AI ve vědě a výzkumu
AlphaFold - průlom, který odstartoval éru AI ve vědě
AlphaFold, systém vyvinutý společností DeepMind (dnes Google DeepMind), vyřešil problém, na kterém si vědci lámali hlavu desítky let: predikci 3D struktury proteinu jen z jeho aminokyselinové sekvence. Správná znalost 3D struktury proteinu je klíčová pro pochopení, jak protein funguje a jak na něj může cílit lék. Za tento přínos získali tvůrci AlphaFold v roce 2024 Nobelovu cenu za chemii.
Databáze AlphaFold je volně dostupná vědcům po celém světě a obsahuje predikce struktury pro statiny milionů proteinů - práci, která by klasickými laboratorními metodami (rentgenová krystalografie, NMR spektroskopie) trvala desítky let a stála miliardy dolarů.
Isomorphic Labs a posun od predikce k návrhu léků
Isomorphic Labs, spin-off společnosti DeepMind, posouvá technologii AlphaFold od predikce struktury k aktivnímu návrhu nových léků. V únoru 2026 firma představila nový systém IsoDDE (Isomorphic Drug Design Engine), který podle jejích vlastních tvrzení dosahuje dvojnásobné přesnosti oproti AlphaFold 3 při predikci určitých typů interakcí (vazebné afinity, interakce protilátek).
Důležitá výhrada: IsoDDE je uzavřený systém (closed-source) a výše uvedená čísla pocházejí primárně od samotné firmy, ne z nezávisle recenzovaných studií - odborný časopis Nature na to upozorňuje jako na problém reprodukovatelnosti výsledků. V dubnu 2026 firma oznámila zahájení prvních klinických studií na lidech s léky navrženými pomocí této technologie, výsledky účinnosti ale zatím nejsou k dispozici.
Isomorphic Labs získala investiční kolo 2,1 miliardy dolarů (série B) vedené Thrive Capital, se zapojením GV (Google Ventures) a Temasek, a uzavřela partnerství s farmaceutickými firmami Eli Lilly a Novartis.
Další oblasti, kde AI urychluje vědecký výzkum
- Analýza velkých datasetů - AI pomáhá zpracovat objemy dat z genomových sekvenací, astronomických přehlídek nebo klimatických modelů, které by lidský výzkumník nezpracoval v rozumném čase
- Generování hypotéz - AI nástroje navrhují nové experimentální směry na základě vzorců ve stávající vědecké literatuře
- Materiálová věda - AI modely predikují vlastnosti nových materiálů (např. pro baterie nebo solární panely) dřív, než se fyzicky vyrobí a testují
- Automatizace laboratorní práce - robotické laboratoře řízené AI provádějí tisíce experimentů paralelně a bez přestávky
Limity a rizika AI ve vědeckém výzkumu
- AI nenahrazuje fyzické testování - predikce struktury nebo návrh molekuly musí být nakonec ověřeny v laboratoři a klinických studiích, které AI nezkracuje
- Reprodukovatelnost - uzavřené (closed-source) AI systémy komplikují nezávislé ověření výsledků, což je základní princip vědecké metody
- Riziko "halucinací" ve vědecké literatuře - AI nástroje používané k psaní nebo shrnutí výzkumných článků mohou vytvářet nepřesné citace nebo závěry, které je nutné ověřovat
- Nerovný přístup - nejvýkonnější AI nástroje pro výzkum jsou často v rukou velkých soukromých firem, což vyvolává otázky o přístupu menších akademických institucí
Další příklady AI urychlující vědecký pokrok
Materiálová věda a baterie
AI modely dnes pomáhají predikovat vlastnosti nových materiálů - například DeepMind projekt GNoME (Graph Networks for Materials Exploration) identifikoval stovky tisíc nových stabilních krystalických struktur, z nichž jen zlomek by vědci objevili klasickým experimentováním ve srovnatelném čase.
Astronomie a zpracování velkých dat
Přehlídkové dalekohledy (jako budoucí Vera C. Rubin Observatory) generují objemy dat, které by lidské týmy nezpracovaly manuálně - AI modely automaticky klasifikují miliony astronomických objektů a upozorňují na anomálie, které by jinak zůstaly nepovšimnuté.
Klimatické modelování
Podobně jako u předpovědi počasí (viz samostatný článek o GraphCast) se AI modely začínají používat i pro dlouhodobé klimatické projekce - umožňují testovat více scénářů za kratší čas než klasické fyzikální klimatické modely.
Jak se k AI ve vědě staví vědecká komunita
Postoj není jednoznačně nadšený - část vědecké komunity upozorňuje, že přílišné spoléhání na "černé skříňky" bez plného porozumění, proč model dochází k danému výsledku, je v rozporu se základním principem vědy, kterým je vysvětlitelnost a reprodukovatelnost. Renomované časopisy (Nature, Science) proto postupně zavádějí pravidla pro povinné zveřejnění, pokud byla AI použita při analýze dat nebo psaní textu článku.
Etické otázky spojené s AI výzkumem léků
Pokud nejvýkonnější nástroje pro návrh léků (jako IsoDDE) vlastní a kontrolují jednotlivé soukromé firmy, vyvolává to otázky o přístupnosti pro menší akademické instituce a výzkumníky v rozvojových zemích. Otevřené nástroje jako databáze AlphaFold tento problém částečně řeší, nejnovější a nejvýkonnější generace nástrojů ale směřuje k uzavřeným, komerčním modelům.
Reálný stav AI v objevování léků - opatrně k hypu
Zprávy o pokroku AI v objevování léků z roku 2026 je třeba číst s rezervou - řada online článků o AlphaFold 3 a navazujících projektech vzájemně obsahuje protichůdné nebo neověřené údaje o konkrétních termínech a výsledcích. Potvrzené je, že DeepMind spin-off Isomorphic Labs v únoru 2026 oznámil nový generativní AI nástroj pro návrh léků stavějící na AlphaFold 3, a společnost Johnson & Johnson oznámila partnerství na využití AlphaFold 3 pro návrh molekul blokujících interakce mezi proteiny. Tvrzení o konkrétních klinických studiích nebo blížícím se schválení léku navrženého čistě AI je ale třeba ověřovat přímo u zdrojů (DeepMind, Isomorphic Labs, ClinicalTrials.gov), protože řada sekundárních článků si vzájemně protiřečí v detailech a datech.
Často kladené otázky o AI ve vědě
Získal AlphaFold skutečně Nobelovu cenu?
Ano, tvůrci AlphaFold (Demis Hassabis a John Jumper z Google DeepMind) získali Nobelovu cenu za chemii v roce 2024 za přínos k predikci struktury proteinů.
Jsou léky navržené pomocí AI už na trhu?
Ne, k listopadu 2026 jsou léky navržené pomocí nejnovějších AI systémů (jako IsoDDE od Isomorphic Labs) v raných fázích klinických studií na lidech - do běžné klinické praxe mohou ještě trvat roky, pokud vůbec testy úspěšně projdou.
Zkracuje AI i dobu klinických studií?
Ne přímo - klinické studie fáze I-III mají regulatorně vyžadovanou minimální dobu kvůli bezpečnosti pacientů. AI zkracuje hlavně časné fáze výzkumu (identifikace cíle, návrh molekuly), ne samotné klinické testování na lidech.
Můžou si vědecké výsledky AlphaFold ověřit i menší laboratoře?
Databáze AlphaFold je veřejně dostupná zdarma, takže ano - predikce struktury proteinů může využít kdokoliv. Novější, uzavřené systémy jako IsoDDE ale takto otevřené nejsou.
Je riziko, že AI ve vědě vede k nekvalitním nebo nepravdivým publikacím?
Ano, existuje zdokumentované riziko, že AI nástroje použité při psaní vědeckých článků vytvářejí smyšlené citace nebo nepřesné shrnutí - renomované časopisy proto zavádějí pravidla pro zveřejňování použití AI při psaní textu.
Byl už schválen lék navržený čistě umělou inteligencí?
K listopadu 2026 to nelze s jistotou potvrdit - objevují se spekulace o možném schválení v letech 2026-2027, ale jde o odhady, ne o oznámenou regulační skutečnost, a je třeba je ověřovat přímo u FDA nebo EMA.
Jaké firmy reálně používají AlphaFold 3 pro vývoj léků?
Potvrzené je partnerství Johnson & Johnson s využitím AlphaFold 3 na návrh molekul blokujících interakce mezi proteiny a vlastní generativní nástroj DeepMind spin-off Isomorphic Labs oznámený v únoru 2026.
