Ve vědě se dlouho postupovalo tempem lidí, laboratoří a čekání. Simulace trvaly týdny až měsíce, analýza dat byla omezená kapacitou týmů a velká část objevování závisela na tom, kolik času odborníci zvládnou věnovat čtení, testování a ručnímu propojování souvislostí. Teď se tenhle model rychle mění.
Na konferenci BIO26 zaznělo silné sdělení: agentická AI už není jen nástroj na generování textu nebo shrnutí poznatků. Stává se z ní pracovní vrstva, která umí plánovat úkoly, používat specializované vědecké nástroje, prohledávat literaturu, analyzovat biologická data, navrhovat molekuly a připravovat další kroky experimentů. Jinými slovy, nejde jen o to odpovědět na otázku. Jde o to odvést kus vědecké práce.
Největší novinkou bylo představení NVIDIA BioNeMo Agent Toolkit, sady nástrojů navržené tak, aby AI agenti mohli prakticky fungovat v biologii, chemii, genomice a objevování léčiv. Spolu s tím zaznělo, že celý sektor life sciences začíná přecházet na nový výpočetní model. Nejde už pouze o model samotný, ale o kombinaci modelu, nástrojů, dat, pravidel, bezpečnosti a napojení na reálné laboratorní procesy.
Tohle je důležitý okamžik nejen pro technologické firmy, ale i pro farmaceutický průmysl, biotechnologie, výzkumné ústavy a všechny, kdo se snaží urychlit cestu od hypotézy k ověřenému výsledku. Pokud se agentická AI v kódování stala během krátké doby standardem, nyní se podobná změna rozbíhá i ve vědě.
Obsah
- 🧠 Proč se mluví právě o agentické AI
- ⚙️ Jak vypadá nový výpočetní vzorec pro vědu
- 🧪 Co přináší NVIDIA BioNeMo Agent Toolkit
- 🔬 Proč nestačí mít model a proč věda potřebuje specializaci
- 🧬 Jak může agent navrhovat proteinový binder
- 🏭 Agenti jako nová aplikační vrstva v biotechnologiích
- 🤝 Dassault Systèmes ukazuje plnohodnotný agentický stack
- 🔁 Lila a vize uzavřené smyčky od návrhu po fyzické ověření
- 📈 Co zaznělo od Edison Scientific, Chai Discovery a Benchling
- 🧾 Proč je laboratoř stále klíčovým místem pravdy
- 🌍 Otevřené versus uzavřené modely: skutečná odpověď je obojí
- 👩🔬 Nové role, nové dovednosti a překvapivě jednoduchý prediktor úspěchu
- 🚀 Forward deployed inženýři a vědci jako nový standard nasazení
- 💰 Velikost příležitosti je obrovská
- 🔮 Co si z BIO26 odnáším
🧠 Proč se mluví právě o agentické AI
Kimberly Powell popsala posun, který je podle mě klíčový: dosavadní vlna AI uměla rozpoznávat vzory, generovat nápady, shrnovat informace a odpovídat na dotazy. To samo o sobě bylo pro vědu užitečné. Jenže další etapa je mnohem ambicióznější.
Agentická AI znamená, že systém nedělá jen jazykový výstup. Umí pochopit úkol, rozplánovat ho, vybrat vhodné nástroje, spustit výpočty, vracet se k mezivýsledkům a pokračovat dál. V praxi tak přecházíme od režimu „odpověz mi“ k režimu „udělej to“.
Tahle změna už se podle prezentovaných čísel výrazně projevila v softwarovém vývoji. Bylo zmíněno, že komunita softwarových inženýrů vytvořila v roce 2025 asi 500 milionů commitů, zatímco v prvních třech měsících roku 2026 už to bylo téměř 1,5 miliardy. Pointa byla jasná: když agenti umějí psát, testovat, ladit, revidovat a ověřovat kód, produktivita může vyrůst skokově.
Podle Powell je teď na řadě věda. A to dává smysl. Biologie, chemie a medicínský výzkum vytvářejí obrovské objemy dat. Přístroje jako sekvenátory, cytometry, mikroskopy nebo rentgenové systémy generují více informací, než kolik jsou lidé schopni sami rychle vstřebat. AI se tak posouvá do role vrstvy, která pomáhá nejen rozumět datům, ale také s nimi aktivně pracovat.
⚙️ Jak vypadá nový výpočetní vzorec pro vědu
Jedna z nejpraktičtějších částí celé prezentace byla jednoduchá architektura agentického systému. Powell ji rozebrala na několik vrstev:
- LLM jako mozek, který rozumí zadání, přemýšlí, plánuje a rozhoduje o dalším kroku.
- Harness jako tělo, tedy obal systému, který model propojuje s nástroji, soubory, databázemi, pamětí, pravidly a bezpečností.
- Nástroje a dovednosti jako ruce a nohy, díky nimž agent skutečně něco vykoná.
Tohle rozdělení je důležité, protože samotný jazykový model nestačí. I velmi schopný model je bez přístupu k vědeckému softwaru, správným vstupům, datovým zdrojům a bezpečnostnímu rámci omezený. Ve vědě to platí dvojnásob.
NVIDIA proto už dříve představila NeMo a související komponenty pro budování agentů. Zmíněn byl i otevřený harness označený jako NeMo Curation and orchestration layer, v projevu vyslovený jako NemoClaw, a také bezpečné sandbox prostředí OpenShell. Pointa byla zřejmá: agent musí mít prostor, kde může bezpečně vykonávat práci podle daných pravidel organizace.
Ve vědeckém prostředí je to ještě citlivější než jinde. Laboratorní data bývají citlivá, workflow regulovaná a rozhodnutí mají přímý dopad na drahé experimenty nebo klinické programy. Bez governance, auditovatelnosti a kontroly přístupu by nasazení takových agentů nedávalo smysl.
🧪 Co přináší NVIDIA BioNeMo Agent Toolkit
Hlavním oznámením celé akce byl BioNeMo Agent Toolkit. Jde o sadu nástrojů a definovaných dovedností, které dávají AI agentům schopnost používat akcelerované vědecké knihovny a modely v oblasti life sciences.
Zásadní myšlenka je jednoduchá: software už se nezačíná navrhovat jen pro lidi. Stále častěji se navrhuje tak, aby ho uměli efektivně používat i agenti. Vědecký software tedy potřebuje jasné rozhraní, správně popsané vstupy a výstupy, provozní doporučení a kontext, kdy je daný nástroj vhodný a kdy ne.
BioNeMo Agent Toolkit podle oznámení zpřístupňuje zhruba deset let práce NVIDIA v akcelerovaném výpočtu pro life sciences. Patří sem například:
- MONAI pro medicínské zobrazování
- Parabricks pro extrémně rychlou genomickou analýzu
- cuEquivariance pro urychlení predikce proteinových struktur
- nástroje pro biologii, chemii, genomiku a objevování léčiv
To vše je zpřístupněné jako agenticky použitelné dovednosti. Není to navázané jen na jediný model nebo jednoho poskytovatele. Bylo zdůrazněno, že toolkit je agent agnostic a integruje se i s ekosystémy jako OpenAI a Anthropic.
Pokud si chci udělat rychlou zkratku, BioNeMo Agent Toolkit dělá z vědeckých knihoven něco, co agent nejen „vidí“, ale také opravdu chápe a umí použít.
Podrobnější technické informace jsou dostupné v technickém blogu NVIDIA a širší kontext shrnuje také oficiální oznámení.
🔬 Proč nestačí mít model a proč věda potřebuje specializaci
Jedna z nejzajímavějších myšlenek celé akce byla, že vědecké modely bývají samy o sobě příliš složité na to, aby je běžný tým používal bez hluboké expertizy. Powell to vystihla na příkladu modelů pro biologii. Některé z nich dnes vyžadují znalost na úrovni PhD, aby je člověk správně spustil, zvolil vhodné vstupy, odhadl správnou numerickou přesnost a rozuměl limitům výsledků.
Právě tady mají agenti velkou šanci uspět. Když dostanou nejen model, ale i kontext jeho použití, mohou:
- zvolit správný nástroj pro správný problém,
- připravit vhodné vstupy,
- spustit výpočet s adekvátním nastavením,
- správně interpretovat výstupy,
- navrhnout další krok bez zbytečných iterací.
To má přímý dopad na tři věci, které byly výslovně zmíněny:
- vyšší přesnost vědeckých agentů,
- vyšší míru dokončení úloh,
- lepší tokenovou efektivitu.
Tokenová efektivita může znít jako technický detail, ale v praxi je velmi důležitá. Pokud agent při řešení složité vědecké úlohy používá mnoho nástrojů a dělá dlouhé řetězce kroků, náklady a latence rychle rostou. Ve vědeckém provozu, kde běží mnoho úloh současně, je optimalizace zásadní.
🧬 Jak může agent navrhovat proteinový binder
Aby celé téma nezůstalo abstraktní, zazněl konkrétní příklad workflow pro návrh proteinového binderu. To pěkně ukazuje, jak agentická vrstva mění způsob práce.
Představa je taková, že vědec zadá přirozeným jazykem komplexní úkol. Agent následně sám rozloží práci do několika fází:
- Najde nebo odhadne cílovou strukturu a klíčová hotspot místa.
- Vygeneruje návrhy binderů a iterativně je vylepšuje.
- Provede validaci, seřadí kandidáty a vrátí například nejlepší desítku.
Co je na tom zásadní? Dříve by podobná práce často znamenala používání několika aplikací, ruční klikání v rozhraních, exporty souborů, vlastní skripty a silnou závislost na expertech, kteří přesně vědí, co kde spustit. Tady se rozhraním stává přirozený jazyk a agent orchestru je v pozadí.
To neznamená, že experti přestávají být potřeba. Znamená to, že se jejich znalosti mohou propsat do systému, který zvládne opakovat složité kroky rychleji a konzistentněji.
🏭 Agenti jako nová aplikační vrstva v biotechnologiích
Powell mluvila o agentické AI jako o nové vstupní vrstvě do aplikací. To je silné tvrzení, ale z uvedených příkladů je vidět, proč dává smysl.
V life sciences už nejde jen o to mít oddělené nástroje pro docking, bioinformatiku, laboratorní monitoring nebo experimentální plánování. Agentická vrstva má sjednotit přístup k těmto systémům a automatizovat práci napříč nimi.
Byla zmíněna řada firem a partnerů, kteří tímto směrem míří:
- Schrödinger se svým konceptem Bunsen co-scientist
- Cadence v oblasti počítačem podporovaného objevování léčiv
- Seqera a workflow kolem Nextflow pro bioinformatiku
- lab automation partneři pro monitoring a zásahy v laboratoři
- Databricks a Snowflake jako runtime a datové platformy pro governance
Směr je jasný: data už často leží v řízených cloudových prostředích a agenti musí umět přijít za daty, ne data stahovat do neřízeného prostoru. To je mimochodem v souladu s tím, jak dnes firmy přemýšlejí o bezpečnosti, compliance a ochraně duševního vlastnictví.
Pro kontext k datové infrastruktuře a správě dat doporučuji i materiály od Databricks nebo Snowflake, protože právě sem se agentické workflow ve vědě přirozeně napojují.
🤝 Dassault Systèmes ukazuje plnohodnotný agentický stack
Jedním z nejkonkrétnějších příkladů byl přístup společnosti Dassault Systèmes. Ta představila virtuálního vědeckého společníka jménem Marie.
Na tomto příkladu bylo dobře vidět, že agentická AI pro vědu je skutečně full-stack problém. Nestačí mít jen model. Je potřeba:
- vrstva pro porozumění záměru uživatele,
- vědecké reasoning modely,
- agent harness a orchestrace,
- sub-agenti pro specializované úkoly,
- napojení na podnikové nástroje,
- vhodný runtime a cloudová infrastruktura.
Dassault podle popisu využívá modely řady Nemotron pro reasoning, LangChain v agentické orchestrace a BioNeMo Agent Toolkit pro sub-agenty zaměřené na oblasti jako molekulární percepce, tvorba experimentů nebo chemicko-biologická validace. Vše je nasazené na jejich vlastním cloudu Outscale AI Factory.
Tady je vidět, jak rychle se agentická AI mění z experimentální vrstvy na validovanou podnikovou aplikaci. Ve vysoce regulovaných oborech je přesně tahle kombinace řízení, provozní spolehlivosti a integrace naprosto klíčová.
🔁 Lila a vize uzavřené smyčky od návrhu po fyzické ověření
Další ukázkou byla společnost Lila, která buduje něco, co označuje jako vědeckou superinteligenci. Její přístup kombinuje agentickou AI a fyzickou AI tak, aby zvládla vědeckou metodu od začátku do konce.
Model je působivý hlavně tím, že nespoléhá jen na digitální návrh. Systém:
- navrhne například mRNA, CAR-T nebo jiné molekuly,
- předá návrhy do autonomní AI science factory,
- v laboratoři získá fyzické ověření,
- vrátí data zpět do smyčky pro další zlepšování.
Právě ověření v laboratoři bylo opakovaně zdůrazněno jako zásadní rozdíl mezi vědou a softwarem. V kódování je relativně snadné ověřit, zda program funguje. Ve vědě se pravda často ukáže až experimentem. To znamená, že digitální agenti musí být napojeni na reálné experimenty a skutečná data z fyzického světa.
Tohle je možná nejdůležitější brzda i největší příležitost celé oblasti. Kdo zvládne dobře propojit návrh, výpočet, laboratorní provedení a návrat dat, ten získá obrovskou výhodu.
📈 Co zaznělo od Edison Scientific, Chai Discovery a Benchling
Po úvodním bloku následovala panelová diskuze, která posunula celé téma od vize k praxi. A právě tady podle mě vyznělo nejlépe, co se dnes skutečně mění.
Edison Scientific: AI vědec už není jen odvážná myšlenka
Andrew White popsal vývoj AI agentů pro vědu ve třech generacích. Nejprve přišly jednoduché ReAct agenty, které uměly ukázkové scénáře, ale byly křehké. Potom nastoupili agenti s definovanými nástroji a tool schemas, kteří začali zvládat oborově specifické workflow. Dnes podle něj přichází třetí generace: persistentní agenti píšící kód v sandboxu.
To je důležité, protože takový agent už není jen sérií promptů. Je spíš jako digitální kolega, který může běžet dny, pracovat s vlastním kódem, fungovat v cloudu nebo on-premise a řešit vědecký program po delší dobu.
White také upozornil na zajímavý paradox. Ve vědě se změny často projevují pomaleji, protože publikace a peer review trvají dlouho. Výzkum, který se dnes ukazuje v časopisech, může ve skutečnosti odrážet stav technologií před rokem. To zkresluje dojem, jak rychle se obor hýbe.
Podle něj už ale nejsme jen ve fázi výzkumu agentů. Přesouváme se do fáze inženýrství a produktizace.
Chai Discovery: molekulární design se zlepšil o řády
Josh z Chai Discovery přinesl velmi konkrétní čísla. Ještě před dvěma lety bylo velmi obtížné spolehlivě předpovědět, jak se léčivo naváže na proteinový cíl. U návrhu protilátek byla úspěšnost predikce vazby na antigen kolem 5 procent. Během posledních dvou let se podle něj zvýšila zhruba desetinásobně.
Ještě výraznější skok popsal u samotného designu protilátek. Přibližně před rokem se špička oboru pohybovala kolem úspěšnosti 1 z 1000 navržených molekul. Dnes je to podle jeho slov asi 10 až 15 procent. To je posun o dva řády.
Na těchto číslech je dobře vidět, proč je kolem agentické AI tolik pozornosti. Když se výrazně zvýší schopnost procházet obrovský prostor hypotéz, nejde jen o úsporu času. Otevírá se možnost objevit léky, které by dříve zůstaly mimo dosah jednoduše proto, že nebylo možné dost rychle zkoušet dost variant.
Josh připomněl, že prostor možných protilátek je větší než počet atomů ve vesmíru. V takovém prostoru je rychlost iterace naprosto zásadní.
Benchling: z elektronického laboratorního zápisníku je systém akce
Saji z Benchlingu nabídl velmi střízlivý a zároveň praktický pohled. Laboratorní notebook už podle něj není jen místo, kam se zpětně zapisuje, co se stalo. V éře AI se z něj stává rozhraní pro plánování budoucí práce a zdroj kontextu pro agenty.
Benchling pracuje s kombinací strukturovaných dat, nestrukturovaného kontextu, rozhodnutí a handoffů mezi týmy. A přesně tohle AI potřebuje, aby byla užitečná v reálném biopharma prostředí.
Silný byl příklad spolupráce s Prime Medicine. Šlo o komplexní buněčnou a genovou terapii, kde bylo potřeba validovat 35 různých komponent podle standardů FDA. Když FDA změnila pravidla validace, Benchling využil AI a vlastní harness k prohledání čtyř let historických experimentů, identifikaci mezer, návrhu doplňujících studií a urychlení práce z měsíců na dny.
To je přesně typ případu, kde agentická AI nepůsobí jako efektní demo, ale jako nástroj s přímým regulatorním a provozním dopadem.
🧾 Proč je laboratoř stále klíčovým místem pravdy
V panelu se opakovaně vracelo jedno téma: věda nemá jednoduché ověřovače jako software. U kódu často zjistím rychle, zda prošel testy. U biologické hypotézy to bez experimentu nejde.
Andrew White otevřeně řekl, že původní představa o tom, že když AI dostane přístup k veškeré vědecké literatuře, začne sama snadno nacházet převratné objevy, se nenaplnila tak jednoduše, jak se čekalo. Jejich systémy pracovaly se stovkami milionů článků, klinickými studiemi i desítkami milionů patentů, ale samotná koncentrace znalostí ještě automaticky negenerovala objev.
Průlom přišel až ve chvíli, kdy se přidal lab-in-the-loop. Systém navrhl experiment, laboratoř dodala data, systém je vyhodnotil a navrhl další experiment. Teprve tato smyčka přinesla skutečný posun.
Tohle je podle mě mimořádně důležité i pro očekávání trhu. Agentická AI ve vědě nebude jen o lepším chatu nad PDF soubory. Skutečná hodnota se objeví tam, kde dojde k uzavření smyčky mezi digitálním návrhem a fyzickým ověřením.
Pro širší kontext laboratorní automatizace a digitální biologie dává smysl sledovat také oblasti jako laboratory automation nebo moderní přístupy k drug discovery.
🌍 Otevřené versus uzavřené modely: skutečná odpověď je obojí
Velmi užitečná část debaty se týkala otevřených a uzavřených modelů. V life sciences se tohle téma řeší často, protože organizace potřebují jak špičkový výkon, tak možnost specializace a kontroly.
Na panelu se v zásadě všichni shodli, že správná odpověď není „buď anebo“, ale „oboje“.
Andrew White vyzdvihl otevřené modely jako způsob, jak prokázat, že technologie opravdu funguje. V oblasti, kde se snadno míchá hype s realitou, je možnost model uvolnit a nechat ostatní, aby si ho sami vyzkoušeli, velmi cenná.
Saji dodal, že obecné reasoning schopnosti budou pravděpodobně stále více komoditizované. Firmy si budou vybírat modely podle poměru cena výkon a konkrétní úlohy. Zato specializovaná inteligence vzniklá nad unikátními daty, laboratorní kapacitou a interní expertizou bude pravděpodobně silně diferencující.
Josh z Chai Discovery zase upozornil, že u frontier modelů už někdy nejde jen o otevřenost modelu samotného. Důležitý je i celý provozní balík kolem něj, včetně orchestrace výpočtů a robustního nasazení. Když inference běží přes stovky nebo tisíce GPU, samotné spuštění a spolehlivost infrastruktury se stávají významnou částí produktu.
Mně z toho vychází jednoduchý závěr: otevřené modely urychlují ekosystém, ale komerční nasazení ve špičkovém výzkumu bude často stát na kombinaci otevřených základů, vlastních úprav a pečlivě řízené provozní vrstvy.
👩🔬 Nové role, nové dovednosti a překvapivě jednoduchý prediktor úspěchu
Jedna z nejpříjemnějších částí panelu byla debata o tom, co se vlastně změní pro lidi pracující ve vědě. Nezazněl katastrofický scénář, že laboratoře nahradí stroje a lidé nebudou potřeba. Naopak.
Saji velmi trefně poznamenal, že v biotechnologiích a farmacii je někdy překvapivě málo času na samotnou vědu, protože obrovský objem práce padne na inženýrství, operativu, koordinaci a administrativu potřebnou k tomu, aby se nápad dostal až k pacientovi.
Pokud AI zkrátí právě tuto vrstvu práce, může vědcům vrátit prostor pro to, kvůli čemu do oboru vůbec šli: přemýšlet, interpretovat nečekané výsledky a pokládat další otázky.
Zajímavé také bylo, že v interním nasazení AI prý nebyla nejlepším prediktorem úspěchu seniorita, titul ani prestižní původ. Nejlepším prediktorem byla zvědavost.
To je podle mě skvělá zpráva. V prostředí, kde se nástroje mění doslova z měsíce na měsíc, je ochota zkoušet, ptát se a učit se zřejmě cennější než status.
🚀 Forward deployed inženýři a vědci jako nový standard nasazení
Další velké téma panelu byla role takzvaných forward deployed engineers nebo v případě life sciences klidně forward deployed scientists. Jde o lidi, kteří pomáhají zákazníkům dostat AI systémy skutečně do provozu v jejich konkrétních datech, procesech a týmech.
Saji připomněl, že tenhle koncept není úplně nový, jen dostal modernější název. Benchling podobný model provozuje už řadu let a má desítky až stovky odborníků, kteří zákazníky provedou od rozhodnutí platformu nasadit až po plné zprovoznění workflow.
Josh zdůraznil, že u Chai Discovery je podobná role zásadní, protože rychle se vyvíjející modely samy o sobě nestačí. Je potřeba rozumět tomu, jak změnit experimentální workflow, aby partner získal z modelů maximum.
Andrew White doplnil, že integrace AI vědce do farmaceutické firmy je složitý úkol. Je třeba napojit data, výpočetní zdroje, hodnoticí vrstvy a často i celou sadu interních systémů. Bez lidí, kteří tomu rozumějí technicky i vědecky, to jednoduše nejde.
Tohle považuji za jednu z nejpraktičtějších lekcí celé akce. Mnoho firem si bude muset přiznat, že úspěch agentické AI není jen o koupi modelu nebo přístupu k API. Je to změna způsobu práce, která vyžaduje translátory mezi technologií a skutečnou vědou.
💰 Velikost příležitosti je obrovská
Na akci zazněla i čísla, která vysvětlují, proč se kolem agentické AI v life sciences formuje tak široký ekosystém. Roční výdaje na farmaceutický výzkum a vývoj byly vyčísleny přibližně na 300 miliard dolarů. Celosvětové výdaje na vědu pak na 3,8 bilionu dolarů.
To je obrovský prostor pro změnu. Když se podaří zkrátit čas potřebný pro analýzu, design nebo validaci, nejde jen o úsporu peněz. Jde o:
- rychlejší objevování léčiv,
- lepší využití laboratorní kapacity,
- větší počet otestovaných hypotéz,
- rychlejší reakci na regulatorní změny,
- vyšší šanci na objevení nových terapeutických přístupů.
Bylo také řečeno, že BioNeMo Agent Toolkit už získal silnou odezvu od desítek partnerů, kteří ho adoptují pro stavbu agentů, jejich provoz i nasazení nad řízenými daty. To naznačuje, že nejde o izolovanou technologickou iniciativu, ale o vznikající průmyslový standard.
🔮 Co si z BIO26 odnáším
Pro mě má celé sdělení z BIO26 tři hlavní roviny.
Za prvé, AI ve vědě vstupuje do nové fáze. Už nejde jen o asistenta pro textové dotazy. Jde o pracovní systémy schopné orchestrace, plánování a používání odborných nástrojů.
Za druhé, skutečná hodnota nevzniká v izolovaném modelu, ale v propojení modelu, nástrojů, dat, pravidel, infrastruktury a laboratoře. Vědecká AI je full-stack disciplína.
Za třetí, největší posun pravděpodobně nepřijde z jedné magické funkce, ale z uzavření smyčky mezi hypotézou, výpočtem, experimentem a učením z výsledků. Jakmile se tato smyčka zrychlí, začnou se posouvat i dosavadní bottlenecky. To vytvoří nové příležitosti nejen v AI, ale i v laboratorní automatizaci, výrobě a správě dat.
Pokud se v první polovině roku 2026 definitivně potvrdilo, že agenti změnili způsob psaní softwaru, druhá polovina roku a další období velmi pravděpodobně ukážou, jak stejná logika pronikne do biologie, chemie a vývoje léčiv.
A to je zpráva, která stojí za pozornost. Ne kvůli samotnému technologickému nadšení, ale kvůli tomu, že rychlejší a chytřejší věda může znamenat lepší porozumění nemocem, účinnější výzkum a časem i nové léky, které by bez těchto nástrojů vůbec nevznikly.
Další informace o tématu je možné sledovat také přes AI Healthcare newsletter nebo přes oficiální profily na síti X a LinkedInu.
