Tekoäly tai keinoäly (Artificial Intelligence, AI) mullistaa maailmaamme tulevina vuosina. Se ajaa autojamme, suunnittelee ruokaostoksemme ja, ikävä kyllä, pieksee meidät lautapeleissä. Moni spekuloi jo tekoälyn yli-inhimillisillä kyvyillä ratkaista mikä tahansa inhimillinen ongelma esimerkiksi terveydenhuollossa. Eikö tekoäly voisi kehittää uusia lääkkeitä sairauksiin, joihin ei tunneta hoitoja?
Kyllä, tekoäly on keskeinen uusi terveydenhuollon osa-alue. Kyllä, tekoäly tulee tarkentamaan diagnooseja, parantamaan hoitoa ja pitämään meitä terveempinä. Varsinkin sitten, kun se keksii miten motivoida meidät lopettamaan tupakointi ja pitämään paino ja juominen kurissa.
Ja ei. Tekoäly ei lähitulevaisuudessa ratkaise joitakin suurimmista ongelmistamme. Kuten tuhannen miljardin dollarin Alzheimer-aikapommi, josta mainittiin aiemmassa blogauksessamme. Miksei?
Älykkyyden voi määritellä kyvyksi oppia ratkaisemaan monimutkaisia ongelmia havaintojen tai aiemman tiedon perusteella. Tekoäly perustuu ohjelmoituihin algoritmeihin. Esimerkiksi Aiforian tekoäly pystyy nopeasti ja luotettavasti käymään läpi valtavan määrän mikroskooppikuvia ja tunnistamaan ja laskemaan niistä halutun tyyppiset solut. Tällainen algoritmi pitää ensin opettaa: itse algoritmi on avuton kuin vastasyntynyt lapsi. Kun ihminen syöttää algoritmille riittävän otoksen kuvia, joihin on merkitty solut jotka halutaan laskea, algoritmi oppii tunnistamaan vastaavat solut ja voi analysoida muita vastaavia kuvia.
Eli: tehokas algoritmi, joka pystyy käsittelemään massiivisen määrän kuvia (teoriassa mitä tahansa valokuvia); näppärä käyttöliittymä, jonka kautta käyttäjä voi merkitä joihinkin kuviin mikä häntä kiinnostaa (vaikkapa autot). Siinä tekoäly, joka käy nopeasti läpi tuhannet valokuvasi ja kertoo montako autoa niissä näkyy.
Miten opettaisimme tekoälyä kehittämään uuden Alzheimer-lääkkeen, joka ratkaisisi tuon tuhannen miljardin taalan ongelman?
Yksi luonteva lähtökohta olisi aito potilasaineisto. Suomessa on poikkeuksellisen hyvin jäsenneltyä tietoa esimerkiksi ihmisten sairaushistoriasta. Jos siihen yhdistetään FinnGen-hankkeen tuottamaa geneettistä tietoa, syntyy valtava tietovarasto joka soveltuu tekoälyn opettamiseen. Tältä pohjalta tullaan tunnistamaan riskiryhmiä, löytämään keinoja hidastaa tautien puhkeamista, ehkäisemään sairauksia ja parantamaan diagnostiikkaa. Niiden ansiosta elämme terveemmin ja yhteiskunnalle kertyy säästöjä. Mutta Alzheimerin parantavaa lääkettä ei tuon aineiston pohjalta synny, koska aineistoon ei kätkeydy kaavaa siitä miten Alzheimer parannetaan.
Entä jos hyödynnämme Luonnollisen kielen prosessointia (Natural Language Processing)? Voisimme opettaa tekoälyä syöttämällä sille kaikki oleelliset tieteelliset julkaisut. Jälleen tarjolla olisi massiivinen tietovarasto, tekoäly jonka käytössä olisi kaikki maailman tieto lääkkeistä, aivoista ja Alzheimerista. Tuo tekoäly saattaisi löytää mielenkiintoisia ajatuksia, joita kannattaisi tutkia tarkemmin. Valitettavasti algoritmia rajoittaisi aineiston laatu ja vajavaisuus. Tekoälymme kompastelisi julkaisuihin joiden ”lupaavia” tuloksia ei vielä ole ehditty osoittaa vääriksi. Ja koska Alzheimerin tautiin ei ”lupaavista” löydöksistä huolimatta tunneta yhtään tehokasta lääkettä, tekoälyn johtopäätös voisi olla ettei ongelmaan ole ratkaisua!
Miten saisimme tekoälyn kehittämään jotain sellaista, mitä emme itse osaa kuvitella? Voisimme opettaa tekoälylle tarkan mallin ihmisestä ja siitä miten Alzheimerin tauti kehittyy. Valitettavasti jo ihmisaivojen sata miljardia hermosolua monimutkaisine yhteyksineen ja jatkuvine vuorovaikutuksineen on aivan liian suuri haaste nykyiselle tekoälylle, puhumattakaan siitä että tietokone pystyisi yksityiskohtaisesti mallintamaan ikääntymisen, stressin, sairauksien ja elämäntapojen aiheuttamat jatkuvat muutokset solutasolla.
Tekoäly tarjoaa loistavia työkaluja tieteelliseen tutkimukseen ja lääkekehitykseen. Aiemmin mainittu Aiforia on hyvä esimerkki: sen ansiosta kuvien analysoiminen, joka on aiemmin ollut hidas ja turhauttava manuaalinen työvaihe, voidaan tehdä nopeasti ja luotettavasti. Samoin esimerkiksi lääkemolekyylien toksisuutta ja muita ominaisuuksia voidaan arvioida laskennallisesti, sen perusteella mitä tuhansissa aiemmissa tieteellisissä tutkimuksissa on selvitetty.
Tekoälyltä ei kuitenkaan pidä vielä odottaa liikoja. Prekliininen ja kliininen tutkimus säilyvät pitkään lääkekehityksen tärkeimpinä vaiheina. Tulemme yllättymään yhä uudestaan ja uudestaan siitä, että laboratoriotulokset eivät vastaa laskennallisia ennusteita. Ja ennen kaikkea: lääkekehityksessä turvallisuus on kaikki kaikessa. Riskejä voidaan ottaa vain, jos ne ovat erittäin hyvin perusteltuja. Niinpä menee vielä vuosikymmeniä, ennen kuin ensimmäinen lääkeviranomainen uskaltaa sanoa: ”Olkaa hyvä, tässä on myyntilupa uudelle lääkkeellenne, perustuen yksinomaan laskennallisiin tuloksiinne. Kliiniset tutkimukset eivät ole tarpeen.”
Kirjoittaja on biotekniikkayrittäjä ja toimitusjohtaja, joka aloitti uransa tekoälytutkijana. Herantis Pharma hyödyntää lääkekehityksessään myös laskennallisia menetelmiä.