En tilsyneladende nichepræget bakteriel gåde, et årtis vedholdende laboratoriearbejde – og så pludselig: en Google-AI, der på 48 timer når frem til næsten det samme gennembrud.
Det, som for forskerne ligner den klassiske historie om langsom, metodisk videnskab, fremstår fra Silicon Valley som et eksperiment: Kan kunstig intelligens faktisk formulere nye biologiske forklaringer uden adgang til fortrolige data og uden selv at røre en pipette?
Hvordan et overset DNA-element blev en global risiko
I mere end ti år har mikrobiologer forsøgt at klarlægge, hvorfor visse bakterier på rekordtid udvikler resistens over for antibiotika. Ikke kun via mutationer i deres eget arvemateriale, men især gennem små, mobile genetiske elementer, der bevæger sig mellem arter. Denne genetiske “motorvej” har accelereret spredningen af resistens verden over.
Et forskerhold fra Imperial College London, ledet af José R. Penadés, rettede blikket mod netop sådan et element: de såkaldte cf-PICIs – genetiske øer, der kan integrere sig i bakterier. Man så, hvordan disse strukturer fik transport ved hjælp af bakterielle virus, bakteriofager, men den præcise mekanisme forblev længe uafklaret.
Efterhånden som eksperimenterne blev mere sofistikerede, stod tre udfordringer klart:
- de relevante genetiske elementer er små og svære at identificere;
- de kan bevæge sig mellem arter, hvilket gør kontrollerede tests komplekse;
- interaktionen mellem bakterier og virus er yderst dynamisk.
Gradvis rekonstruerede teamet en hidtil ukendt mekanisme. Cf-PICIs viste sig at udnytte strukturelle dele af bestemte bakteriofager – særligt halerne – for at lade sig transportere videre til nye bakterier. På den måde overskrider de naturlige artsbarrierer og forstærker udbredelsen af resistensgener.
Disse genetiske øer anvender virale strukturer som et biologisk taxanetværk for at sprede resistens endnu hurtigere.
At bekræfte denne hypotese krævede årevis: strukturel biologi, genetiske manipulationer, transmissionstests, kontroller – og flere kontroller. Da forklaringen endelig stod klar, fandtes den ikke i nogen artikel, database eller onlinekilde. Kun i laboratorienotater, interne præsentationer og forskernes egne hoveder.
Hvad Googles Co-scientist gjorde uden adgang til hemmelige data
På omtrent samme tidspunkt tog forskergruppen kontakt til Google Research for at afprøve et nyt AI-værktøj: Co-scientist. I modsætning til en traditionel chatbot er dette system udviklet til selv at generere, evaluere og prioritere videnskabelige hypoteser.
AI som idégenerator – ikke som sandhedsorakel
Co-scientist arbejder med flere “agenter”, der vurderer hinandens forslag. Systemet baserer sig udelukkende på offentligt tilgængelig litteratur: videnskabelige artikler, reviews og databaser. Ingen laboratoriejournaler, ingen kladder, ingen fortrolige filer. Forskerne stillede et åbent spørgsmål om mobile genetiske elementers rolle og deres samspil med bakteriofager i forbindelse med antibiotikaresistens.
Inden for to døgn leverede AI’en en række mulige forklaringsmodeller. Den mest sandsynlige hypotese mindede i bemærkelsesværdig grad om den model, Penadés og kollegerne netop havde udviklet: at cf-PICIs benytter virale haler som transportmiddel for at udvide deres værtsområde.
AI’en beskrev en mekanisme, der i praksis faldt sammen med en endnu upubliceret, internt bekræftet hypotese fra ti års laboratoriearbejde.
Reaktionen i laboratoriet var først præget af bekymring: Kunne Google utilsigtet have fået adgang til fortrolige oplysninger? Penadés spurgte direkte ind til datagrundlaget. Google bekræftede, at Co-scientist alene havde anvendt offentlige kilder – ingen interne servere, ingen læk.
En bemærkelsesværdig detalje var, at AI’en ud over hovedhypotesen genererede fire andre plausible scenarier. Flere af disse undersøges nu som nye forskningsspor, eksempelvis alternative måder, hvorpå virale strukturer kunne pakke og frigive genetiske øer.
Fra litteraturfragmenter til testbar hypotese
Ifølge studiet, senere offentliggjort i Cell, gentager Co-scientist ikke blot eksisterende teorier. Systemet kombinerer spredte observationer fra forskellige publikationer: fund om faghaler, transmissionsmønstre, genetiske øer og resistensgener. Ud fra disse brudstykker konstruerer AI’en et samlet scenarie, som endnu ikke var formuleret i fuld form noget sted.
I klassiske litteraturgennemgange ser processen ofte sådan ud:
| Fremgangsmåde | Tidsinvestering | Resultat |
|---|---|---|
| Menneskeligt litteraturreview | Uger til måneder | 1–2 hovedhypoteser, mange forkastede spor |
| AI-understøttet hypotesedannelse | Timer til dage | Flere strukturerede scenarier med eksplicit argumentation |
Mennesket er dog fortsat afgørende for at sortere: Hvilken hypotese giver biologisk mening? Hvad kan testes eksperimentelt? Hvad er teknisk muligt? Forskellen er, at søgefeltet udvides markant. Hvor man før startede i én retning, præsenterer AI’en pludselig et helt netværk af mulige veje.
Hvad det betyder for kampen mod antibiotikaresistens
Antibiotikaresistens vokser hurtigere, end nye behandlingsstrategier udvikles. Internationale analyser, blandt andet omtalt i The Lancet, anslår, at resistente infektioner i 2019 medførte omkring 1,27 millioner dødsfald årligt.
Enhver acceleration i idéudvikling er derfor relevant. Hypoteser, der tidligere opstod gennem mange års forsøg og fejl, kan nu formuleres på få dage:
- forskergrupper får tidligere øje på risikable, men lovende scenarier;
- finansieringskilder kan hurtigere identificere projekter med størst potentiale;
- kliniske strategier kan tidligere bygge på nye grundlæggende indsigter.
AI ændrer flaskehalsen i forskningen: ikke længere primært fra idé til hypotese, men fra hypotese til solid evidens.
De lange faser – dyremodeller, kliniske forsøg, regulering og produktion – forbliver uændrede. Men hastigheden, hvormed et felt kan omstille sig til en ny forklaringsramme, øges. I kampen mod hurtigt evolverende bakterier er den tidsgevinst afgørende.
En ny samarbejdsform mellem menneske og algoritme
Ingen i Penadés’ gruppe hævder, at Co-scientist kan erstatte deres arbejde. AI’en lugter ikke dyrkningsmedier, opdager ikke forurening i en petriskål og oplever ikke frustration over mislykkede forsøg. Den organiserer viden – den erstatter ikke erfaring.
Roller i forandring
Alligevel ændres den daglige forskningspraksis. Hvor ph.d.-studerende tidligere brugte uger på litteraturgennemgang for blot at kortlægge mulige mekanismer, kan en AI nu levere et første overblik på få dage.
Det menneskelige bidrag forskydes til:
- at formulere præcise og ikke-trivielle spørgsmål;
- at identificere biologisk nonsens bag plausibel formulering;
- at designe eksperimenter, der kan falsificere AI-idéer;
- at vurdere etiske og samfundsmæssige implikationer.
Forholdet bliver mindre hierarkisk. Forskeren er ikke blot bruger, men medskaber i en iterativ tænkeproces, hvor maskine og menneske gensidigt udfordrer hinanden.
Risici, blinde vinkler og potentielle faldgruber
Et system, der kun læser offentlig litteratur, arver også dens skævheder. Felter med få publikationer eller skjulte negative resultater vil fortsat være underrepræsenterede i de genererede hypoteser.
Der opstår også sikkerhedsmæssige spørgsmål. En model, der hurtigt kan udtænke biologiske mekanismer, kan utilsigtet skitsere veje til problematiske anvendelser. Det kræver klare retningslinjer for adgang, dokumentation af brug og uafhængigt tilsyn.
Uden kritisk menneskelig vurdering kan en overbevisende, men fejlagtig AI-hypotese føre hele forskningsområder på afveje.
Desuden findes risikoen for digital gruppetænkning. Hvis mange laboratorier anvender samme model og datagrundlag, kan de reproducere de samme blinde vinkler. Mangfoldighed i modeller, datakilder og metodiske tilgange forbliver derfor afgørende.
Hvad Co-scientist fortæller om fremtidens “intelligente” forskning
Cf-PICIs-sagen illustrerer en større bevægelse: Fra AI som analyseværktøj til AI som idégenerator. Hvor tidligere systemer primært genkendte mønstre i data, ser vi nu modeller, der konstruerer hypotetiske forklaringer på, hvordan naturen kan fungere.
For unge forskere betyder det en ny kompetence: at kunne “tænke sammen” med en algoritme. Ikke kun at bedømme indholdet af en hypotese, men også at analysere dens ophav: Hvilke kilder bygger AI’en på? Hvilke antagelser ligger implicit? Hvad mangler?
Også bevillingsorganisationer kan bruge sådanne systemer som supplement. Ikke til at delegere beslutninger, men til at generere alternative vinkler og uventede kombinationer – eksempelvis nye forbindelser mellem immunologi og mikrobiologi i jagten på løsninger mod resistens.
Endelig bliver transparens central. En AI, der producerer biologiske hypoteser, må kunne redegøre for deres oprindelse. Metoder som detaljeret kildeangivelse, logning af ræsonnementer og tydelige usikkerhedsangivelser bliver lige så vigtige som klassiske p-værdier. Kun sådan forbliver den videnskabelige dialog kontrollerbar – også når en model på 48 timer når frem til det, et menneske brugte ti år på at formulere.
