A Northeastern hallgatói szerint az AI még nem oldja meg a gyógyszerkutatást

A hallgatók három kutatásban vizsgálták az AI-t

A Northeastern University Applied AI capstone kurzusának hallgatói Anton Sinitskiy oktató vezetésével azt vizsgálták, mennyire támasztják alá a tudományos eredmények az AI gyógyszerkutatásban betöltött szerepéről szóló állításokat. A három hallgatói csoport az elmúlt tanévben több, összetett orvosi és biomedicinális kutatásra használt nyílt forráskódú keretrendszert tesztelt, köztük a GPT Researchert és az Agent Laboratoryt.

A vizsgálatok hátterében az áll, hogy az AI gyógyszerkutatási piaca a Grand View Research piaci elemzése szerint 2025-ben 2,3 milliárd dollárt ért, és 2033-ra 13,8 milliárd dollárra nőhet. Demis Hassabis, az Alphabet vezető tudósa korábban azt állította, hogy az AI tíz éven belül a legtöbb, vagy akár az összes emberi betegség gyógymódjának felfedezésében segíthet.

Sinitskiy szerint azonban a hallgatói kutatások eredményei jóval óvatosabb képet mutatnak. A tanár úgy fogalmazott, hogy az AI-reklámok és médiamegjelenések alapján úgy tűnhet, a technológia minden problémát képes megoldani, a valóság azonban messze van ezektől a túlzó állításoktól.

A fejlettebb modellek is hibáztak

Az első, 2026 januárjában megosztott jelentésben a hallgatók nyolc nyílt forráskódú modellt elemeztek. Azt vizsgálták, képesek-e reprodukálni olyan, emberek által készített algoritmusokat, amelyeket gyógyszerkutatásban használnak. Köztük volt a Northeastern Egyetemen, Lei Xie professzor és hallgatói által kidolgozott algoritmus is, amely molekulák tulajdonságainak előrejelzésére használható a gyógyszerfejlesztés során.

A vizsgált modellek egyike sem tudott tudományos jelentést készíteni, és egyikük sem reprodukálta a Northeastern algoritmusát. Xie szerint az eredmények megmutatják e technológiák hatókörét, és azt, hogy az AI nem válthatja ki az emberi intelligenciát.

A június 27-én megosztott második jelentésben a hallgatók öt fejlettebb AI-keretrendszert használtak egy, a Novartis által készített gyógyszerkutatási jelentés megismétlésére. Ezek a rendszerek már valamivel jobb hipotéziseket és teljesebb jelentéseket készítettek, de a munkáikból hiányzott a mélység, és sok hibát tartalmaztak.

A június 29-én közzétett harmadik jelentésben a modelleknek tudományos cikkeket, nagy adathalmazokat és elemzéshez használt képleteket kellett önállóan felülvizsgálniuk. A hallgatók ismét pontatlan és félrevezető eredményeket kaptak.

Emberi irányítással már használhatóbb az eredmény

A harmadik vizsgálat során a kutatók külön olyan kísérleteket is végeztek, amelyekben együtt dolgoztak a modellekkel. Jude Dcunha, a jelentés egyik hallgatói szerzője szerint így jóval pontosabb és használhatóbb adatokat tudtak előállítani. Egyszerű esetekben az AI önállóan a munka 95 százalékáig eljuthat, összetettebb feladatoknál azonban súlyosan hibázhat, és folyamatos emberi segítségre lehet szüksége.

A hallgatói társszerző Niventhini Senthilselvan számára a kutatás azt mutatta meg, hogy nem szabad készpénznek venni egy AI-chatbot válaszait. Azt kell vizsgálni, mennyire megbízható az eredmény, miért állította elő azt a modell, és hogyan lehet javítani rajta.

Sinitskiy szerint a kutatás nem egyetlen AI-keretrendszer hiányosságairól szól, hanem a terület jelenlegi állapotáról. A vizsgált rendszerek hasznosak lehetnek ismétlődő feladatokban, statisztikai támogatásként és ötletek stressztesztelésében. A gyógyszerkutatásban azonban a források, adatok és eredmények ellenőrzése továbbra is emberi munkát igényel. A hallgatók eredményei alapján az AI jelenleg támogató eszközként használható, önálló kutatóként még nem.