Marka Cukerberga Biohub ir piesaistījis Google, Meta un ASV valdību 1,8 miljardu dolāru pūliņiem, lai radītu bioloģiskos datus, kas nepieciešami AI sistēmu apmācībai, kas var paredzēt dzīvu šūnu uzvedību.
Projekts, ko sauc par virtuālās bioloģijas iniciatīvu, ir vērsts uz vienu no AI smagākajām zinātniskajām problēmām: tādu modeļu izveidi, kas spēj pietiekami precīzi simulēt šūnas, lai pētnieki varētu digitāli pārbaudīt idejas, pirms gadiem ilgi strādāt laboratorijā un miljoniem dolāru fiziskiem eksperimentiem.
Biohub saka, ka apvienotā apņemšanās ir līdz šim lielākais koordinētais darbs, lai radītu mākslīgajam intelektam gatavus bioloģiskos datus.
“Biohub, ASV Enerģētikas departaments, Nacionālie veselības institūti un jauni finansēšanas partneri šodien paziņoja par nozīmīgu starptautisku centienu paplašināšanu, lai ģenerētu un padarītu pieejamus datus, kas nodrošina paredzamus AI modeļus bioloģijā. Organizācijas kopā iegulda 1,8 miljardus ASV dolāru finansējumā, datos, aprēķinos un jaunā mērīšanas tehnoloģijā, kas ir lielākā koordinētā apņemšanās bioloģisko AI radīšanā,” teikts šodien.
Nauda nāk no vairākiem virzieniem. Google DeepMind, Isomorphic Labs un Meta kopā iegulda 300 miljonus ASV dolāru. ASV Enerģētikas departaments plāno piecu gadu laikā ieguldīt vairāk nekā 500 miljonus ASV dolāru laboratorijas mērījumos, modelēšanā, aprēķinos un šūnu izpētē. Nacionālie veselības institūti nodrošinās datu kopas un repozitorijus, kas izstrādāti, izmantojot vairāk nekā 500 miljonus ASV dolāru no iepriekšējā federālā finansējuma.
Pats Biohub aprīlī piešķīra iniciatīvai 500 miljonus dolāru.
Tas nozīmē, ka kopējās saistības ir aptuveni 1,8 miljardi ASV dolāru saistībā ar finansējumu, esošajām datu kopām, skaitļošanas resursiem un jaunām mērīšanas tehnoloģijām.
AI ir nepieciešams daudz vairāk bioloģisko datu
Likme ir vienkārša: AI ir guvis ievērojamus panākumus olbaltumvielu struktūrā, zāļu atklāšanā un citās skaitļošanas bioloģijas jomās, taču visas dzīvas šūnas prognozēšana ir daudz lielāka problēma.
Pašreizējās datu kopās ir informācija par simtiem miljonu šūnu. Biohub pētnieki uzskata, ka noderīgiem prognozēšanas modeļiem var būt nepieciešami dati, kas aptver miljardus, pēc tam triljonus šūnu un šūnu stāvokļu.
“Mums ir jātver bioloģijas valoda; mums ir jātver šūnas valoda. Un šodien tādas nav,” aģentūrai Reuters sacīja Biohub zinātnes vadītājs Alekss Rivess.
Iniciatīva plāno vākt datus, kas parāda, kā šūnas reaģē uz izmaiņām savā vidē, ģenētiskajām modifikācijām, zālēm un citām iejaukšanās darbībām. Metodes ietvers telpisko transkriptomiku, uzlaboto mikroskopiju, krioelektronu tomogrāfiju un liela mēroga šūnu skrīningu.
Mērķis ir sniegt AI sistēmām pietiekami augstas kvalitātes bioloģiskos novērojumus, lai paredzētu, kas notiek šūnā pēc noteiktas iejaukšanās.
“Precīzs bioloģijas prognozēšanas modelis varētu ievērojami paātrināt zinātnisko atklāšanu, ļaujot zinātniekiem veikt eksperimentus digitāli. No tā izrietošās atziņas varētu atklāt daudz labāku izpratni par slimībām un pavērt pilnīgi jaunus ārstēšanas ceļus,” sacīja Rivess.
Šis redzējums pārvērš bioloģiskos pētījumus par kaut ko tuvāk simulācijai. Zinātnieks varētu jautāt modelim, kā šūna varētu reaģēt uz zālēm vai ģenētiskām izmaiņām, un pēc tam izmantot atbildi, lai sašaurinātu eksperimentus, kurus ir vērts pārbaudīt laboratorijā.
Biohub sagaida pirmo datu kopu no projekta aptuveni gada laikā un saka, ka precīzi prognozēšanas modeļi varētu parādīties piecu gadu laikā.
Paredzams, ka datu kopas kļūs publiskas, lai gan privātie uzņēmumi, kas finansē daļu no darba, saņems pagaidu agrīnas piekļuves periodus, pirms šīs datu kopas tiks publicētas plašāk. Saskaņā ar Biohub datiem valdības finansētajiem datiem netiks piemēroti tādi paši ierobežojumi.
Centieni piesaista dažus no lielākajiem AI un zinātnes vārdiem. Google DeepMind ir pavadījis gadus, izstrādājot AI sistēmas bioloģijai, tostarp AlphaFold. Isomorphic Labs izmanto AI zāļu atklāšanā. NVIDIA nodrošina skaitļošanas infrastruktūru un tehnisko atbalstu. Iesaistītās pētniecības organizācijas ir Broad Institute, Allen Institute, Human Cell Atlas, Human Protein Atlas, Gladstone Institutes un Wellcome Sanger Institute.
Arī citas AI laboratorijas virzās dziļāk bioloģijā. Anthropic ir izveidojis mitrās laboratorijas iespējas, un OpenAI fonds ir uzsācis grantu programmu vairāk nekā 125 miljonu ASV dolāru vērtībā, kuras mērķis ir bioloģiskās un medicīniskās datu kopas.
Biohub projekts risina sašaurinājumu, ko nevar atrisināt ar naudu un lielākiem modeļiem: AI nevar apgūt bioloģisko uzvedību, ko zinātnieki nekad nav izmērījuši.
Ja iniciatīva gūs panākumus, viens no nākamajiem lielākajiem mākslīgā intelekta sasniegumiem var būt mazāks no lielāka modeļa izveides, bet gan no esošajiem modeļiem daudz bagātāka priekšstata par to, kā dzīve patiesībā darbojas.
