AI ช่วยหา antimicrobial จาก genome ได้เร็วขึ้น แต่คำตอบสุดท้ายยังอยู่ในแล็บ
AI ลดพื้นที่ค้นหาจากลำดับชีวภาพมหาศาลให้เหลือ candidate ที่นักวิจัยพอทดลองต่อได้ แต่ไม่ได้เปลี่ยน prediction ให้เป็นยาโดยอัตโนมัติ กรณีศึกษาของ César de la Fuente Lab แสดงภาพนี้ชัด: ห้องแล็บใช้โมเดลของตัวเองค้น pattern ใน genome/protein และใช้ ChatGPT กับ Codex ช่วยตั้งสมมติฐาน เขียนโค้ด จัดชุดข้อมูล และเชื่อมความรู้ข้ามสาขา
เหตุผลที่ workflow นี้น่าสนใจคือมันไม่ได้ให้ LLM เป็นผู้ตัดสินสุดท้าย AI ทำหน้าที่ขยายความเร็วในช่วง search และ analysis ขณะที่หลักฐานต้องย้อนกลับไปหา experiment ที่วัดได้
วงจรที่ไม่ควรตัดทอน
- ระบุคำถามและ dataset พร้อม provenance
- ให้โมเดลจัดลำดับ candidate และบันทึกเกณฑ์/เวอร์ชัน
- ตรวจซ้ำด้วย pipeline ที่ deterministic และ review โค้ด
- ทดลองว่า candidate ฆ่าเป้าหมายได้จริงในปริมาณเท่าไร
- ตรวจผลต่อเซลล์มนุษย์ ความเป็นพิษ ความคงตัว และโอกาสเกิด resistance
- ประเมินการผลิต กฎระเบียบ และ clinical trial ก่อนใช้กับคน
หน้า OpenAI ระบุว่าการค้น candidate ระยะแรกอาจลดจากหลายปีเหลือหลายชั่วโมง แต่นั่นคือ เวลาค้นหาเบื้องต้น ไม่ใช่เวลาสร้างยาที่ผ่านการรับรอง ตัวเลขนี้มาจากกรณีศึกษาของผู้ให้บริการเครื่องมือเอง จึงควรอ่านร่วมกับ paper, protocol และผลทดลองของทีมวิจัย
สิ่งที่ทีมวิศวกรรมควรเก็บ
เวอร์ชัน dataset/model, prompt หรือ code revision, seed, candidate ที่ถูกคัดออก และเหตุผลที่มนุษย์ override ล้วนสำคัญต่อ reproducibility ข้อมูลชีวภาพหรือข้อมูลผู้ป่วยต้องมี access boundary และห้ามวาง credential ลง prompt การให้ agent ดาวน์โหลดหรือแปลงข้อมูลควรรันใน environment แยกสิทธิ์ พร้อม checksum และ audit log
บทเรียนกว้างกว่างานยา: ให้ AI ลด search space, ให้ระบบ deterministic ตรวจซ้ำ และให้โลกจริงเป็นผู้ตัดสิน claim
Recap
- แยก candidate generation ออกจาก biological validation
- เก็บ provenance ของ data, model, code และการ override
- รัน agent กับข้อมูลวิจัยในขอบเขตสิทธิ์ที่จำกัด
- อย่าแปลงเวลาค้น candidate เป็นคำอ้างว่าได้ยาเร็วเท่ากัน