Коли в GitLab співзасновника та виконавчого голову ради директорів Сіда Сібрендія діагностували остеосаркому — рідкісний агресивний рак кістки, — стандартні протоколи лікування дуже швидко вичерпалися. Після операції, променевої терапії та виснажливої хіміотерапії пухлина повернулася, а клінічні опції фактично зникли. У цей момент до Сіда приєднався генетик Джейкоб Стерн, який шість років працював у 10x Genomics — компанії, що створює технології для одноклітинного секвенування. Разом вони вирішили поставитися до раку як до інженерної задачі з масивними даними, а штучний інтелект зробили центральним інструментом у цій роботі.
Ця історія — не про абстрактні «медичні AI?стартапи», а про дуже конкретний кейс: як ChatGPT і кастомні мультиагентні системи допомагають розбиратися в терабайтах діагностичних даних, знаходити нові терапевтичні мішені та за лічені хвилини виконувати аналізи, які раніше вимагали б тижнів роботи біоінформатиків.
Від лабораторії до ліжка пацієнта: як генетик став «директором з даних» онкопацієнта
Джейкоб Стерн прийшов у цю історію не як лікар, а як фахівець з технологій аналізу клітин. У 10x Genomics він займався саме тими інструментами, які дозволяють «розібрати» пухлину на сотні тисяч окремих клітин і подивитися, що відбувається всередині кожної з них. Коли через спільного знайомого він познайомився з Сідом, виявилося, що одноклітинне секвенування в цьому випадку — не академічний проєкт, а безпосередня частина плану лікування.
Сід пішов шляхом «максимальної діагностики»: замість того, щоб робити лише ті аналізи, під які вже існують готові ліки, він зібрав усе, що тільки можливо. У підсумку команда отримала близько 25 терабайтів даних, опублікованих на osteiosark.com, включно з одноклітинним секвенуванням пухлини, масивом гістології, радіодіагностикою, органоїдними моделями та іншими шарами інформації.
Для Джейкоба це означало одне: доведеться працювати з технологіями, які виходять далеко за межі його попереднього досвіду. Одноклітинні дані, bulk?секвенування ДНК і РНК — знайомі території. Але далі починалися таргетні радіодіагностики, складні панелі імуногістохімії, органоїди, експериментальні платформи тестування ліків. Щоб не перетворюватися на «вузьке горлечко» в цьому процесі, він фактично зробив ChatGPT та інші AI?інструменти своїм постійним копілотом.
AI став для нього способом швидко розібратися в нових діагностичних і терапевтичних підходах, вийти на рівень, де можна говорити з профільними експертами на одній мові й приймати обґрунтовані рішення щодо того, як використовувати кожен новий шматок даних у реальному лікуванні.
CSV проти раку: як GPT?4 читає bulk RNA?seq і знаходить нові мішені
Один із найяскравіших епізодів цієї співпраці — експеримент з bulk RNA?seq даними пухлини Сіда. Зазвичай такі матриці експресії генів — це величезні таблиці, які потребують складного пайплайна: нормалізація, статистичні моделі, візуалізація, порівняння з референсними наборами. Це робота для біоінформатичної команди, а не для одного генетика, який паралельно координує клінічні рішення.
Джейкоб вирішив перевірити, наскільки далеко можна зайти, якщо поставитися до GPT?4 не як до чат?бота, а як до інструмента аналізу сирих біологічних даних. Він узяв CSV?файл із підрахунками генів з bulk RNA?seq пухлини Сіда й просто «загодував» його моделі.
Далі почалося те, що ще кілька років тому виглядало б як наукова фантастика. GPT?4 не лише коректно розібрався зі структурою даних, а й згенерував автоматизовані біологічні інсайти: які гени суттєво надекспресовані, які шляхи можуть бути активовані, які поверхневі мішені виглядають перспективними для терапії. Серед іншого модель самостійно виділила B7?H3 як помітну мішень — імунорегуляторний білок, який у низці пухлин розглядають як перспективний таргет для антитіл, CAR?T та інших імунотерапій.
Тут важливий не лише сам факт, що B7?H3 «сплив» у результатах. Ключовим є те, що шлях від сирого CSV до осмисленого списку потенційних мішеней зайняв години, а не тижні. Замість того, щоб писати кастомні скрипти, налаштовувати пайплайни й вручну звіряти результати з літературою, Джейкоб отримав первинну карту простору можливостей майже в реальному часі.
Це не означає, що GPT?4 замінив класичну біоінформатику чи експертну оцінку. Але він став потужним фільтром і прискорювачем: допоміг швидко виділити те, на що варто витратити людський час, і зменшив ризик пропустити неочевидні, але важливі сигнали в масиві даних.
Мультиагентні воркфлоу: коли AI сам шукає статті, проєктує аналіз і повертає звіт
Згодом одноразові експерименти з ChatGPT переросли в більш системний підхід. Джейкоб побудував мультиагентний AI?воркфлоу, який працює не як один універсальний «бот», а як команда спеціалізованих агентів, кожен з яких виконує свою частину роботи.
У цьому воркфлоу є агент, який бере клінічне чи біологічне питання і формує запит до наукової літератури. Інший агент аналізує знайдені публікації, структурує їх, виділяє релевантні методи, біомаркери, терапевтичні підходи. Далі підключається агент?планувальник, який на основі цих знань проєктує конкретний біоінформатичний аналіз для даних Сіда: які підмножини клітин виділити, які метрики порахувати, які порівняння виконати.
Наступний рівень — агент?виконавець, який уже працює безпосередньо з одноклітинними даними. У випадку Сіда це не абстрактний датасет, а реальні клітини з його пухлини та крові. Агент запускає аналізи, інтерпретує результати в контексті поставленого питання й передає їх агенту?синтезатору. Той, у свою чергу, формує звіт людською мовою: що було зроблено, які патерни виявлені, як це співвідноситься з літературою, які гіпотези варто перевірити далі.
Фактично йдеться про напівавтономну систему, здатну пройти повний цикл — від «нам потрібно зрозуміти, чи є тут певний феномен» до «ось структурований висновок з посиланнями на статті й конкретними цифрами з даних пацієнта». Роль людини зміщується з ручного виконання кожного кроку до постановки задачі, контролю якості й прийняття рішень на основі результатів.
У контексті прецизійної онкології це критично. Коли йдеться про рідкісну пухлину без стандарту лікування, кожен новий аналіз — це шанс знайти ще одну нитку, за яку можна потягнути. Але час і ресурси обмежені. Мультиагентні AI?воркфлоу дозволяють радикально знизити «тертя» між питанням і відповіддю, перетворюючи складні біоінформатичні задачі на серію викликів API.
600 тисяч клітин за пів години: як AI перевіряв гіпотезу про CHIP
Один із тестів цієї інфраструктури став дослідженням можливої клональної гематопоезії невизначеного потенціалу (CHIP) у Сіда. CHIP — це стан, коли в кровотворній системі з’являються клональні популяції клітин із соматичними мутаціями, які ще не є раком, але можуть підвищувати ризики онкогематологічних захворювань та інших ускладнень. Для пацієнта з історією інтенсивної хіміотерапії та складним онкологічним анамнезом це питання не теоретичне, а практичне.
Команда мала одноклітинні дані приблизно з 600 тисяч клітин крові Сіда. Це обсяг, який навіть для досвідченої біоінформатичної групи означав би суттєвий проєкт: планування, написання кодів, обчислювальні ресурси, кілька ітерацій аналізу. Натомість Джейкоб запустив AI?воркфлоу, який:
спочатку провів літературний пошук по CHIP, з’ясував, які маркери, мутації та клітинні патерни є ключовими для виявлення цього стану;
на основі цього сформував план аналізу одноклітинних даних крові, визначивши, які підтипи клітин і які ознаки потрібно перевірити;
виконав аналіз на реальних даних Сіда, шукаючи сигнатури, сумісні з CHIP;
зібрав результати в узгоджений звіт, який можна обговорювати з клініцистами.
Уся ця робота — від постановки питання до готового аналітичного висновку — обійшлася приблизно в 20 доларів витрат на API й зайняла близько 30 хвилин. Для прецизійної онкології це не просто «швидко й дешево»; це демонстрація того, що маржинальна вартість складних аналізів може стати настільки низькою, що їх можна виконувати майже за замовчуванням, щоразу, коли виникає нова клінічна гіпотеза.
Тут важливо підкреслити: мова не про те, що AI самостійно ставить діагнози чи призначає лікування. Йдеться про інструмент, який дозволяє команді швидко перевіряти складні біологічні припущення на реальних даних пацієнта, не витрачаючи тижні на організацію аналізу. У випадку Сіда це означає можливість оперативно реагувати на нові ризики й адаптувати стратегію лікування в режимі майже реального часу.
Низька маржинальна вартість аналізу як фундамент нової онкології
Історія з CHIP?аналізом за 20 доларів і 30 хвилин добре ілюструє, як змінюється економіка прецизійної медицини під впливом AI. Традиційно складні біоінформатичні дослідження були дорогими не лише через обчислювальні ресурси, а насамперед через людський час: планування, програмування, валідація, інтерпретація. Кожен новий аналіз вимагав обґрунтування, чи «вартий він того».
Коли значна частина цього процесу автоматизується мультиагентними системами, ситуація перевертається. Маржинальна вартість ще одного аналізу падає до десятків доларів і десятків хвилин. Це відкриває можливість мислити не в категоріях «які два?три аналізи ми можемо собі дозволити», а в категоріях «які всі розумні гіпотези ми можемо перевірити, поки є час і біоматеріал».
У випадку Сіда це особливо помітно, тому що його команда свідомо пішла на шлях «максимальної діагностики», зібравши гігантський масив даних — від одноклітинного секвенування до органоїдних моделей. Без AI?копілота значна частина цих даних ризикувала б залишитися «мертвим вантажем» у сховищах. З AI вони перетворюються на динамічний ресурс, до якого можна знову й знову звертатися в міру появи нових терапевтичних ідей.
Це не скасовує потреби в клінічних випробуваннях, регуляторних процедурах чи обережності в інтерпретації результатів. Але змінює саму структуру процесу: від повільних, лінійних циклів «зробили аналіз — через місяць обговорили — через пів року спробували нову терапію» до більш гнучких, ітеративних підходів, де дані, література й клінічні рішення постійно взаємодіють.
AI як інфраструктура для персоналізованої онкології
Історія Сіда Сібрендія та Джейкоба Стерна показує, як штучний інтелект може стати не «магічною кнопкою лікування раку», а інфраструктурою, яка робить можливими нові формати роботи з даними пацієнта. ChatGPT і GPT?4 у цій історії — це не лише інструменти для пояснення складних статей чи написання листів лікарям. Вони працюють із сирими біологічними даними, допомагають знаходити нові мішені на кшталт B7?H3, будують мультиагентні воркфлоу, що самі шукають літературу, проєктують аналізи й повертають осмислені звіти.
AI?керований аналіз 600 тисяч клітин крові Сіда для перевірки гіпотези про CHIP за 20 доларів і 30 хвилин — це не лише технічний трюк, а демонстрація того, як може виглядати майбутнє прецизійної онкології. Коли маржинальна вартість складних аналізів падає, а швидкість зростає, з’являється шанс, що підхід, який сьогодні доступний одиницям, з часом стане стандартом для значно ширшого кола пацієнтів.
Поки що це майбутнє формується в поодиноких кейсах, де поєднуються рідкісні діагнози, технічна експертиза й готовність експериментувати. Але саме такі історії показують, що AI у медицині — це не лише про чат?ботів для тріажу, а й про глибоку інтеграцію моделей у саму тканину клінічних рішень, там, де на кону — життя конкретної людини.
Джерело
ChatGPT and Cancer: How a Tech Founder Rewrote His Treatment Plan — OpenAI Forum