Kan datorn ersätta labbet?

Det är i slutet av juni 2026, under sommarens andra värmebölja. Värmen har fångats på Lindauöns kullerstensgator och letat sig in i konferenslokalen Inselhalle där över 600 unga forskare och runt 70 Nobelpristagare sprider ett förväntansfullt surr. Det är dags för årets Lindau Nobel laureate meeting på den lilla bayerska ön.

Salen är nedsläckt så när som på några ringformade lampor nedsänkta från taket. Vid varje plats hänger ett par hörlurar. Om du sätter på dig dem kan du få invigningstalen på tyska översatta direkt i örat.

På två storbildsskärmar visas en nytolkning av Charles Dickens En julsaga. Först visar en ande från 1950-talet hur Lindaumötet startades för 75 år sedan, som ett samarbete i skuggan av andra världskriget och atombomben. Samtidens ande har kavaj och är fullt fokuserad på networking och att kurera sitt flöde i sociala medier. Framtida Lindaumötens ande gestaltas som ett sprakande hologram. Hen har reducerat mötet till ett dataset: frågorna är predikterade och svaren modellerade. Det är en framtid där det mellanmänskliga mötet helt effektiviserats bort.

Det är ett tema som återkommer under veckan: Vad blir forskarens roll i den galopperande AI-utvecklingen?  

I kaffekön, vid bordet med bayerska kringlor och runt de många mingelborden diskuteras det. Om studenter vid universiteten som slutat tänka, programmerare som reducerats till kodstädare, och klimatforskning som presenteras med AI-genererade bilder – trots den artificiella intelligensens stora energiåtgång.

Samtidigt är det ingen som kan förneka kraften hos den nya tekniken. De unga forskarna har grå band till sina namnbrickor, i kontrast till Nobelpristagarnas klarblå, och i kafferasterna utbyter de erfarenheter.

– För 40 år sedan hade vi en handfull observationer, nu har vi miljontals. Samma experiment som jag presenterar här skulle ta 60 års heltidsarbete att sammanställa för hand, berättar Mykyta Kliapets, en ung astrofysiker från KU Leuven. Han studerar stjärnors pulserande och i hans fält har den nya datatekniken helt förändrat spelplanen.

Tidigare tekniska framsteg, som moderna teleskop, satelliter, biosensorer och mikroskop, gör att vi i dag badar i data. Vi kan simulera och modellera processer i både makro och mikro: globala väderfenomen såväl som cellprocesser. Postdoktorn Emily Elhacham  berättar att hon studerar damm och simulerar stora dammolns rörelser över kontinenter vid Barcelona  supercomputing center. Benjamin Wallis studerar glaciärer, från sitt skrivbord vid University of Leeds.

 – Jag har aldrig älskat fältarbete. Andra gör det, och de är mycket bättre på det än jag är. Vi har en skyldighet att störa de här miljöerna så lite som möjligt. Då är det bättre att skicka experterna, säger glaciärforskaren. 

Den nya generationens forskare rör sig vant i gränslandet mellan experiment och simulering.

Oleksandra Chabanovska balanserar en liten yoghurtburk på samma fat som kaffekoppen. På ett av Lindauöns hotell ska dagens första panelsamtal strax börja. Temat är hur AI förändrar forskningen, och diskussionerna har redan börjat vid den uppdukade frukosten.

– Jag tror att de flesta av oss är positiva till AI, men alla processer kan inte simuleras. Inte än. Kanske om 500 år, när vi har all data och information om varje cell och från varje människa på den här jorden, säger Oleksandra Chabanovska.

I samtalen glider begreppen AI, simuleringar och dataanalys ofta ihop. I själva verket rör det sig om många olika metoder som tillsammans flyttat forskningen från labbänken och in i datorn. Men Oleksandra Chabanovskas egen forskning sker i labbet. Under hennes doktorandtid vid Universität Rostock har hon försökt skapa pacemakerceller. Målet är att elektroniska pacemakers i framtiden ska ersättas av mRNA-baserade läkemedel som gör vissa av patientens egna hjärtmuskelceller till pacemakerceller. Konceptet kallas ”cellomprogrammering”.

För att studera det här odlar hon hjärtmuskelvävnad i labbet. Proverna kommer från planerade hjärtoperationer, och om en operation blir framflyttad eller inställd välter det omkull hela arbetsveckan. Vävnaderna är bara användbara upp till ett par timmar efter att de tagits från patienten och vissa experiment måste göras direkt. Att förbereda dem för odling tar tre timmar och sedan återstår flera veckor av odling i labbet. Att lyckas skapa stabila vävnadskulturer av hjärtmuskelceller har varit den stora flaskhalsen i Oleksandra Chabanovskas forskning.

 – Vid någon punkt förlorar mina celler förmågan att dra ihop sig, och vi förstår inte riktigt varför. Det kan vara ett underliggande problem hos patienten som provet kom ifrån, eller något annat. Eftersom alla prover är från patienter har vi ju inga friska kontroller.

Men om det är så svårt att hålla vävnaderna vid liv och aktiva utanför kroppen, varför kan vi inte simulera dem? I en dator finns inga utgångsdatum.

– Det finns stora skillnader mellan celler från olika patienter, men också från samma patient. Ett enda vävnadsprov kan innehålla celler som beter sig på helt olika sätt och den här biologiska variationen gör det otroligt svårt att simulera. Det skulle krävas data från så många vävnader, från så många patienter med olika bakgrund, säger Oleksandra Chabanovska.

Tidigare i år publicerades en simulering av en hel cellcykel i tidskriften Cell. Simuleringen krävde flera dagars datorkraft och visade en cell som bara utrustats med det absolut nödvändigaste, väldigt långt ifrån de vävnader av specialiserade hjärtmuskelceller som Oleksandra Chabanovska studerar. 

I hennes avhandling är fyra sidor fulla med olika diagnoser, mediciner och detaljer om patienterna som kan påverka hjärtcellerna hon studerar, och det är bara den information som finns i medicinska journaler. Att täcka den enorma biologiska komplexiteten med en simulerad modell tror hon är långt borta.

Oleksandra Chabanovska kan inte hitta en stabil cellmodell för sin forskning i datorn. Däremot ser hon möjligheter i senare skeenden. För att leverera mRNA-molekylerna till rätt celler används en typ av små fettbaserade kapslar kallade lipidnanopartiklar. De här partiklarna kan komponeras på mängder av olika sätt för att få olika funktioner och egenskaper. Att hitta det perfekta receptet kräver stora experiment, experiment som skulle kunna flytta in i datorn.

Över lunchbrickorna i Inselhalle jublar några åt tanken på att spara resurser och labbtimmar. För andra är dataanalys och simuleringar ett nödvändigt ont, som tar tid från experimenten.

– Att göra experimenten som skapar datan kan vara ganska enkelt ibland, om man har tur. Att faktiskt sätta sig ner och analysera och få ut värdefulla grejer från experimentdatan kan ta otroligt lång tid, säger Måns Eriksson, doktorand i organisk kemi vid University of California, Riverside. Han hade mycket hellre tillbringat dagarna framför dragskåpet i labbet, men tror att 70 procent av tiden läggs framför datorn.

Samtidigt har teknikutvecklingen öppnat en nisch för att specialisera sig helt på den datadrivna forskningen. Idealet om forskaren som renässansman och generalist är kanske daterat. Labbänken finns kvar, för de som vill, men den går också att undvika.

– I mitt labb finns det de som genererar data, och de som analyserar den. Jag analyserar, berättar en postdoktor i bioinformatik. 

Maryam Mahmoudi har själv gjort motsatt resa. När hon valde utbildning var bioinformatiken fortfarande ett nytt fält. Masterprogrammet i bioinformatik vid hennes universitet startade först när hon redan var färdigutbildad. Många av hennes studiekamrater tyckte att eftersom vi är biologer så borde de vara i labbet och göra experiment, berättar hon.

– Men jag hade blivit kär i bioinformatiken redan i grundkurserna. Jag visste direkt att det var vad jag ville göra.

När hon flyttade från Iran till universitetet i Tübingen i Tyskland för att doktorera i växternas mikrobiom var hon inställd på att stanna vid skrivbordet, men experimenten letade sig in. Arbetsmaterialet, filerna med sekvenseringsdata, kommer direkt från naturen. 

Hennes kollegor i labbet hade samlat in växtdelar från olika platser i världen, och som vuxit under olika förutsättningar. I labbet utvanns dna från bladen och sekvenserades. Blandat med växtens egen arvsmassa fanns arvsmassan från de bakterier och andra mikroorganismer som levt i den. Det är de här mikroorganismerna som Maryam Mahmoudi har kartlagt.

 – Varje blad på en växt innehåller tusentals mikrober, och dessutom interagerar de hela tiden med varandra, säger hon.

De komplexa nätverken av mikroorganismer analyserades med olika typer av maskininlärning. Genom att jämföra mikroorganismer i samma växtart från olika platser ställde hon upp hypoteser för vad de olika bakterierna gör. Arter som hittades i friska plantor men som saknades i sjuka skyddar kanske växten från en sjukdom. Andra samband pekade på att vissa mikroorganismer kunde bidra till växtens anpassning till olika klimat. 

 – Analys är alltid en bra start. Du kan hitta mönster och ställa upp hypoteser, men sedan måste du visa att du kan få samma resultat i labbet. Kan vi ta med den här observationen från naturen och in i labbet?

Experimenten var oftast det givna nästa steget, och Maryam Mahmoudi återvände då och då till labbänken för att bekräfta sina hypoteser. Hon börjar och slutar sina arbetsdagar framför datorn, men är övertygad om att det hon gör är att hitta rätt frågor att ställa. Svaren måste komma från experiment.

De data som Maryam Mahmoudi analyserar hade inte funnits utan dagens dna-sekvenseringsteknik, ett fält som Walter Gilbert var pionjär inom. 1980 tilldelades han Nobelpriset i kemi för sitt arbete med att avkoda dna-sekvensen. Sedan dess har han besökt Lindaumötet ett tiotal gånger och han tycker om att följa den unga generationen.

– Det är alltid roligt att höra vad de gör just nu, och det förändras så mycket från år till år. Ett år är alla upprymda över en sak, och nästa är det något helt annat.

Med årets 75-årsjubileum är mötet dock lite för stort för hans smak, och han är glad över att vi gör intervjun i den tysta restaurangdelen.

Walter Gilbert har sett hela den tekniska revolutionen i dna-tekniken. Han beskriver hur sekvenseringstakten sedan hans Nobelpris ökat hundrafalt för varje decennium: Runt 1980 hade forskarna sekvenserat en miljon dna-baser, år 2003 var de flesta av de 3 miljarder baserna i människans genom sekvenserade. I dag kan hela genom sekvenseras på bara några timmar.

Under 1980- och 90-talen profilerade han sig som en av de stora förkämparna för sekvenseringen av det mänskliga genomet. Han såg tidigt att tekniken fanns, att det bara var en fråga om skala.

– Vi kunde skapa en resurs, en kunskapsbas, som skulle kunna användas i 100 år. Andra skulle hitta mer och mer i informationen som vi inte kunde föreställa oss när vi tog fram den, säger Walter Gilbert.

I det fick han rätt. 25 år efter att det mänskliga genomet kartlagts hittar forskarna fortfarande nya frågor i koden. 

Walter Gilbert beskriver sig själv som teknikentusiast. Han delar entusiasmen i att använda AI för att sortera och analysera data, men funderar länge på frågan om vad den här effektiviteten betyder för vetenskapen. 

En forskare går igenom data. Hon ställer upp hypoteser, och bekräftar med experiment. Med de nya teknikerna kan hon basera hypoteserna på en enorm mängd data, och göra mycket stora experiment. Resultatet blir som förväntat: Forskarens hypotes stämde och hon har en modell som kunnat prediktera det. Det, menar Walter Gilbert, är tråkigt. Det är först när experimenten inte bekräftar hypoteserna som det blir spännande. 

– Vetenskap är upptäckten av det oförväntade. Det är inget du kan hitta genom att söka i en databas, för det finns inte där, säger Walter Gilbert.

På onsdagen regnar det. Några paraplyer står lutade mot väggen i foajén till Inselhalle där veckans stora panelsamtal om AI snart ska börja. Det inleds med ett skämt om att flera nog är utleda på ämnet vid det här laget. Några skrattar, men salen är fullsatt. 

I panelen finns bland annat John Jumper, som tilldelades Nobelpriset i kemi 2024 för arbetet med AI-driven prediktion av proteinstrukturer. Att visa hur ett protein skulle kunna se ut utifrån sekvensen bidrar med mer än att bara hitta rätt frågor, menar han.

– När jag var ung trodde jag att simuleringar alltid föregick experiment, men jag har sett att de kan användas för att städa upp upptäckter från labbet, för att hjälpa oss förstå.

Men upptäckterna måste alltjämt komma från verkligheten. Lundaprofessorn Anne L’Huillier är också med i panelen. Den upptäckt som ledde till hennes Nobelpris i fysik 2023 började som en avvikande observation i ett experiment: en observation som de efter flera år lyckades rekonstruera i en simulering, och så småningom förklara. Med en glimt i ögat säger hon att hon vill utmana AI att göra de här oväntade upptäckterna. Det tror hon inte kommer att hända. I stället vänder sig Anne L’Huillier ut i rummet där den nya generationens forskare sitter.

– Snälla fortsätt experimentera. Gå till labbet och hitta de här oförväntade resultaten – det är där de stora upptäckterna finns!