Praktyczne zastosowania
AI odkrywa antybiotyki szybciej niż człowiek
Zaktualizowano: Autor: Andrzej Niemiec9 min czytania
W maju 2023 zespół MIT i McMaster odkrył abaucin — antybiotyk przeciw opornym bakteriom. Jak modele AI przyspieszają badania farmaceutyczne.
Spis treści
Jak AI znalazła abaucin — rzeczywista historia z 2023 roku
W maju 2023 zespół badaczy z MIT, McMaster University i Broad Institute opublikował w Nature Chemical Biology wyniki, które zmieniły sposób myślenia o odkrywaniu leków. Zamiast testować tysiące związków chemicznych w laboratorium przez miesiące, naukowcy wytrenowali model uczenia maszynowego na danych o około 7500 związkach testowanych przeciw Acinetobacter baumannii — bakterii odpornościowej na antybiotyki [1].
Model przeanalizował następnie 6680 wcześniej niewidzianych związków w około 1,5–2 godziny. Do dalszych testów laboratoryjnych wybrano 240 kandydatów; ostatecznie zidentyfikowano dziewięć obiecujących związków, w tym abaucin [1]. Abaucin wykazał działanie przeciw A. baumannii zarówno w hodowlach komórkowych, jak i w modelu zakażenia rany u myszy [2]. To nie jest jeszcze lek gotowy do stosowania u ludzi — wymaga dalszych badań bezpieczeństwa i badań klinicznych — ale pokazuje, że AI może wskazać kierunek, którym naukowcy powinni podążyć.
Dlaczego odkrywanie leków trwa tak długo — i jak AI to zmienia
Tradycyjny proces odkrywania antybiotyku zajmuje 10–15 lat. Naukowcy muszą przejść przez kilka etapów: identyfikację celu terapeutycznego, przeszukanie milionów związków chemicznych, testy przedkliniczne i wreszcie badania kliniczne [2].
AI przyspiesza przede wszystkim etap przeszukiwania. Zamiast testować każdy związek fizycznie w laboratorium, model może przewidzieć, które z nich będą aktywne, na podstawie struktury chemicznej i danych historycznych. W przypadku abaucinu ten proces zajął godziny zamiast miesięcy [1].
Ale AI nie pracuje samodzielnie. Naukowcy muszą:
- Przygotować dane treningowe (struktury chemiczne, wyniki testów)
- Wybrać odpowiedni model lub wytrenować własny
- Zweryfikować przewidywania w laboratorium
- Przeprowadzić testy bezpieczeństwa i skuteczności [2]
To oznacza, że AI jest narzędziem wspomagającym, a nie zastępującym ludzi.
Multimodalne modele biologiczne — następny krok
Abaucin został odkryty za pomocą modelu uczenia maszynowego pracującego na danych chemicznych. Ale w 2026 roku naukowcy pracują nad bardziej zaawansowanymi systemami — multimodalnymi modelami biologicznymi, które łączą wiele typów danych jednocześnie [3].
Multimodalne modele mogą analizować:
- Sekwencje DNA i RNA
- Struktury białek w 3D
- Obrazy histopatologiczne (tkanki pod mikroskopem)
- Dane kliniczne pacjentów
- Wyniki testów laboratoryjnych
Taki system może przewidzieć nie tylko, czy związek będzie aktywny, ale także czy będzie bezpieczny, jak będzie się zachowywać w organizmie i dla jakich pacjentów będzie najskuteczniejszy [3].
Bioptimus, startup wspierany przez Insitro i Google, opublikował w 2025 roku multimodalny model łączący histologię, transkryptomikę przestrzenną i dane kliniczne [4]. Takie podejście może zmienić medycynę personalizowaną — dobór leków nie na podstawie objawów, ale na podstawie profilu genetycznego i biologicznego pacjenta.
Czy polska medycyna jest gotowa na AI w odkrywaniu leków?
Polskie szpitale i firmy biotechnologiczne dopiero zaczynają eksperymentować z AI. Główne bariery to:
Brak infrastruktury danych
Większość polskich szpitali nie ma systemów do bezpiecznego przechowywania i analizy danych genomowych. Dane pacjentów są rozproszone między różne systemy, w różnych formatach, co uniemożliwia trenowanie modeli [5].
Regulacje prawne
Polskie prawo nie ma jasnych wytycznych dotyczących wykorzystania AI w medycynie. Nie wiadomo, kto odpowiada za błąd AI — lekarz, producent oprogramowania czy szpital? To zniechęca placówki do inwestycji [6].
Finansowanie
Wdrożenie systemu AI do odkrywania leków wymaga inwestycji rzędu milionów złotych. Dla większości polskich firm biotechnologicznych to kwota nieosiągalna bez wsparcia grantów lub inwestorów [7].
Jak zacząć — praktyczne kroki dla firm i szpitali
1. Audyt danych
Zanim zainwestujesz w AI, sprawdź, jakie dane posiadasz. Czy są wystarczająco dobrej jakości? Czy są standaryzowane? Jeśli nie, zacznij od wdrożenia systemu do zarządzania danymi [3].
2. Współpraca z partnerami technologicznymi
Nie musisz budować wszystkiego od zera. Firmy takie jak AWS, Google Cloud oferują gotowe rozwiązania do analizy danych biologicznych [3].
3. Projekty pilotażowe
Zamiast próbować zrewolucjonizować całą organizację, skup się na jednym problemie. Przykład: optymalizacja dawkowania leków dla konkretnej grupy pacjentów [7].
4. Szukaj grantów
W Polsce możesz liczyć na:
- Granty z NCBR (Narodowe Centrum Badań i Rozwoju) na projekty związane z AI w medycynie
- Fundusze UE w ramach programów takich jak "Inteligentny Rozwój"
- Współpracę z uczelniami — wiele polskich uniwersytetów ma zespoły badawcze pracujące nad AI w biologii [7]
Najczęstsze pytania
Czy AI zastąpi lekarzy i naukowców?
Nie. AI jest narzędziem wspomagającym. W przypadku abaucinu model wskazał obiecujące związki, ale naukowcy musieli je zweryfikować w laboratorium i przeprowadzić testy bezpieczeństwa. Bez ludzi — bez przygotowania danych, interpretacji wyników, podejmowania decyzji — AI nic nie robi [1].
Ile czasu zajmuje wdrożenie AI do odkrywania leków?
To zależy od skali. Projekt pilotażowy może trwać 6–12 miesięcy. Pełne wdrożenie multimodalnego modelu biologicznego może zająć 12–24 miesiące [3].
Czy abaucin jest już dostępny dla pacjentów?
Nie. Abaucin jest na wczesnym etapie badań. Wykazał działanie w modelach laboratoryjnych i na myszach, ale wymaga dalszych badań bezpieczeństwa i badań klinicznych u ludzi. Może to zająć jeszcze kilka lat [2].
Jakie są największe wyzwania dla AI w medycynie?
Jakość danych, prywatność pacjentów, interpretowalność modeli (zrozumienie, dlaczego AI podjęła konkretną decyzję) i regulacje prawne [3], [6].
Czy polska medycyna może konkurować z zachodem w AI?
Tak, ale wymaga inwestycji. Polska ma dobre zespoły badawcze i dostęp do grantów UE. Kluczem jest współpraca między uniwersytetami, szpitalami i firmami technologicznymi [7].
Źródła
- Using AI, scientists find a drug that could combat drug-resistant infections (MIT News, 2023)
- Antibiotic identified by AI (Nature Chemical Biology, 2023)
- Applying multimodal biological foundation models across therapeutics and patient care (AWS, 2024)
- Bioptimus Releases Multimodal "World Model" For Biology Covering Histology, Transcriptomics, And Clinical Data (BiopharmaTrend, 2025)
- Od LLM do multimodalnego AI: jak sztuczna inteligencja zmienia medycynę (Nanomedia Medica, 2026)
- Multimodalna sztuczna inteligencja. Co oznacza dla medycyny? (Izba Lekarska, 2026)
- Bioinformatyka przyszłością medycyny. Polacy inwestują w rozwój nowoczesnych terapii przeciwnowotworowych (Biotechnologia.pl, 2026)
- Scientists use AI to discover new antibiotic to treat deadly superbug (The Guardian, 2023)
Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.
Jak powstają teksty: Polityka AI · O redakcji