Umělá inteligence navrhla za 64 hodin 318 tisíc bílkovin proti štířímu jedu. Mění pravidla vývoje léků

Redakce noviny.ai AI
Umělá inteligence navrhla za 64 hodin 318 tisíc bílkovin proti štířímu jedu. Mění pravidla vývoje léků

Model Claude od Anthropicu samostatně navrhl přes 318 tisíc proteinů cílících na smrtelné štíří neurotoxiny — a sedmnáct z nich v laboratoři fungovalo. Není to hotový lék, ale ukázka, jak AI mění nejdražší fázi vývoje léků a materiálů.

Umělá inteligence právě navrhla přes 318 tisíc bílkovin, které mají chytit a zneškodnit jed smrtelně nebezpečných štírů. Celé to trvalo 64 hodin. A sedmnáct z nich v laboratoři skutečně fungovalo. Tohle není scénář sci-fi filmu, ale reálný experiment, který minulý týden zveřejnila firma Anthropic — a který ukazuje, jak může AI změnit jedno z nejdražších a nejpomalejších odvětví vůbec: vývoj léků.

Pro českého podnikatele to na první pohled zní jako exotická zpráva z ciziny. Ve skutečnosti jde o jeden z nejkonkrétnějších důkazů, že jazykové modely typu ChatGPT nebo Claude už dávno nejsou jen chytré chatboty na psaní e-mailů. Začínají samostatně dělat vědeckou práci, která dřív zabrala týmům specialistů měsíce. A to má přímé důsledky pro každého, kdo podniká — nebo chce podnikat — v oblasti biotechnologií, chemie, materiálů či farmacie.

Co se vlastně stalo

Výzkumníci z Anthropicu zadali svému modelu Claude úkol: navrhnout bílkoviny — takzvané minibindery — které se dokážou navázat na pět různých neurotoxinů ze čtyř druhů štírů. Neurotoxin je jedovatá molekula, která v těle oběti blokuje nervové signály a může vést k ochrnutí nebo smrti. Pokud by se podařilo vytvořit protilátku, která jed "chytne" dřív, než napáchá škodu, vznikl by základ nové protijedové léčby.

Claude dostal jen počáteční zadání a potom 24 hodin pracoval zcela samostatně. Sám si vybral, které struktury toxinů bude cílit, naplánoval postup, rozdělil práci mezi dvanáct specializovaných nástrojů na návrh proteinů a nastavil kritéria filtrování. Teprve pak do práce zasáhl lidský tým a navedl model dalšími pokyny. Celá výpočetní kampaň běžela 64 hodin a spotřebovala zhruba 10 tisíc hodin na grafických kartách Nvidia H100 — tedy obrovský, ale dnes už běžně dostupný výpočetní výkon.

Serverové GPU racky v datacentru, kde probíhá návrh proteinů pomocí AI

Výsledkem bylo 318 484 návrhů bílkovin a prověření přes půl milionu kombinací návrh–toxin. Z nich Claude vybral 180 nejlepších kandidátů, lidský tým přidal dalších 31. Těchto 211 návrhů pak nechali vyrobit a otestovat ve dvou nezávislých laboratořích — Adaptyv Bio a Twist Bioscience.

Proč je to víc než laboratorní kuriozita

Je potřeba být poctivý: tohle zatím není hotový lék. Sedmnáct bílkovin se sice na jed navázalo, ale navázání ještě neznamená neutralizaci. Žádný z kandidátů nebyl otestován na buňkách ani na zvířatech a není ověřeno, že by člověka před štířím jedem skutečně ochránil. Samotní autoři přiznávají, že neumí oddělit, jakou část práce odvedl Claude a jakou jeho nástroje, ani vyčíslit, kolik času a peněz to oproti klasickému postupu ušetřilo. Technická zpráva navíc zatím neprošla recenzním řízením.

Ani jedno z těch procent není mírou úspěšnosti ve vývoji léků.

Co je ale klíčové — a co by měl český podnikatel sledovat — je rychlost a samostatnost. V dřívější studii Claude navrhoval bílkoviny proti patnácti cílovým proteinům a trefil se u čtrnácti z nich, s úspěšností 22 až 35 procent. Pro srovnání: běžná úspěšnost v oboru se pohybuje mezi 10 a 15 procenty. Jinými slovy, model dosahuje dvoj- až trojnásobně lepších výsledků než tradiční přístupy, a to v řádu hodin místo měsíců.

Co to znamená pro byznys

Nejzajímavější dopad se netýká štírů, ale ekonomiky vývoje léků a nových materiálů obecně. Štíří bodnutí zabíjí ročně přes 3 250 lidí, převážně v chudších zemích, kde se farmaceutickým firmám nevyplatí investovat — trh je příliš malý. Přesně tady se pravidla hry mění. Pokud raná fáze objevování molekul zlevní a zrychlí natolik, že ji zvládne AI za víkend, stávají se zajímavými i projekty, které dřív nedávaly ekonomický smysl.

Žlutý štír na písku — zdroj neurotoxinů, které AI cílila

Pro české firmy to otevírá hned několik příležitostí. Biotechnologické a chemické startupy, které si nemohou dovolit obří laboratoře, mohou vstupní fázi výzkumu outsourcovat do výpočetních nástrojů a smluvních laboratoří — přesně jako to udělal Anthropic. Důležitý je i jeden detail z pozadí: Anthropic zveřejnil všech 211 testovaných návrhů včetně neúspěchů pod otevřenou licencí. Kdokoli si tedy může ověřit metodu a stavět na ní dál. To zásadně snižuje bariéru vstupu.

Zároveň platí druhá strana mince. Levnější a rychlejší je zatím jen první krok — samotné objevení molekuly. Testování, výroba, regulace a distribuce zůstávají drahé a pomalé. Žádná AI zatím neprotlačí lék schvalovacím procesem. Kdo čeká, že umělá inteligence během roku zaplaví trh novými léky, bude zklamán. Realita je pomalejší, ale směr je jasný.

Praktický takeaway

Tenhle experiment je modelovou ukázkou toho, kam směřuje AI napříč obory. Není to o tom, že by stroj "vymyslel lék". Je to o tom, že dokáže autonomně koordinovat složitý výzkumný proces — vybrat nástroje, rozdělit práci, nastavit kritéria a protřídit statisíce možností — za dobu, kterou by člověk nezvládl ani z části. Stejný princip lze přenést na vývoj nových materiálů, optimalizaci chemických procesů, hledání katalyzátorů nebo návrh enzymů pro potravinářství.

Pro podnikatele z toho plyne jednoduchá rada: pokud ve vašem oboru existuje fáze, kde se dnes ručně prochází obrovské množství variant — ať už jde o molekuly, konstrukční návrhy nebo kombinace surovin — stojí za to zjistit, zda ji nejde delegovat na AI s napojením na specializované nástroje. Náskok získá ten, kdo tuhle změnu pochopí dřív než konkurence. A soudě podle rychlosti, s jakou jde vývoj umělé inteligence kupředu, nebude na rozmýšlení moc času.