57 milionów pacjentów, za mało danych i AI jako ostatnia deska ratunku - jak C-BRAIN walczy z demencją

Ten news ukazał się 16 min po komunikacie źródła.

👁 116 przeczytań

Trzy i pół roku. Tyle mniej więcej czasu mija, zanim wyniki przeciętnego badania naukowego nad chorobą Alzheimera trafią do rąk kolejnego badacza, który mógłby je wykorzystać. Przez ten czas diagnozę demencji usłyszy ponad 30 milionów nowych pacjentów. To nie jest problem braku pieniędzy ani braku chęci - to problem infrastruktury wiedzy, która zacina się pod własnym ciężarem.

Na świecie żyje dziś 57 milionów ludzi z demencją. Co roku przybywa ponad 10 milionów nowych przypadków. Narodowe Instytuty Zdrowia w Stanach Zjednoczonych zwiększyły finansowanie badań siedmiokrotnie przez ostatnie 15 lat - do 3,9 miliarda dolarów rocznie. Mimo to nie istnieje żadna terapia, która potrafiłaby chorobę Alzheimera zatrzymać, zapobiec jej lub odwrócić. Między laboratorium a leczeniem znika ogromna ilość wiedzy.

Dane, które nigdy nie opuszczają szuflad

Dr Randall Bateman, profesor neurologii na Washington University School of Medicine w St. Louis, nazywa ten fenomen wprost: to dane, które istnieją, ale nauka ich nie widzi. Niepublikowane wyniki, negatywne eksperymenty, zastrzeżone zbiory danych trzymane w instytucjonalnych silosach - wszystko to Bateman i jego współpracownicy określają mianem „ciemnych danych”. Nie trafiają one do dużych modeli językowych, nie są dostępne dla badaczy z zewnątrz, nie zasilają syntezy naukowej. Po prostu leżą.

„Duża część danych z nauk biologicznych nigdy nie trafia do modeli granicznych” - powiedział dr Ade Ojewole, dyrektor techniczny C-BRAIN. „Konsekwencją jest to, że zostawiamy na stole ogromną ilość wiedzy.”

Żeby to zmienić, Bateman stanął w listopadzie 2025 roku na czele nowego przedsięwzięcia: Consortium for Biomedical Research and AI in Neurodegeneration, w skrócie C-BRAIN. Do konsorcjum dołączyło 18 instytucji - uczelni, organizacji filantropijnych, firm farmaceutycznych i ośrodków badawczych. Ich wspólny cel jest jednocześnie prosty i szalenie ambitny: sprawić, by to, co teraz zajmuje tygodnie, zajmowało godziny.

Federated learning zamiast transferu danych

Największy techniczny problem, z jakim zmierzył się C-BRAIN, to nie brak mocy obliczeniowej, lecz brak możliwości łączenia danych. Każda instytucja chroni swoje zasoby - ze względów prawnych, etycznych i regulacyjnych. Dane pacjentów nie mogą po prostu wyjechać z szpitala na serwer zewnętrznej organizacji. To ślepa uliczka znana każdemu, kto próbował zbudować medyczną bazę danych na większą skalę.

C-BRAIN rozwiązuje ten problem przez podejście hybrydowe: część danych jest deponowana bezpośrednio w zabezpieczonych systemach, część pozostaje w macierzystych instytucjach. Modele AI uczą się na danych w miejscu ich przechowywania - technika znana jako federated learning - bez konieczności ich fizycznego przenoszenia. Model wędruje do danych, nie dane do modelu.

To podejście brzmi elegancko, ale jest technicznie wymagające do zbudowania i skalowania w środowisku obejmującym kilkanaście niezależnych organizacji z różnymi standardami bezpieczeństwa. I tu do gry wchodzi NVIDIA.

Konsorcjum uruchomiło infrastrukturę opartą na 64 procesorach graficznych NVIDIA zainstalowanych lokalnie w centrach danych, uzupełnionych węzłami chmurowymi na platformie Microsoft Azure. Na horyzoncie jest rozbudowa o systemy NVIDIA Blackwell - kolejną generację akceleratorów, której wdrożenie ma iść w parze ze skalowaniem ambicji C-BRAIN. Do pipeline’ów badawczych trafiają dwie technologie: platforma NVIDIA BioNeMo przeznaczona do modelowania biologicznego oraz framework MONAI, zaprojektowany z myślą o obrazowaniu medycznym.

„Narzędzia zbudowane przez naukowców dla naukowców”

Bateman jest ostrożny w sformułowaniach. Nie obiecuje przełomu. Mówi o „oknie możliwości” - i to określenie nie jest przypadkowe. Alzheimer to choroba, wobec której dekady tradycyjnych badań przyniosły tylko cząstkowe odpowiedzi. Kolejni kandydaci na leki zawodzili w kolejnych fazach prób klinicznych, a skumulowana wiedza o mechanizmach choroby nadal nie przekłada się na skuteczną terapię.

„Mamy okno możliwości z sztuczną inteligencją, by prowadzić badania fundamentalnie inaczej niż kiedykolwiek wcześniej, w sposób przyspieszający odkrycia pomagające pacjentom”

- powiedział Bateman, dodając, że ich praca to „narzędzia AI budowane przez naukowców, dla naukowców”.

To rozróżnienie jest ważne. C-BRAIN nie próbuje zastąpić badaczy algorytmem. Celem jest odciążenie naukowców od najbardziej żmudnych elementów pracy - przeszukiwania literatury, syntezy danych z dziesiątek źródeł, wyłapywania wzorców ukrytych w zestawieniach, których żaden człowiek nie jest w stanie przejrzeć w rozsądnym czasie. Ojewole wskazuje konkretnie, że „dane ciemne” obejmują nie tylko wyniki niepublikowane, ale też negatywne eksperymenty - te, które nie trafiają do recenzowanych czasopism, choć zawierają informacje o tym, co nie działa. W farmakologii to wiedza bezcenna.

C-BRAIN startuje w momencie, gdy cały sektor nauk o życiu próbuje zrozumieć, co AI może zrobić poza generowaniem tekstów i obrazów. Modele biologiczne, jak te rozwijane na platformie BioNeMo, uczą się struktury białek, sekwencji genomowych i wzorców komórkowych - zupełnie inny rejestr niż duże modele językowe. Połączenie ich z „ciemnymi danymi” ukrytymi w instytucjonalnych silosach to zakład, który - jeśli się powiedzie - może zmienić tempo, w jakim nauka przetwarza własne odkrycia.

Dla 57 milionów ludzi żyjących dziś z demencją i dziesiątek milionów, które usłyszą diagnozę w następnej dekadzie, tempo to ma bardzo konkretne znaczenie.