{"id":8784,"date":"2026-07-09T12:05:14","date_gmt":"2026-07-09T10:05:14","guid":{"rendered":"https:\/\/mokslosriuba.lt\/kartumesgalime\/?p=8784"},"modified":"2026-07-09T12:05:15","modified_gmt":"2026-07-09T10:05:15","slug":"kai-di-atranda-per-kelias-dienas-o-mokslui-prireikia-metu","status":"publish","type":"post","link":"https:\/\/mokslosriuba.lt\/kartumesgalime\/2026\/07\/09\/kai-di-atranda-per-kelias-dienas-o-mokslui-prireikia-metu\/","title":{"rendered":"Kai DI atranda per kelias dienas, o mokslui prireikia met\u0173"},"content":{"rendered":"\n

Kauno technologijos universiteto Matematikos ir gamtos moksl\u0173 fakulteto (KTU MGMF) mokslininkas ir \u201eHostinger\u201c dirbtinio intelekto techninis grup\u0117s vadovas dr. Mantas Lukauskas
<\/em><\/p>\n\n\n\n

\u012esivaizduokite situacij\u0105: penktadienio vakar\u0105 mokslinink\u0173 komanda pateikia dirbtinio intelekto sistemai u\u017eduot\u012f rasti perspektyvi\u0105 molekul\u0119 retai ligai gydyti. Po keli\u0173 dien\u0173 ekrane jau matyti kandidatai, kurie teori\u0161kai gal\u0117t\u0173 veikti norim\u0105 biologin\u012f taikin\u012f. Skaitmeninis atradimas \u012fvyko labai greitai.<\/strong><\/p>\n\n\n

\n
\"\"
Dr. Mantas Lukauskas
<\/em><\/figcaption><\/figure>\n<\/div>\n\n\n

Kada toks vaistas pasieks pacientus ir atsiras vaistin\u0117se? <\/p>\n\n\n\n

Jeigu viskas klostysis s\u0117kmingai, tai vis tiek gali u\u017etrukti ne vienus metus. Kai kuriais atvejais \u2013 ir ilgiau nei de\u0161imtmet\u012f.<\/p>\n\n\n\n

B\u016btent \u010dia slypi vienas \u012fdomiausi\u0173 \u0161iuolaikinio mokslo paradoks\u0173. Dirbtinis intelektas (DI) vis grei\u010diau generuoja hipotezes, projektuoja molekules, analizuoja biologinius duomenis ir si\u016blo naujas med\u017eiagas. Ta\u010diau realus pasaulis juda l\u0117\u010diau. Molekul\u0119 reikia pagaminti, med\u017eiag\u0105 \u2013 susintetinti, o vaist\u0105 \u2013 i\u0161bandyti. \u017dmogaus biologijos ir saugumo reikalavim\u0173 ne\u012fmanoma paspartinti vien kompiuterio mygtuko paspaudimu.<\/p>\n\n\n\n

Kitaip tariant, DI jau padeda mokslui b\u0117gti, bet didel\u0117 dalis mokslo infrastrukt\u016bros vis dar juda p\u0117s\u010diomis.<\/p>\n\n\n\n

Atradim\u0173 greitis auga<\/strong><\/p>\n\n\n\n

Stanfordo universiteto \u201eAI Index 2026\u201c ataskaita<\/a> rodo, kad DI vis spar\u010diau tampa mokslo infrastrukt\u016bros dalimi. Gamtos moksluose su DI susijusi\u0173 publikacij\u0173 skai\u010dius 2025 m. pasiek\u0117 apie 80 t\u016bkst. ir buvo 26 proc. didesnis nei metais anks\u010diau. Kai kuriose mokslo srityse DI jau sudaro nuo 5,8 iki 8,8 proc. vis\u0173 mokslini\u0173 publikacij\u0173, nors 2010 m. \u0161i dalis nesiek\u0117 n\u0117 vieno procento.<\/p>\n\n\n\n

Tai n\u0117ra vien straipsni\u0173 skai\u010diaus augimas. Kei\u010diasi ir tai, k\u0105 DI geba daryti. Stanfordo ataskaitoje nurodoma, kad kai kuriuose chemijos testuose pa\u017eangiausi modeliai jau vidutini\u0161kai lenkia \u017emones ekspertus, nors kartu vis dar sunkiai susidoroja su kai kuriomis bazin\u0117mis u\u017eduotimis. Tai gerai atspindi dabartin\u0119 situacij\u0105: modeliai gali b\u016bti \u012fsp\u016bdingi, ta\u010diau dar n\u0117ra visaver\u010diai mokslininkai.<\/p>\n\n\n\n

Biologijoje taip pat vyksta did\u017eiulis pokytis. \u201eAlphaFold\u201c duomen\u0173 baz\u0117 jau suteikia atvir\u0105 prieig\u0105 prie daugiau kaip 200 mln. baltym\u0173 strukt\u016br\u0173 prognozi\u0173. Tai mil\u017eini\u0161kas \u0161uolis sri\u010diai, kurioje baltym\u0173 strukt\u016bros ilg\u0105 laik\u0105 buvo nustatomos l\u0117tai, brangiai ir tik eksperimentiniais metodais.<\/p>\n\n\n\n

Med\u017eiag\u0173 moksle pana\u0161\u0173 l\u016b\u017e\u012f parod\u0117 \u201eGoogle DeepMind\u201c sistema \u201eGNoME\u201c. Ji sugeneravo apie 2,2 mln. nauj\u0173 kristal\u0173 strukt\u016br\u0173, i\u0161 kuri\u0173 apie 380 t\u016bkst. buvo \u012fvertintos kaip stabilios ir potencialiai tinkamos tolesniems tyrimams. Tai nerei\u0161kia, kad visos \u0161ios med\u017eiagos jau yra pagamintos arba prakti\u0161kai naudingos. Ta\u010diau tai rodo, kaip stipriai DI gali i\u0161pl\u0117sti paie\u0161kos lauk\u0105.<\/p>\n\n\n\n

\"\"
Autoryst\u0117: Google.<\/em><\/figcaption><\/figure>\n\n\n\n

Kod\u0117l atradimas dar netampa vaistu?<\/strong><\/p>\n\n\n\n

\u010cia ir atsiranda pagrindinis \u201ekam\u0161tis\u201c. Skaitmeninis atradimas n\u0117ra tas pats, kas veikiantis vaistas ar komerci\u0161kai pritaikoma med\u017eiaga.<\/p>\n\n\n\n

Vaist\u0173 k\u016brime DI gali pad\u0117ti grei\u010diau pasirinkti taikin\u012f, pasi\u016blyti molekul\u0119, nusp\u0117ti jos s\u0105veik\u0105 su baltymu ar suma\u017einti kandidat\u0173 skai\u010di\u0173. Tai labai svarbu, nes ankstyvasis atradimo etapas istori\u0161kai yra ilgas ir brangus. \u201eReuters\u201c ra\u0161\u0117, kad tradicinis vaist\u0173 atradimo procesas gali u\u017etrukti apie \u0161e\u0161erius metus, kol junginys pasiekia klinikini\u0173 tyrim\u0173 etap\u0105, o DI ir automatizuot\u0173 laboratorij\u0173 derinys, \u012fmon\u0117s \u201eIambic\u201c teigimu, kai kuriais atvejais \u0161\u012f laik\u0105 gali sutrumpinti iki ma\u017eiau nei dvej\u0173 met\u0173.<\/p>\n\n\n\n

Ta\u010diau po to prasideda kita kelion\u0117s dalis. Molekul\u0119 reikia fizi\u0161kai susintetinti laboratorijoje. Reikia patikrinti, ar ji i\u0161 ties\u0173 veikia l\u0105stel\u0117se, ar n\u0117ra toksi\u0161ka, kaip elgiasi organizme, kaip pasiskirsto audiniuose, kaip metabolizuojama ir kok\u012f \u0161alutin\u012f poveik\u012f gali tur\u0117ti. V\u0117liau laukia tyrimai su gyv\u016bnais ir klinikiniai tyrimai su \u017emon\u0117mis.<\/p>\n\n\n\n

\u0160i\u0173 etap\u0173 negalima tiesiog sugeneruoti. Jei \u0161alutinis poveikis gali pasireik\u0161ti po keli\u0173 m\u0117nesi\u0173, mokslininkai turi laukti tuos m\u0117nesius. Jei vaistas skirtas \u017emon\u0117ms, reikia \u012frodyti ne tik teorin\u012f veikim\u0105, bet ir jo saugum\u0105, tinkamas dozes, ilgalaik\u012f poveik\u012f bei reali\u0105 naud\u0105 pacientams.<\/p>\n\n\n\n

Tod\u0117l DI gali greitai atsakyti \u012f klausim\u0105 \u201ek\u0105 verta i\u0161bandyti?\u201c, ta\u010diau jis negali automati\u0161kai atsakyti \u012f klausim\u0105 \u201ear tai i\u0161 ties\u0173 saugu \u017emogui?\u201c<\/p>\n\n\n\n

DI sprend\u017eia atradimo, bet ne \u012frodymo problem\u0105<\/strong><\/p>\n\n\n\n

\u0160iuolaikinis mokslas turi du skirtingus grei\u010dius.<\/p>\n\n\n\n

Pirmasis yra skaitmeninis. \u010cia DI gali per\u017ei\u016br\u0117ti milijonus molekuli\u0173, baltym\u0173, kristal\u0173 ar biologini\u0173 duomen\u0173 ta\u0161k\u0173. Jis gali generuoti hipotezes, ie\u0161koti d\u0117sningum\u0173 ir si\u016blyti naujus kandidatus grei\u010diau, nei tai gal\u0117t\u0173 padaryti \u017emogus.<\/p>\n\n\n\n

Antrasis yra fizinis. \u010cia reikia laboratorij\u0173, reagent\u0173, robot\u0173, pacient\u0173, klinikini\u0173 protokol\u0173, reguliuotoj\u0173 ir laiko. \u0160is pasaulis negali jud\u0117ti tokiu pa\u010diu tempu kaip skai\u010diavimai serveryje.<\/p>\n\n\n\n

B\u016btent tod\u0117l galima sakyti, kad DI i\u0161 dalies sprend\u017eia atradimo problem\u0105, bet \u012frodymo problema i\u0161lieka. Moksle neu\u017etenka rasti \u012fdomios molekul\u0117s. Reikia \u012frodyti, kad ji veikia. Ne tik kompiuteryje. Ne tik modelyje. O realioje biologin\u0117je sistemoje.<\/p>\n\n\n\n

\u0160i\u0105 tendencij\u0105 patvirtina ir Stanfordo ataskaita, kurioje pabr\u0117\u017eiama, kad nauji virtuali\u0173 l\u0105steli\u0173 modeliai siekia prognozuoti l\u0105steli\u0173 atsak\u0105 \u012f vaistus ir genetinius poky\u010dius be tradicini\u0173 laboratorini\u0173 bandym\u0173. Vis d\u0117lto dabartin\u0117ms sistemoms vis dar reikia eksperimentinio patvirtinimo.<\/p>\n\n\n\n

\u0160is sakinys i\u0161 esm\u0117s apibendrina vis\u0105 problem\u0105: DI gali pasakyti, kur verta \u017ei\u016br\u0117ti, bet mokslas vis dar turi patikrinti, ar ten tikrai yra tai, ko ie\u0161kome.<\/p>\n\n\n\n

Kod\u0117l fizinis pasaulis stabdo skaitmenin\u012f greit\u012f?<\/strong><\/p>\n\n\n\n

Fizinis pasaulis yra l\u0117tas ne tod\u0117l, kad mokslininkai ar reguliuotojai tingi. Jis l\u0117tas tod\u0117l, kad yra sud\u0117tingas.<\/p>\n\n\n\n

Chemin\u0117 reakcija ne visada vyksta taip, kaip rodo modelis. Med\u017eiag\u0105 gali b\u016bti sunku pagaminti didesniu mastu. Molekul\u0117 gali puikiai veikti viename teste, bet nepasiteisinti kitame. Vaistas gali atrodyti saugus ankstyvame etape, bet v\u0117liau sukelti nepageidaujam\u0105 poveik\u012f. Klinikiniai tyrimai reikalauja pacient\u0173, laiko, kokybi\u0161k\u0173 duomen\u0173, etikos leidim\u0173 ir grie\u017etos prie\u017ei\u016bros.<\/p>\n\n\n\n

Be to, reguliavimas medicinoje n\u0117ra tik biurokratin\u0117 kli\u016btis. Jis egzistuoja tam, kad pacientai neb\u016bt\u0173 paversti eksperiment\u0173 lauku. JAV Maisto ir vaist\u0173 administracijos (FDA) ar Europos vaist\u0173 agent\u016bros (EMA) vaidmuo n\u0117ra l\u0117tinti inovacijas vien d\u0117l paties l\u0117tinimo. J\u0173 u\u017eduotis \u2013 u\u017etikrinti, kad nauji vaistai b\u016bt\u0173 ne tik \u012fdom\u016bs, bet ir saug\u016bs bei veiksmingi.<\/p>\n\n\n\n

Tai ypa\u010d svarbu DI eroje. Kuo grei\u010diau modeliai generuoja kandidatus, tuo svarbiau tur\u0117ti patikim\u0105 sistem\u0105, kuri atskirt\u0173 tikr\u0105 pa\u017eang\u0105 nuo gra\u017eiai atrodan\u010di\u0173, bet nepatvirtint\u0173 hipotezi\u0173.<\/p>\n\n\n\n

Kur moksle i\u0161 ties\u0173 galima laim\u0117ti laiko?<\/strong><\/p>\n\n\n\n

Nors fiziniai barjerai i\u0161lieka, mokslo revoliucija nesustoja. Grei\u010diausiai did\u017eiausias artimiausio laikotarpio prover\u017eis bus ne vien dar pa\u017eangesni modeliai, o geresn\u0117 j\u0173 integracija su laboratorijomis, duomen\u0173 sistemomis ir klinikiniais procesais.<\/p>\n\n\n\n

Vienas i\u0161 keli\u0173 yra autonomin\u0117s laboratorijos. Tai laboratorijos, kuriose DI ne tik pasi\u016blo eksperiment\u0105, bet ir padeda j\u012f atlikti: robotai gali mai\u0161yti, kaitinti, sintetinti, matuoti, registruoti rezultatus ir perduoti duomenis atgal modeliui. Tokia sistema gali veikti daug grei\u010diau nei tradicinis rankinis eksperiment\u0173 ciklas, nes sujungia hipotez\u0119, eksperiment\u0105 ir rezultat\u0173 analiz\u0119 \u012f vien\u0105 proces\u0105.<\/p>\n\n\n\n

Kitas kelias yra klinikini\u0173 tyrim\u0173 modernizavimas. 2026 m. FDA paskelb\u0117 iniciatyv\u0105 naudoti DI ir duomen\u0173 mokslo \u012frankius klinikini\u0173 tyrim\u0173 steb\u0117senai realiuoju laiku. Agent\u016bros atstovai nurod\u0117, kad vien tarp pirmosios klinikini\u0173 tyrim\u0173 faz\u0117s ir parai\u0161kos pateikimo reguliuotojui vidutini\u0161kai 45 proc. laiko gali sudaryti \u201enegyvas laikas\u201c, susij\u0119s su dokumentais ir administraciniais procesais. FDA teigimu, DI ir realiojo laiko duomen\u0173 steb\u0117sena kai kuriais atvejais gal\u0117t\u0173 sutrumpinti bendr\u0105 klinikini\u0173 tyrim\u0173 trukm\u0119 20, 30 ar net 40 proc.<\/p>\n\n\n\n

Tai labai svarbi mintis. DI neb\u016btinai panaikins b\u016btinyb\u0119 tirti vaistus su \u017emon\u0117mis. Ta\u010diau jis gali suma\u017einti laukimo laik\u0105, administracin\u012f v\u0117lavim\u0105, duomen\u0173 tvarkymo klaidas, pacient\u0173 atrankos problemas ir l\u0117t\u0105 signal\u0173 analiz\u0119.<\/p>\n\n\n\n

Kitaip tariant, DI gali ne tik atrasti daugiau kandidat\u0173. Jis gali pad\u0117ti i\u0161valyti keli\u0105, kuriuo \u0161ie kandidatai juda link realaus pasaulio.<\/p>\n\n\n\n

Skaitmeniniai dvyniai ir virtualios l\u0105stel\u0117s<\/strong><\/p>\n\n\n\n

Dar viena svarbi kryptis yra skaitmeniniai dvyniai ir biologini\u0173 sistem\u0173 simuliacijos. Paprastai tariant, mokslininkai siekia sukurti vis tikslesnius modelius, kurie gal\u0117t\u0173 prognozuoti, kaip l\u0105stel\u0117, organas ar net konkretaus paciento biologin\u0117 sistema reaguos \u012f vaist\u0105 arba genetin\u012f pokyt\u012f.<\/p>\n\n\n\n

Tai skamba futuristi\u0161kai, ta\u010diau pirmieji \u017eingsniai jau \u017eengiami. Stanfordo ataskaitoje virtuali\u0173 l\u0105steli\u0173 modeliai i\u0161skiriami kaip viena i\u0161 nauj\u0173 medicinos kryp\u010di\u0173. Tokie modeliai siekia prognozuoti l\u0105steli\u0173 reakcijas \u012f vaistus ir genetinius trikd\u017eius neatliekant kiekvieno eksperimento fizin\u0117je laboratorijoje. Ta\u010diau svarbi s\u0105lyga i\u0161lieka ta pati: \u0161ios prognoz\u0117s vis dar turi b\u016bti patvirtintos eksperimentais.<\/p>\n\n\n\n

Tod\u0117l skaitmeniniai dvyniai grei\u010diausiai nepakeis klinikini\u0173 tyrim\u0173 per vien\u0105 nakt\u012f. Ta\u010diau jie gali pad\u0117ti geriau atrinkti kandidatus, numatyti rizikas, optimizuoti tyrim\u0173 dizain\u0105 ir suma\u017einti nes\u0117kmi\u0173 skai\u010di\u0173 v\u0117lesniuose etapuose.<\/p>\n\n\n\n

Jeigu \u0161i kryptis pasiteisins, mokslo procesas taps ne tiesiog greitesnis, bet ir protingesnis. Ma\u017eiau akl\u0173 bandym\u0173. Daugiau krypting\u0173 eksperiment\u0173.<\/p>\n\n\n\n

Did\u017eioji problema: daugiau atradim\u0173, nei mokslas sp\u0117ja patikrinti<\/strong><\/p>\n\n\n\n

\u010cia slypi naujas mokslo i\u0161\u0161\u016bkis. DI gali sukurti tiek daug kandidat\u0173, kad laboratorijos, reguliuotojai ir klinikin\u0117s sistemos tiesiog nesp\u0117s j\u0173 vis\u0173 patikrinti.<\/p>\n\n\n\n

Tai jau matyti med\u017eiag\u0173 moksle. \u201eGNoME\u201c sugeneravo milijonus strukt\u016br\u0173, ta\u010diau tik nedidel\u0117 j\u0173 dalis bus fizi\u0161kai susintetinta, i\u0161testuota ir pritaikyta realiose technologijose. Vaist\u0173 k\u016brime pad\u0117tis pana\u0161i: DI gali pasi\u016blyti daug daugiau molekuli\u0173, nei mokslininkai gali greitai pagaminti, i\u0161bandyti ir \u012fvesti \u012f klinikinius tyrimus.<\/p>\n\n\n\n

Tai rei\u0161kia, kad ateities moksle did\u017eiausia vert\u0117 gali b\u016bti ne vien nauj\u0173 kandidat\u0173 generavimas. Dar svarbesn\u0117 bus atranka: kurie kandidatai tikrai verti laboratorijos laiko, investicij\u0173 ir klinikin\u0117s rizikos.<\/p>\n\n\n\n

DI pad\u0117s generuoti id\u0117jas. Ta\u010diau kitas svarbus \u017eingsnis bus DI, padedantis nuspr\u0119sti, kuri\u0173 id\u0117j\u0173 neverta tikrinti.<\/p>\n","protected":false},"excerpt":{"rendered":"

Kauno technologijos universiteto Matematikos ir gamtos moksl\u0173 fakulteto (KTU MGMF) mokslininkas ir \u201eHostinger\u201c dirbtinio intelekto techninis grup\u0117s vadovas dr. Mantas Lukauskas \u012esivaizduokite situacij\u0105: penktadienio vakar\u0105 mokslinink\u0173 komanda pateikia dirbtinio intelekto […]<\/p>\n","protected":false},"author":1,"featured_media":8787,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"_themeisle_gutenberg_block_has_review":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-8784","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-uncategorized","pb-post","pb-item","pb-col-xl-4 pb-col-m-6 pb-col-s-12","pb-animate pb-animated "],"aioseo_notices":[],"jetpack_featured_media_url":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-content\/uploads\/2026\/07\/Dirbtinis-intelektas-Mokslo-sriuba.jpg","_links":{"self":[{"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/posts\/8784","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/comments?post=8784"}],"version-history":[{"count":1,"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/posts\/8784\/revisions"}],"predecessor-version":[{"id":8789,"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/posts\/8784\/revisions\/8789"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/media\/8787"}],"wp:attachment":[{"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/media?parent=8784"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/categories?post=8784"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/mokslosriuba.lt\/kartumesgalime\/wp-json\/wp\/v2\/tags?post=8784"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}