Hvordan et glemt stykke DNA udviklede sig til en global trussel
For én side føles det som en klassisk fortælling om tålmodig videnskab. Set fra Silicon Valley er det noget helt andet: en praktisk afprøvning af, om kunstig intelligens virkelig kan generere nye biologiske idéer – uden adgang til hemmelige data og uden et eneste laboratorieeksperiment.
I over ti år har mikrobiologer forsøgt at forstå, hvorfor visse bakterier udvikler antibiotikaresistens med alarmerende hurtighed. Det sker ikke kun via mutationer i deres eget DNA, men i høj grad gennem små, mobile genetiske elementer, der hopper mellem arter. Denne genetiske "hurtigbane" accelererer spredningen af resistens på globalt plan.
Forskere fra Imperial College London, ledet af José R. Penadés, fokuserede præcis på ét sådant element: såkaldte cf-PICI'er, genetiske øer der slår sig ned i bakterier. De opdagede, hvordan disse strukturer trampede med på bakterielle vira – bakteriofager – men det nøjagtige mekanisme forblev længe uklart.
Efterhånden som forsøgsopstillingerne blev mere komplekse, tegnede tre grundlæggende problemer sig:
- de involverede genetiske elementer er små og svære at detektere;
- de kan springe fra art til art, hvilket komplicerer testning;
- samspillet mellem bakterier og vira er ekstremt dynamisk.
Skridt for skridt rekonstruerede teamet et helt nyt mekanisme. Cf-PICI'er viste sig at kapre strukturen hos bestemte bakteriofager – særligt halerne – for at lade sig transportere over til andre bakterier. Dermed bryder de naturlige artsgrænser og forstærker spredningen af resistensgener.
Disse genetiske øer bruger virale strukturer som et biologisk taxinetværk til at sprede resistens hurtigere.
At bekræfte denne idé krævede årevis af arbejde: strukturel biologi, genetisk manipulation, transmissionseksperimenter og kontroller oven på kontroller. Da hypotesen endelig var på plads, stod den ingen steder skrevet – ikke i et tidsskrift, ikke i en database, ikke online overhovedet. Den levede udelukkende i noter, interne præsentationer og forskerhjerner.
Hvad Googles Co-scientist gjorde uden adgang til hemmelige data
Netop på dette tidspunkt henvendte teamet sig til Google Research for at afprøve et nyt AI-værktøj: Co-scientist. I stedet for en chatbot der besvarer spørgsmål, er systemet designet til selv at generere videnskabelige hypoteser, kritisere dem og rangordne dem indbyrdes.
AI som idémaskine, ikke som orakel
Co-scientist består af flere "agenter", der løbende vurderer hinandens forslag. Systemet læser udelukkende offentligt tilgængelig litteratur: artikler, reviews og databaser. Ingen laboratoriejournaler, ingen udkast til artikler, ingen fortrolige filer. Forskerne forelagde AI'en et generelt spørgsmål om mobile genetiske elementers rolle og deres samspil med bakteriofager i forbindelse med antibiotikaresistens.
Inden for 48 timer leverede Co-scientist en række mulige mekanismer. Den første hypotese lignede påfaldende det, Penadés og hans team netop havde udarbejdet: at cf-PICI'er ville bruge virale haler som transportmiddel til at udvide deres vært-rækkevidde.
AI'en beskrev en mekanisme, der praktisk talt faldt sammen med en upubliceret, internt valideret hypotese fra ti års laboratoriearbejde.
Laboratoriet reagerede med mild panik: havde Google utilsigtet fået adgang til fortrolige dokumenter? Penadés spurgte eksplicit ind til, hvor outputtet stammede fra. Google bekræftede, at Co-scientist udelukkende havde anvendt offentligt tilgængelige kilder. Ingen interne servere, ingen datalæk.
Et interessant detalje: ud over den næsten præcise hovedhypotese genererede Co-scientist fire yderligere plausible scenarier. Flere af dem bliver nu fulgt op som nye arbejdsspor i laboratoriet – blandt andet alternative måder, hvorpå virale strukturer kan pakke og frigive genetiske øer.
Fra litteraturstabel til testbar hypotese
Ifølge studiet, der siden udkom i Cell, ser Co-scientist ikke ud til blot at gentage eksisterende teorier. AI'en kombinerer fragmentariske observationer fra mange forskellige artikler: løse iagttagelser om fagerhaler, transmissionsmønstre, genetiske øer og resistensgener. Ud fra dette konstruerer systemet et scenarie, der ikke stod beskrevet noget sted i forvejen.
For klassiske litteraturgennemgange gælder ofte følgende sammenligning:
| Fremgangsmåde | Tidsforbrug | Resultat |
|---|---|---|
| Menneskelig litteraturgennemgang | Uger til måneder | 1–2 hovedhypoteser, mange forkastede spor |
| AI-understøttet hypotesedannelse | Timer til dage | Flere strukturerede scenarier med argumentation |
Mennesket forbliver nødvendigt som filter: hvilke af disse hypoteser er biologisk meningsfulde, eksperimentelt testbare og teknisk gennemførlige? Men søgefeltet ændrer sig fundamentalt. Hvor forskere normalt starter i én smal gade, lægger AI'en pludselig en hel bydel af mulige ruter på bordet.
Hvad dette betyder for kampen mod antibiotikaresistens
Antibiotikaresistens vokser år for år hurtigere, end nye løsninger og strategier kan nå at komme på markedet. Ifølge internationale analyser koster resistente infektioner nu over en million mennesker livet om året – i 2019 lå tallet på omkring 1,27 millioner dødsfald.
Det gør enhver acceleration i idéudviklingen relevant. Hypoteser, der normalt tager fem år at formulere via eksperimentelt søgearbejde, kan nu opstilles inden for få dage:
- forskergrupper kan få risikable, men lovende scenarier på radaren langt tidligere;
- finansieringskilder får hurtigere overblik over, hvilke spor der har størst potentiale;
- kliniske strategier kan bygge videre på grundlæggende indsigter meget tidligere end før.
AI forskyver flaskehalsen i videnskaben: ikke længere fra idé til hypotese, men fra hypotese til hårdt bevis.
De langvarige faser består stadig: dyremodeller, kliniske studier, regulering og produktion. Det der ændrer sig, er hastigheden, hvormed et forskningsfelt kan dreje mod et nyt, fungerende tankemønster. Ved antibiotikaresistens, hvor bakterierne selv udvikler sig rasende hurtigt, tæller den tidsgevinst dobbelt.
Et nyt slags samarbejde mellem menneske og algoritme
Ingen i Penadés-teamet hævder, at Co-scientist erstatter deres arbejde. AI'en kender ikke lugten fra dyrkningskamre, ser ikke en uventet kontaminering på en petriskål og mærker ikke frustrationen efter en mislykket forsøgsrække. Den bringer struktur til viden – ikke intuition.
Rollefordelingen forskydes
Alligevel ændrer den daglige forskningspraksis sig, når et system som Co-scientist bliver tilgængeligt. Hvor ph.d.-studerende tidligere brugte uger på at gennemgå litteratur blot for at kortlægge alle kandidatmekanismer, kan en AI levere et første overblik over det landskab i løbet af en weekend.
Den menneskelige indsats forskydes dermed mod:
- at formulere skarpe, ikke-trivielle spørgsmål til AI'en;
- at genkende biologisk vrøvl i plausibelt klingende tekst;
- at designe smarte eksperimenter der kan falsificere AI-idéer;
- at indramme implikationerne etisk og samfundsmæssigt.
Dermed bliver forholdet mellem menneske og AI mindre hierarkisk. Forskeren er ikke længere en klassisk bruger, men en medarkitekt i en tankeproces, hvor maskine og menneske skiftevis fremsætter forslag og korrigerer hinandens fejl.
Risici, blinde pletter og hvad der kan gå galt
Et sådant system medfører også nye sårbarheder. En AI der udelukkende læser offentlig litteratur, arver alle de skævheder, der findes i den litteratur. Fagområder, hvor der publiceres lidt, eller hvor negative resultater drukner, forbliver underrepræsenteret i de genererede hypoteser.
Der opstår også sikkerhedsspørgsmål. Et model, der hurtigt udtænker virkningsfulde biologiske mekanismer, kan utilsigtet også skitsere farlige anvendelser ved siden af nyttige strategier mod resistens. Det kræver klare grænser for adgang, logning af brug og tilsyn fra uafhængige udvalg.
Uden menneskelig modvægt kan en overbevisende, men forkert AI-hypotese sende hele forskningsspor ud på et sidespor.
En anden risiko ligger i gruppertænkning på digital skala. Hvis mange laboratorier bruger samme AI med samme træningsdata, kan de blindt begå de samme tankefejl. Alternative forskningsretninger, der falder uden for den dominerende litteratur, risikerer at blive endnu mere usynlige. Variation i modeller, datakilder og metoder forbliver afgørende.
Hvad Co-scientist siger om fremtidens "smarte" videnskab
Casen om cf-PICI'er fungerer primært som en demonstration af en bredere tendens: videnskab forskydes fra dataanalyse med AI til idédannelse med AI. Hvor tidligere systemer primært genkendte mønstre i eksisterende datasæt, ser vi nu modeller der bygger modeller – mentale modeller af, hvordan naturen muligvis fungerer.
For unge forskere betyder det en ny færdighed: at øve sig i at "tænke sammen" med en algoritme. At bedømme en hypotese ikke kun på indholdet, men også kunne dissekere den: hvilke artikler baserer AI'en sig på, hvilke begreber mangler, og hvilke antagelser sniger sig ind?
Finansieringsorganisationer kan ligeledes bruge et sådant system som second opinion. Ikke for at uddelegere beslutninger, men for at køre grantforslag igennem en ekstra idémaskine: hvilke supplerende hypoteser dukker op, hvilke uventede kombinationer af fagområder springer i øjnene? Det kan for eksempel forbinde immunologi og mikrobiologi på nye måder i jagten på løsninger mod resistens.
Endelig rykker transparensens rolle frem i forgrunden. En AI der producerer nye biologiske hypoteser, skal kunne redegøre for, hvordan de er opstået. Metoder som chain-of-thought-logning, kildehenvisninger og eksplicitte usikkerhedsmargener bliver lige så relevante som p-værdier i klassisk statistik. Kun da forbliver den videnskabelige dialog kontrollerbar – selv når en model på 48 timer når frem til det, et menneske brugte ti år på.
