Mašina čita „božji kod“: Kako Big Data i AI preuzimaju genetička istraživanja i zašto je to (ne)opasno

Zatvorite oči i zamislite „genetičko istraživanje“. Šta vidite? Verovatno sliku iz holivudskog filma: naučnici u belim mantilima, nagnuti nad mikroskopima. Pipete, Petri posude, tečnosti u boji. Slika je romantična, ali je, u 2025. godini, fundamentalno zastarela.

Dobrodošli u novu realnost.

Najvažniji alat modernog biologa više nije mikroskop. To je server. Najvažnija veština više nije pipetiranje. To je programiranje u Python-u. A najveći proboji više ne dolaze iz „mokrih“ laboratorija (wet labs), već iz „suvih“ laboratorija (dry labs) – soba prepunih high-performance (visokih performansi) računara koji „vrte“ algoritme veštačke inteligencije.

Biologija je prestala da bude samo nauka o životu. Postala je, pre svega, informaciona nauka.

Da bismo razumeli ovaj tektonski poremećaj, moramo da razumemo problem skale. Prvi Human Genome Project (Projekat ljudskog genoma) završen je 2003. godine. Trajao je 13 godina i koštao je blizu 3 milijarde dolara. Danas, mašina za sekvenciranje može da očita ceo vaš genom za manje od 24 sata, po ceni od nekoliko stotina dolara.

Rezultat? Stvorili smo cunami podataka.

Generišemo genetske, proteinske i molekularne podatke brzinom koja je apsolutno nezamisliva za ljudski mozak. Postali smo „digitalni sakupljači“ (digital hoarders) – imamo petabajte (hiljade terabajta) bioloških informacija sačuvanih na serverima širom sveta, a razumemo jedva delić tog blaga.

Na portalu ITNetwork.rs, gde se tehnologija i biznis spajaju, moramo biti oštri: biologija je postala Big Data (masivni podaci) problem. A tamo gde ljudski mozak stane zbog čistog obima, na scenu stupa jedini alat koji može da se nosi sa tim haosom: Veštačka inteligencija (AI).

Ovo nije priča o naučnoj fantastici. Ovo je analiza onoga što se dešava sada. Kako spoj IT-ja i biotehnologije (polje poznato kao Bioinformatika) menja sve – od načina na koji otkrivamo lekove do fundamentalnog razumevanja šta nas čini ljudima. I zašto je Srbija, sa svojim novim Bio4 Kampusom, odlučila da stavi sve svoje čipove baš na ovaj sto.

Poglavlje 1: Poplava „Omike“ – Zašto je biologija postala Big Data problem?

Da bismo razumeli ulogu AI, moramo prvo da kvantifikujemo „poplavu“. Ne radi se samo o DNK. Moderna biologija gleda ceo sistem, a svaki sloj tog sistema generiše svoj tip podataka. To je svet „Omike“ (Omics).

1. Genomika (Genomics): Proučavanje celokupnog DNK (genoma). Jedan ljudski genom ima oko 3 milijarde baznih parova (slova A, T, C, G). Sirovi podaci sa mašine za sekvenciranje za jednu osobu mogu biti teški i do 200 gigabajta.
2. Transkriptomika (Transcriptomics): Proučavanje RNK. Ne zanima nas samo „plan“ (DNK), već koji delovi plana se trenutno čitaju (RNK). Ovo nam govori koje gene ćelija „pali“ i „gasi“.
3. Proteomika (Proteomics): Proučavanje proteina. Geni su recepti, ali proteini su jela. Oni su „radnici“ u ćeliji. Analiza njihovih interakcija je red veličine kompleksnija od genoma.
4. Metabolomika (Metabolomics): Proučavanje metabolita (šećeri, masti…), odnosno finalnog proizvoda ćelijskog rada.

Sada, zamislite istraživački projekat. Uzmete 10.000 pacijenata sa rakom i 10.000 zdravih. I za svakog od njih prikupite sva četiri sloja „Omike“.

Ono što dobijete nije tabela u Excel-u. Ono što dobijete su PETABAJTI podataka. To je klasičan Big Data problem definisan sa 4V:

• Volume (Zapremina): Ogromna količina podataka.
• Variety (Raznovrsnost): Podaci su u različitim formatima (tekstualni nizovi, slike sa mikroskopa, 3D strukture proteina…).
• Velocity (Brzina): Mašine za sekvenciranje generišu podatke brže nego što serveri mogu da ih obrade.
• Veracity (Istinitost): Biološki podaci su „bučni“. Mašine prave greške. Morate odvojiti signal od šuma.

Ljudski mozak, ma koliko briljantan bio, ne može da obradi ovo. Naučnik ne može da „ručno“ uporedi 10.000 genoma i „primeti“ sitnu mutaciju koja se ponavlja. Tu biologija prestaje, a IT počinje.

Poglavlje 2: Mašina za prepoznavanje obrazaca – Kako AI zapravo pomaže

Ako su podaci „plast sena“, AI je ultimativni magnet za traženje igle.

Posao AI, posebno Machine Learning-a (ML) (mašinsko učenje), jeste prepoznavanje obrazaca (pattern recognition). A genetika je sva u obrascima.

Evo gde AI briljira, a čovek ne može ni da se takmiči.

2.1. „Čišćenje“ signala (Variant Calling)

Prvi korak u analizi genoma je „pozivanje varijanti“ (variant calling). Kada mašina očita vaš genom, ona pravi milione sićušnih grešaka. Posao bioinformatičara je da razlikuje stvarnu genetsku mutaciju od greške mašine.

• AI rešenje: Ovde se koriste Deep Learning (duboko učenje) modeli, specifično CNN (Convolutional Neural Networks / Konvolucione neuronske mreže).
• Kako radi? Zvuči komplikovano, ali je popularno objašnjenje jednostavno. Naučnici su pretvorili genetski niz u sliku. Mutacije izgledaju kao „greške“ na toj slici. CNN, isti onaj algoritam koji vaš telefon koristi da prepozna lice na slici, istreniran je da „gleda“ te genetske slike i sa 99.9% preciznosti kaže: „Ovo je greška mašine (šum), a ovo je stvarna mutacija (signal).“
• Primer: Google-ov alat DeepVariant.

2.2. Traženje uzroka bolesti (GWAS)

Imamo pacijente sa dijabetesom tipa 2. Imamo i zdrave ljude. Gde je razlika u njihovim genomima?

• Problem: Ne tražimo jedan „gen za dijabetes“. Tražimo stotine sitnih mutacija (SNP – Single Nucleotide Polymorphisms) koje zajedno blago povećavaju rizik.
• AI rešenje: GWAS (Genome-Wide Association Studies) pokretani mašinskim učenjem. AI može da „ukrsti“ genomske podatke 100.000 ljudi sa njihovim zdravstvenim kartonima (Big Data) i da kaže: „Ljudi koji imaju ovu mutaciju na hromozomu 3, i ovu na hromozomu 12, i povišen holesterol, imaju 80% veći rizik.“
• Rezultat: Otkrivamo nove biološke putanje (pathways) koje dovode do bolesti, što otvara vrata za nove terapije.

2.3. Predviđanje funkcije (Functional Genomics)

Ovo je kao da imate hiljade delova za auto, ali nemate uputstvo.

• Problem: Naučnici stalno otkrivaju nove gene i proteine. Ali šta oni rade?
• AI rešenje: AI model (npr. Random Forest ili SVM) analizira novootkriveni protein. Gleda njegovu sekvencu, njegovu 3D strukturu (o tome kasnije), sa kim „priča“ u ćeliji (mreža interakcija). Na osnovu poređenja sa milionima poznatih proteina, AI kaže: „Na osnovu svega, 95% sam siguran da je ovo ‘prekidač’ koji reguliše rast ćelije.“
• Rezultat: Drastično se ubrzava fundamentalno istraživanje. Ne lutamo u mraku.

Poglavlje 3: Od koda do leka – Revolucija u farmaciji i personalizovanoj medicini

Ovo je mesto gde teorija postaje praksa. Gde se sav taj kod pretvara u lekove i spašene živote.

Tradicionalna farmaceutska industrija je slomljena.

• Prosečna cena da se jedan novi lek izbaci na tržište: ~2.5 milijardi dolara.
• Prosečno vreme: 10-15 godina.
• Stopa neuspeha: Preko 90% lekova koji uđu u klinička ispitivanja propadnu.

To je model koji je neodrživ. AI ga menja iz korena.

3.1. Slučaj „brave i ključa“: AlphaFold i dizajn lekova

Ovo je najveći proboj u biologiji u poslednjih 50 godina, i 100% je delo veštačke inteligencije.

• Problem (The Protein Folding Problem): Proteini su „radnici“. Ali da bi radili, moraju da se „saviju“ (fold) u tačno određenu 3D strukturu. Njihova funkcija zavisi od njihovog oblika. Decenijama je bilo skoro nemoguće predvideti 3D oblik proteina samo na osnovu njegovog 1D niza (recepta iz DNK). To je bio sveti gral biologije.
• Rešenje (AI): Kompanija DeepMind (u vlasništvu Google-a) je 2020. godine predstavila AlphaFold. To je AI model koji je rešio ovaj problem. Sa zapanjujućom preciznošću, AlphaFold može da predvidi 3D strukturu skoro svakog proteina.
• Zašto je ovo „game-changer“?
  • Bolest je često „pokvaren“ protein (npr. u virusu ili ćeliji raka). Taj protein je „brava“.
  • Lek je molekul koji se vezuje za taj protein i blokira ga. Lek je „ključ“.
  • Do sada: Morali smo da testiramo milijarde „ključeva“ u laboratoriji dok jedan slučajno ne otključa bravu.
  • Sada (sa AlphaFold-om): Mi tačno znamo 3D oblik „brave“. Sada možemo da koristimo drugi AI (tzv. Generative AI za dizajn lekova) da kompjuterski dizajnira savršen „ključ“ koji će se vezati samo za tu bravu, i ni za jednu drugu.
• Primer: Kompanije kao Insilico Medicine ili Recursion Pharmaceuticals su 100% AI-driven. One otkrivaju nove lekove (npr. za rak, za fibrozu) in silico (u kompjuteru) za delić vremena i troškova. Lekovi dizajnirani od strane AI su već u kliničkim ispitivanjima na ljudima.

3.2. Personalizovana medicina: Kraj „leka za sve“

• Problem: Medicina je „jedna veličina za sve“. Dvoje ljudi sa istom dijagnozom (npr. rak pluća) dobiju istu hemoterapiju. Kod jednog deluje, kod drugog ne. Zašto? Zato što njihovi tumori, iako se isto zovu, imaju različite genetske mutacije.
• AI rešenje: Personalizovana (ili precizna) medicina.
  • Scenarij (dešava se danas): Pacijent dobije dijagnozu. Lekari uzimaju biopsiju tumora i rade genetsko sekvenciranje.
  • AI (obučen na Big Data bazi miliona pacijenata, npr. TCGA – The Cancer Genome Atlas) analizira jedinstveni genetski potpis tog tumora.
  • Rezultat (Izveštaj AI-ja): „Ovaj tumor ima mutaciju XYZ. Standardna hemoterapija neće raditi. Ali, mutacija XYZ je poznata po tome što reaguje na ovaj specifični, ciljani lek (npr. imunoterapija).“
  • Mi više ne lečimo „rak pluća“. Mi lečimo „Perin rak pluća sa XYZ mutacijom“. AI je taj koji omogućava tu ultra-specifičnu dijagnozu.

Poglavlje 4: Od „čitanja“ do „pisanja“ – AI i CRISPR revolucija

Do sada smo pričali o tome kako IT i AI pomažu da čitamo i razumemo genetski kod. Ali, šta je sledeći, logičan (i zastrašujući) korak? Pisanje koda.

• Alat: CRISPR-Cas9. Ovo su „genetske makaze“. Tehnologija koja nam omogućava da uđemo u DNK i uradimo „Find and Replace“ (pronađi i zameni). Možemo da isečemo loš gen (npr. za cističnu fibrozu) i ubacimo zdrav.
• Problem sa CRISPR-om: Iako je moćan, ume da bude „trapav“. Ponekad iseče gde ne treba (off-target effects). To je kao da hirurg operiše skalpelom, ali mu se ruka ponekad zatrese.
• AI + CRISPR Sinergija: Ovde AI postaje partner u editovanju.
  1. AI kao dizajner: Pre nego što se uradi bilo šta u laboratoriji, AI model analizira genom i predviđa najbolji mogući „vodič“ (gRNK) za CRISPR.
  2. AI kao kontrolor kvaliteta: AI analizira ceo ostatak genoma i predviđa sva potencijalna mesta gde bi CRISPR mogao pogrešno da iseče.
• Rezultat: AI čini CRISPR mnogo preciznijim i bezbednijim. AI postaje, u suštini, IDE (Integrated Development Environment / Integrisano razvojno okruženje) za pisanje i debagovanje „koda života“. Ovo otvara vrata za lečenje hiljada genetskih bolesti.

Ali, otvara i Pandorinu kutiju…

Poglavlje 5: „Gattaca“ na vratima – Etička minska polja i Srbija

Ovo je najoštriji deo. Tehnologija nam daje moć bogova. Ali, mi smo i dalje samo ljudi. IT stručnjaci i biolozi su toliko fokusirani na pitanje „Da li možemo?“, da retko staju da pitaju „Da li bi trebalo?“

Ovo nisu hipotetička pitanja. Ovo su realne opasnosti.

5.1. Vaši podaci su večni i ultimativni

Vaš genetski kod je najosetljiviji podatak koji postoji. On ne otkriva samo vas. On otkriva tajne vaše dece, vaših roditelja, vaših rođaka. Otkriva vašu predispoziciju za Alchajmerovu bolest, depresiju, rak.

• Scenario (Krađa identiteta 2.0): Šta se dešava kada vaša genetska baza podataka (npr. iz kompanije kao 23andMe) „procuri“ (leaked)? Hakeri je imaju.
• Scenario (Diskriminacija): Šta se dešava kada to dobije osiguravajuća kuća? „Žao nam je, ne možemo da vam damo životno osiguranje. Naš AI kaže da imate 60% šanse za srčani udar pre 50. godine.“
• Scenario (Zapošljavanje): Šta se dešava kada je dobije poslodavac? „Hvala na intervjuu. Nažalost, naš algoritam je procenio da ste visok rizik za dugoročno bolovanje.“

Ovo je film „Gattaca“ (Gataka) u stvarnom životu. Digitalna diskriminacija zasnovana na nečemu što ne možete da promenite – vašem kodu.

5.2. Algoritamska pristrasnost (AI je rasista?)

AI je „objektivan“ koliko i podaci na kojima je treniran. A podaci su… problematični.

• Problem: Ogromna većina svetskih genetskih baza podataka (npr. UK Biobank, TCGA) je popunjena podacima ljudi evropskog (belog) porekla.
• Rezultat: Mi treniramo AI modele da pronalaze lekove i dijagnostikuju bolesti… ali samo za belce.
• Posledica (Surova istina): Ta „revolucionarna“ personalizovana medicina o kojoj pričamo možda uopšte neće raditi za ljude iz Afrike, Azije ili mešovitih populacija. Umesto da smanjuje, AI preti da poveća i automatizuje globalnu zdravstvenu nejednakost.

5.3. „Dizajnerske bebe“ (Designer Babies)

A onda, naravno, tu je i CRISPR. Jedno je koristiti ga da se izleči cistična fibroza (terapija). Ali šta nas sprečava da ga koristimo za poboljšanje (enhancement)?

• „Ne želim samo da mi dete bude zdravo. Želim da bude više.“
• „Želim da ima plave oči.“
• „Želim da ima veći IQ.“
• Ako AI može da nam da alat za precizno editovanje, svet se deli na dve kaste: one koji su „genetski bogati“ (dizajnirani) i one koji su „prirodni“. To je scenario koji čini „Gattacu“ dokumentarcem, a ne fikcijom.

Poglavlje 6: Slučaj Srbija – Zašto Bio4 Kampus menja igru?

A sada, hajde da spustimo loptu u Srbiju. Zašto je sve ovo nama bitno, osim kao vest iz sveta?

Zato što je Vlada Srbije donela stratešku odluku da uloži stotine miliona evra u Bio4 Kampus (Bioekonomija, Biotehnologija, Bioinformatika, Biodiverzitet). Ovo je, uz EXPO, verovatno najveći nacionalni projekat.

Ovo nije samo još jedna zgrada. To je opklada. Opklada da Srbija može da postane evropski centar za upravo ovu revoluciju o kojoj pričamo.

• Formula uspeha: Srbija ima dva „zlatna rudnika“ talenta.
  1. Vrhunski IT sektor: Imamo hiljade inženjera, data scientist-a i programera.
  2. Vrhunska (istorijski) nauka: Imamo sjajne biološke, medicinske i farmaceutske fakultete.
• Bioinformatika (spoj IT-ja i biologije) je savršeno polje koje spaja ova dva rudnika. Bio4 Kampus je fizička manifestacija te ideje.

Prilika (Za ITNetwork čitaoce): Ako ste Data Scientist i dosadilo vam je da optimizujete reklame za e-commerce, zamislite da optimizujete lek za rak. Ako ste Python developer, zamislite da pišete kod koji dizajnira novi protein. Potražnja za bioinformatičarima u Srbiji će eksplodirati. Plate će biti astronomske jer je talenat redak. Ovo je nova „zlatna groznica“.

Rizik (Oštra istina): Da li smo mi kao društvo spremni za ovo? Bio4 Kampus će postati centralno skladište genetskih podataka ove nacije.

• Gde je naša nacionalna strategija za etiku AI?
• Gde su naši zaista sprovedeni zakoni o zaštiti podataka (ne samo GDPR/ZZPL na papiru)?
• Kako ćemo regulisati ko ima pristup tim podacima? Privatne kompanije? Strane vlade?
• Da li smo, u trci za inovacijama, zaboravili da izgradimo pravne i etičke kočnice?

Srbija ima šansu da preskoči decenije i postane lider. Ali, takođe, rizikuje da napravi „Gattaca“ scenario na domaćem terenu ako etika ne bude išla ruku pod ruku sa tehnologijom.

Novi „prevodilac“ života

Biologija, kakvu smo znali, više ne postoji. Ona je postala pod-disciplina informacionih nauka.

Mikroskop nam je dozvolio da vidimo ćeliju. Sekvenciranje nam je dalo da pročitamo knjigu. Ali i ćelija i knjiga su bile previše kompleksne da bismo ih razumeli.

Sada imamo prevodioca. Veštačka inteligencija je taj prevodilac. Ona čita kod, razume sintaksu, pronalazi greške (bolesti) i, kroz alate kao što je AlphaFold, počinje da razume i značenje (funkciju).

Najveći izazov za IT i biološku zajednicu u Srbiji (i svetu) više nije tehnički. Mašine su tu. Problem je ljudski. To je izazov mudrosti. Izgradili smo najmoćniji alat u istoriji čovečanstva. Sada samo moramo da dokažemo da smo dovoljno odrasli da ga koristimo odgovorno.