Zamislite da imate najbrži automobil na svetu, ali da vozite po mapi iz prošlog veka. Otprilike tako izgleda situacija u kojoj se danas nalazi veštačka inteligencija u oblasti farmaceutskih istraživanja. Nije problem u brzini. Nije problem u algoritmima. Problem je u podacima.
I rešenje bi moglo doći sa najneočekivanijeg mesta – iz sveta kvantne fizike.
Kako se lek zapravo pravi – i zašto to traje večnost
Pre nego što uđemo u svet kvantnih računara i neuronskih mreža, vredi razumeti koliko je proces razvoja leka složen i spor. U proseku, od trenutka kada naučnici identifikuju potencijalno jedinjenje do trenutka kada pacijent dobije lek u ruke prođe između 10 i 15 godina. Troškovi? Često preko milijardu dolara po leku. I to samo za one koji uspeju – a više od 90% kandidata u kliničkim ispitivanjima ne prođe sve faze testiranja.
Razlog ovako visokog procenta neuspešnih kandidata leži u fundamentalnom problemu: mi ne razumemo dovoljno dobro kako molekuli funkcionišu na atomskom nivou. Kada naučnik sintetiše novo jedinjenje, on zapravo pogađa u tami – na osnovu iskustva, intuicije i nepotpunih podataka. AI je trebalo da to promeni. Donekle jeste, ali je naišla na sopstveni zid.
Problem koji AI ne može da reši sam
Veštačka inteligencija je u poslednjih nekoliko godina postigla spektakularne rezultate u biologiji i hemiji. AlphaFold od kompanije DeepMind je 2021. rešio problem predviđanja trodimenzionalne strukture proteina koji je decenijama smatran nerešivim. To je bio pravi naučni potres. Ali predviđanje strukture proteina je tek početak priče.
Sledeći korak – predviđanje kako će dve molekule reagovati jedna sa drugom, koliko snažno će se lek vezati za ciljni protein, da li će biti toksičan za ćelije jetre, koliko brzo će se razgraditi u organizmu – to su pitanja na koja klasični AI modeli odgovaraju uz ozbiljne greške. I to nije problem arhitekture modela. To je problem podataka na kojima su ti modeli trenirani.
Klasični kompjuteri, ma koliko brzi bili, ne mogu precizno da simuliraju ponašanje elektrona u molekulima. A upravo to je srce hemije. Elektroni se ne ponašaju po klasičnim zakonima fizike – oni se ponašaju po zakonima kvantne mehanike, koji su suštinski verovatnosni i nelinearni. Kada klasični kompjuter pokušava da simulira takav sistem, mora da pravi aproksimacije koje unose greške. Vežbate AI na netačnim podacima, i dobijate netačne predikcije – bez obzira na to koliko model bio sofisticiran.
Kvantni računar kao generator podataka – a ne kao zamena za AI
I ovde dolazimo do ključnog uvida koji menja čitavu sliku.
Dugo se mislilo da će kvantni računari jednog dana direktno zameniti klasične kompjutere u hemijskim istraživanjima – da ćemo jednostavno sve simulacije prebaciti na kvantne sisteme. Taj pristup ima jedan praktičan problem: kvantni računari su još uvek izuzetno skupi, osetljivi na spoljašnje smetnje i ograničeni u broju kubita kojima mogu pouzdano da operišu. Simulacija složenog farmaceutskog molekula u realnom vremenu i dalje je van domašaja postojeće kvantne tehnologije.
Ali postoji elegantniji pristup koji ne zahteva da kvantni računar sam uradi sve:
Umesto toga, kvantni računar se koristi da generiše visoko precizne podatke za odabrane, relativno jednostavne molekularne sisteme. Ti podaci – koji odražavaju stvarno kvantno ponašanje atoma i elektrona, bez aproksimacija – koriste se da se trenira klasični AI model. Taj model zatim uči kako kvantni svet zapravo funkcioniše, a ne kako klasična fizika pretpostavlja da funkcioniše. I kada se jednom istrenira na kvalitetnim kvantnim podacima, klasični AI može brzo i efikasno da pravi predviđanja za milione različitih molekula – bez da svaki put mora da angažuje kvantni računar.
Ovo je suštinska promena paradigme. Kvantni računar nije zamena za AI – on je učitelj koji AI uči hemiju na pravilan način.
Ko već radi na ovome
Ovo nije samo teorija. Kompanije i istraživačke institucije već testiraju ovaj pristup sa konkretnim rezultatima.
IBM koristi kvantne sisteme za identifikaciju najperspektivnijih kandidata za lekove, računajući svojstva kao što su molekularna stabilnost, afinitet vezivanja i toksičnost – i to efikasnije nego što je to moguće klasičnim metodama. Qubit Pharmaceuticals je već primenila ove mogućnosti za unapređivanje AI modela u farmaceutskim istraživanjima, ubrzavajući prelaz od skrininga molekula do pretkliničkih ispitivanja.
Posebno impresivan primer dolazi od Insilico Medicine, u saradnji sa Univerzitetom u Torontu. Kombinacijom kvantnog računarstva i veštačke inteligencije, naučnici su razvili inovativne male molekule usmerene na KRAS protein – jedan od najtežih i najvažnijih ciljeva u terapiji raka. Ovaj pristup je smanjio vreme istraživanja sa godina na svega nekoliko meseci, a pronađeno je 15 novih molekulskih kandidata, od kojih dva pokazuju izuzetno obećavajuće rezultate.
Tržište kvantnog računarstva u zdravstvenom sektoru procenjeno je na 301 milion dolara u 2025. godini i raste ubrzanim tempom. Ovo više nije akademska zanimacija – ovo je industrija koja se formira pred našim očima.
Šta se zapravo menja u laboratorijama
Da bismo razumeli praktični značaj ove promene, korisno je pogledati kako proces istraživanja lekova izgleda u praksi.
Tradicionalno, hemičar bi sintetisao određeno jedinjenje, testirao ga na ćelijama ili životinjama, analizirao rezultate i na osnovu toga korigovao strukturu molekula. Ovaj ciklus pokušaja i grešaka može da se ponavlja stotinama puta pre nego što se pronađe kandidat koji je dovoljno obećavajući za klinička ispitivanja. Svaki korak zahteva vreme, resurse i skupu laboratorijsku opremu.
AI je ubrzala deo ovog procesa – posebno virtuelni skrining, gde se kroz računarsku analizu filtrira ogromna baza potencijalnih jedinjenja pre nego što se uopšte krene u fizičke eksperimente. Ali AI modeli trenirani na klasičnim podacima i dalje daju pogrešne predikcije dovoljno često da je broj lažno pozitivnih kandidata visok. To znači da se mnogo vremena i novca troši na lekove koji nikada neće uspeti.
Kada AI model bude istreniran na kvantno preciznim podacima, sposobnost predviđanja može da se dramatično poboljša. Prema istraživanjima objavljenim u medicinskim naučnim časopisima, integracija AI i kvantnog računarstva može da smanji potrebu za laboratorijskim i animalnim testiranjem – što istovremeno smanjuje troškove, ubrzava razvoj i ima etičku dimenziju u pogledu testiranja na životinjama.
Izvan farmacije – baterije, klima i materijali
Ono što je posebno uzbudljivo u ovom pristupu jeste da se ne tiče samo lekova. Isti princip – koristiti kvantne podatke za treniranje AI modela koji zatim pravi brze predikcije – primenljiv je na čitav niz problema gde ponašanje materije na atomskom nivou određuje praktična svojstva.
Razvoj boljih baterija za električna vozila i skladišteenje energije zavisi od razumevanja kako joni litijuma putuju kroz elektrolitne materijale na mikroskopskom nivou. Pronalaženje novih katalizatora za hemijsku industriju koji bi smanjili potrošnju energije – fundamentalni problem za borbu protiv klimatskih promena – zahteva simulaciju hemijskih reakcija sa atomskom preciznošću. Razvoj novih supraprovodnih materijala za kvantne računare i medicinske skenere je još jedan primer.
U svim ovim oblastima, klasična fizika daje aproksimativne odgovore. Kvantna mehanika daje tačne. I AI koja je naučena na tačnim podacima može da pretvori to precizno znanje u praktična otkrića.
Prepreke koje još treba savladati
Bilo bi nepošteno ne pomenuti i izazove koji stoje na putu ovakvog pristupa.
Kvantni računari su još uvek izuzetno zahtevni za održavanje. Rade na temperaturama blizu apsolutne nule, osetljivi su na vibracije, elektromagnetne smetnje i toplotne fluktuacije. Greške u kvantnim izračunavanjima su česte i zahtevaju sofisticirane tehnike korekcije. Broj problema koji se mogu simulirati na današnjim kvantnim sistemima još uvek je ograničen.
Postoji i pitanje stručnjaka. Kvantno računarstvo je interdisciplinarno polje koje zahteva istovremeno poznavanje kvantne fizike, teorije informacija, hemije i mašinskog učenja. Takvih eksperata u svetu ima relativno malo, što usporava razvoj industrije.
Regulatorna pitanja su takođe složena. FDA i evropske regulatorne agencije tek počinju da razvijaju okvire za vrednovanje lekova čiji je razvoj ubrzanim računarskim metodama, uključujući AI i kvantne simulacije. Postoji konsenzus da je potrebno uskladiti regulatorne procese sa tempom tehnološke inovacije – što je lakše reći nego učiniti u praksiu.
Šta ovo znači za budućnost medicine
Scenario koji se otvara nije naučna fantastika – barem ne više. Kompjuterski modeli koji sa visokom pouzdanošću predviđaju koji molekuli će biti efikasni lekovi, koji neće biti toksični, kako će se ponašati u organizmu konkretnog pacijenta – to su alati koji su, u rudimentarnoj formi, već stvarnost. Kvantno unapređenje tih modela bi moglo da promeni celu farmaceutsku industriju u roku od jedne decenije.
Zamislite svet u kome se kandidati za lekove identifikuju za nedeljama, a ne godinama. Gde virtuelna ispitivanja na kompjuterskim modelima pacijenata zamenjuju mnoge životinjske eksperimente. Gde personalizovana medicina – lek dizajniran specifično za vaš genetski profil – postaje dostupna i finansijski prihvatljiva. Gde se retke bolesti, koje privlače premalo komercijalnog interesa da bi privukle velika ulaganja, mogu istraživati uz delić dosadašnjih troškova.
To nije garantovana budućnost, ali to je budućnost prema kojoj ovaj spoj kvantnog računarstva i veštačke inteligencije jasno pokazuje put.
Poruka koja ostaje
Najvažnija lekcija iz svega ovoga nije tehnička. Ona je fundamentalna epistemološka: kvalitet podataka ograničava kvalitet zaključaka. Bez obzira na to koliko je AI model sofisticiran, ako se trenira na pogrešnim podacima, davace pogrešne odgovore.
Kvantno računarstvo nudi nešto što se retko viđa u nauci – mogućnost da se fundamentalni izvor greške eliminiše iz temelja. Ne da se aproksimacija poboljša, nego da se stvarnost modelira onako kako zaista jeste, prema zakonima kojima se priroda zapravo rukovodi.
I to je promena koja može da transformiše ne samo farmaciju, već svaku oblast u kojoj razumevanje materije na atomskom nivou znači razliku između neuspeha i otkrića koja menjaju živote.
