1. Tyrinėjimas. Dirbtinio intelekto pagrindai biotechnologijoje

1.1 Kas yra biotechnologija?

Biotechnologija yra biologijos sritis, apimanti gyvų sistemų ir organizmų naudojimą produktams kurti ar gaminti, arba „bet kokią technologinę taikymą, kuri naudoja biologines sistemas, gyvus organizmus ar jų darinius, siekiant sukurti ar modifikuoti produktus ar procesus konkrečiam naudojimui“ (Biologinės įvairovės konvencija, 1992). Nuo senovinių praktikų, tokių kaip alaus gamyba ir duonos kepimas, iki šiuolaikinės genetinės inžinerijos ir vakcinų gamybos, biotechnologija turi ilgą istoriją, kaip biologiniai procesai pasitelkiami žmonių naudai.

1.2 Kas yra dirbtinis intelektas (DI)?

Dirbtinis intelektas (DI) reiškia kompiuterinių sistemų kūrimą, kurios gali atlikti užduotis, paprastai reikalaujančias žmogaus intelekto. Šios užduotys apima mokymąsi, samprotavimą, problemų sprendimą, suvokimą ir kalbos supratimą. Svarbi DI dalis yra mašininis mokymasis (MM), kai algoritmai mokosi iš duomenų be aiškaus programavimo. Giluminis mokymasis, pažangesnė MM forma, naudoja sudėtingus neuroninius tinklus dideliems duomenų kiekiams apdoroti, imituodamas žmogaus smegenų struktūrą.

1.3 Kaip dirbtinis intelektas skatina biotechnologijas?

Dirbtinio intelekto ir biotechnologijų integracija, dažnai vadinama dirbtiniu intelektu pagrįsta biotechnologija, žymi paradigmos pokytį gyvybės moksluose. DI gebėjimas analizuoti milžiniškus, sudėtingus duomenų rinkinius, atpažinti dėsningumus ir daryti prognozes iš esmės keičia įvairias biotechnologijų taikymo sritis – nuo genomų sekos nustatymo iki personalizuotos medicinos (Asad & Zulfiqar, 2024).

1.4 Ar dirbtinis intelektas vaistų atradime yra žaidimo keitėjas?

Vaistų atradimas yra puikus pavyzdys, kur dirbtinis intelektas daro reikšmingą poveikį. Tradiciškai šis procesas yra daug išteklių reikalaujantis, užtrunka daug laiko ir pasižymi dideliu nesėkmių procentu. DI keičia kiekvieną etapą, siūlydamas efektyvumo, kaštų mažinimo ir sėkmės rodiklių pagerinimus (Pușcașu ir kt., 2025). Štai kaip DI spartina vaistų atradimą:

• Greitesnė taikinio identifikacija: DI sparčiai analizuoja biologinius duomenis (genomiką, proteomiką), kad greitai nustatytų su liga susijusius terapinius taikinius, sutrumpindamas pradinį atradimo etapą.
• Pagreitintas virtualus atrankos procesas: DI pagrindu veikiantys kompiuteriniai modeliai greitai virtualiai patikrina milijardus cheminių junginių, prognozuodami, kurie tikėtina, kad prisijungs prie konkretaus ligos taikinio. Tai labai pagreitina potencialių vaistų kandidatų identifikavimą, palyginti su fiziniais bandymais (Marins ir kt., 2024).
• Efektyvus vaistų dizainas: DI, įskaitant generatyvinį DI, kuria naujas molekulines struktūras nuo nulio, optimizuodamas jas norimai biologinei veiklai ir tobulindamas esamus vaistų kandidatus, siekiant pagerinti efektyvumą ir saugumą.
• Patobulinta ADMET prognozė: DI modeliai tiksliai prognozuoja vaisto absorbciją, pasiskirstymą, metabolizmą, išskyrimą ir toksiškumą (ADMET) ankstyvame etape. Tai leidžia tyrėjams greitai atmesti kenksmingus ar neveiksmingus junginius, užkertant kelią brangiems nesėkmių atvejams vėlesniuose etapuose.
• Optimizuoti klinikiniai tyrimai: DI analizuoja pacientų duomenis, kad efektyviai identifikuotų tinkamus tyrimo dalyvius ir sukurtų labiau tikslingas protokolus. Taip pat prognozuoja reakcijas ir stebi rezultatus realiu laiku, kas leidžia greičiau surinkti dalyvius, trumpesnius tyrimų laikotarpius ir didesnius sėkmės rodiklius.
• Greitas vaistų pritaikymas naujoms indikacijoms: DI algoritmai greitai nustato naujas terapines paskirtis esamiems vaistams, analizuodami didžiulius patvirtintų medikamentų ir ligų duomenų rinkinius, spartindami gydymo prieinamumą.