Transfer learning za brži razvoj lijekova – ali samo pod uvjetima

Istraživači s Karlsruher Instituta za tehnologiju pokazali su kako transfer učenja – tehnika umjetne inteligencije koja ponovno koristi postojeće modele – može smanjiti potrebu za novim podacima u razvoju bioloških lijekova. Umjesto da se procesi optimiziraju kroz desetak eksperimentalnih serija, njihovi algoritmi postigli su relevantne predikcije već nakon jedne do tri serije, koristeći podatke iz sličnih fermentacijskih procesa.

To ne znači da se laboratorijski rad može preskočiti, ali sugerira mogućnost ubrzanja digitalnih blizanaca – virtualnih modela koji simuliraju stvarne uvjete proizvodnje. »Transfer učenja može ubrzati prilagodbu modela za 60–70 % u odnosu na treniranje od nule«, navode autori, ali upozoravaju: efikasnost ovisi o sličnosti između »izvornih« i »ciljnih« procesa.

Ključno pitanje ostaje koliko se ova tehnika može općenito primijeniti. Studija, objavljena u Biotechnology and Bioengineering, radila je s podacima o gustoći živih stanica i koncentraciji proteina – parametrima kritičnima za proizvodnju, ali ne i za sve faze razvoja lijekova. Bez jasnih kriterija za usporedbu različitih bioprocesa, rizik je da će modeli biti precizni samo za vrlo uske uvjete.

Zašto ovo nije revolucija, već korak? Jer transfer učenja ne stvara nove podatke – samo ih bolje iskorištava. To je značajno za industriju gdje jedan ciklus testiranja košta milijune eura i traje mjesecima, ali ne mijenja fundamentalne izazove: regulativne zahtjeve, potrebu za validacijom u stvarnim uvjetima ili biološku varijabilnost.

Genetic Engineering & Biotechnology News ističe kako bi ova tehnika mogla smanjiti troškove razvoja za 15–25 % u idealnim uvjetima, ali to pretpostavlja da kompanije već imaju visoko kvalitetne povijesne podatke – što nije slučaj u svim slučajevima. »Ako su podaci iz prethodnih procesa nedovoljno detaljni ili neusporedivi, transfer učenja može čak povećati greške«, upozorava studija iz 2023.

Najveća prepreka nije tehnologija, već organizacijska: biotehničke kompanije morat će uskladiti interne standarde za prikupljanje podataka i unajmiti AI stručnjake koji razumiju i procesnu kemiju i strojno učenje. Bez toga, transfer učenja ostaje alatom za pojedinačne slučajeve – ne za sustavno ubrzanje.

Transfer učenja nije čarobni štapić, već alat koji može olakšati razvoj lijekova uz pravilnu primjenu. Njegova stvarna vrijednost leži u sposobnosti da smanji troškove i vrijeme bez ugrožavanja kvalitete. Međutim, uspjeh ovisi o suradnji između istraživača, inženjera i regulatornih tijela.