Kép a Sora Ai eszközeivel készült.
Mesterséges intelligencia és molekuláris tervezés
A molekuláris tervezésre épülő kutatási területeken jelentős eredményeket hoz a mesterséges intelligencia (MI) alkalmazása. A 2025-ös év sikerei közé sorolható, hogy a GNoME-modell révén 2,2 millió új kristályszerkezet fedeztek fel – hagyományos módszerekkel ez legalább 800 évnyi kutatást igényelt volna. Hasonlóan ígéretes az MIT SCIGEN modelljének teljesítménye: ez 1 millió új anyagra talált. A biológiai alkalmazásokban az Evo-modellek segítségével olyan bakteriofágokat terveztek, illetve szintetizáltak a kutatók, amelyek az eddigi megoldásoknál sokkal hatékonyabban működnek, például az E. coli ellen. Emellett a mesterséges intelligencia segítségével új, pontosabb génszerkesztési eszközöket sikerült kialakítani, a gyógyszerkutatásban pedig az MI-vel támogatott fejlesztések idejét akár már a felére is le lehet szorítani.
MI a molekuláris tervezésben
A molekuláris tervezés (más néven molekuláris mérnökség) olyan interdiszciplináris terület, amely az atomok, valamint a molekulák szintjén tervez meg, illetve állít össze új anyagokat. Ezek felhasználási területe igen széles: a gyógyszerektől a víztisztító megoldásokon és a kémiai katalizátorokon keresztül egészen a napelemekig és más elektronikai eszközökig terjed.
Az MI-eszközök egyre terjedő használata ezen a területen is jelentős változást hozott. A különféle atomok és molekulák kombinációjával ugyanis az MI nagy mennyiségben képes új struktúrákat előállítani, majd azokat leszűrni, és a kedvezőbb tulajdonságú, stabil összetételeket kiemelni. Emiatt az anyagtudomány, a biológia, és a gyógyszerészet területén az MI-megoldások számottevő segítséget jelentenek. Sőt, felhasználásukkal a kutatók immár a kötött fordított tervezés (constrained inverse design) elnevezésű megoldással is élhetnek. Ilyenkor előre megadják, hogy az új anyagnak milyen kritériumokat kell teljesítenie, majd az MI ezek alapján próbálja megkeresni a megfelelő molekulákat.
Az MI használatával az új anyagok várható stabilitására vonatkozó előrejelzések aránya is javult: a korábbi számítógépes szimulációk ezen a téren 50% alatt teljesítettek, a jelenlegi MI eszközök viszont akár a 80%-os pontosságot is elérhetik.
Anyagtudományok
Az MI használata tehát a hagyományos eljárásokhoz képest nagyságrendekkel felgyorsíthatja a kutatási folyamatot. A Google DeepMind célirányosan új anyagok előállítására optimalizált eszköze, a GNoME (Graph Networks for Material Exploration) 2,2 millió új kristályszerkezetet fedezett fel. Ugyanennek az eredménynek az eléréséhez mintegy 800 évnyi hagyományos kutatásra lett volna szükség. Az arányokat jól szemlélteti, hogy a hagyományos kísérleti módszerekkel eddig felfedezett stabil kristályok száma 20 ezerre tehető, az elmúlt évtizedben pedig számítógépes eszközökkel további 28 ezret sikerült azonosítani. Ehhez képest a GNoME által stabilnak talált kristályok száma a 380 ezer körül mozog, és ebből 52 ezer valószínűleg ténylegesen is alkalmazható lesz az elektronikában.
Komoly nehézséget jelent viszont ezeknek az új kristályoknak a szintetizálása, ehhez ugyanis a kutatók rendelkezésére álló kapacitások egyelőre elégtelenek. Éppen ezért a Berkeley Egyetem A-Lab elnevezésű létesítményében jelenleg is folynak a kísérletek azzal kapcsolatban, hogy miként lehetne az MI-t a gyártásban is felhasználni.
Egy hasonló kutatási projekt során a Massachusetts Institute of Technology (MIT) kutatói a SCIGEN-modell segítségével 1 millió olyan új lehetséges anyagszerkezetet fedeztek fel 2025-ben, amelyek később még jól jöhetnek a kvantumalkalmazásokban. Ezek között van olyan is, amelyik képes a ritkaföldfémek bizonyos tulajdonságait utánozni. A gyártási és a tesztelési kapacitások korlátozottságát mutatja viszont, hogy ezekből a kutatóknak eddig csupán két egyedi mágneses tulajdonságokkal rendelkező anyagot sikerült szintetizálniuk.
Biológia
A kristályszerkezetek tervezéséhez hasonlóan az MI nagy hatékonysággal és gyorsan képes génszekvenciákat, fehérjestruktúrákat és más szerves molekulákat elemezni, új struktúrákat javasolni, illetve ez utóbbiak várható tulajdonságait előrejelezni. A génsebészet területén a 2012 óta alkalmazott, lényegében „molekuláris ollóként” működő CRISPR-módszerrel a kutatók már korábban is ki tudtak vágni, és le tudtak cserélni egy-egy génszakaszt. Eddig azonban kérdéses volt az új génszekvencia beültetésének pontossága és hatékonysága, sőt több esetben a hónapokon át zajló kísérletek végül kudarccal zárultak, és eközben még az épp génszakaszok is megsérülhettek. Az új MI-modellek alkalmazásával viszont több eddig észrevétlen mintázatot és hibát is sikerült felfedezni, és az eljárás hatása most már 90%-os hatékonysággal megjósolható. Emellett az MI segítségével új, pontosabb génsebészeti eszközöket is felfedeztek (OpenCRISPR-1).
Az MI alkalmazásának egyik speciális fajtája a DNS-szekvenciák előállítására alkalmas Evo 1 és Evo 2 DNS-nyelvi modell használata. Ezekkel egy 2025-ös kutatás során 16 olyan új, baktériumokat megfertőző vírust (bakteriofág) sikerült megalkotni, melyek genomja viszonylag kevés bázispárból áll, vagyis szintetizálásuk olcsó. A szintetizált és tesztelt vírusok közül több hatékonyabb volt, mint az, amelyik az alapjukul szolgált. Az EVO-Φ69 például 16–65-szor hatékonyabbnak bizonyult az eredeti vírusnál az E. coli baktériumokkal szemben. A megoldással lehetővé válhatnak az antibiotikumokat kiváltó gyógykezelések is, a technológia azonban az újfajta vírusfegyverek kifejlesztését is lehetővé teszi.
Gyógyszerészet
A vírusok mesterséges szintetizálása mellett a hagyományos gyógyszerészeti kutatások során is használnak különböző MI-eszközöket. A gyógyszerkutatás ugyanis idő- és erőforrás-igényes folyamat: egy gyógyszer kifejlesztésének költsége akár a 2 milliárd dollárt is elérheti, a teljes procedúra pedig akár 10 évig is elhúzódhat. Az új gyógyszereknek ráadásul még így is csupán a 10%-a megy át a klinikai vizsgálatokon. Az MI használatával viszont ezen a téren is mérsékelhetők a költségek, illetve csökkenthető a kutatásra fordított idő, valamint a sikertelennek bizonyuló kutatási irányok száma. Ebben az esetben az új hatóanyagok tesztelésén és gyártásán túl a klinikai vizsgálatok lefolytatása jelenti a szűk keresztmetszetet. Az MI-alkalmazások emellett az ideális kísérleti alanyok kiválasztásában is segíthetnek, az egyéni jellemzők figyelembevételével pedig csökkenthetik a mellékhatások súlyosságát.
A gyógyszerészet terén az MI-hez köthető siker például, hogy a Google és a Yale Egyetem által közösen betanított C2Scale 27B modell több mint négyezer korábban már használt gyógyszer hatásait kombinálva két vegyület esetében egy új, a rákkezelésben még soha nem tesztelt felhasználásra tett javaslatot. Az ötletet az élő ráksejteken végrehajtott laborvizsgálatok is visszaigazolták, mivel az új kezelésnek köszönhetően 50%-kal javult az immunrendszer ráksejtfelismerő képessége.
Szintén ígéretes a Insilico vállalat idiopátiás tüdőfibriózis (IPF) ellen fejlesztett gyógyszere. Az MI ennek a megalkotásában is kulcsszerepet játszott: a mesterséges intelligenciának köszönhetően a fejlesztési időt sikerült 18 hónapra csökkenteni, a gyógyszer pedig jelenleg már a klinikai vizsgálati szakaszban van.
Kitekintés
Az anyagtudomány, a gyógyszerfejlesztés és a biotechnológia területén egyre inkább alapvető kutatási eszközzé válik a mesterséges intelligencia. Alkalmazásának legfőbb előnye, hogy jelentősen le tudja csökkenteni a kutatás-fejlesztési ciklusokat, ezáltal pedig felgyorsítja az innovációt és mérsékli a költségeket. Az eredmények kihasználást azonban nehezíti, hogy nincs elég kapacitás az új anyagok szintetizálására, gyártására és tesztelésére, illetve csak korlátozott számban áll rendelkezésre az MI-vel támogatott kutatások elvégzésére alkalmas szakképzett munkaerő.
Az új, funkcionális biológiai entitások generálásának felgyorsulása viszont súlyos kettős felhasználási (dual-use) és bioetikai dilemmákat is felvet, a szabályozási környezet pedig a jelenlegi formájában nem képes lépést tartani a technológia fejlődésének ütemével. Ennek kezeléséhez azonnali, összehangolt válaszokra lenne szükség. A lehetséges megoldások közé tartozik az interdiszciplináris kutatócsapatok felállítása, valamint olyan szabályozási keretek kialakítása, amelyek úgy ösztönzik az innovációt, hogy közben a visszaélések lehetőségét is a lehető legjobban visszaszorítják.
