AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

Nella maggior parte dei casi, quando utilizziamo l'intelligenza artificiale per comprendere la biologia, le chiediamo di guardare avanti. Forniamo a un computer l'immagine dello stato di salute attuale di un paziente o un'istantanea della diffusione di un virus in una città, e chiediamo alla macchina di prevedere cosa accadrà dopo. La glicemia di quella persona aumenterà domani? Il numero di infezioni aumenterà il mese prossimo? Questo approccio orientato al futuro è diventato lo standard nella medicina moderna e nella sanità pubblica. È un modo potente per prevedere il rischio, ma lascia una domanda cruciale senza risposta. Un medico o un decisore politico raramente hanno bisogno di sapere solo cosa accadrà; hanno bisogno di sapere cosa fare per far sì che accada qualcosa di diverso. Devono sapere esattamente quanta insulina somministrare, o quanto debba essere rigoroso un lockdown, per spostare un sistema verso un risultato specifico e desiderato.

Questa è la differenza tra osservare il corso di un fiume e sapere quali rocce spostare per cambiarne il corso. Per decenni, gli scienziati hanno cercato di costruire "gemelli digitali" — copie virtuali di pazienti o popolazioni che imitano la vita reale così da vicino da poter essere testate con diversi trattamenti. Tuttavia, questi gemelli digitali spesso falliscono perché sono costruiti su medie. Descrivono come reagisce una persona tipica, non come reagisce un individuo specifico a un'azione specifica. Se un modello non ha mai visto un particolare farmaco nei suoi dati di addestramento, non può dirti in modo affidabile cosa farà quel farmaco per un determinato paziente, anche se fornisce una risposta dall'aspetto sicuro. Il risultato è un sistema che potrebbe prevedere bene, ma non può guidare l'azione in modo sicuro.

Un nuovo studio di Maurice Antony Ewing propone un modo diverso di pensare a questi modelli informatici. Invece di costruire un gemello che imiti una persona, l'autore tratta un modello di IA addestrato come un "primitivo biologico". Si tratta di un concetto più semplice: il modello non è una replica dell'intera storia di una persona, ma un registro appreso di come un sistema abbia effettivamente risposto alle cose che gli sono state fatte in passato. Se i dati mostrano che una specifica quantità di esercizio fisico ha abbassato la glicemia in un gruppo di persone, il modello apprende quella specifica relazione. Il ricercatore poi inverte il modello. Invece di chiedere: "Cosa succede se faccio questo?", il modello viene interrogato: "Quale quantità di questa azione ci porterà a quel obiettivo?". Questo processo, chiamato inversione mirata, cerca i livelli precisi di intervento necessari per spostare un sistema verso uno stato target, ma utilizzando solo le leve che i dati effettivamente supportano.

Per testare se questa idea funzioni nel mondo reale, lo studio ha applicato il metodo a tre sistemi biologici molto diversi: la fisiologia individuale di persone con diabete di tipo 1, la dinamica di popolazione della pandemia di COVID-19 e le risposte microscopiche dei neuroni nel cervello. I ricercatori hanno iniziato addestrando modelli di IA standard per prevedere gli stati futuri in ciascuna di queste aree. Per i dati sul diabete, i modelli hanno imparato a prevedere i futuri livelli di glucosio nel sangue basandosi su insulina, cibo e attività passati. Per i dati sulla pandemia, hanno imparato a prevedere i futuri numeri di casi basandosi su politiche come lockdown e tassi di test. Per i dati cerebrali, hanno imparato come i neuroni rispondono a specifici stimoli visivi. Questi modelli forward erano altamente accurati, dimostrando di aver appreso i pattern sottostanti dei dati.

Una volta addestrati i modelli, i ricercatori hanno chiesto loro di lavorare a ritroso. Hanno impostato un obiettivo — ad esempio, un livello di zucchero nel sangue sicuro per un paziente diabetico o un numero inferiore di infezioni per una città — e hanno chiesto al modello di trovare la combinazione specifica di azioni che porterebbe a quel risultato. Nel gruppo del diabete, che coinvolgeva 400 casi ad alto rischio, il metodo è stato straordinariamente efficace. Quando i ricercatori hanno chiesto al modello di trovare la giusta quantità di attività fisica da sola, il gap tra lo stato attuale del paziente e l'obiettivo è stato ridotto del 76,5%. Quando hanno chiesto la giusta quantità di insulina da sola, il gap si è ridotto del 60,6%. Quando hanno permesso al modello di combinare sia l'attività che l'insulina, mantenendo però i suggerimenti entro i limiti clinici di sicurezza, il gap è stato ridotto dell'87,8%. Se hanno rimosso quei limiti di sicurezza e hanno lasciato che il modello cercasse liberamente, hanno trovato soluzioni che hanno ridotto il gap del 96,4%. In quasi tutti i casi, il modello ha trovato un modo per avvicinare il sistema all'obiettivo.

I risultati sono stati leggermente più modesti, ma comunque coerenti, quando applicati alla scala più ampia della pandemia di COVID-19. In questo caso, l'obiettivo era ridurre l'onere dei futuri casi. Quando il modello ha cercato il giusto livello di misure di lockdown, ha ridotto il gap previsto del 17,9%. I test da soli hanno contribuito per il 5,8%, e la vaccinazione per il 3,8%. Tuttavia, quando il modello ha combinato queste tre strategie, ha ridotto il gap del 25,1%. Questa differenza evidenzia un risultato chiave: sebbene un'azione singola possa aiutare, la complessa dinamica di una pandemia è plasmata dalla combinazione di molti fattori che lavorano insieme. Il metodo ha dimostrato che i problemi a livello di popolazione richiedono un mix di interventi piuttosto che un unico colpo sicuro.

Forse la parte più sorprendente dello studio è stata quanto i ricercatori siano riusciti a ottenere senza cercare attraverso ogni possibile combinazione di azioni. Nel mondo reale, esistono migliaia di potenziali trattamenti o politiche, ma molti di essi non sono supportati dai dati disponibili. Lo studio ha testato un approccio "compatto", in cui il modello è stato limitato a cercare solo attraverso una piccola lista curata di interventi che sono noti per essere plausibili e che sono effettivamente registrati nei dati. Per i casi di diabete, questa lista compatta ha recuperato il 79,0% del possibile miglioramento verso l'obiettivo. La ricerca completa e non ristretta ha aggiunto solo un altro 2,2% di miglioramento. Per i dati sulla pandemia, la lista compatta ha recuperato l'85,9% del miglioramento, con la ricerca completa che aggiungeva solo lo 0,5% in più. Ciò suggerisce che non abbiamo bisogno di indovinare selvaggiamente o cercare tra milioni di opzioni impossibili. Dobbiamo solo guardare le azioni che sappiamo esistere e per le quali abbiamo dati.

Lo studio ha anche dimostrato una funzione di sicurezza critica di questo approccio: il modello si rifiuta di inventare soluzioni che non può supportare. Nel gruppo del diabete, i ricercatori hanno provato a chiedere al modello di trovare soluzioni che coinvolgessero determinati farmaci, come la metformina o i farmaci GLP-1. Poiché i dati originali per questi pazienti non includevano record di quei farmaci specifici, il modello li ha semplicemente saltati. Non ha allucinato un risultato né ha finto di sapere cosa sarebbe successo. Ha restituito una risposta piatta, indicando che non poteva colpire quelle specifiche leve. Questo è un netto contrasto con molti attuali sistemi di IA, che potrebbero suggerire con sicurezza un trattamento anche se non hanno mai visto dati a riguardo. L'approccio "primitivo" è ancorato a ciò che i dati contengono effettivamente, rendendolo uno strumento più sicuro per il processo decisionale.

La stessa logica è stata applicata al cervello. Utilizzando i dati dell'Allen Brain Observatory, che contiene oltre 1,2 milioni di osservazioni su come i neuroni rispondono alla luce, i ricercatori hanno costruito un primitivo che ha appreso come le cellule specifiche reagiscono agli stimoli. Sono stati in grado di chiedere al modello quale livello di stimolo avrebbe portato un neurone verso un particolare pattern di scarica. Ciò ha dimostrato che il metodo funziona non solo per intere persone o popolazioni, ma anche per le unità più piccole della biologia. Il neurone, il paziente e la città sono tutti trattati come sistemi che rispondono a input, e il modello apprende la mappa di tali risposte.

L'autore tiene precisato che questo è un metodo di indagine, non una prescrizione finale. I risultati derivano dal guardare indietro ai dati storici, non dal condurre nuovi trial clinici. Il modello identifica i livelli di intervento che sposterebbero un sistema verso un obiettivo basandosi sul comportamento passato, ma non prova che tali interventi funzioneranno in un nuovo contesto del mondo reale. È un modo per restringere le possibilità e trovare i percorsi più promettenti da esplorare. Lo studio sostiene che, trattando l'IA come un primitivo biologico che può essere interrogato al contrario, gli scienziati possono andare oltre la semplice previsione. Invece di chiedere solo cosa accadrà, possono chiedere quale livello di azione è necessario per far sì che accada, a condizione di attenersi alle leve supportate dai dati. Questo passaggio dal tentare di indovinare il futuro al puntare al presente offre un modo più fondato e pratico per utilizzare l'intelligenza artificiale nella medicina e nella sanità pubblica.