V listopadu 2020, kdy svět bojoval s pandemií COVID-19, upoutal globální pozornost jiný druh průlomu. Google DeepMind oznámil, že její model AlphaFold vyřešil problém se skládáním proteinů, jeden z nejtvrdohlavějších hádanek biologie. Oznámení bylo oslavováno jako vědecký ekvivalent přistání na Měsíci. Redakce to nazvaly revolucí, která může přinést nové léky na trh rychleji než kdykoli předtím.
Ale o půl desetiletí později se záplava nových léků neuskutečnila. Navzdory miliardám dolarů, které jsou investovány do umělé inteligence (AI), zůstává objevování léků pomalým a nákladným procesem. Tento paradox leží v jádru toho, co analytici Jack Scannell, Alex Blanckley, Helen Boldon a Brian Warrington nazvali Eroomův zákon. papír z roku 2012.
Nesoulad mezi množstvím a kvalitou
Když Gordon Moore předpověděl v roce 1965 že výpočetní výkon se každé dva roky zdvojnásobí, zatímco náklady se sníží na polovinu, zachytil ohromující tempo pokroku v elektronice – pravidlo, kterému se začalo říkat Mooreův zákon. Ale v medicíně se stal opak. Eroomův zákon („Moore“ psáno pozpátku) uvádí, že počet objevených nových léků na miliardu utracených dolarů neustále klesá po celá desetiletí.
Dnes je uvedení léku na trh několikanásobně dražší, než tomu bylo v 70. letech 20. století, a to navzdory dostupnosti mnohem lepších počítačů, laboratoří a algoritmů. Stručně řečeno, žetony se hnaly vpřed, ale pilulky se zpomalily.
Při objevování léků začíná každá nová léčba hypotézou, vzdělaným nápadem nebo odhadem o tom, jak by molekula mohla ovlivnit onemocnění. Po celá desetiletí nebyla skutečným omezením kvantita hypotéz, ale kvalita. Ještě před příchodem umělé inteligence výzkumníci vytvořili miliony věrohodných nápadů, z nichž většina nikam nevedla. S dnešními systémy umělé inteligence toto číslo narostlo na miliardy, přesto se kvalita hypotéz nezlepšila. Algoritmy mohou exponenciálně zvýšit kvantitu hypotéz, ale nemohou zvýšit kvalitu tím, že je naplní intuicí nebo představivostí. Skok od kvantity ke kvalitě zůstává vysloveně lidskou výsadou.
Kreativita a chaos
Umělá inteligence využívající techniky hlubokého učení, jako je AlphaFold, prospívá vzorcům, kde jsou v datech skryté jasné a dobře definované vztahy. Problém se skládáním bílkovin tomu dokonale vyhovoval. Do roku 2015 již vědci zmapovali více než 1,5 lakh proteinových struktur během pěti desetiletí lidského úsilí pomocí rentgenové krystalografie, fluorescenční spektroskopie a proteinové nukleární magnetické rezonanční spektroskopie.
Existovala známá otázka, rozsáhlá datová sada a představa, jak by měla vypadat správná odpověď – vše konceptualizované lidmi.
Úspěch AlphaFold se tak rovnal brilantnímu studentovi, který absolvoval národní přijímací zkoušku, jako je NEET nebo UPSC. Otázky byly těžké, ale předvídatelné; osnova byla rozsáhlá, ale dobře známá; a roky lidské práce vytvořily materiál pro koučování. S dostatkem výpočetní praxe by student mohl dosáhnout nejvyšších pozic.
Objev drog však není vyšetření; je to akt průzkumu. Připomíná kriketového hledače talentů, který se snaží zahlédnout budoucího Virata Kohliho na prašné vesnici pro svůj IPL tým, nebo politického analytika, který se pokouší předpovědět, kdo by se mohl stát příštím indickým premiérem. Neexistuje žádný pevný vzor, žádný stanovený sylabus a žádný spolehlivý koučovací manuál. Na druhou stranu v divočině, ve které funguje objevování drog, dominuje nahodilost.
Nehody v. AlphaFold
Penicilin byl objeven, protože Alexander Fleming zapomněl zakrýt Petriho misku. Inzulín byl objeven prostřednictvím řady chaotických experimentů na psech, které provedli Frederick Banting a Charles Best, kteří se jednoduše pokoušeli izolovat pankreatické extrakty. Paracetamol vznikl chybnou identifikací v laboratorním notebooku v 19. století a metformin byl studován pro léčbu chřipky, než byla pochopena jeho role při cukrovce.
Dnešní svět je také daleko etičtější a opatrnější, právem. Každá molekula musí projít přísnými preklinickými testy a vícefázovými klinickými testy, než se dostane k pacientům. Tato opatrnost, i když nezbytná, také zpomalila cestu za poznáním. Dřívější vědci mohli testovat divoké nápady s relativní svobodou; dnešní výzkumníci procházejí horami papírování a hodnocení rizik. Takže i když AI navrhne slibnou molekulu, cesta k lahvičce na předpis zůstává dlouhým a namáhavým maratonem.
AlphaFold mohl uspět v rozluštění výpočetní výzvy, protože řešil omezený problém: problém, kde existovala pravidla a lidští vědci již zmapovali území. Jistě, umělá inteligence bude i nadále přetvářet různé aspekty medicíny, včetně screeningu, designu klinických studií a přeměny léčiv. Ale očekávat, že sama vytvoří nebo vyvine nové léky, je hloupost. Umělá inteligence vyniká, je-li vedena otázkami, které lidé již vědí klást a ověřovat, čímž zajišťuje, že její odpovědi jsou přesné a spolehlivé. Obecněji řečeno, umělá inteligence může reprodukovat znalosti rychlejším tempem, ale nemůže si je představovat ani vytvářet. Takže i když bude pokračovat v přetváření různých aspektů medicíny, včetně screeningu, designu klinických studií a přeměny léčiv, očekávat, že sama vytvoří nebo vyvine nové léky, by bylo pošetilé.
Jak ukazuje historie, každý velký skok v medicíně, od inzulínu k paracetamolu, začal lidskou myslí ochotnou zatoulat se za data.
(Poznámka: Zde popsané možnosti AI jsou k listopadu 2025.)
Dr. C. Aravinda je akademický lékař a lékař v oblasti veřejného zdraví. Vyjádřené názory jsou osobní.
Publikováno – 12. listopadu 2025 16:36 IST
