Výzkumníci z Google DeepMind ve spolupráci s Yale University vytvořili model C2S-Scale 27B, který má 27 miliard parametrů a vychází z rodiny modelů Gemma. Tento systém převádí složité údaje o genové expresi z jednotlivých buněk na takzvané buněčné věty, což umožňuje analyzovat chování buněk podobně jako přirozený jazyk. Model byl trénován na více než miliardě profilů jednotlivých buněk a dokáže simulovat reakce na tisíce léků v různých biologických prostředích.
Výzkum se zaměřil na problém studených nádorů, které se skrývají před imunitním systémem. Model dostal úkol najít lék, který by zesílil imunitní signál jen v prostředí s nízkými úrovněmi interferonu, což je klíčový protein pro imunitní signalizaci. Pomocí dvojitého virtuálního screeningu model prozkoumal přes 4000 léků ve dvou kontextech: jednom s intaktními interakcemi mezi nádorem a imunitou z pacientových vzorků a druhém s izolovanými buněčnými liniemi bez imunitního kontextu.
Klíčový objev: Silmitasertib a jeho účinky
Model identifikoval silmitasertib, známý také jako CX-4945, což je inhibitor kinázy CK2. Podle předpovědi by tento lék výrazně zvýšil antigenovou prezentaci jen v prostředí s nízkými úrovněmi interferonu, kde by působil jako podmíněný zesilovač. V neutrálním prostředí bez imunitního kontextu by neměl žádný vliv. Tento objev byl nový, protože silmitasertib dosud nebyl spojován s posílením exprese MHC-I nebo antigenové prezentace.
V laboratořích Yale University proběhlo ověření v modelech lidských neuroendokrinních buněk, které model během tréninku neviděl. Experimenty potvrdily předpověď: samotný silmitasertib nezvýšil antigenovou prezentaci. Nízká dávka interferonu měla jen mírný efekt. Kombinace obou však vedla k synergickému zesílení o 50 %, což činí nádor viditelnějším pro imunitní systém.
Experimentální validace a další detaily
Výzkumníci provedli testy v živých buňkách, kde kombinace silmitasertib a nízké dávky interferonu způsobila výrazné zvýšení antigenové prezentace. Tento efekt byl specifický pro prostředí s imunitním kontextem, což model přesně předpověděl. Z celkového screeningu model označil 10 až 30 % léků jako známé, zatímco zbylé byly překvapivé kandidáty bez předchozího spojení s imunomodulací.
Sundar Pichai, generální ředitel Google, označil tento objev za důležitý mezník v aplikaci AI ve vědě. Model nejen zpracovával data, ale generoval novou hypotézu, kterou vědci ověřili. Výzkum probíhal pod vedením Shekoofeh Azizi a Bryana Perozziho z Google, ve spolupráci s laboratoří na Yale.
Model C2S-Scale 27B je nyní volně dostupný na platformách jako Hugging Face a GitHub, včetně kódu a vědeckého preprintu na bioRxiv. Tento přístup umožňuje dalším vědcům testovat předpovědi a rozvíjet výzkum. Týmy na Yale nyní zkoumají mechanismus tohoto objevu a testují další předpovědi modelu v jiných imunitních kontextech.
