Umělá inteligence se často popisuje jako nástroj pro psaní textů, tvorbu webů nebo automatizaci kancelářské práce. Jenže v biologii a medicíně se rýsuje mnohem větší příběh. Derya Unutmaz, imunolog a profesor v The Jackson Laboratory, mluví o AI ne jako o pohodlném doplňku, ale jako o technologii, která může zásadně změnit způsob, jakým zkoumáme buňky, navrhujeme experimenty a jednou možná i léčíme nemoci zcela na míru.
Jeho pohled je zajímavý tím, že nestojí jen na obecném nadšení. Opírá se o desítky let práce v imunologii, výzkumu rakoviny a bioinženýrství. A právě díky této kombinaci hluboké odbornosti a ochoty neustále experimentovat vznikají praktické aplikace, které si staví s pomocí Codexu, reasoning modelů a generativních nástrojů pro obraz. Nejde o teoretické úvahy. Jde o software pro analýzu buněk, simulátory T buněk nebo nástroje pro návrh CRISPR zásahů.
Z celé debaty na mě nejvíc působí jedna věc. AI tu není vykreslená jako vzdálený příslib, ale jako něco, co už dnes vstupuje do každodenní vědecké práce. Ráno káva, potom kontrola, co přes noc vytvořil nebo dopočítal Codex. Pro někoho zvláštní rutina, pro Unutmaze už běžný pracovní režim.
Současně zaznívá velmi odvážná teze: pokud poroste výpočetní výkon a budou se zlepšovat modely, medicína se může během několika let posunout k digitálním dvojčatům člověka, k simulovaným klinickým studiím a k léčbě šité přesně na biologii konkrétního člověka. To je vize, která zní až futuristicky. Ale právě proto stojí za to ji rozebrat detailněji.
Obsah
- 🧬 Proč se biologie bez AI neobejde
- ☕ Codex po ránu: když nápad dostane software během hodin
- 🔬 Analýza buněk s pomocí AI: vlastní software pro flow cytometrii
- 🧫 Simulace imunitních buněk: od receptoru k virtuální buňce
- 🖼️ Když se vědecký obraz promění v interaktivní atlas
- 🧪 Vlastní nástroj pro CRISPR a genové inženýrství
- 👤 Digitální dvojče člověka: od personalizace k nové medicíně
- 🎯 Co by digitální dvojče změnilo u rakoviny
- 🤖 Budoucnost vědy: AI agenti, roboti a nový výzkumný cyklus
- 📈 Proč jsou podle něj důležité zvídavost a schopnost jednat
- 🌍 Optimistická vize: zlatý věk pro biologii i lidstvo?
🧬 Proč se biologie bez AI neobejde
Unutmaz popisuje svůj zájem o AI už od začátku 90. let, krátce po dokončení medicíny. Právě tehdy mu naplno došlo, jak ohromně složité biologické systémy vlastně jsou. V medicíně je snadné říct, že nějakou nemoc neumíme léčit. Ve výzkumu ale člověk rychle narazí na hlubší problém: často ani pořádně nerozumíme celé síti dějů, které za nemocí stojí.
Biologie není jednoduchý stroj s několika součástkami. Je to systém s obrovským počtem vzájemně propojených částí, reakcí a zpětných vazeb. Imunitní systém, genetika, metabolismus, mikrobiom, hormony, signální dráhy v buňkách. Všechny tyto vrstvy se neustále ovlivňují. V takovém prostředí je velmi těžké přemýšlet lineárně.
Právě tady podle něj AI začíná dávat smysl. Klasický lidský přístup má v biologii své limity, protože množství informací dávno přesahuje to, co lze udržet v hlavě nebo zpracovat běžným způsobem. Až s nástupem deep learningu se objevila realistická možnost, že bude možné modelovat obrovské objemy biologických dat paralelně a hledat v nich vzorce, které by jinak zůstaly skryté.
Do širšího kontextu to dobře zapadá. Moderní biologie už dávno stojí na datech ve velkém měřítku. Sekvenování genomu, proteomika, single-cell analýza nebo prostorová biologie produkují množství dat, které prakticky volá po strojovém zpracování. O tom, jak se AI dnes používá v biologii a medicíně, píše například i Nature nebo Science.
Podle Unutmaze byl velký zlom už GPT-4, protože výrazně pomohl se syntézou odborných informací a orientací v literatuře. Jenže skutečný posun pro vědu přišel ve chvíli, kdy modely začaly více uvažovat. Nešlo už jen o shrnutí známého, ale o schopnost odhadovat výsledky experimentů nebo navrhovat smysluplné scénáře v komplexních biologických situacích.
☕ Codex po ránu: když nápad dostane software během hodin
Jedna z nejživějších částí rozhovoru se točí kolem každodenní práce s Codexem. Unutmaz s nadsázkou říká, že je na Codexu závislý. Pointa je ale vážná. Díky AI se dramaticky snížila cena experimentování se softwarem.
Dřív měl člověk nápad na aplikaci, simulaci nebo interní nástroj, ale narážel na dvě překážky:
- Musel umět programovat na úrovni, která nestačí jen na jednoduché skripty.
- Musel investovat týdny až měsíce práce, aby vzniklo něco skutečně použitelného.
Dnes může odborník s hlubokou znalostí problému, ale bez profesionálního vývojářského zázemí, dojít k funkčnímu nástroji mnohem rychleji. To je důležitá změna. Vědec už nemusí čekat, až se jeho nápad dostane na řadu v IT týmu nebo až najde vývojáře, který dostatečně rozumí biologii. Může rovnou zkoušet, ladit a iterovat.
Unutmaz popisuje, že někdy nechává Codex pracovat i přes noc a ráno kontroluje výsledky. Tato představa hezky vystihuje, jak se mění rytmus práce. AI tu funguje jako partner pro neustálé prototypování. Ne všechno vyjde, ale rychlost pokusů je nesrovnatelná s minulostí.
Tohle je mimochodem princip, který se neomezuje jen na biologii. Ve chvíli, kdy AI sníží náklady na tvorbu prototypů, začíná být mnohem cennější samotná odbornost, intuice a schopnost klást dobré otázky. Programování se nevytrácí, ale přestává být hlavní vstupní bariérou.
🔬 Analýza buněk s pomocí AI: vlastní software pro flow cytometrii
Jedním z nejkonkrétnějších příkladů je aplikace pro analýzu dat z flow cytometrie. To je metoda, která umožňuje analyzovat jednotlivé buňky podle různých markerů. Buňky se označí fluorescenčními značkami, projdou laserem a výsledkem je datový obraz toho, jaké buněčné populace se v daném vzorku nacházejí.
V imunologii je to zásadní nástroj. Pomáhá rozlišit různé typy imunitních buněk, jejich aktivaci, funkční stav nebo například to, zda určité T buňky spíše bojují proti nádoru, nebo naopak souvisejí s autoimunitou.
Jenže práce s těmito daty není jednoduchá. Vznikají tisíce až stovky tisíc datových bodů, často se sleduje velké množství markerů najednou a je potřeba všechno převést do grafů, procent, bran a podskupin buněk. Běžně se k tomu používá specializovaný software, který se v laboratořích používá už desítky let.
Unutmaz si ale řekl, proč si nezkusit postavit vlastní nástroj. Na první pohled zní takový nápad téměř bláznivě, protože jde o složitou oblast s vysokými nároky na výkon i přesnost. Přesto se mu s pomocí Codexu podařilo vytvořit fungující aplikaci.
Ta umí například:
- načíst datový soubor s jednotlivými buňkami,
- zobrazit body reprezentující každou buňku,
- přepínat mezi různými fluorescenčními markery,
- nastavit tzv. gates neboli brány pro výběr buněčných populací,
- vypočítat podíly například CD4 nebo CD8 pozitivních buněk,
- zobrazovat statistiky a různé typy grafických reprezentací.
Pro nebiologa to může znít technicky, ale praktický dopad je zřejmý. Vědec si může nástroj přizpůsobit přesně svému způsobu práce, svým panelům markerů a otázkám, které řeší. Nemusí se spoléhat jen na univerzální komerční software.
Ještě zajímavější je doplňková funkce pro návrh markerových panelů. Když chce člověk najít konkrétní typ buněk, třeba naivní T buňky nebo určité paměťové populace, musí vybrat správnou kombinaci markerů. Aplikace pomáhá určit, které markery dávají pro daný buněčný typ největší smysl. Tím se z nástroje pro analýzu stává i nástroj pro plánování experimentu.
To je přesně moment, kdy AI nepomáhá jen s přepisem práce do hezčího rozhraní. Pomáhá z odborné znalosti vytvářet specializované pracovní prostředí.
🧫 Simulace imunitních buněk: od receptoru k virtuální buňce
Ještě ambicióznější část Unutmazovy práce směřuje k simulaci biologických systémů. Podle něj je to klíčová budoucnost AI v biologii. Argument je jednoduchý: když konstruktéři navrhují letadlo, nespoléhají na to, že prostě poskládají díly a uvidí, co se stane. Simulují aerodynamiku, zatížení, chování systému v různých podmínkách.
V biologii však podobná úroveň simulace zatím většinou chybí. A právě to by AI mohla změnit.
Jeho dlouhodobý cíl je odvážný. Začít virtuálními buňkami, pak přejít k tkáním a nakonec k digitálnímu dvojčeti celého člověka. To je samozřejmě obrovská výzva, protože biologický systém je mnohonásobně složitější než většina technických systémů, které dnes běžně simulujeme.
Aby tento směr uchopil prakticky, začal menším simulátorem zaměřeným na T buněčný receptor. T buněčný receptor je pro T lymfocyty zásadní. Rozhoduje o tom, jak buňka rozpozná signál a jak na něj odpoví. Síla a kvalita signálu může vést k žádoucímu útoku na nádor, k obraně proti infekci, ale také k autoimunitě nebo poškození tkání.
Pod povrchem receptoru navíc běží složitá síť signálních drah. Aktivují se různé molekuly, přepínají se transkripční faktory, mění se fosforylační vzorce a výsledkem je konkrétní buněčné rozhodnutí.
Vytvořený simulátor umožňuje měnit vstupy, například:
- jak silně receptor váže ligand,
- jaká je dávka signálu,
- zda je přítomen inhibiční signál,
- jaké další receptory nebo zásahy do systému přidáme.
Na základě toho pak aplikace simuluje, které dráhy se aktivují, které molekuly zůstanou utlumené a jak se změní buněčná odpověď. Tohle už není jen analytický dashboard. Je to myšlenkový model převedený do interaktivního experimentálního prostoru.
Takový nástroj může mít několik významů najednou:
- Výzkumný, protože pomáhá přemýšlet o biologických hypotézách.
- Didaktický, protože složité vztahy ukazuje názorně.
- Návrhový, protože umožňuje zkoušet zásahy dřív, než se udělají v laboratoři.
Jestli se podobný princip podaří rozšířit na větší části imunitního systému, mohl by zásadně urychlit rozhodování o tom, které experimenty mají největší šanci přinést užitečný výsledek.
🖼️ Když se vědecký obraz promění v interaktivní atlas
Vedle čistě analytických nástrojů ukazuje Unutmaz i hravější, ale překvapivě silný způsob využití AI. Po vydání nové verze nástroje pro generování obrazů si nechal vytvořit vizuál inspirovaný imunitním atlasem publikovaným v časopise Nature. Výsledkem byl velmi detailní obraz zachycující různé imunitní buňky, s nimiž pracoval během své kariéry.
To samo o sobě je zajímavé, ale klíčový krok přišel až potom. Obrázek vložil do Codexu s jednoduchým zadáním, aby z něj vznikla interaktivní webová simulace. Ne detailní seznam funkcí, ne přesný technický plán. Spíš záměr: pochop tento obraz a přetvoř ho v živý interaktivní prostor.
Výsledek byl podle jeho popisu působivý. Animované buňky, jejich vzájemné interakce a možnost kliknout na konkrétní element a získat informace o buněčném typu, jeho funkci nebo důležitých molekulách. Například o PD-1, což je klíčový cíl některých moderních protinádorových terapií známých jako checkpoint inhibitory. Základní přehled o těchto léčbách nabízí třeba National Cancer Institute.
Z jedné statické ilustrace se tak stal malý imunitní simulátor. Navíc se ukázalo, že ho lze dále rozšiřovat, například o změny chování imunitních buněk v závislosti na věku.
Tohle je podle mě krásný příklad, jak se sbližují tři světy:
- vědecké znalosti,
- vizuální reprezentace,
- interaktivní software.
Pro vzdělávání a popularizaci vědy to může mít obrovský potenciál. Ne jen ukázat, jak buňky vypadají, ale umožnit chápat jejich chování v souvislostech.
🧪 Vlastní nástroj pro CRISPR a genové inženýrství
Další aplikace míří do oblasti genetického editování. Unutmaz připomíná, že buňky lze v jistém smyslu chápat jako biologický software. A dlouhodobě doufá, že jednou budeme mít něco jako programovací prostředí pro biologii, ve kterém půjde buňky cíleně navrhovat a přepisovat.
Dnes se tomuto směru výrazně přibližujeme pomocí technologií jako CRISPR-Cas9. Ty dovolují cílit na konkrétní geny, opravovat mutace, geny vypínat nebo naopak zvyšovat jejich expresi. V principu jde o velmi mocný nástroj genomového inženýrství.
Praktický problém ale zůstává stejný jako v jiných částech biologie: složitost. Když má gen tisíce nukleotidů, není triviální rozhodnout, kam přesně zacílit. Je třeba řešit specificitu, pravděpodobnost správného zásahu i možné vedlejší efekty.
Proto si Unutmaz vytvořil vlastní aplikaci pro návrh CRISPR cílů. Ta podle názvu zvoleného genu stáhne příslušnou sekvenci z databáze, identifikuje potenciální cílové oblasti a seřadí je podle vhodnosti. Uživatel si pak může vybrat nejlepší kandidáty, zkopírovat návrh a poslat ho firmě, která příslušné molekuly syntetizuje pro laboratorní použití.
Zajímavé je i to, že aplikace přidává funkce, které v jiných nástrojích chyběly. Například schopnost navrhnout celou knihovnu CRISPR cílů pro více genů najednou. To je přesně typ úpravy, kvůli kterému si odborník staví vlastní software. Ne proto, že by neexistovaly žádné alternativy, ale protože potřebuje konkrétní workflow, které odpovídá jeho experimentům.
Aplikace navíc běží jako nativní macOS software postavený ve Swiftu, s plánem na iPad verzi pro použití přímo v laboratoři. To podtrhuje další důležitý bod. AI už neslouží jen k tvorbě jednoduchých skriptů nebo prototypů do prohlížeče. Pomáhá i při vzniku plnohodnotných specializovaných aplikací.
👤 Digitální dvojče člověka: od personalizace k nové medicíně
Největší vize celého rozhovoru se týká digitálních dvojčat. Tím Unutmaz myslí co nejúplnější virtuální model konkrétního člověka. Ne pouze několik základních měření, ale propojení genetických dat, metabolismu, proteinů, hormonů, mikrobiomu, imunitního systému a dalších biologických vrstev.
Proč je to důležité? Protože medicína je stále do velké míry postavená na průměru. Lidé se stejnou diagnózou často dostanou stejný lék, přestože jejich biologický kontext může být výrazně odlišný. Jeden člověk odpoví skvěle, druhý skoro vůbec a třetí bude mít vedlejší účinky.
Unutmaz připomíná příklad statinů, které užívají miliony lidí, ale významný efekt mají jen u části z nich. To není kritika konkrétního léku, ale připomínka, že průměrná medicína naráží na biologickou rozmanitost.
Digitální dvojče by tuto logiku mohlo převrátit. Místo otázky „jak tento lék funguje obecně“ by bylo možné klást otázku „jak pravděpodobně zafunguje u tohoto konkrétního člověka v tomto konkrétním biologickém stavu“.
Pokud by takové modely dosáhly dostatečné kvality, otevřelo by to několik zásadních možností:
- předvídat riziko nemoci ještě před jejím propuknutím,
- odhadovat odpověď na léčbu před podáním léku,
- testovat různé terapeutické varianty ve virtuálním prostředí,
- navrhovat léčbu přesně na biologii konkrétního pacienta.
Unutmaz jde ještě dál a tvrdí, že by to mohlo dramaticky zkrátit klinické testování. Místo let trvajících studií by AI mohla v řadě situací předem vyhodnotit nejpravděpodobnější účinky i rizika. To je samozřejmě velmi ambiciózní představa a bude vyžadovat obrovské množství validace, regulace a důvěryhodných dat. Ale jako směr vývoje dává smysl.
Právě zde se ukazuje, že hlavní překážkou není jen kvalita modelů, ale i výpočetní kapacita. Simulovat biologii v této šíři je extrémně náročné. Podle Unutmaze dnešní dostupný výkon zdaleka nestačí. Pokud se ale výpočetní možnosti výrazně zvýší a modely se budou dál zlepšovat, může se tento scénář začít stávat reálnějším během příštích pěti až deseti let.
🎯 Co by digitální dvojče změnilo u rakoviny
Onkologie je podle Unutmaze jednou z oblastí, které mají k personalizované medicíně nejblíž už dnes. I nádory se stejným názvem totiž mohou mít velmi odlišné mutace. Lékaři proto už dnes u některých diagnóz zjišťují, které geny jsou změněné, a podle toho volí cílenou léčbu.
Příklad z rakoviny plic ukazuje logiku personalizace jasně. Pro určitou malou skupinu pacientů může existovat lék, který funguje výborně, zatímco pro většinu ostatních nefunguje. To neznamená, že je léčba špatná. Znamená to, že byla správná jen pro velmi konkrétní biologický profil.
Digitální dvojče by tento princip mohlo posunout mnohem dál. Nejen identifikovat známou mutaci a přiřadit k ní dostupný lék, ale přímo modelovat, jak se konkrétní nádor a konkrétní imunitní systém budou chovat při různých zásazích.
To je důležité i kvůli imunoterapii. Ta v posledních letech přinesla obrovský posun v léčbě rakoviny, ale nefunguje u všech stejně. Někde imunitní systém nádor rozpozná a zničí, jinde buňky vyčerpají svou aktivitu, nebo se nádor naučí imunitní odpovědi unikat.
Pokud by bylo možné tyto mechanismy simulovat, lékařská rozhodnutí by se mohla výrazně zpřesnit. Šlo by třeba odhadnout:
- zda má pacient šanci profitovat z checkpoint inhibitoru,
- zda je vhodná kombinace více typů léčby,
- jaké jsou největší rizikové vedlejší účinky,
- kdy může být potřeba zásah upravený pro unikátní mutační profil nádoru.
Unutmaz připomíná i pozoruhodný případ z Austrálie, kde počítačový vědec s pomocí AI navrhl RNA vakcínu cílenou na mutace nádoru svého psa. Tento příklad neuvádí jako standardní klinickou praxi, ale jako ukázku směru, kterým se extrémně personalizovaná onkologická léčba může ubírat.
🤖 Budoucnost vědy: AI agenti, roboti a nový výzkumný cyklus
Když Unutmaz mluví o budoucnosti laboratoří, nepředstavuje si jen lepší chatboty. Mluví o zásadní proměně celého vědeckého procesu. Tuto proměnu označuje jako science 2.0 nebo 3.0.
Dnešní model práce je pomalý. Výzkumník vymyslí hypotézu, týdny plánuje experimenty, pak měsíce získává a analyzuje data. V biologii navíc většina experimentů nevyjde. To je normální, ale zároveň velmi nákladné na čas i peníze.
Nový model by podle něj mohl vypadat takto:
- AI agenti navrhnou velké množství hypotéz.
- Vyhodnotí, které z nich dávají největší smysl.
- Nasimulují možné experimenty a odhadnou jejich šanci na úspěch.
- Výzkumník vybere nejlepší směr nebo ho zadá hlavnímu systému.
- Automatizovaná laboratoř provede experimenty.
- Další agenti data okamžitě vyhodnotí.
- Systém navrhne další kolo hypotéz a experimentů.
Role člověka by se tím neposouvala k nečinnosti, ale spíše k řízení směru. Méně manuálního přepínání mezi úkoly, více strategického rozhodování, jaké otázky jsou důležité a jaké cíle stojí za to sledovat. V případě Unutmaze třeba prosté zadání: chci najít lepší cestu k léčbě rakoviny plic, běž to prozkoumat.
Automatizace laboratoří už mimochodem není čisté sci-fi. V řadě oborů už existují robotické platformy pro vysokokapacitní experimenty. V kombinaci s AI to může vytvořit uzavřenou smyčku mezi hypotézou, testem a učením systému z výsledků.
Unutmaz v této souvislosti zmiňuje i Jevonsův paradox. Jednoduše řečeno, když se nějaká činnost stane efektivnější a levnější, často to nevede k menšímu využití, ale naopak k většímu. Pokud bude biologický výzkum rychlejší a levnější, neznamená to méně práce pro biology. Spíš to otevře mnohem více otázek, které bude možné konečně řešit.
📈 Proč jsou podle něj důležité zvídavost a schopnost jednat
Na konci zaznívá rada, která přesahuje biologii. Unutmaz říká, že jeho výhodou je život v experimentálním prostředí. Ve výzkumu je člověk zvyklý na neúspěch. V biologii podle něj selže 95 až 98 procent experimentů. To není výjimka, ale norma.
Právě tahle zkušenost dobře připravuje na práci s AI. Pokud něco nevyjde, neznamená to konec. Znamená to další iteraci. Nové zadání. Upravený prompt. Jinou cestu.
Za nejdůležitější vlastnosti v éře AI považuje:
- zvídavost, tedy ochotu zkoušet nové možnosti,
- agency, tedy schopnost jednat a převzít iniciativu,
- odolnost vůči neúspěchu, protože ne každý pokus vyjde,
- odvahu experimentovat, protože cena pokusu dramaticky klesla.
To je možná nejsilnější praktický závěr celé debaty. AI mění ekonomiku pokusu. Dříve byly změny drahé, pomalé a často administrativně složité. Dnes lze během minut zjistit, zda určitý nápad vede správným směrem. Týká se to webu firmy, interního nástroje, nového produktu i vědecké pomůcky.
Neznamená to, že vše bude snadné nebo bezchybné. Ale hranice mezi nápadem a prvním funkčním pokusem se výrazně zkrátila. A kdo tuto změnu přijme, získává obrovskou výhodu.
🌍 Optimistická vize: zlatý věk pro biologii i lidstvo?
Unutmaz se nijak netají tím, že na AI hledí velmi optimisticky. V době, kdy je veřejná debata často plná obav, mluví o AI jako o síle, která může lidstvo posunout do nového zlatého věku. Ne proto, že by ignoroval rizika, ale protože vidí mimořádný potenciál v oblasti zdraví, vědy a bioinženýrství.
Jeho vize je odvážná. Během příští dekády bychom podle něj mohli zásadně urychlit léčbu nemocí. V delším horizontu dokonce mluví o reverzi stárnutí a o výrazném prodloužení lidského života. To jsou tvrzení, která budou pro mnoho lidí znít přehnaně. Na druhou stranu je dobré chápat, odkud přicházejí. Z přesvědčení, že biologii zatím rozumíme jen částečně a že AI může tempo poznání exponenciálně zvýšit.
Ať už se jeho nejodvážnější odhady naplní přesně, nebo ne, jeden závěr je těžké přehlédnout. Kombinace odborné hloubky a AI nástrojů už dnes umožňuje jednotlivcům vytvářet software a simulace, které byly ještě nedávno mimo jejich dosah. To samo o sobě představuje velkou změnu.
Zvlášť v biologii, kde je každý malý náskok v porozumění cenný, může tato nová schopnost urychlit cestu od nápadu k ověření. A právě to je možná nejdůležitější zpráva z celé debaty: budoucnost AI ve vědě nezačíná až za mnoho let. Začíná už teď, v laboratořích, v malých aplikacích, v každodenních otázkách typu „co kdyby“ a v lidech, kteří mají odvahu tyto otázky skutečně pokládat.
Další informace o rozhovoru lze najít u videa Builders Unscripted: Ep. 5 - Derya Unutmaz. Za pozornost stojí i širší kontext vývoje AI ve vědě, například přehledy o výpočetní biologii nebo o využití AI v biomedicínském výzkumu na stránkách NIH.
