Googles AI uppfann på 48 timmar vad forskningen kämpade i 10 år med

En obskyr bakteriell gåta, tio års slit i laboratoriet, och sedan plötsligt: en Google-AI som på två dygn föreslår nästan samma genombrott.

Det som från ena hållet känns som en klassisk berättelse om tålmodigt vetenskapligt arbete, ser från Silicon Valleys perspektiv ut som ett testfall: kan artificiell intelligens verkligen leverera nya biologiska idéer utan tillgång till hemliga data och utan våtlaboratoriearbete?

Hur en bortglömd DNA-bit utvecklades till ett globalt hot

I över tio år har mikrobiologer försökt förstå varför vissa bakterier blixtsnabbt utvecklar resistens mot antibiotika. Inte bara genom mutationer i deras eget DNA, utan särskilt via små, mobila genetiska element som hoppar mellan arter. Den genetiska ”samåkningsfilen” accelererar spridningen av resistens över hela världen.

Forskare från Imperial College London, ledda av José R. Penadés, fokuserade på just ett sådant element: så kallade cf-PICIs, genetiska öar som slår sig ner i bakterier. De observerade hur dessa strukturer fick skjuts med bakteriella virus, eller bakteriofager, men den exakta mekanismen förblev länge oklar.

Medan försöksuppställningarna blev mer komplexa, utkristalliserades tre problem:

• de inblandade genetiska elementen är små och svåra att detektera;
• de kan hoppa från art till art, vilket komplicerar tester;
• samspelet mellan bakterier och virus är extremt dynamiskt.

Steg för steg rekonstruerade teamet en helt ny mekanism. Cf-PICIs visade sig kapa strukturen hos särskilda bakteriofager, framför allt svansarna, för att låta sig transporteras till andra bakterier. Därmed bryter de naturliga artbarriärer och ökar spridningen av resistensgener.

Dessa genetiska öar använder virala strukturer som ett biologiskt taxinätverk för att sprida resistens snabbare.

Bekräftelsen av denna idé tog år: strukturbiologi, genetisk manipulation, transmissionsexperiment, kontroller, ännu fler kontroller. När hypotesen var färdig stod den inte i någon tidskrift, inte i någon databas, ingenstans online. Bara i anteckningar, interna presentationer och forskarnas huvuden.

Vad Googles Co-scientist gjorde utan hemliga data

Ungefär vid den tidpunkten kontaktade teamet Google Research för att testa ett nytt AI-verktyg: Co-scientist. I stället för en chatbot som besvarar frågor är detta system designat för att själv generera, kritisera och rangordna vetenskapliga hypoteser.

AI som idémaskin, inte som orakel

Co-scientist består av flera ”agenter” som bedömer varandras förslag. Systemet läser endast offentlig litteratur: artiklar, översiktsartiklar, databaser. Inga laboratoriejournaler, inga utkast, inga konfidentiella filer. Forskarna ställde AI:n en generell fråga om mobila genetiska elementens roll och deras interaktion med bakteriofager vid antibiotikaresistens.

Inom 48 timmar levererade Co-scientist en rad möjliga mekanismer. Den första hypotesen liknade påfallande det som Penadés och hans team just hade utarbetat: cf-PICIs skulle använda virala svansar som transportmedel för att utvidga värdspektrumet.

AI:n beskrev en mekanism som praktiskt taget överensstämde med en opublicerad, internt validerad hypotes från tio års laboratoriearbete.

Laboratoriet reagerade med lätt panik: hade Google oavsiktligt fått tillgång till konfidentiella dokument? Penadés frågade explicit om outputens ursprung. Google bekräftade att Co-scientist endast hade använt offentligt tillgängliga källor. Inga interna servrar, inga dataläckor.

Intressant detalj: utöver den nästan träffsäkra huvudhypotesen genererade Co-scientist fyra andra plausibla scenarion. Flera av dem tas nu upp som nya arbetsspår i laboratoriet, till exempel alternativa sätt på vilka virala strukturer skulle kunna packa och frigöra genetiska öar.

Från litteraturhög till testbar hypotes

Enligt undersökningen, senare publicerad i Cell, verkar Co-scientist inte bara upprepa befintliga teorier. AI:n kombinerar fragmentariska observationer från olika artiklar: lösa observationer om fagsvansar, transmissionsmönster, genetiska öar och resistensgener. Därav konstruerar systemet ett scenario som ännu inte stod beskrivet färdigt någonstans.

För klassiska litteraturgenomgångar gäller ofta:

Människan förblir nödvändig för att filtrera: vilken av dessa hypoteser är biologiskt meningsfull, experimentellt testbar, tekniskt genomförbar? Men sökfältet blir annorlunda. Där forskare normalt startar i en tvärsgränd, lägger AI:n plötsligt ut ett helt kvarter av möjliga rutter på bordet.

Vad detta betyder för kampen mot antibiotikaresistens

Antibiotikaresistens växer i åratal snabbare än takten med vilken nya medel och strategier blir tillgängliga. Enligt internationella analyser, bland annat rapporterat i The Lancet, kostar resistenta infektioner nu drygt en miljon människor livet om året. År 2019 låg den siffran runt 1,27 miljoner dödsfall.

Det gör varje acceleration i idébildningen relevant. Hypoteser som normalt kräver fem år att uppstå genom försök och misslyckanden kan nu formuleras inom några dagar:

• forskargrupper kan tidigare få riskfyllda men lovande scenarion på radarn;
• finansiärer ser snabbare vilka linjer som har störst chans för genomslag;
• kliniska strategier kan tidigare bygga vidare på fundamentala insikter.

AI flyttar flaskhalsen i vetenskapen: inte längre från idé till hypotes, utan från hypotes till hårt bevis.

De långvariga faserna kvarstår: djurmodeller, kliniska studier, reglering, produktion. Det som förändras är hastigheten med vilken ett fält kan vrida mot en ny fungerande tankemodell. Vid antibiotikaresistens, där bakterier själva utvecklas blixtsnabbt, räknas den tidsvinsten dubbelt.

En ny form av samarbete mellan människa och algoritm

Ingen i Penadés-teamet hävdar att Co-scientist ersätter deras arbete. AI:n känner inga dofter från odlingskammare, ser ingen oväntad kontaminering på en petriskål och känner ingen frustration efter en misslyckad serie experiment. Den bringar struktur till kunskap, inte intuition.

Rollfördelningen skiftar

Ändå förändras den dagliga forskningspraktiken när ett system som Co-scientist blir tillgängligt. Där doktorander tidigare använde veckor på att gå igenom litteratur bara för att skriva upp alla kandidatmekanismer, kan en AI leverera en första karta över landskapet på en weekend.

Det mänskliga bidraget skiftar då till:

• att formulera skarpa, icke-triviala frågor till AI:n;
• att känna igen biologiskt nonsens i plausibelt klingande text;
• att designa smarta experiment för att falsifiera AI-idéer;
• att rama in implikationerna etiskt och samhälleligt.

Därmed blir förhållandet mellan människa och AI mindre hierarkiskt. Forskaren är inte längre en klassisk användare, utan en medarkitekt i en tänkeprocess där maskin och människa turas om att framföra förslag och rätta varandras fel.

Risker, döda vinklar och vad som kan gå fel

Ett sådant system medför också nya sårbarheter. En AI som endast läser offentlig litteratur ärver alla snedvridningar i den litteraturen. Fält där det publiceras lite, eller där negativa resultat försvinner, förblir underbelysta i de genererade hypoteserna.

Det dyker också upp säkerhetsfrågor. En modell som snabbt tänker ut biologiska mekanismer kan förutom nyttiga strategier mot resistens också oavsiktligt skissera vägar till farliga tillämpningar. Det kräver tydliga gränser kring åtkomst, loggning av användning och tillsyn från oberoende kommissioner.

Utan mänsklig motkraft kan en övertygande men felaktig AI-hypotes sätta hela forskningslinjer på ett dött spår.

En annan risk ligger i grupptänkande på digital skala. Om många laboratorier använder samma AI med samma träningsdata kan de blint begå samma tänkfel. Alternativa forskningsinriktningar som faller utanför den dominerande litteraturen hamnar då ännu längre ur synfältet. Variation i modeller, datakällor och metoder förblir avgörande.

Vad Co-scientist säger om framtiden för ”intelligent” vetenskap

Fallet kring cf-PICIs fungerar primärt som demonstration av en trend: vetenskap skiftar från dataanalys med AI till idébildning med AI. Där tidigare system huvudsakligen kände igen mönster i befintliga dataset ser vi nu modeller som bygger modeller – mentala modeller av hur naturen skulle kunna fungera.

För unga forskare innebär det en ny färdighet: övning i att ”tänka tillsammans” med en algoritm. Inte bara att bedöma en hypotes på innehåll, utan också kunna dissekera den: vilka artiklar baserar AI:n sig på, vilka begrepp saknas, vilka antaganden smyger sig in?

Även finansieringsorganisationer kan använda ett sådant system som second opinion. Inte för att delegera beslut, utan för att köra ansökningsförslag genom en extra idémaskin: vilka kompletterande hypoteser, vilka oväntade kombinationer av fält faller i ögonen? Det kan till exempel koppla ihop immunologi och mikrobiologi annorlunda när man söker lösningar på resistens.

Slutligen flyttas rollen för transparens i förgrunden. En AI som producerar nya biologiska hypoteser måste kunna förklara hur de uppstår. Metoder som ”chain-of-thought”-loggning, källhänvisningar och explicita osäkerhetsmarginaler blir då lika relevanta som p-värden i klassisk statistik. Först då förblir den vetenskapliga dialogen kontrollerbar, även när en modell på 48 timmar tänker ut vad en människa behövde tio år för.