AI’s rolle i genredigering

Kunstig intelligens skaber bølger på tværs af brancher, men dens virkning er større i nogle sektorer end andre. Medicin og andre videnskaber har meget at vinde på denne teknologi takket være deres dataintensive arbejde og krav om hastighed og præcision. I disse felter er genredigering en særligt lovende anvendelse af AI.

Praksis med at modificere gener for at kontrollere bestemte resultater i levende organismer optrådte først i fiktion, men den optrådte i virkelige eksperimenter omkring 1960’erne. Over årtierne er den udviklet til at producere flere banebrydende medicinske gennembrud og forskningsmuligheder. Alligevel har videnskabsmænd kun kradset overfladen af, hvad genredigering kan opnå. AI kunne være det næste store skridt.

Hvordan AI ændrer genredigering

Forskere har allerede begyndt at eksperimentere med AI i genforskning og -redigering. Trods at det er et relativt nyt begreb, har det allerede givet imponerende resultater.

Øget nøjagtighed i genredigering

En af AI’s mest bemærkelsesværdige fordele i genredigering er dens evne til at forbedre denne proces’ nøjagtighed. Klassificering af, hvilke gener producerer hvilke ændringer, er afgørende for pålidelig genredigering, men har historisk set været kompleks og fejlbehæftet. AI kan identificere disse relationer med yderligere præcision.

En studie fra 2023 udviklede en maskinelæringsmodel, der opnåede op til 90% nøjagtighed i bestemmelsen af, om mutationer var skadelige eller harmløse. Denne indsigt hjælper medicinske fagfolk med at forstå, hvad de skal lede efter eller identificere, hvilke gener de skal behandle for at forebygge bestemte sundhedsresultater.

Nøjagtighed i genredigering er også et spørgsmål om at forstå komplekse relationer mellem DNA og proteiner. At bruge den rette proteinstruktur er afgørende, når man hæfter og fjerner gensekvenser. Videnskabsmænd har nyligt fundet ud af, at AI kan analyserer 49 milliarder protein-DNA-interaktioner for at udvikle pålidelige redigeringsmekanismer for bestemte geniske streng.

Rationaliseret genomisk forskning

Ud over at give klarhed på genredigering, accelererer AI processen. Prædiktionsanalysemodeller kan simulere interaktioner mellem forskellige kombinationer af genetisk materiale meget hurtigere end manuel testning i den virkelige verden. Derfor kan de fremhæve lovende forskningsområder, hvilket fører til gennembrud på kortere tid.

Dette AI-anvendelsesområde hjalp biotekvirksomheder med at levere COVID-19-vacciner i rekordtid. Moderna producerede og testede over 1.000 RNA-streng pr. måned, hvor manuelle metoder kun ville have kunnet producere 30. Uden maskinelæringshastigheden ville det sandsynligvis have taget meget længere tid at erkende, hvilke genetiske interaktioner der var de mest lovende til at bekæmpe COVID-19.

Disse anvendelser kan drive resultater uden for medicin også. Prædiktionsanalyse kan modelere genredigeringsmuligheder for at foreslå måder at modificere afgrøder på for at gøre dem mere klimatilpassede eller kræve færre ressourcer. At accelerere forskning i sådanne områder ville hjælpe videnskabsmænd med at gøre de nødvendige forbedringer for at mildne klimaforandringerne, før de værste effekter indtræffer.

Personlig medicin

Nogle af de mest banebrydende anvendelser af AI i genredigering tager det til et mere fokuseret niveau. I stedet for at se på brede genetiske tendenser kan maskinelæringsmodeller analysere bestemte personers genom. Denne granulerede analyse muliggør personlig medicin – tilpasning af genetiske behandlinger til den enkelte for bedre patientresultater.

Læger har allerede begyndt at bruge AI til at analysere proteinændringer i kræftceller for at pege på, hvilken behandling der ville være mest nyttig for et bestemt tilfælde. Ligesom kan prædiktionsanalyse tage hensyn til patienternes unikke genetiske sammensætning, som kan påvirke behandlingseffektivitet, bivirkninger eller sandsynligheden for visse udviklinger.

Når sundhedssystemer kan tilpasse behandling til den enkelte på et genetisk niveau, kan de minimere uønskede bivirkninger og sikre, at de først søger den bedste behandling. Derfor kan flere mennesker få den hjælp, de har brug for, med færre risici.

Potentiale problemer med AI i genredigering

Så lovende disse tidlige anvendelsesområder er, indebærer anvendelsen af AI i genredigering nogle potentielle fælder. At se disse farer i lyset af fordelene kan hjælpe videnskabsmænd med at bestemme, hvordan de bedst kan anvende denne teknologi.

Høje omkostninger

Ligesom mange nye teknologier er de avancerede AI-systemer, der er nødvendige for genredigering, dyre. Genredigering er allerede en kostbar proces – nogle genbehandlinger kan koste så meget som 3,5 millioner dollars pr. behandling – og maskinelæring kan gøre det endnu dyrere. At tilføje en ny teknologi kan gøre det utilgængeligt.

Denne økonomiske barriere rejser etiske spørgsmål. Genredigering er en kraftfuld teknologi, så hvis den kun er tilgængelig for de rige, kan det udvide den eksisterende lige i sundhedspleje. En sådan kløft ville skade sundheden hos arbejdende og middelklassefamilier og blive et socialt retfærdighedsspørgsmål.

På den anden side har AI potentialet for at reducere omkostningerne også. Rationaliseret forskning og færre fejl kan føre til hurtigere teknologisk udvikling og retfærdiggøre lavere priser fra udviklerne. Derfor kan genredigering blive mere tilgængelig, men kun hvis virksomheder anvender AI med dette mål for øje.

Sikkerhedsbekymringer

AI’s pålidelighed er endnu en bekymring. Mens maskinelæring er bemærkelsesværdigt præcis i mange tilfælde, er den ikke perfekt, men mennesker har tendens til at overdrive dens præcision på grund af dramatiske påstande om dens nøjagtighed. I en kontekst for genredigering kunne dette føre til betydelige oversigter, der potentielt kunne føre til medicinsk skade eller skade på afgrøder, hvis mennesker ikke opdager AI-fejl.

Ud over hallucinationer har maskinelæringsmodeller tendens til at forstærke menneskelige fordomme. Denne tendens er særligt bekymrende i sundhedspleje, hvor en eksisterende forskning indeholder historiske fordomme. Fordi disse udeladelser er sådan, er AI-modeller til at diagnosticere melanom kun halvt så nøjagtige, når de diagnosticerer sorte patienter i forhold til hvide befolkninger. Lignende tendenser kunne have alvorlige konsekvenser, hvis læger baserer genredigeringsbeslutninger på sådan en analyse.

At ikke opdage eller tage hensyn til sådanne fejl kunne modvirke de primære fordele ved personlig medicin, afgrødeforbedring og lignende genredigeringsanvendelser. Pålidelighedsproblemer som disse kan også være svære at opdage, hvilket yderligere komplicerer praksis.

Hvor AI-genredigering kan gå herefter

Fremtiden for AI-genredigering afhænger af, hvordan udviklere og slutbrugere kan tackle hindringerne, mens de udnytter fordelene. Forklarlige AI-modeller vil være et positivt skridt fremad. Når det er klart, hvordan en maskinelæringsalgoritme når til en beslutning, er det lettere at bedømme den for fordomme og fejl, hvilket muliggør sikrere beslutningstagning.

At fokusere på AI til effektivitet og fejlreduktion over imponerende, men dyre processer, vil hjælpe med at imødekomme bekymringer om omkostninger. Nogle forskere mener, at AI kunne bringende genbehandlingomkostninger ned til næsten 0 dollars ved at fjerne mange af kompleksiteterne i forskning, produktion og levering. Tidlige eksperimenter har allerede produceret eksponentielle forbedringer i leveringseffektivitet, så yderligere fremskridt kunne gøre genredigering tilgængelig.

Det afhænger ultimativt af, hvad AI-genbehandlingsforskning fokuserer på, og hvor hurtigt teknologien kan udvikles. Maskinelæring kunne gennemgående forstyrre feltet, hvis organisationer anvender det korrekt.

AI-genredigering har lovende potentiale

Genredigering har allerede åbnet nye muligheder i medicin, landbrug og andre områder. AI kunne tage disse fordele videre.

Selvom der er betydelige hindringer, ser fremtiden for AI i geningeniørkunst lys ud. At lære, hvad det kan ændre, og hvilke problemer det måske medfører, er det første skridt i at sikre, at det tager feltet til, hvor det skal være.