Zamiast:

AlphaFold pokazał strukturę białka.

napisz:

Model przewidział strukturę o wysokiej lokalnej ufności, lecz orientacja domen i stan związany z ligandem wymagają osobnej oceny.

Precyzyjne zdanie nie osłabia sukcesu. Mówi, na którym szczeblu drabiny dowodu naprawdę stoimy.

Lista kontrolna przed zaufaniem modelowi

1. Jaka jest jednostka biologiczna, a jaka techniczna?
2. Co oznacza etykieta i kto ją nadał?
3. Czy dane potrzebne modelowi będą dostępne w chwili realnej decyzji?
4. Na jakim poziomie wykonano podział?
5. Czy preprocessing uczono wyłącznie na treningu?
6. Czy bliskie homologi, analogi albo komórki jednego dawcy nie przeciekły do testu?
7. Z jaką prostą metodą porównano wynik?
8. Czy metryka odpowiada kosztowi błędu?
9. Czy prawdopodobieństwa są skalibrowane?
10. Jak model sygnalizuje wejście poza zakresem?
11. Czy działa na innym czasie, aparacie, laboratorium lub populacji?
12. Który eksperyment sprawdza najważniejsze przewidywanie?
13. Czy raport obejmuje niepowodzenia i mianowniki?
14. Czy wersję modelu, dane i kod można odtworzyć?
15. Jaki dokładnie kontekst użycia został zwalidowany?

Najważniejsza kompetencja: projektowanie dowodu

AI jest szczególnie wartościowa tam, gdzie przestrzeń możliwości jest większa niż zdolność eksperymentalnego przesiewu: w strukturach, sekwencjach, obrazach, omikach i chemii. Przewaga nie polega na usunięciu biologii z procesu. Polega na lepszym wyborze tego, co zmierzyć jako następne.

Dojrzały projekt zamyka pętlę między modelem a eksperymentem. Dane uczą model, model wybiera informacyjny test, test ujawnia błąd lub potwierdza przewidywanie, a wynik aktualizuje następny model. Każdy etap ma kontrolę, mianownik i granicę wniosku.

Dlatego najważniejszym pytaniem nie jest „czy użyto AI?”, lecz „czy zbudowano wiarygodny dowód dla konkretnej decyzji?”. W kolejnym artykule, Podstawy hodowli komórkowej, wracamy do fizycznego źródła wielu danych, na których takie modele są uczone.