🤯⚡️Orimligt omfattande kartläggning sparar tid.

Fullständig kartläggning nu möjlig som arbetsmetod. Detta förändrar ju allt!

Det här är nyhetsbrevet där Tomas Seo, innovationsstrateg på Phorecast, berättar om händelser, upptäckter och ny teknik som får honom att utbrista: Detta förändrar ju allt! Du prenumererar på det här för att fortsätta vara steget före med de senaste trenderna och få konkreta tips för att framtidssäkra dig och din organisation. Har du fått det här av en vän? Då vill du kanske starta en egen prenumeration?

---

Vad har hänt?

- AI matchar befintliga mediciner med nya användningsområden.

I Amsterdam har IDRC 2025 (International Drug Repurposing Conference 2025) just avslutats. Det är en konferens där de pratar om hur läkemedel som redan finns går att använda till annat än de var tänkta för. Det är viktigt eftersom redan godkända mediciner (billigt och bra för läkemedelsbolagen) kan inkluderas med minimal byråkrati i nya behandlingsprogram (snabbt och bra för patienter).

Precis som i alla andra branscher så är AI ett av huvudämnena. Speciellt på grund av att forskare från Harvard i slutet av förra året släppte TxGNN. Det är en så kallad foundation model som kan identifiera vilka befintliga läkemedel som skulle kunna användas för att behandla annat än de var tänkta för.

En foundation model är en AI-modell som tränats på extremt stora och breda datamängder för att lära sig generella mönster, istället för att lösa ett specifikt problem. Den ska kunna användas i många olika situationer. Det är som en AI-bas som kan specialiseras vidare. Till skillnad från traditionella AI-modeller som tränas för en uppgift i taget, kan foundation models tillämpas på nya uppgifter som de inte tränats direkt för.

Detta förändrar ju allt

Marinka Zitnik som är en av huvudforskarna bakom TxGNN har beskrivit arbetet med att hitta nya användningsområden för befintliga mediciner som mest beroende på tur och slump.

“We’ve tended to rely on luck and serendipity rather than on strategy, which limits drug discovery to diseases for which drugs already exist”

Men även om det är sant att det finns ett visst mått av tillfällighet i allt kreativt utforskande så jobbar nog de flesta som arbetar med idegenerering utifrån en normal metodik för riktad utforskning, det vill säga:

1. Målformulering. Vi bestämmer kriterier som lösning måste uppfylla.
2. Utforskning av potentiella lösningar.
3. Val den bästa lösningen.

Det som förändrar allt den här veckan är att nu ger den nya tekniken oss ett alternativt bakvänt sätt att hitta lösningar. Istället för att generera en potentiell lösning så genererar vi alla potentiella lösningar. Sedan går datorerna systematiskt igenom vilken lösning som matchar uppgiften. Processen för utforskning blir istället så här:

1. Vi vet inte vad som är möjligt så vi kartlägger ALLT som är teoretiskt möjligt
2. Testning av det som är teoretiskt möjligt för att ta reda på vad som är praktiskt möjligt
3. Resultat: Fullständig karta över vad som är praktiskt möjligt
4. Matchning med ALLT man kan ha det till.

Vi kan jämföra med Googles AlphaFold (som fick Nobelpriset, jag har skrivit om AlphaFold tidigare)

1. Kartläggning: Den tränas på alla kända proteinsekvenser och deras strukturer (teoretiskt möjliga former som naturen använder).
2. Testning via AI: Den lär sig mönster mellan sekvens (aminosyror) och 3D-struktur (form) – något som annars tog månader/år att labba fram.
3. Karta: Den kan nu förutsäga strukturen för i princip vilket protein som helst – alltså skapat en karta av praktiskt möjliga proteinformer.
4. Matchning: Forskare använder sedan dessa strukturer för att till exempel förstå sjukdomar, hitta läkemedel, skapa enzymer etc.

En fullständig utforskning har inte tidigare varit ett alternativ. Det skulle ta för mycket tid att kartlägga allt som är teoretiskt möjligt. Dessutom onödigt då det mesta som är teoretiskt möjligt inte är praktiskt möjligt. Även att få fram allt som är praktiskt möjligt har varit slöseri med tid då det mesta som är praktiskt möjligt inte är relevant för den målformulering vi har. Men genom att bara kartlägga allt och sedan matcha ihop det på slutet istället för att ha ett riktat mål med det vi gör så vänds hur vi jobbar upp och ner.

Tänk dig att en läkare istället för att beställa ett test på ditt blod skulle börja med att göra en digital kopia av ditt blodprov, och först senare ställa frågor till den digitala kopian veckor eller år efteråt. Vi är inte där idag. Men det är exakt den sortens arbetssätt som TxGNN, AlphaFold och andra modeller redan introducerar, fast i sina respektive domäner.

Mest intressant tycker jag att det blir inom medicin, kemi och biologi. Vi tar fram alla möjliga proteinpåverkare först. Sedan matchas de med sjukdomar de kan bota. Eller tar vi fram alla möjliga plastsorter och så matchar vi ihop dem med de materialegenskaper som vi saknar.

Men vi kan tänka oss att den här typen av fullständig utforskning som arbetssätt kommer sprida sig till andra kreativa uppgifter också. Vad sägs om de här exemplen?

• Först görs en fullständig kartläggning över alla sätt att konstruera en bro, sedan får broingenjören en lista på alla lösningar som uppfyller kraven och får välja det bästa.

• En industridesigner tar först fram alla former som en kontorsstol kan ha först. Sedan matchas vilka möjliga stolsformer som passar bäst ihop med olika ryggproblem.

• En reklambyrå tar först fram alla annonsrubriker som går att skriva. Sedan matchar vi ihop dem med alla annonsörer som finns och ser vilka som passar bäst för vilka.

Det sista exemplet låter absurt för alla. De två före känns nog bara absurda för dem som jobbar med just de uppgifterna i dag. Det är för att vi inte kan föreställa oss hur det skulle kunna vara mer effektivt att först kombinera ihop alla lösningar som vi redan tror oss veta inte fungerar. För vad skulle vara poängen med att testa en rubrik som ”Gröt kom konserverad köp”, men det är ju så datorer systematiskt utforskar. Det nya arbetssättet kräver inte en kvalificerad gissning om vilken riktning som kan vara rätt, den utforskar allt.

Det finns något med att börja med att göra en total kartläggning som är orimligt intressant. Det är på samma gång fruktansvärt effektivt och galet ineffektivt. Men det som blir mest skrämmande är nog att det känns som det kan förta lusten att testa nytt själva. Schack är inte fullständigt löst än i bemärkelsen att alla kombinationer av drag är genomgångna. Men ju mer löst schack blir, desto tråkigare blir det när vi tänker att alla drag som går att göra i alla kombinationer redan är upptäckta. Det blir mer en minnesövning. På samma sätt kommer den här arbetsmetodiken att förändra hur hela industrier tänker och jobbar. Det kan ju låta som att allt det roliga med kreativ utforskning försvinner. Än en gång kommer AI och tar det roliga ifrån oss.

Men vi kan också se det som ett nytt sätt för kreativa personer att utforska. Istället för att begränsa kreativiteten i det uppdragsgivaren eller chefen tänkte var möjligt så öppnar total kartläggning upp för helt nya typer av lösningar. Lösningar som tidigare skulle ha avfärdats, men som du nu kan få bevis för att de faktiskt kan fungera lika bra som de etablerade alternativen. Bara för att det finns en total kartläggning så matchas inte alla möjliga användningsområden där nya sätt har hög potential att lyckas ihop av sig själva. Det krävs fortfarande någon som ställer sig frågan om i vilket sammanhang rubriken “Gröt kom konserverad köp” skulle vara den perfekta lösningen.

Istället för att lägga vår kreativa energi på att hitta på något som härmar redan fungerande lösningar kommer det nya sättet att utforska göra att vi får använda vår kreativitet till att utforska det osannolika, kombinera det oväntade, och ställa de frågor ingen annan har ställt ännu. Även om en dator kan föreslå att “Gröt kom konserverad köp” är en möjlig ordkombo så krävs det fortfarande en kreativ hjärna för att våga säga ”Ja, det är kul kan jag få det att funka som exempel i dagens nyhetsbrev? 🤡”. För efter att AI kartlägger allt som är möjligt så är det din tur att använda den kartan för att skapa det omöjliga och detta förändrar ju allt!

Vad kan du göra idag?

Förstå

Total kartläggning är ett hett kommande område. Googles förra vd Eric Schmidt har den senaste tiden investerat i bolag som hjälper till med automatiserad total kartläggning inom materialtillverkning och läkemedelsinnovation. I en intervju berättar han om en modell han finansierat som tränats som en foundation model för kemi och kopplats till ett robotiserat labb. Där AI:n genererar hypoteser på nya molekyler, labbet testar dem över natten och så börjar processen om nästa morgon. En hel forskningscykel utan mänsklig inblandning.

Schmidt beskriver detta som nästa paradigm: att minska det oöverblickbara sökutrymmet genom AI och automation. Inte genom att gissa vad som kan fungera – utan genom att systematiskt generera ALLA alternativ som skulle kunna fungera, och låta systemen själva testa vad som faktiskt fungerar.

Det påminner starkt om hur TxGNN och AlphaFold fungerar och visar också att metoden inte är teoretisk längre. Det är ett nytt sätt att angripa problem: där vi inte börjar med målformulering, utan med hjälp av rekursion (självupprepande process där varje steg bygger vidare på det föregående) först skapa en fullständig karta över vad som ens är möjligt.

Planera

Alla branscher kommer snart att ha en eller flera foundation models tränade på mängder av data men som är generella AI:s som din organisation sedan kan bygga vidare på. Alla områden där er organisation har massor av specialistkompetens kommer med hjälp av en foundation model tränad på er typ av data kunna göra att ni kan gå från att testa ett tiotal olika lösningar till att testa tusentals olika lösningar på samma tid.

Inom forskning är det tradition att dela med sig, så när en foundation model byggs släpps den fri. Det kommer vara branschorganisationers skyldighet att vara drivande för att träna branschnödvändiga foundation models. Men det betyder inte att ni som enskild aktör ska sitta och vänta. Det vore som om du bygger ett hus men inte utrustar det med eluttag innan det finns en elledning från elnätet.

Ni som förbereder er nu genom att till exempel:

• Börja samla och dokumentera interna exempel, insikter eller bedömningar ni gjort så att ni senare kan mata dem in i eller jämföra dem mot en modell. (Jag vet att jag säger det ofta, men har ni börjat göra det än då?)

• Se över var ni har ostrukturerad information (till exempel anteckningar, rapporter, mejl, inspelade möten) som skulle kunna göras sökbara eller promptbara.

• Identifiera vilka frågor ni ofta ställer, men där ni bara testar en handfull svar, det är kandidater för totalutforskning med framtida modeller.

kommer inte bara ha ett försprång sen. Ni kommer upptäcka att det går att skapa mer värde redan idag, med den teknik och verktyg som redan finns.

Gör

En nyttig tankeövning är att fundera över hur målstyrning hindrar utforskning. Istället för att optimera det du redan har kan det vara bättre att leta upp något nytt sätt att jobba.

Välj ett område i din organisation där ni brukar börja med en tydlig målsättning – till exempel rekrytering, kampanjer, utvecklingsprojekt eller interna processförbättringar.
Fråga dig själv:

Vad skulle hända om vi inte började med målet utan först kartlade fler tänkbara alternativ?

Som konkret övning kan du testa att använda en AI för att få perspektiv du själv inte hade tänkt på. Du kan till exempel prompta så här:

• Visa mig tre helt olika sätt att lösa det här, som bygger på olika grundidéer.

• Vilket förslag skulle en person från en helt annan bransch ge här?

• Vad skulle någon med motsatt åsikt föreslå?

• Vad är ett oseriöst eller oväntat sätt att lösa det här som ändå kanske skulle funka?

Syftet är inte att AI:n ska ha rätt, utan att du själv får syn på fler möjliga angreppssätt än de du automatiskt hade valt.

Länkar

Mer om TxGNN

Artikel om TxGNN
https://hms.harvard.edu/news/researchers-harness-ai-repurpose-existing-drugs-treatment-rare-diseases

Vetenskaplig publicering av TxGNN
https://www.nature.com/articles/s41591-024-03233-x

Demo av TxGNN
http://txgnn.org/

Intervju med Eric Schmidt

IDRC 2025 officiell sida
https://remedi4all.org/2025-international-drug-repurposing-conference/#agenda

Anledningen till att jag började utforska det här ämnet var den här typen av artiklar som i New York Times ”Doctors Told Him He Was Going to Die. Then A.I. Saved His Life.”
https://www.nytimes.com/2025/03/20/well/ai-drug-repurposing.html

Sedan sist vi hördes

Det har som vanligt hänt massor med olika AI-modeller och verktyg sedan sist. Jag har gjort en vända och testat character consistency i de nya modellerna så som Midjourney och Runway Frames. De är helt klart bättre än tidigare, men inte tillräckligt bra för att inte kräva handpåläggning. De kan bli bättre innan de är användbara för vanligt folk. Framför allt tänker jag att den teknik de bygger på (diffusionsmodeller) kommer läggas på hyllan ett tag nu när ChatGPT och Gemini visat att det finns andra grundtekniker för att få fram bilder som är mer kontrollerbara. Tills dess fortsätter jag att använda ett steg med FaceFusion för faceswapping istället (ny version av FaceFusion förväntas komma ut nästa månad).

Den mest spännande nyheten tycker jag är att videoredigeringsplattformen Descript betatestar en ny funktion där vi ska chatta fram klippningen. Tänk ChatGPT bildgenerering fast för videoredigering. Det här är en väntad utveckling som kommer att förändra hur rörligt bildmedium ser ut på ett mycket mer omfattande sätt än generativ AI-video. Första steget är att ställa sig i kö för att se hur de första stapplande stegen ser ut, jag lär återkomma till det här ämnet när det finns något tecken på att det är användbart (glöm inte att prenumerera om du inte redan gör det) https://www.descript.com/agent

Annars är det många som har åsikter om att OpenAI inte blir en for profit organisation. Något som jag ifrågasatt varför de ville bli. Jag har aldrig begripit hur for profit som organisationsform skulle passa Sam Altman. Tvärtom tror jag att det skulle dödat hela OpenAIs själ. Nu får de fortsätta vara weird och spela utanför marknadsekonomins styrande spelregler och nationers regleringar på gott och ont.

Är du en insiktsdelare?

Känner du någon som sitter på fler idéer än hen hinner testa? Eller kanske någon som funderar på vad alternativet till målstyrning är? Vem tänkte du på? Skicka vidare!

Själv vill jag tipsa om intervjun med Nina Amjadi där hon spinner vidare på min spaning om just-in-time knowledge som jag skrev om för några veckor sedan. Nina pratar om hur det påverkar ledarskap:

Nina delade också med sig av vad hon lärt sig om vajbkodning i en post på Linkedin som jag tyckte var mycket insiktsfull igår.

Vill du själv bli mer inspirerad? Då är det dags för en ny digital inspirationsträff för betalande prenumeranter! Boka in torsdag 22 maj kl 12:00–12:45. Jag kommer köra en dragning av något rykande aktuellt, och de som är med får tillfälle att ställa frågor och utbyta erfarenheter med varandra.

Och är du betalande medlem och vill ha en invite till Manus så skicka mig ett mejl, jag har några över, först till kvarn!

Fortsätt utforska så ses vi nästa vecka!
Tomas Seo

Har du fått dagens nyhetsbrev utan att vara prenumerant?
Gillade du det här och vill ha mer så är det bara att skriva upp sig här
(du väljer själv om du vill betala):