Sztuczna inteligencja i bezpieczeństwo biologiczne. Algorytm wykrywa epidemię i projektuje patogen

AI i bezpieczeństwo biologiczne tworzą nowy system wczesnego ostrzegania przed epidemiami. Modele analizują wyniki laboratoriów, ścieki, sekwencje genomowe i doniesienia o nietypowych zachorowaniach, a równocześnie przyspieszają poszukiwanie leków. Te same możliwości mogą jednak pomagać w identyfikowaniu niebezpiecznych cech organizmów i ułatwiać projektowanie eksperymentów wysokiego ryzyka.

.Epidemia rzadko zaczyna się od oficjalnego komunikatu. Najpierw pojawiają się pojedyncze wizyty u lekarzy, nietypowe wyniki laboratoryjne, wzrost absencji, zmiana sprzedaży leków albo ślad patogenu w ściekach. Każdy sygnał osobno może wyglądać niegroźnie. Dopiero ich połączenie pokazuje, że w populacji zaczyna dziać się coś niezwykłego.

AI w bezpieczeństwie biologicznym ma łączyć takie informacje szybciej niż tradycyjne systemy nadzoru. Modele mogą analizować dane epidemiologiczne, doniesienia medialne, wyniki sekwencjonowania, ruch ludności i raporty laboratoriów. Ich zadaniem nie jest ogłoszenie epidemii, lecz wskazanie anomalii wymagającej sprawdzenia.

Stawka wykracza poza medycynę pojedynczego pacjenta. Chodzi o zdolność państwa do zauważenia zagrożenia, zanim lokalne ognisko stanie się kryzysem. Ta sama technologia, która przyspiesza wykrywanie i projektowanie terapii, może jednak ułatwiać analizę cech niebezpiecznych organizmów. Bezpieczeństwo biologiczne staje się więc testem podwójnego zastosowania AI.

Algorytm widzi epidemię, zanim zobaczy ją statystyka

.Klasyczny nadzór epidemiologiczny opiera się na zgłoszeniach lekarzy, wynikach badań i raportach instytucji. System jest niezbędny, ale działa z opóźnieniem. Chory musi zgłosić się po pomoc, próbka musi zostać pobrana, a wynik przekazany do odpowiedniej bazy.

Systemy wspierane przez AI mogą przeszukiwać wiele źródeł jednocześnie. Wychwytują nietypowe skupiska objawów, nagłe zmiany liczby zapytań medycznych albo informacje o niewyjaśnionych zachorowaniach pojawiające się w lokalnych mediach. WHO rozwija publiczną inteligencję epidemiczną opartą na łączeniu danych i analizie sygnałów, ale podkreśla potrzebę walidacji oraz udziału ekspertów.

Największym problemem nie jest brak alarmów, lecz ich nadmiar. Sezonowa fala infekcji, błąd laboratorium albo wydarzenie medialne mogą stworzyć wzorzec przypominający początek epidemii. Model powinien wskazywać sygnał, a nie zastępować epidemiologa.

Fałszywy alarm kosztuje pieniądze i zaufanie. Przeoczony alarm kosztuje czas, którego podczas epidemii nie można odzyskać.

Ścieki i genomy tworzą radar populacji

.Analiza ścieków pozwala obserwować obecność patogenów bez badania każdego mieszkańca. Próbka pobrana w oczyszczalni może pokazać wzrost krążenia wirusa lub bakterii, zanim podobna zmiana pojawi się w statystykach klinicznych. ECDC rozwija wspólne ramy włączania takiego monitoringu do europejskiego nadzoru nad chorobami zakaźnymi.

AI może łączyć wyniki z kolejnych punktów poboru, pogodę, przepływy w sieci kanalizacyjnej oraz dane o liczbie mieszkańców. Pomaga odróżniać chwilowe wahanie od trwałego trendu i wskazywać obszary wymagające dokładniejszych badań.

Drugą warstwą jest nadzór genomowy. Sekwencjonowanie pokazuje, jak patogen się zmienia i rozprzestrzenia. Modele mogą grupować podobne sekwencje, śledzić pojawianie się mutacji i oceniać, które warianty wymagają uwagi laboratoriów.

Nie każda mutacja zmienia zakaźność lub ciężkość choroby. Algorytm rozpoznający różnicę w genomie nie zna jeszcze jej znaczenia biologicznego. Potrzebne są badania laboratoryjne, dane kliniczne i analiza epidemiologiczna.

AI przyspiesza poszukiwanie leków, ale nie skraca biologii

.Modele potrafią przeszukiwać ogromne biblioteki związków, przewidywać ich oddziaływanie z białkami i wskazywać kandydatów do dalszych testów. W przypadku nowego patogenu mogą pomóc szybciej wybrać istniejące leki warte ponownego zbadania albo zaproponować cząsteczki odpowiadające określonemu celowi biologicznemu.

Szybsza selekcja nie oznacza gotowej terapii. Kandydat musi zostać wytworzony, zbadany pod względem toksyczności, skuteczności i dawkowania, a następnie przejść badania kliniczne. AI skraca etap poszukiwania. Nie usuwa konieczności sprawdzenia działania w żywym organizmie.

W bezpieczeństwie populacji liczy się jednak także oszczędność pierwszych tygodni. Platformy przygotowane wcześniej dla całych grup patogenów mogą pozwalać szybciej przejść od sekwencji zagrożenia do listy potencjalnych leków, szczepionek i testów diagnostycznych.

Ten sam model może służyć obronie i nadużyciu

.Model biologiczny nie rozumie moralnego celu użytkownika. Może pomagać rozpoznać mechanizm zakażenia, osłabić patogen albo znaleźć punkt uchwytu dla leku. Te same zdolności mogą zostać wykorzystane do poszukiwania cech zwiększających szkodliwość organizmu lub omijających istniejące mechanizmy ochronne.

Ryzyko nie polega wyłącznie na tym, że sztuczna inteligencja samodzielnie „zaprojektuje pandemię”. Biologia pozostaje trudna, a wyniki obliczeniowe często zawodzą w laboratorium. Zagrożenie polega raczej na stopniowym obniżaniu progu kompetencji. Użytkownik otrzymuje pomoc w przeszukiwaniu literatury, interpretacji sekwencji i wyborze kierunków eksperymentu.

Im lepszy model, tym mniej wiedzy może być potrzebne do zadania niebezpiecznego pytania. Dlatego ocena bezpieczeństwa nie powinna ograniczać się do sprawdzenia, czy system podaje jedną zakazaną instrukcję. Trzeba badać, czy seria pozornie niewinnych odpowiedzi nie tworzy razem użytecznej ścieżki nadużycia.

Kontrola musi obejmować model, laboratorium i syntezę

.Bezpieczeństwo nie powstanie przez sam filtr w interfejsie. Potrzebne są ograniczenia dostępu do najbardziej zaawansowanych narzędzi biologicznych, testy odporności modeli, rejestrowanie ryzykownych zapytań oraz niezależne zespoły oceniające możliwości systemów.

Drugim bezpiecznikiem jest kontrola fizycznego przejścia od informacji do materiału biologicznego. Stany Zjednoczone wzmacniają wymagania dotyczące sprawdzania zamówień na syntetyczne kwasy nukleinowe i weryfikacji klientów. Podobne mechanizmy mają znaczenie globalne, ponieważ cyfrowy projekt może zostać zrealizowany w innym państwie niż to, w którym powstał.

Laboratoria potrzebują procedur bezpieczeństwa biologicznego, podwójnej kontroli projektów wysokiego ryzyka i obowiązku raportowania incydentów. Państwo musi także posiadać własnych ekspertów zdolnych ocenić model, a nie opierać się wyłącznie na deklaracji producenta.

Państwo potrzebuje radaru, ale nie czarnej skrzynki

.AI może połączyć ścieki, sekwencje genomowe, raporty laboratoriów i sygnały z otwartych źródeł w system wcześniejszego ostrzegania. Może przyspieszyć wybór kandydatów na leki i pomóc ocenić rozwój epidemii. Nie może jednak samodzielnie zdecydować o zamknięciu granic, obowiązku szczepień, izolacji regionu ani uruchomieniu eksperymentu biologicznego.

Takie decyzje łączą wiedzę naukową z prawem, gospodarką, etyką i odpowiedzialnością polityczną. Model może przedstawić scenariusze, lecz nie poniesie skutków błędnej rekomendacji.

Największym zagrożeniem nie jest więc sama zdolność AI do analizowania biologii. Jest nim sytuacja, w której państwo uzależnia bezpieczeństwo od systemu, którego nie potrafi audytować, wyłączyć ani zastąpić.

Algorytm może wcześniej zauważyć epidemię i szybciej wskazać cząsteczkę wartą zbadania. Musi jednak pozostawać częścią systemu, w którym ostatnie słowo należy do epidemiologa, laboratorium i demokratycznie odpowiedzialnego państwa.

Maszyna może pomóc rozpoznać biologiczne zagrożenie. Nie może sama wyznaczać granicy między badaniem a ryzykiem dla całej populacji.

Szymon Ślubowski