Praėjusių metų gegužę superkompiuteris iš San Jose, Kalifornijoje, per porą valandų perskaitė 100 tūkst. tyrimų. Duomenyse jis rado pasislėpusią visiškai naują biologiją. Kompiuteris KnIT yra viena iš nedaugelio sistemų, plečiančių pažinimo ribas be žmogaus pagalbos.
„KnIT“ dokumentus skaitė ne kaip mokslininkas – tai būtų užtrukę visą amžinybę. Vietoje to jis žvalgėsi informacijos apie baltymą p53, ir galinčių su juo reaguoti fermentų klasę, kinazes. Dar vadinamas „genomo sargu“, p53 slopina žmoguje atsirandančius auglius. KnIT tyrė literatūrą, ieškodamas ryšių, rodančių dar neatrastas p53 kinazes, kurios gali būti naudingos, kuriant naujus priešvėžinius vaistus.
Išanalizavęs darbus iki pat 2003-ųjų m., „KnIT“ atpažino septynias iš devynių kinazių, atrastų per pastaruosius 10 metų. Dar svarbiau, jis taip pat atrado dvi mokslui nežinomas p53 kinazes. Pradiniai laboratoriniai bandymai patvirtino atradimus, nors komanda dėl šventos ramybės eksperimentus nori pakartoti.
„KnIT“ yra IBM ir Baylor medicinos koledžo Houstone (TX) bendradarbiavimo vaisius. Tai naujausias žingsnis į keistą pasaulį, kur autonominės mašinos daro atradimus, kurių mokslininkai atlikti negali, tiesiog atidžiau peržvelgdami ta, ką jau žinome, ir atlikdami tai daug greičiau, nei galėtų bet kuris žmogus.
Darbe, kuris bus pristatytas Žinių atradimo ir duomenų paieškų konferencijoje Niujorke šią savaitę, tyrėjai teigia, kad visuomenei labiau sekasi kurti naują informaciją, nei analizuoti jau esančią. „Iš čia kyla tyrimų vertimo žmonijos progresu neefektyvumas,“ rašoma darbe. KnIT stengsis šį neefektyvumą sumažinti.
„Bendrai, naujos p53 kinazės atrandamos vienos per metus tempu, – sako Olivier Lichtarge`as, vadovaujantis darbui Baylore. – Tikimės smarkiai paspartinti šią atradimų spartą“.
Kinazių tyrinėjimas svarbus vėžio tyrimams, tačiau Bayloro komanda mano, kad šį būdą galima praplėsti ir už biomedicinos ribų į visas mokslo sritis. O jei „KnIT“ algoritminiai atradimai tęsis ir toliau, jie rodo ateitį, kai kiekvienas galės turėti personalizuotą algoritmą, kuris mokslinėje literatūroje ieškos vaistų nuo ligų, taip pat ir tokių, kurių gydymas pritaikomas genetiniame lygyje.
KnIT praplėtimas į kitas biologijos ar tiksliųjų mokslų sritis nėra visiškai paprastas. „Tiesiogiai pritaikydami šį metodą daugiau baltymų ir genų, galime susilaukti didelių problemų“, – pastebi O. Lichtarge`as. O tokiose srityse, kaip fizika, rezultatai dažniausiai pateikiami formulėmis ir grafikais, o ne žodžiais. Kaip bebūtų, duomenų paieškos grupės ieško būdų, kaip išgauti informaciją ir iš jų.
Idėją, kad naujų žinių galima atrasti ir ieškant ryšių tarp atskirų tyrimų gijų, 1985 m. pirmą kartą kristalizavo informatikas Donas Swansonas iš Čikagos universiteto. Jis rankiniu būdu analizavo mokslinės literatūros duomenų bazę ir atrado, kad žuvų taukai galėtų būti geras vaistas nuo Raynaudo sindromo, cirkuliacijos sutrikimo, kadangi tyrimai parodė, jog žuvų taukai gali padėti nuo tam tikrų simptomų, taip pat būdingų Raynaudo sindromui. Jo nuojauta pasitvirtino.
Dabartinis mokslas pateikia mums daug didesnę ir sudėtingesnę šieno kupetą, nei tą, po kurią sprendimo ieškojo D. Swansonas, bet mašininis intelektas dabar tyrinėja, ieškodamas naujų ryšių.
Rossas Kingas iš Manchesterio universiteto, JK, sukūrė kitokią automatinę sistemą „Eve“, kuri, jo teigimu, jau surado naują vaistą nuo maliarijos. Užuot ieškodama naujų žinių literatūroje, „Eve“ robotiškai vykdo laboratorinius eksperimentus, skirtus surasti vaistus nuo mažai dėmesio sulaukiančių ligų. Kingas laiko atradimą paslaptyje, kol darbas dar nepublikuotas, bet sako, kad vienas komponentas yra kelių rūšių dantų pastoje naudojamas ingredientas.
Žinių tinklai, kuriuos automatiškai ieškodami atradimų, sukuria kompiuteriai, praverčia ir ne mokslininkams. Sophia Ananiadou Manchesterio universitete kuria „Facta+“, paieškų duomenų bazę, kurioje yra daugybė informacijos apie vėžį, paremtos iš literatūros surinktais duomenimis. Nors bazė sukurta padėti vėžio tyrėjams, ją galėtų naudoti ir plačioji visuomenė, kad daugiau sužinotų apie jiems diagnozuotas ligas ir neskaitę pačių mokslinių dokumentų.
Duomenų paieškos tikslas galėtų būti ir apverstas. Užuot ieškojusios naujų įžvalgų specializuotomis temomis, tokis sistemos, kaip „KnIT“ gali padėti rasti skyles egzistuojančiuose tyrimuose, kurias reikėtų užtaisyti.
Natasa Miskov-Zivanov iš Carnegie Mellon universiteto Pittsburghe, naudodama panašią techniką, kuria kompiuterinius ląstelių modelius, kurie gali būtų naudojami vaistų testavimui. Paprastai modelių sukūrimas užtrunka, jie kuriami, naudojant biologijos eksperimentų ir teoretikų duomenis. Tačiau N. Miskov-Zivanovos modeliai kuriasi patys greitai ir automatiškai, naudodami rezultatus literatūroje. Tada modelius gali patikrinti mokslininkai laboratorijoje.
N. Miskov-Zivanov darbą finansuoja JAV gynybos agentūra DARPA, kaip dalį savo „Big Mechanism“ projekto, kuriuo siekiama rasti naujas žinias paslėptas daugybėje duomenų. „Tinkamo modelio, rodančio, kas vyksta ląstelėje, sukūrimas paprastai trunka keletą metų, bet tai, ką dabar darome, galėtų procesą labai paspartinti,“ sako ji. O tai savo ruožtu paspartintų vaistų bandymą.
Analizuojant skirtingų disciplinų – pavyzdžiui, ląstelių masto fizikos ir molekulinės biologijos – mokslinę literatūrą, gali galima pasiekti naujų proveržių. „Nemanau, kad galėtume kada nors suprasti šią milžinišką, sudėtingą dėlionę be automatinės pagalbos, – pastebi R. Kingas. – Pasaulyje tiesiog neužtenka mokslininkų daryti eksperimentus“.
