Ko 160 let raziskovanja postane vprašanje mesecev

Umetna inteligenca v znanosti

Umetna inteligenca ne spreminja zakonov biologije. Spreminja pa število možnosti, ki jih lahko raziščemo, še preden v laboratoriju naredimo prvi poskus. Za medicino — in tudi za prihodnost hiperbarične kisikove terapije — bi to lahko pomenilo začetek povsem novega obdobja.

Aprila 2026 je harvardski genetik David Sinclair v pogovoru za podcast Impact Theory izrekel številko, ki jo je težko pozabiti. Njegova raziskovalna skupina je s pomočjo umetne inteligence virtualno pregledala približno osem milijard kemičnih spojin. Iskali so molekulo, ki bi lahko v eni sami spojini posnemala delovanje kombinacije dejavnikov, s katerimi raziskujejo celično pomlajevanje.

Sinclair je nato sistem umetne inteligence vprašal, koliko časa bi takšno presejanje vzelo njegovi ekipi v svetu pred umetno inteligenco. Odgovor: približno 160 let raziskovalnega dela in več milijard dolarjev.

Kaj ta številka je — in kaj ni

To ni bila natančna meritev s štoparico, temveč ilustrativna ocena umetne inteligence. Prav tako ni šlo za 160 let kliničnih raziskav, ki bi jih računalnik čudežno nadomestil čez noč — šlo je za virtualno pregledovanje milijard možnosti, torej za raziskovalno delo, ki bi ga ljudje sicer morali opravljati veliko bolj zaporedno in v bistveno manjšem obsegu. Toda bistvo zgodbe zaradi tega ni nič manj osupljivo: kar je bilo še pred nekaj leti praktično neizvedljivo, je danes mogoče opraviti v tednih ali mesecih.

8 mrd virtualno pregledanih kemičnih spojin v Sinclairjevem laboratoriju (Impact Theory, 2026)

30 min za analizo 551 znanstvenih virov — delo, ocenjeno na 294 človeških ur (Ghareeb et al., 2026)

71 mio genskih različic, ki jih je model AlphaMissense razvrstil naenkrat (Cheng et al., 2023)

Ne hitrejši znanstvenik, temveč na tisoče vzporednih rok

Klasično raziskovanje je pogosto zaporedno — in prav v tem je njegova skrita počasnost. Raziskovalec prebere literaturo, oblikuje hipotezo, izbere nekaj kandidatov, pripravi poskus, analizira rezultate in šele nato načrtuje naslednji korak. Vsaka odločitev zahteva čas. Vsak človek lahko naenkrat drži v glavi le omejeno število člankov, molekul in možnih razlag.

Umetna inteligenca deluje drugače. Če si tradicionalni laboratorij predstavljamo kot delavnico, umetna inteligenca ni nujno boljši mojster. Je delavnica, v kateri lahko na isti težavi hkrati dela na tisoče nevidnih pomočnikov — in nobeden od njih ne potrebuje spanja, kave ali dopusta.

Milijoni možnosti hkrati

Namesto da bi preizkušala eno spojino za drugo, lahko na strežniku vzporedno primerja na tisoče ali milijone kandidatov in med njimi takoj izloči manj obetavne.

Branje čez meje disciplin

Pregleduje znanstvene objave iz različnih strok hkrati — in išče povezave med podatki, ki jih ljudje, vsak zaprt v svoje področje, še niso povezali.

Hipoteze v medsebojni tekmi

Ne oblikuje ene same razlage, temveč jih predlaga več, jih med seboj primerja in razvrsti po tem, katera najbolje pojasni obstoječe podatke.

Takojšnji naslednji korak

Rezultate analizira sproti in iz njih nemudoma oblikuje naslednje raziskovalno vprašanje. Premor med dvema korakoma, ki pri ljudeh traja tedne, se skrči na minute.

Od osupljive zgodbe do recenziranih dokazov

Sinclairjeva ocena je dober simbol novega obdobja, ni pa osamljen primer. Časovna kompresija znanosti se že pojavlja tudi tam, kjer šteje največ — v recenzirani znanstveni literaturi.

Recenzirana študija · Nature 2026

551 znanstvenih člankov v približno pol ure

Leta 2026 je bila v reviji Nature objavljena raziskava sistema Robin, ki v enem samem okolju povezuje iskanje literature, oblikovanje hipotez, načrtovanje poskusov in analizo laboratorijskih podatkov. Pri iskanju potencialnega zdravila za suho starostno degeneracijo rumene pege je sistem obdelal 551 znanstvenih virov v 30 minutah. Avtorji so ocenili, da bi celoten miselni del raziskovalnega cikla človeku vzel med 359 in 424 urami — Robin ga je opravil v manj kot dveh urah.

Sistem je predlagal dve obetavni spojini, ripasudil in KL001. Raziskovalci so nato njuno delovanje preverili v laboratoriju in potrdili učinek na celičnem modelu. To še ne pomeni, da sta spojini dokazano zdravljenje za bolnike. Pomeni pa, da je umetna inteligenca izjemno hitro našla raziskovalno smer, ki je bila dovolj dobra, da je prestala prvi biološki preizkus (Ghareeb et al., 2026).

Hipoteza, ki je raziskovalce zaposlovala več let

Raziskovalci Imperial College London so Googlovemu sistemu AI co-scientist zastavili vprašanje o mehanizmu prenosa genskega materiala med bakterijami. Njihova skupina je odgovor pred tem več let iskala eksperimentalno, rezultat pa še ni bil javno objavljen — model torej rešitve ni mogel nikjer »prebrati«. Najvišje uvrščena hipoteza umetne inteligence se je ujemala z mehanizmom, ki so ga raziskovalci že potrdili v laboratoriju: določeni mobilni genski elementi za širjenje med bakterijskimi vrstami izkoristijo repe različnih bakteriofagov. Umetna inteligenca dokaza ni ustvarila — je pa neodvisno oblikovala pravilno hipotezo in ob njej odprla še nekaj dodatnih raziskovalnih poti (Penadés et al., 2025).

71.000.000

Sistem AlphaMissense je analiziral vseh približno 71 milijonov možnih sprememb posameznih aminokislin v človeških beljakovinah in jih 89 odstotkov razvrstil kot verjetno škodljive ali verjetno benigne. Za primerjavo: človeški strokovnjaki so do takrat zanesljivo opredelili le približno 0,1 odstotka teh različic (Cheng et al., 2023). Tudi tukaj gre za napovedi, ne za klinične diagnoze — toda takšen zemljevid raziskovalcem omogoči, da laboratorijski čas in denar usmerijo v najobetavnejše oziroma najbolj sumljive spremembe.

Največja sprememba ni v hitrosti računalnika

Najpomembnejši premik se ne dogaja v procesorjih, temveč v samem načinu raziskovanja. Znanstveno znanje je danes razpršeno po milijonih člankov, podatkovnih zbirkah, posnetkih, laboratorijskih meritvah in kliničnih poročilih. Pogosto ne primanjkuje podatkov — primanjkuje časa in sposobnosti, da bi vse te podatke kdo povezal v celoto.

Umetna inteligenca redko odkrije nekaj, česar ni izmeril še nihče. Veliko pogosteje najde nekaj skoraj enako dragocenega: povezavo med ugotovitvami, ki so bile že objavljene — a jih nihče ni sestavil v skupno sliko.

To je še posebej pomembno na medicinskih področjih, kjer obstaja veliko manjših, med seboj težko primerljivih raziskav. In eno takšnih področij je prav hiperbarična medicina.

Kaj bi to lahko pomenilo za hiperbarično kisikovo terapijo?

Hiperbarična kisikova terapija (HBOT) je zdravljenje, pri katerem pacient v nadzorovani hiperbarični komori diha medicinski kisik pri tlaku, višjem od običajnega atmosferskega. Za vrsto stanj — kot so dekompresijska bolezen, zastrupitev z ogljikovim monoksidom, pozne poškodbe po obsevanju, problematične rane in nekatere akutne ishemične poškodbe — je HBOT že strokovno priznana terapija ali dopolnilo standardnemu zdravljenju (UHMS).

Ob tem pa obstaja široko raziskovalno področje možnih dodatnih uporab. Raziskujejo se učinki na nevroplastičnost, vnetne procese, mitohondrijsko delovanje, nastajanje novih žil, mobilizacijo matičnih celic in regeneracijo tkiv. Težava ni nujno v pomanjkanju zanimivih signalov. Težava je, da so raziskave pogosto opravljene na manjšem številu udeležencev, zasnovane z različnimi tlaki in številom terapij, usmerjene v različne klinične izide, izvedene pri zelo različnih skupinah pacientov ter razpršene med medicinskimi disciplinami, ki med seboj ne sodelujejo vedno neposredno.

Povedano drugače: to je natanko tista vrsta znanstvenega okolja, v katerem lahko računalniška analiza prinese največ.

Štiri področja, kjer bi umetna inteligenca lahko pospešila razvoj HBOT

Pregled, objavljen leta 2026 v reviji Medical Gas Research, je zbral 53 relevantnih raziskav ter izpostavil štiri glavne smeri povezovanja umetne inteligence in hiperbarične medicine (Epelde, 2026).

Štiri smeri povezovanja umetne inteligence in hiperbarične medicine po pregledu 53 raziskav (Epelde, Medical Gas Research, 2026).

1 · Protokoli Od enakega protokola za vse do natančnejše terapije Pri HBOT niso pomembni samo tlak, trajanje posamezne terapije in število obiskov. Na izid lahko vplivajo tudi čas od poškodbe ali bolezni, starost, pridružene bolezni, zdravila, stanje ožilja, vnetni kazalniki in značilnosti prizadetega tkiva. Umetna inteligenca bi lahko primerjala podatke večjega števila pacientov in iskala kombinacije, povezane z boljšim odzivom — ter tako pomagala hitreje oblikovati in preverjati bolj individualizirane protokole.

2 · Pacienti Iskanje pacientov, pri katerih je odziv verjetnejši Eno najpomembnejših vprašanj raziskovalne hiperbarične medicine ni samo, ali HBOT pri določenem stanju deluje, temveč pri katerem profilu pacienta bi lahko delovala najbolje. S kombiniranjem kliničnih podatkov, laboratorijskih označevalcev, medicinskih slik in poteka bolezni bi modeli lahko prepoznali značilnosti pacientov z večjo verjetnostjo odziva. Takšne napovedi bi bilo treba potrditi v vnaprej načrtovanih kliničnih raziskavah — bi pa omogočile natančnejšo izbiro udeležencev in bolj smiselno zasnovo študij.

3 · Mehanizmi Povezovanje zapletenih bioloških mehanizmov HBOT vpliva na več medsebojno povezanih procesov: oksigenacijo tkiv, odziv na pomanjkanje kisika, oksidativne signalne poti, vnetje, delovanje mitohondrijev, prekrvavitev in obnovo tkiv. Človeška intuicija težko hkrati obravnava več deset ali sto spremenljivk — računski modeli pa lahko povezujejo podatke o izražanju genov, beljakovinah, presnovi, slikanju in kliničnem odzivu. To bi lahko pomagalo pojasniti, zakaj ima podoben protokol pri različnih ljudeh različen učinek in kateri mehanizem je pri posameznem stanju najpomembnejši.

4 · Varnost Natančnejše spremljanje varnosti Prihodnji sistemi bi lahko s pomočjo biosenzorjev sproti spremljali fiziološki odziv ter ocenjevali tveganje za neželene učinke, kot sta kisikova toksičnost ali barotravma. Raziskujejo se tudi tako imenovani digitalni dvojčki: računalniški modeli posameznikovega odziva, na katerih bi bilo mogoče pred terapijo simulirati različne protokole. Za zdaj gre za razvojno smer, ne standardno klinično prakso — a njen cilj je zelo konkreten: bolj individualizirana, merljiva in varna hiperbarična terapija.

Ali bo umetna inteligenca odkrila nove indikacije za HBOT?

To je naše pričakovanje in razlog za optimizem — ne pa že dokazana ugotovitev. Pot od zanimive hipoteze do priznane medicinske indikacije ostaja zahtevna: potrebni so razumevanje mehanizma, predklinični podatki, kakovostne pilotne raziskave, večje randomizirane klinične študije, ponovljivost rezultatov in presoja strokovnih združenj.

Umetna inteligenca ne more nadomestiti vseh teh korakov. Ne more računalniško skrajšati časa, potrebnega za celjenje rane, obnovo živčevja ali večletno spremljanje pacientov. Lahko pa veliko hitreje prepozna najbolj smiselne hipoteze, izloči manj obetavne raziskovalne poti, poveže prej ločene podatke, pomaga izbrati primernejše paciente in merila uspeha, izboljša načrtovanje raziskav ter hitreje analizira rezultate in iz njih oblikuje naslednje vprašanje.

Bistvo v enem stavku

Z umetno inteligenco se ne skrajša biologija. Močno pa se lahko skrajša čas med posameznimi raziskovalnimi koraki — in prav tam se danes izgubi največ let.

Prihodnost, zaradi katere smo lahko upravičeno optimistični

Največji potencial umetne inteligence ni v tem, da bi nadomestila znanstvenike, zdravnike ali laboratorijske poskuse. Njena moč je v tem, da ljudem omogoči preveriti neprimerno več dobrih idej in hitreje prepoznati tiste, ki si zaslužijo resno klinično raziskavo. Za hiperbarično medicino bi to lahko pomenilo hitrejše odgovore na vprašanja, ki so danes še odprta: kateri pacienti se najbolje odzovejo, kakšen protokol je zanje najprimernejši, katere spremembe lahko objektivno izmerimo — in pri katerih bolezenskih stanjih je biološki signal dovolj močan, da upraviči veliko, kakovostno klinično raziskavo.

Morda ne bomo že jutri dobili dolgega seznama novih priznanih indikacij. Obstaja pa vse več razlogov za pričakovanje, da bo pot od prvega znanstvenega signala do zanesljivega odgovora krajša, kot je bila kadarkoli doslej. Če lahko računalnik v nekaj urah opravi miselno delo, za katero bi raziskovalci potrebovali več mesecev, in v kratkem času preišče prostor, ki bi ga ljudje zaporedno raziskovali desetletja, se spreminja temeljna ekonomika znanstvenega odkrivanja. In če je bilo preteklo stoletje obdobje, v katerem smo se naučili uporabljati kisik pod tlakom, je lahko naslednje obdobje tisto, v katerem bomo s pomočjo umetne inteligence veliko natančneje razumeli, komu, kdaj in zakaj lahko najbolj koristi.

V OxySphere bomo razvoj tega področja pozorno spremljali ter še naprej jasno ločevali med uveljavljenimi indikacijami, obetavnimi kliničnimi dokazi in raziskovalnimi oziroma off-label uporabami. HBOT izvajamo v skladu z mednarodno priznanimi protokoli, v multiplace medicinsko certificirani komori, pod nadzorom prim. prof. dr. Marjana Koršiča, dr. med., spec. nevrokirurga.

Pogosta vprašanja

Ali je številka »160 let« znanstveno izmerjena?

Ne — gre za ilustrativno oceno, ki jo je na Sinclairjevo vprašanje podala umetna inteligenca, in ne za meritev iz recenzirane objave. V članku jo zato uporabljamo kot simbol novega tempa raziskovanja, dejanske številke o časovni kompresiji pa črpamo iz recenziranih virov, kot sta študiji sistemov Robin in AI co-scientist.

Ali sta spojini ripasudil in KL001 že zdravljenje za degeneracijo rumene pege?

Ne. Sistem Robin ju je predlagal kot obetavna kandidata, raziskovalci pa so njun učinek potrdili na celičnem modelu. To je šele prvi biološki preizkus — do morebitne klinične uporabe bi bili potrebni še predklinični podatki in randomizirane klinične študije.

Ali obstajajo objavljene raziskave o povezavi umetne inteligence in HBOT?

Da. Pregled, objavljen leta 2026 v reviji Medical Gas Research (Epelde), je zajel 53 raziskav in opisal štiri glavne smeri: optimizacijo protokolov, izbor pacientov na podlagi biomarkerjev, povezovanje bioloških mehanizmov in napovedno spremljanje varnosti. Gre za pregled raziskovalnih smeri, ne za že uveljavljeno klinično prakso.

Ali bo umetna inteligenca prinesla nove priznane indikacije za HBOT?

Tega danes ne more zagotoviti nihče — nove indikacije potrjujejo kakovostne klinične raziskave in strokovna združenja, ne računalniki. Utemeljeno pa je pričakovanje, da bo umetna inteligenca skrajšala pot od prvega znanstvenega signala do dobro zasnovane klinične študije, ker zna hitro povezati razdrobljene podatke in prepoznati najobetavnejše hipoteze.

Viri in nadaljnje branje

Informativna narava vsebin

Vse vsebine, objavljene na blogu in spletnem mestu oxysphere.si, so izključno informativne in izobraževalne narave. Pripravljene so z največjo mero strokovne skrbnosti in temeljijo na trenutno dostopnih znanstvenih dognanjih ter literaturi, vendar ne predstavljajo in ne morejo nadomestiti strokovnega zdravniškega nasveta, diagnoze ali zdravljenja. Za vsa vprašanja glede vašega zdravstvenega stanja, simptomov ali primernosti terapije se vedno posvetujte s svojim osebnim zdravnikom ali ustreznim specialistom. Nikoli ne opuščajte ali odlašajte s konvencionalnim zdravljenjem zaradi informacij, ki ste jih prebrali na tem spletnem mestu.

Hiperbarična kisikova terapija (HBOT) je medicinski postopek, ki ima specifične indikacije in kontraindikacije. Raziskovalne oziroma off-label uporabe HBOT niso nadomestilo za standardno zdravljenje. Pred začetkom katerekoli terapije je nujen posvet s kvalificiranim zdravstvenim osebjem klinike OxySphere, ki bo ocenilo primernost obravnave za vaše individualno zdravstveno stanje.

Čeprav naše metode temeljijo na preverjenih protokolih, je vsak organizem edinstven. Odziv na terapijo in rezultati se lahko razlikujejo od posameznika do posameznika in so odvisni od številnih fizioloških dejavnikov. Družba OxySphere medical d.o.o. ne jamči za specifične rezultate zdravljenja.

Ostali članki