Virtual Biotech ze Stanfordu: 37 tys. agentów AI przeanalizowało 55 984 badań klinicznych

Virtual Biotech najlepiej rozumieć jako wielkoskalowy system badań obliczeniowych, a nie autonomiczne laboratorium farmaceutyczne. Zespół Stanfordu, w tym James Zou i Harrison Zhang, zorganizował wyspecjalizowane agenty AI pod nadzorem wirtualnego dyrektora naukowego. Dzięki temu wiele zadań związanych z wyszukiwaniem, porządkowaniem i analizą dowodów mogło być wykonywanych jednocześnie. 12

Najgłośniejszą demonstracją systemu była kuracja i analiza 55 984 badań klinicznych. Wyniki mogą pomóc w priorytetyzowaniu celów dla nowych leków, a także doprowadziły do hipotezy terapeutycznej dotyczącej raka płuca. Nie oznacza to jednak, że powstał lek o potwierdzonym bezpieczeństwie i skuteczności. Do tego nadal potrzebne są badania laboratoryjne, badania kliniczne oraz ocena regulatorów. 12

Jak agenty przetworzyły dane z tysięcy badań

Zamiast zlecać jednemu ogólnemu modelowi streszczenie ogromnej literatury, Virtual Biotech dzielił pracę między agenty o odmiennych rolach naukowych. Agent pełniący funkcję dyrektora naukowego delegował zadania agentom zajmującym się m.in. biologią celu, projektowaniem cząsteczek i analizą badań klinicznych, a następnie integrował ich wyniki. 12

W zadaniu dotyczącym badań klinicznych system uruchomił równolegle ponad 37 tys. agentów. Uporządkowały one opublikowane dane o bezpieczeństwie i skuteczności z 55 984 badań, a następnie łączyły cele lekowe z adnotacjami genomicznymi, molekularnymi i jednokomórkowymi. Stanford podał, że około 50 tys. badań skatalogowano w mniej niż tydzień. 2

Ta szybkość wynikała z pracy równoległej: wiele agentów mogło niezależnie pobierać, opisywać i sprawdzać pojedyncze rekordy badań. Był to więc wyjątkowo skalowalny proces porządkowania dowodów — nie dowód na to, że system samodzielnie przeprowadził eksperymenty albo odkrył klinicznie potwierdzony lek. 12

Dwie cechy celów lekowych powiązane z lepszymi wynikami

Analiza zwróciła uwagę na dwie właściwości celów lekowych:

• Swoistość dla typu komórki — czy dany gen albo białko jest skupione przede wszystkim w komórkach najistotniejszych dla danej choroby, zamiast działać szeroko w wielu typach komórek.
• Dwumodalność — czy aktywność genu przypomina raczej przełącznik „włącz/wyłącz” niż płynny regulator z wieloma stanami pośrednimi.

Badacze stwierdzili, że cele o silnej swoistości komórkowej i zachowaniu dwumodalnym wiązały się w historycznych danych z lepszymi rezultatami rozwoju leków. W analizie leki wymierzone w geny swoiste dla określonych typów komórek były o 40% bardziej skłonne przejść z fazy I do fazy II, o 48% bardziej skłonne trafić na rynek oraz wiązały się z o 32% mniejszą liczbą zdarzeń niepożądanych. 2

Są to związki statystyczne wykryte w uporządkowanym zbiorze danych, a nie gwarancje dla każdego celu czy terapii. Jedna z możliwych interpretacji jest taka, że cel obecny głównie w komórkach istotnych dla choroby łatwiej oddziaływać selektywnie, potencjalnie ograniczając niezamierzone skutki w innych tkankach. To wyjaśnienie biologiczne nadal wymaga testów eksperymentalnych. 12

Hipoteza dotycząca B7-H3/CD276 w raku płuca

Virtual Biotech analizował także B7-H3, znane również jako CD276, w kontekście raka płuca. Na podstawie informacji publicznie dostępnych przed styczniem 2025 r. system wskazał uzasadnienie związane z ekspresją B7-H3 w fibroblastach sąsiadujących z guzem i postawił hipotezę, że komórki te mogą uczestniczyć w miejscowym hamowaniu odpowiedzi immunologicznej. 2

System zaproponował strategię koniugatu przeciwciało–lek (ADC): przeciwciało skierowane przeciw B7-H3 miałoby być połączone z cytotoksycznym ładunkiem. W założeniu ADC ma dostarczać związek niszczący komórki nowotworowe przede wszystkim do komórek noszących dany cel. Rezultatem był projekt przedkliniczny i hipoteza mechanistyczna — nie wytworzony produkt ani udowodniona terapia. 12

B7-H3 jest równocześnie celem aktywnie rozwijanym przez przemysł. GSK opisuje risvutatug rezetecan (GSK5764227) jako badany ADC przeciw B7-H3 dla drobnokomórkowego raka płuca; materiały firmy informują też o przyznaniu temu programowi przez FDA oznaczenia Breakthrough Therapy w nawrotowym lub opornym na leczenie drobnokomórkowym raku płuca w stadium rozsianym.

Dostarczony materiał nie uzasadnia jednak przedstawiania programu GSK jako późniejszego klinicznego potwierdzenia propozycji Virtual Biotech. Cytowany komunikat GSK o oznaczeniu FDA pochodzi z sierpnia 2024 r., a więc sprzed granicy stycznia 2025 r. przyjętej dla informacji wykorzystanych w analizie Stanfordu. Wspólne zainteresowanie B7-H3 pokazuje zbieżność strategiczną wokół celu, ale nie dowodzi, że system AI zapoczątkował, odtworzył lub klinicznie potwierdził program GSK. 2

Czego system jeszcze nie udowodnił

Najważniejsze ograniczenie dotyczy dystansu między wnioskowaniem obliczeniowym a dowodem medycznym. Agenty AI nie:

• przeprowadziły eksperymentów na komórkach, zwierzętach ani ludziach;
• nie ustaliły selektywności ADC, dawkowania, farmakokinetyki, toksyczności ani mechanizmów oporności;
• nie wyprodukowały terapii;
• nie wykazały korzyści dla pacjentów w badaniu klinicznym. 12

Inni naukowcy zwracali uwagę, że platforma nie przeszła jeszcze praktycznego sprawdzianu odkrywania leków, czyli walidacji eksperymentalnej. Historyczne korelacje mogą być przydatne przy wyborze kierunków badań, ale mogą też odzwierciedlać jakość danych, czynniki zakłócające albo wzorce, które nie powtórzą się w przyszłym programie badawczym. 1

Kolejny etap: niezależna walidacja

Największa wartość Virtual Biotech może polegać na zawężaniu bardzo dużych przestrzeni poszukiwań naukowych i bardziej systematycznym przeglądzie dowodów. Ludzie nadal muszą definiować pytania, kontrolować dane źródłowe, oceniać wiarygodność biologiczną hipotez i decydować, które z nich zasługują na dalsze badania. 12

W przypadku propozycji B7-H3 potrzebne byłyby niezależne powtórzenie analizy, a następnie badania laboratoryjne biologii celu, wiązania i selektywności ADC, skuteczności, toksyczności, farmakokinetyki oraz oporności. Dopiero odpowiednio zaprojektowane badania kliniczne mogą odpowiedzieć, czy leczenie poprawia wyniki pacjentów. 12

Szerszy wniosek jest obiecujący, lecz powinien pozostać wyważony: systemy wieloagentowe AI mogą bardzo szybko porządkować dowody biomedyczne i tworzyć hipotezy nadające się do sprawdzenia. Nie eliminują jednak potrzeby rygorystycznej nauki eksperymentalnej ani ludzkiej oceny na każdym kluczowym etapie.