Η ιδέα για την ίδρυση μιας υποδομής βιοπληροφορικής πλανιόταν για καιρό στο Πανεπιστήμιο της Μάλτας, αλλά όταν εξελίχθηκε σε ανάγκη, ξεκίνησε η αναζήτηση του καταλληλότερου επιστήμονα που θα μπορούσε να την υποστηρίξει. Έτσι χτύπησε το τηλέφωνο του Έλληνα βιοπληροφορικού Πάνου Αλεξίου.
«Με κάλεσαν και μου είπαν ότι το προφίλ μου ταίριαζε “γάντι” με αυτό που χρειάζονταν και με ρώτησαν αν θα με ενδιέφερε να υποβάλουμε μια αίτηση για επιχορήγηση ERA Chair στη Βιοπληροφορική για Γονιδιωματική από κοινού. Η πρώτη μου σκέψη ήταν πως εγώ ήμουν απλώς ένας ταπεινός επικεφαλής ερευνητικής ομάδας. Ωστόσο, είχα τα προσόντα και δέχτηκα, αλλά στην πραγματικότητα δεν έδωσα και πολλές ελπίδες», μου λέει ο ίδιος.
Γενικά η πορεία του Δρα Αλεξίου στη βιοπληροφορική συνδυάζει ένα ‘κυνήγι’ τεχνολογιών αιχμής με την αναζήτηση τρόπων να τις χρησιμοποιεί για να λύνει επιστημονικά προβλήματα. «Σε ένα πεδίο που τρέχει με τεράστια ταχύτητα, αλλά και που διαρκώς διευρύνεται, νομίζω πως αυτός ο συνδυασμός ήταν το πιο σημαντικό μου πλεονέκτημα για αυτή την επιλογή», συμπληρώνει.
Η σύσταση των Εδρών Ευρωπαϊκού Χώρου Έρευνας (ERA Chairs) συνίσταται στη μετακίνηση διακεκριμένων επιστημόνων κάθε εθνικότητας σε ερευνητικά κέντρα στην Ευρώπη, με στόχο την οργάνωση νέων ερευνητικών ομάδων σε επιστημονικά πεδία αιχμής και την επίτευξη ερευνητικής αριστείας. Βασικός σκοπός αυτών των υποδομών είναι η προσέλκυση και η διατήρηση ανθρώπινου δυναμικού υψηλής ποιότητας, υπό την επίβλεψη του κάτοχου της έδρας (ERA Chair holder), ο οποίος κατευθύνει επίσης την υλοποίηση διαρθρωτικών αλλαγών μέσα σε ένα βιώσιμο πλαίσιο.
Ο Έλληνας επιστήμονας εργάζεται στη διεπαφή της μηχανικής μάθησης με τη γονιδιωματική ανάλυση, συνεισφέροντας πολύτιμες γνώσεις για διάφορα ερωτήματα μοριακής βιολογίας, που σχετίζονται κυρίως με το RNA και τη μεταγραφωμική (μελέτη του συνόλου των μορίων αγγελιαφόρου RNA-mRNA σε ένα κύτταρο, όργανο ή οργανισμό).
Στόχος του κατόχου ERA Chair Πάνου Αλεξίου είναι η παροχή γνώσεων στη βιοπληροφορική και στις δεξιότητες μηχανικής μάθησης που απαιτούνται για τη μετάφραση των πολυομικών και κλινικών δεδομένων ασθενών σε μια καλύτερη κατανόηση των νόσων.
«Στη Μάλτα, θα προσπαθήσω να κατανοήσω ετερόκλητα προβλήματα σε πολλά επί μέρους πεδία της βιοπληροφορικής, της βιολογίας, της ασφάλειας δεδομένων, της μηχανικής μάθησης, κ.ά, ώστε να μπορέσω να οργανώσω ένα καθαρό πλάνο για να καλύψω τις εκάστοτε ανάγκες. Σε αυτό θα εκμεταλλευτώ την εμπειρία μου», αναφέρει.
Από ήπειρο σε ήπειρο…
Το 1999 ο Πάνος Αλεξίου αποφάσισε να φύγει από την Αθήνα και να σπουδάσει γενετική στο Άμπερντίν στη Σκωτία γιατί γοητεύτηκε από ένα… πρόβατο! Ναι καλά διαβάσατε. Όχι όμως από ένα οποιοδήποτε πρόβατο, αλλά από τη Ντόλι, το πρώτο πρόβατο που κλωνοποιήθηκε το 1996 από ενήλικο κύτταρο, πυροδοτώντας εκείνη την εποχή ένα τεράστιο κύμα ενδιαφέροντος για την τεχνολογία κλωνοποίησης, αλλά και προκαλώντας πανικό ταυτόχρονα για την πιθανότητα κλωνοποίησης ανθρώπου.
Αργότερα, επέστρεψε στην Ελλάδα έχοντας στις αποσκευές του μάστερ στη Μοριακή Βιολογία και στη Βιοπληροφορική από το Πανεπιστήμιο του Άμστερνταμ, για να κάνει διδακτορικό στη βιοπληροφορική, στο Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, σε μια εποχή παγκόσμιας οικονομικής κρίσης και να ξαναφύγει για τη Πενσυλβάνια των ΗΠΑ αυτή τη φορά, όπου παρέμεινε επτά χρόνια. Επέστρεψε στην Ευρώπη για μια θέση στο Central European Institute of Technology (CEITEC), στην πόλη Μπρνο της Τσεχίας, με χορηγία εγκατάστασης (Installation Grant) ΕΜΒΟ από τον Ευρωπαϊκό Οργανισμό Μοριακής Βιολογίας (50.000 ευρώ τον χρόνο για 5 χρόνια).
Ο Αλεξίου μαζί με την επιχορήγηση ΕΜΒΟ έφερε μαζί του στο Μπρνο και μια μεγάλη εμπειρία στην βιοπληροφορική ανάλυση δεδομένων αλληλούχησης υψηλής απόδοσης για διάφορες πρωτεΐνες δέσμευσης RNA και, εκτός από τα δικά του ερευνητικά έργα, βοήθησε και άλλους ερευνητές στην ανάλυση βιοπληροφορικών δεδομένων και στον σχεδιασμό πειραμάτων. Δημιούργησε εξαρχής δύο ερευνητικές ομάδες, και μάλιστα στην περίοδο της covid-19, και οργάνωσε σεμινάρια βιοπληροφορικής για να μεταφέρει την τεχνογνωσία του στην ευρύτερη επιστημονική κοινότητα του CEITEC, όπου είχε αναλάβει επικεφαλής της βασικής υποδομής βιοπληροφορικής.
«Στη βιοπληροφορική για γονιδιωματική, χρησιμοποιούμε τεχνολογίες υπολογιστών για τη συλλογή, αποθήκευση, ανάλυση και διαμοιρασμό βιολογικών δεδομένων και πληροφοριών. Οι επιστήμονες και οι κλινικοί γιατροί χρησιμοποιούν αυτά τα δεδομένα για να αυξήσουν την κατανόησή μας για την υγεία και τις ασθένειες και, σε ορισμένες περιπτώσεις, ως μέρος της ιατρικής περίθαλψης. Οι πρόοδοι στην ανάγνωση αλληλουχιών DNA έφεραν μια νέα πρόκληση: την κατανόηση και την ερμηνεία της τεράστιας ποσότητας πληροφοριών που έχουν συλλεχθεί. Επειδή τα σύνολα δεδομένων του ανθρώπινου γονιδιώματος είναι τεράστια, οι μέθοδοι που βασίζονται σε υπολογιστές είναι η πιο αξιόπιστη προσέγγιση», εξηγεί ο ίδιος.
Όπως λέει, εκπαιδεύει μοντέλα για να κάνουν συγκεκριμένη έρευνα, για παράδειγμα πρόβλεψη στόχων microRNA, και αυτή στιγμή εργάζεται χρησιμοποιώντας την τεχνητή νοημοσύνη, στη δεύτερη έκδοση του έργου Genomic Benchmarks, που εστιάζει στη δημιουργία συλλογών δεδομένων γονιδιωματικής αναφοράς, με στόχο τη σύσταση ενός αποθετηρίου για κοινόχρηστα σύνολα δεδομένων που θα καταστήσει τη μηχανική μάθηση για τη γονιδιωματική πιο συγκρίσιμη και αναπαραγώγιμη, μειώνοντας παράλληλα το φόρτο εργασίας των ερευνητών που θέλουν να εισέλθουν στον τομέα.
«Ένα δεύτερο πρότζεκτ σχετίζεται με την χρήση αυτόνομων ΑΙ agent για την αυτοματοποίηση της παραγωγής αλγορίθμων μηχανικής μάθησης στη βιοπληροφορική. Τι σημαίνει αυτό; Έχουμε φτιάξει ένα σύστημα το οποίο μπορούμε να τροφοδοτήσουμε με αρχεία από μια συγκεκριμένη συλλογή βιολογικών δεδομένων και αυτό, τελείως αυτόνομα αλλά ακολουθώντας καθορισμένα βήματα, να γράψει όλο τον κώδικα μηχανικής μάθησης που χρειάζεται, να εκπαιδεύσει τα απαραίτητα μοντέλα ΑΙ, να δοκιμάσει τις δυνατότητές τους, να μάθει από τις επιλογές τους και να συνεχίσει να τεστάρει βελτιωμένα μοντέλα».
Κι όμως, μας λείπουν βιοπληροφορικοί
«Δεν προσεγγίζουμε σε αριθμό ούτε κατά διάνοια τους βιοπληροφορικούς που χρειαζόμαστε αυτή τη στιγμή!», εκτιμά ο Δρ Αλεξίου και συνεχίζει: «Το πρόβλημα έγκειται αφενός στην ανεπάρκεια βιοπληροφορικών για να αναλύσουν το πλήθος δεδομένων που παράγονται, και αφετέρου στην αντίληψη του ρόλου των βιοπληροφορικών από τους κλασσικούς ερευνητές στις βιοεπιστήμες».
Όπως λέει ο ίδιος, σε ένα μεγάλο βαθμό, ο βιοπληροφορικός αντιμετωπίζεται ως ο «τεχνικός» που καλείται να επιλύσει τεχνικά προβλήματα του «κλασσικού βιολόγου», χωρίς να έχει πραγματικά επιστημονική συμβολή. Αυτό ίσως να ίσχυε είκοσι χρόνια πριν. Σήμερα οι βιοπληροφορικοί ανακαλύπτουν ενδιαφέροντα προβλήματα απευθείας από αυτή καθαυτή την ανάλυση δεδομένων, και σε μεγάλο βαθμό το πειραματικό κομμάτι έχει γίνει πλέον πολύ λιγότερο επιστήμη και περισσότερο τεχνική.
«Πιο απλά, πριν από 20-30 χρόνια, ο βιολόγος χρειαζόταν να σκεφτεί την υπόθεση εργασίας και να οργανώσει το πείραμα, το οποίο ήταν και το πιο δύσκολο κομμάτι στην έρευνα. Στη συνέχεια, καλούσε έναν βιοπληροφορικό για να αναλύσει τα παραγόμενα δεδομένα και να βγάλει ένα συμπέρασμα. Σήμερα, η υπόθεση εργασίας μπορεί να έρθει κατευθείαν από τον βιοπληροφορικό, ενώ ένα μεγάλο κομμάτι οποιασδήποτε ερευνητικής δουλειάς εμπεριέχει ανάλυση μεγάλων δεδομένων σε αντιπαράθεση με υπάρχουσες μεγάλες συλλογές / βάσεις δεδομένων. Ο βιοπληροφορικός οδηγεί επιστημονικά αυτές τις αναλύσεις και τις περισσότερες φορές ο κλασσικός βιολόγος περιορίζεται σε μικρά πειράματα επιβεβαίωσης».
Ο Δρ Αλεξίου πιστεύει πως η Βιολογία γενικά, σε μεγάλο βαθμό έχει εξελιχθεί σε επιστήμη δεδομένων και πως ο όγκος των συνεχώς παραγόμενων δεδομένων είναι πλέον δυσανάλογος συγκριτικά με τα κλασσικά πειράματα και φυσικά, πολύ μεγαλύτερος από ότι σε άλλες επιστήμες όπως η φυσική, οι οποίες παραδοσιακά θεωρούνται πιο αναλυτικές.
Το πώς θα μετασχηματιστεί το τοπίο της έρευνας με τη χρήση της τεχνητής νοημοσύνης σε δέκα χρόνια από τώρα, εξαρτάται από το πόσο γρήγορα και από το πόσο καλά θα ενσωματωθούν οι νέες τεχνολογίες στα ερευνητικά πεδία, κατά την άποψη του Έλληνα επιστήμονα.
«Σε ένα αρνητικό σενάριο, οι νέες τεχνολογίες αναπτύσσονται γρήγορα αλλά δεν αφομοιώνονται σωστά. Επικρατεί έτσι ένα μοντέλο άκρατου ανταγωνισμού και μαζικής παραγωγής γνώσης με τη χρήση ΤΝ που δεν ελέγχεται επαρκώς. Τα επιστημονικά ευρήματα ‘δηλητηριάζονται’ από παράγωγα ΤΝ τα οποία, είτε είναι λάθος, είτε είναι σκοπίμως μεροληπτικά για να δημιουργήσουν ιδεολογικά ρεύματα, κυρίως στο πεδίο της βιολογίας. Σε αυτό το χάος, μόνο οι δυνατοί οικονομικά παίκτες, όπως οι φαρμακευτικές κολοσσοί δημιουργούν κλειστά συστήματα με πρόσβαση σε καθαρά δεδομένα και συστήματα τεχνολογίας αιχμής για να παράγουν γνώση για εσωτερική κατανάλωση.
Στο θετικό σενάριο όπου οι νέες τεχνολογίες αναπτύσσονται γρήγορα και αφομοιώνονται σωστά, οι φοιτητές και οι ερευνητές ενημερώνονται για την χρήση τους και δημιουργούνται δομές που να μπορούν να τους καθοδηγήσουν σε αυτή τη χρήση, αλλά και στη συνύπαρξη ανθρώπου και ΤΝ για την παραγωγή σωστής και βαθιάς γνώσης. Ακολουθούμε τις επιστημονικές αρχές ώστε η ευκολία παραγωγής αποτελεσμάτων να μην οδηγήσει σε έκρηξη σαβούρας (slop). Τα πάντα όμως θα εξαρτηθούν από τη χρηματοδότηση».
Ωστόσο ο Δρ Αλεξίου δεν ανησυχεί καθόλου μήπως η ΤΝ αντικαταστήσει τους βιοπληροφορικούς, αλλά είναι σίγουρος ότι η δουλειά τους θα αλλάξει για μια ακόμη φορά ριζικά εξαιτίας της. Έχει βιώσει άλλωστε τα τελευταία 20 χρόνια, σχεδόν ανά 5ετία, το πως αλλάζουν οι τεχνικές, οι δυνατότητες των υπολογιστών, αλλά και το πώς εισάγεται η ΤΝ στο πεδίο και τώρα και οι αυτόνομοι ΑΙ agents.
«Πιστεύω ότι η ΤΝ θα ‘σπρώξει’ τους βιοπληροφορικούς σε περισσότερο θεωρητικά και επιστημονικά μονοπάτια, παίρνοντας πάνω τους πολλή από την ‘τέχνη’ (craft) της δουλειάς, όπως για παράδειγμα, το γράψιμο κώδικα που θα αυτοματοποιηθεί σχεδόν και με τέλειο τρόπο μέσα στα επόμενα πέντε χρόνια μάξιμουμ. Ωστόσο, ο έλεγχος του αν ο αυτός κώδικας απαντάει το βιολογικό ερώτημα, θα παραμείνει ως ένα task του ανθρώπου. Η οργάνωση (orchestration) μικτών ομάδων ανθρώπων και ΤΝ θα είναι επίσης μέρος της δουλειάς του βιοπληροφορικού».
Ο Αλεξίου λέει ότι το καλό με την επιστήμη είναι ότι η γνώση δεν είναι πεπερασμένη και πως αν η ΤΝ επιτρέψει στους επιστήμονες να παράγουν εκατονταπλάσια γνώση στον ίδιο χρόνο, θα είναι ακόμη καλύτερα.
«Εμείς θα επικεντρωθούμε στο πως θα διασφαλίσουμε ότι η ΤΝ παράγει σωστή γνώση, στο πως θα διευκολύνουμε αυτή τη διαδικασία και στο πώς θα διδάξουμε άλλους ερευνητές να διακρίνουν τι έχει ενδιαφέρον στο πεδίο της έρευνας και τι όχι».
Λίγο πριν ολοκληρωθεί αυτή η συζήτηση ο Έλληνας βιοπληροφορικός μου αποκαλύπτει ότι μετά τη Μάλτα το όνειρό του είναι να επιστρέψει στην Ελλάδα και να στήσει μια ερευνητική ομάδα που θα δουλέψει για να διευκολύνει την αφομοίωση της ΤΝ από την ελληνική βιο-ερευνα.
«Πιστεύω ότι η χώρα μας μπορεί τώρα να πρωτοστατήσει στην έρευνα, όπως αυτή διαμορφώνεται, καθώς τα κόστη μειώνονται και αυξάνεται το ανθρώπινο δυναμικό. Αν η Ελλάδα μπορέσει να ‘ανεβεί στο τρένο’ με τις νέες τεχνολογίες πριν αυτό αναχωρήσει, μπορεί και να πετύχουμε ένα νέο “boom” στην ερευνά μας!»
