Google Co-Scientist i FutureHouse testują leki na nowo. Czy AI naprawdę przyspieszy odkrycia biomedyczne?

Dwie publikacje w „Nature” sugerują, że AI zaczyna być użyteczne nie tylko do pisania abstraktów i streszczeń literatury. Google oraz FutureHouse pokazują systemy, które podsunęły hipotezy dotyczące nowych zastosowań istniejących leków, a część z nich przeszła wstępne testy laboratoryjne. To brzmi obiecująco, ale do „AI odkryło lek” jeszcze bardzo daleko.

Co dokładnie opublikowało „Nature” 19 maja 2026?

19 maja 2026 roku „Nature” opublikowało dwie prace o systemach AI projektowanych z myślą o badaniach biomedycznych. Jedna dotyczy Google Co-Scientist opartego na Gemini, druga rozwiązania przygotowanego przez organizację non-profit FutureHouse. Dwie osobne publikacje, ale wspólny motyw jest ten sam: AI ma pomagać w generowaniu hipotez badawczych, które potem da się sprawdzić eksperymentalnie.

To ważne rozróżnienie, bo nie chodzi tu o „wynalezienie nowego leku” od zera. W opisanych pracach nacisk położono głównie na wyszukiwanie nowych zastosowań dla znanych związków, czyli repurposing leków. Taki scenariusz jest dla AI bardziej realistyczny: system przeszukuje literaturę, dane biologiczne i zależności między mechanizmami choroby, a potem proponuje kandydatów do dalszych testów.

Jak działa Google Co-Scientist przy ostrej białaczce szpikowej?

Google opisuje Co-Scientist jako układ kilku agentów o różnych rolach. Jeden generuje hipotezy, inny je porządkuje i porównuje, a kolejny sprawdza, czy pomysły trzymają się faktów i nie są zwykłą halucynacją modelu. W publikacji kryteria oceny obejmują m.in. wiarygodność, nowość, testowalność i bezpieczeństwo. Człowiek zostaje w środku procesu – system nie ma działać bez nadzoru badacza.

W praktyce Co-Scientist miał wskazać kandydatów do repurposingu w ostrej białaczce szpikowej, czyli AML. Część tych propozycji przetestowano później na hodowlach komórkowych in vitro. To dobry sygnał, ale trzeba go czytać ostrożnie: wynik na liniach komórkowych nie oznacza jeszcze skuteczności u pacjentów, a nawet nie przesądza o dalszym sukcesie w badaniach przedklinicznych.

Co FutureHouse zrobiło inaczej przy zwyrodnieniu plamki żółtej?

FutureHouse poszło w trochę inną stronę. Według opisu ich agent nie ogranicza się do samego przeczesywania publikacji, ale korzysta też z narzędzi analitycznych do pracy na danych eksperymentalnych. W tym przypadku system miał wskazać kandydatów związanych z określoną postacią zwyrodnienia plamki żółtej. Agent analizuje także dane, a nie tylko tekst.

To brzmi ambitniej, ale też podnosi poprzeczkę. Im większa autonomia systemu, tym większe znaczenie ma jakość danych wejściowych i sposób walidacji wyników. FutureHouse otwarcie mówi o szukaniu „niskowiszących owoców”, czyli połączeń między obszarami wiedzy, których człowiek może nie zauważyć, bo nikt nie jest dziś w stanie śledzić całej literatury biomedycznej na bieżąco.

Dlaczego to jest repurposing leków, a nie magiczne odkrywanie od zera?

Najciekawsza część tych publikacji nie polega na tym, że AI stworzyło nową cząsteczkę. Chodzi raczej o próbę szybszego znalezienia sensownych kandydatów wśród substancji, które już istnieją albo były wcześniej badane. To bezpieczniejszy skrót niż zaczynanie całego procesu od pustej kartki.

W biomedycynie taki model ma sens z kilku powodów. Po pierwsze, część związków ma już jakiś profil bezpieczeństwa albo historię badań. Po drugie, da się szybciej zbudować hipotezę mechanistyczną, jeśli lek był już opisywany w innym kontekście. I po trzecie, właśnie tu AI ma naturalną przewagę nad człowiekiem: może zestawić tysiące publikacji, zależności genów, białek i szlaków sygnałowych bez zmęczenia i bez typowo ludzkiego zawężenia pola widzenia.

Jakie są ograniczenia wyników Google i FutureHouse?

Największy problem z medialnym odbiorem takich badań jest stary i nudny: łatwo pomylić „hipotezę potwierdzoną in vitro” z realnym przełomem terapeutycznym. Tymczasem oba zespoły same piszą o ograniczeniach. Część sugestii działa tylko na wybranych liniach komórkowych, a droga od takiego wyniku do terapii dla ludzi bywa bardzo długa. To wciąż etap wstępny.

Dochodzi do tego kwestia danych. Systemy pracują na tym, do czego mają dostęp, a więc głównie na otwartej literaturze i zbiorach, które nie obejmują pełnej wiedzy firm farmaceutycznych. Jeśli ważne wyniki są zamknięte w prywatnych bazach, AI też ich nie „odgadnie”. Google podkreśla ponadto, że Co-Scientist nie jest narzędziem autonomicznym i bez nadzoru człowieka jakość jego propozycji spada.

Co te publikacje mówią o miejscu AI w biologii?

Na tle innych projektów widać jedną zmianę: branża odsuwa się od prostego myślenia „większy model = lepsza nauka”. Tutaj ważniejsza od samego modelu bazowego jest architektura pracy – podział ról między agentami, możliwość iterowania hipotez i sensowne wpięcie człowieka w decyzje. Liczy się cały system, nie tylko nazwa modelu.

To dlatego porównywanie tych narzędzi do zwykłych chatbotów niewiele daje. Co-Scientist i agent FutureHouse mają być raczej warstwą roboczą nad literaturą i danymi niż kolejnym oknem do rozmowy. Jeśli ten kierunek się utrzyma, najbardziej wartościowe systemy AI w nauce będą przypominały zaplecze badawcze, a nie efektowne demo do wpisu na X.

Co z tego może mieć polskie środowisko badawcze?

Dla polskich uczelni, instytutów i zespołów pracujących nad onkologią albo chorobami oczu to raczej sygnał niż gotowe rozwiązanie do wdrożenia jutro rano. Jeżeli podobne narzędzia będą szerzej udostępniane badaczom, największą korzyścią może być skrócenie czasu potrzebnego na przejrzenie literatury i przygotowanie sensownych hipotez do testu. Zysk to głównie czas, a w laboratorium to często najdroższa waluta.

Jest też druga strona. Sam dostęp do narzędzia nie wystarczy, jeśli zespół nie potrafi ocenić, skąd bierze się dana sugestia i jakie ma ograniczenia. W polskich realiach, gdzie budżety grantowe rzadko są z gumy, takie systemy mogą być przydatne właśnie wtedy, gdy pomagają odsiać słabe tropy przed kosztownymi eksperymentami. Ale czarna skrzynka w biologii to nadal kiepski pomysł.

Źródła:

Ars Technica, research.google.com, deepmind.google, nature.com/articles/s41586-026-10644-y, nature.com/articles/s41586-026-10652-y