A legtöbb beteg és hozzátartozó ebből azonban szinte semmit nem lát.

Nem feltétlenül azért, mert nincs kutatás. Hanem azért, mert a fontos eredmény sokszor nem látható.

Egy ritka mutációhoz kapcsolódó vizsgálat nem biztos, hogy megjelenik egy általános keresés első találatai között. Egy új gyógyszerjelölt lehet, hogy csak egy klinikai registryben szerepel. Egy laboratóriumi eredmény elveszhet több száz, hasonló kulcsszavakat használó publikáció között. Egy kutatási irány pedig egészen más néven jelenhet meg, mint ahogy egy beteg rákeresne.

A Signal Engine azért épült fel, hogy ezek a kutatási jelek kevésbé vesszenek el.

Nem csodaszert keres. Nem gyógyulást ígér. Hanem olyan kutatási egérutakat próbál megmutatni, amelyek mellett egy beteg vagy az orvosa egy hagyományos kereséssel könnyen elmenne mellette.

A Signal Engine nem diagnosztizál, nem választ kezelést, és nem helyettesíti az onkológust. De egy reménytelennek tűnő helyzetben az információhiány ne legyen még egy lezárt ajtó!

Mit jelent az, hogy egérút?

Az „egérút” nem garantált kezelést vagy biztos gyógyulást jelent.

Egy olyan kutatási irányt jelenthet, amelyet érdemes továbbvizsgálni. Például:

·        egy ritka klinikai vizsgálat,

·        egy kísérleti gyógyszerjelölt,

·        egy adott biomarkerhez kapcsolódó kutatás,

·        egy új kombinációs stratégia,

·        egy kevéssé ismert gén- vagy jelátviteli útvonal,

·        vagy egy olyan vizsgálat, amely nem pontosan ugyanazzal a betegségnévvel vagy mutációs jelöléssel szerepel.

Ez egy súlyos helyzetben lévő beteg számára nem kevés.

A Signal nem állítja, hogy az adott vizsgálatban részt lehet venni. Nem garantálja, hogy létezik toborzó klinikai vizsgálat. Nem dönti el, hogy a beteg megfelel-e a beválasztási feltételeknek.

Azt azonban megpróbálja megmutatni, hogy van-e még olyan kutatási nyom, amelynek érdemes utánanézni, és amelyről érdemes lehet beszélni a kezelőorvossal.

Ezért az egérút elsősorban keresési lefedettséget jelent. Azt, hogy a rendszer több adatforrást, több elnevezést és több keresési irányt kapcsol össze, mint amire egy beteg általában képes lenne.

Miért nem elég ehhez a Google vagy egy általános AI?

A hagyományos keresők nagyon hasznosak, de nem kutatási asszisztensek.

Egy általános kereső elsősorban azokat az oldalakat mutatja meg, amelyeket a saját rangsorolási rendszere relevánsnak, elérhetőnek és láthatónak ítél. Ettől még nem biztos, hogy a teljes kutatási térképet látjuk.

A kereső első oldalán szereplő találatok nem feltétlenül a legfontosabb tudományos bizonyítékok. Lehetnek népszerűbbek, jobban hivatkozottak, könnyebben érthetők, frissebbek vagy egyszerűen jobban indexelhetők.

A ChatGPT, a Copilot és más nagy nyelvi modellek szintén rendkívül hasznosak. Képesek magyarázni, összefoglalni és összehasonlítani.

De egy nagy nyelvi modell önmagában nem kutatási adatbázis.

Nem attól lesz egy rendszer kutatómotor, hogy nagy a modell, sok paramétere van, vagy magabiztosan fogalmaz. Ahhoz célzott keresési réteg, megfelelő adatforrások és ellenőrizhető forráskezelés is kell.

A Signal Engine erre a feladatra épül.

Mit ír be az átlagos felhasználó?

A nyilvános /ai felületen a felhasználónak nem kell tudományos keresési stratégiát kidolgoznia.

Elég egyetlen kérdés magyarul vagy angolul, akár hétköznapi nyelven:

Vagy:

A rendszer a laikus megnevezéseket is megpróbálja a szakirodalomban használt alakokhoz kapcsolni. A „tüdőrák” például összekapcsolható az NSCLC vagy non-small cell lung cancer kifejezésekkel.

A ritka gén-, mutáció- és gyógyszerkódokat viszont nem írja át találomra. Ha a felhasználó beírja, hogy KRAS G12A vagy BBO-11818, ezek az alakok változatlanul megmaradnak.

Ez különösen fontos a ritka kutatási irányoknál. Egy általános rendszer könnyen úgy kezelhet egy ismeretlen kódot, mintha elírás lenne. A Signal viszont nem javítja ki automatikusan ismertebb névre. Inkább megtartja az eredeti kifejezést, és úgy keres rá.

Ha a kérdésből nem derül ki egyértelműen, hogy mit kell keresni, a rendszer nem találgat, hanem pontosító kérdést tesz fel.

Az AI nem maga keres

A Signal Engine működésének egyik legfontosabb technikai sajátossága, hogy az AI nem közvetlenül böngészi végig az internetet.

A kérdés feldolgozása több lépésben történik.

Először az AI meghatározza, hogy mit kérdez a felhasználó. Felismeri például a daganattípust, a gént, a mutációt, a gyógyszert vagy azt, hogy klinikai vizsgálatokat kell keresni.

Ezután a kérdést több keresési karra bontja. Ha például a kérdésben a KRAS G12A és a KRAS G12C összehasonlítása szerepel, a két mutáció nem egy összekevert keresésként jelenik meg, hanem külön keresési irányként.

A backend ezután párhuzamosan keres a saját indexben és a külső adatbázisokban. A találatokat relevancia szerint újrarendezi, összevonja a duplikációkat, majd átadja őket a válaszalkotó modellnek.

A válaszalkotó AI már nem a saját emlékezetéből ír szabadon. A ténylegesen visszakapott forrásokból dolgozik.

A rendszer ellenőrzi a hivatkozásokat is. Kitalált PMID, DOI, NCT vagy source_id nem kerülhet be érvényes forrásként a válaszba.

A jelenlegi, 2026. szeptember 10-i beállításban a különböző feladatokat több modell végzi. Az intentfelismerés, a keresési terv, a válaszalkotás, a strukturált kinyerés, a relevanciaértékelés és az újrarangsorolás nem feltétlenül ugyanahhoz a modellhez tartozik.

Az alapértelmezett nyilvános AI-útvonalon OpenRouteren keresztül Gemini 3.8 Flash dolgozik, tartalék modellként DeepSeek V4 Pro áll rendelkezésre, a kinyerési és szűrési feladatokat pedig kisebb gpt-oss modellek segítik.

A lényeg azonban nem az, hogy éppen melyik modell neve szerepel a háttérben. A lényeg az, hogy a modellek célzott, ellenőrzött keresési eredményeket kapnak, nem pedig vakon kell válaszolniuk.

Milyen adatforrásokhoz kapcsolódik?

A Signal Engine két rétegből dolgozik.

Az első a saját, folyamatosan épülő rákkutatási index. A rendszer különböző forrásokat talál, letölt, relevancia szerint szűr, strukturált állításokat nyer ki belőlük, majd ezeket forráshoz kötve indexeli.

A második réteg az élő adatbázis-lekérdezés. A kérdés pillanatában a backend több hivatalos vagy szakmai forráshoz is kapcsolódhat:

·        saját Signal-index,

·        Europe PMC,

·        PubMed és NCBI,

·        OpenAlex,

·        ClinicalTrials.gov,

·        EU CTIS,

·        ISRCTN,

·        Open Targets,

·        CIViC,

·        valamint élő webes keresés.

A rendszer tehát nem egyetlen keresőmezőre támaszkodik. Egy kérdésnél a saját index, a publikációs adatbázisok, a klinikai vizsgálati registryk és a célponti adatbázisok párhuzamosan dolgozhatnak.

A 2026. szeptember 10-i állapot szerint a saját indexben 1542 publikált kutatási signal és 3473 indexelt forrás szerepel. Ez a feldolgozott, strukturált réteg.

A kapcsolódó külső API-k mögött ennél nagyságrendekkel nagyobb korpuszok érhetők el:

·        az OpenAlex körülbelül 328–480 millió tudományos munkát fed le,

·        az Europe PMC körülbelül 49 millió rekordot tartalmaz,

·        a PubMed körülbelül 41 millió rekordhoz biztosít hozzáférést,

·        a ClinicalTrials.gov pedig körülbelül 602 ezer klinikai vizsgálatot tartalmaz.

Fontos különbség, hogy a Signal nem tárolja saját szerverén ezt a teljes több százmilliós korpuszt. A kérdés pillanatában keres ezekben az adatbázisokban, és csak a releváns találatokat adja tovább az elemzéshez.

Nem nyers találat, hanem kutatási jel

A Signal Engine egyik alapegysége a signal.

Ez nem egyszerű link vagy keresési találat, hanem egy strukturált, forráshoz kötött kutatási állítás.

Egy signal tartalmazhatja:

·        a daganattípust,

·        a gént vagy mutációt,

·        a gyógyszert,

·        a jelátviteli útvonalat,

·        a bizonyíték típusát,

·        a bizonyítékszintet,

·        azt, hogy van-e humán evidencia,

·        a forrásmondatot,

·        a korlátokat,

·        valamint az olyan azonosítókat, mint a PMID, DOI vagy NCT.

A rendszer evidencialétrát használ, amely a számítógépes vagy elméleti jelzésektől és sejtvonalas eredményektől az állatkísérleteken, korai humán adatokon, klinikai vizsgálatokon és megerősített klinikai bizonyítékokon át az elfogadott gyakorlatig terjed.

Ez azért fontos, mert a „ígéretes” szó önmagában nem jelent eleget.

Egy gyógyszer lehet ígéretes sejtvonalakon, állatmodellben, néhány beteg vizsgálatában vagy több randomizált klinikai vizsgálat alapján. Ezek nem azonos bizonyítékszintek.

A Signal célja nem az, hogy minden új eredményt szenzációként mutasson be. Éppen ellenkezőleg. Megpróbálja jelezni, hogy az adott eredmény jelenleg mennyit ér.

A publikált jelek között például található olyan tüdődaganatokhoz kapcsolódó kutatás, amely a CHL1-et kifejező fibroblasztok, a CXCL9 és az immunszuppresszív szabályozó T-sejtek kapcsolatát vizsgálja. Ez érdekes biológiai kutatási irány, de nem kész kezelés. A Signal állatkísérletes bizonyítékszintként jelöli, és nem állítja, hogy ebből közvetlenül betegkezelés következik.

Ez a különbségtétel védi meg a kutatási tájékozódást a hamis reménytől.

Hogyan működik a mélykutatás?

A nyilvános /ai elemző nem azonos a Signal Engine mélykutatási rendszerével.

Az átlagfelhasználó a nyilvános felületen egy forrásolt, kutatási tájékozódást adó választ kap.

A külön mélykutatási út ennél összetettebb. Nem egyetlen nagy válasz keletkezik, hanem több egymásra épülő kutatási lépés.

Első kör: a kutatási térkép

Az első kör feladata nem az, hogy végleges kezelési választ adjon. A cél a kutatási térkép elkészítése.

A rendszer a kérdésből kutatható protokollt készít, majd több keresési körben összegyűjti a releváns publikációkat, klinikai vizsgálatokat, gyógyszerjelölteket, biológiai mechanizmusokat és bizonyítékszinteket.

A hivatkozásokból újabb keresési irányok nyílhatnak. Ha egy publikáció egy másik vizsgálatra vagy korábbi mechanisztikus tanulmányra hivatkozik, a rendszer ezeket is tovább tudja követni. Egy első kör legfeljebb hat merítési körben dolgozhat tovább.

Az első kör végén már láthatóvá válik, hogy egy kérdés körül mi tekinthető elfogadott klinikai gyakorlatnak, mi korai humán adat, mi retrospektív eredmény, mi preklinikai kutatás, és hol vannak bizonyítékhiányok.

Második kör: a kutatási dosszié ellenőrzése

A második kör nem ugyanannak a kérdésnek az egyszerű újrafuttatása. Egy kész első körből indul, és annak eredményeit, hivatkozásait, hiányait és bizonytalan pontjait viszi tovább.

Itt már célzott új keresések indulhatnak. A rendszer ellenőrizheti, hogy egy állítás valóban arra a mutációra vagy daganattípusra vonatkozik-e, amelyről a kérdés szólt. Megnézheti, hogy egy eredmény emberi vizsgálatból, állatmodellből vagy sejtvonalas kísérletből származik-e, és hogy egy klinikai eredmény előre tervezett elemzés, utólagos alcsoportvizsgálat, egykarú vizsgálat vagy valós életbeli adat-e.

A második kör egyik legfontosabb feladata az indirekt bizonyítékok leválasztása a közvetlen bizonyítékokról. Más eredmény vonatkozik ugyanarra a mutációra, más ugyanarra a jelátviteli útvonalra, és megint más egy biológiailag hasonló, de nem azonos daganattípusra.

Ezután tudományos narratívához hasonló szerkezet készülhet: bevezetés, módszerek, eredmények, megbeszélés, korlátok, következtetés és hivatkozások. A jelentés így nemcsak felsorolja a találatokat, hanem megmutatja, hogy azok hogyan kapcsolódnak egymáshoz, és milyen bizonyító erővel rendelkeznek.

A két kör közötti különbség lényegében ez: az első kör megmutatja, merre érdemes nézni, a második kör pedig megpróbálja tisztázni, hogy amit ott találtunk, az valójában mit jelent.

Ez azonban nem automatikus Cochrane-review, nem metaanalízis és nem formális, PRISMA szerint regisztrált szisztematikus áttekintés.

A Signal nem állítja magáról azt, amit a rendszer nem teljesít.

Ahol a rendszernek is vannak határai

Egy jó kutatási rendszernek nemcsak azt kell megmutatnia, amit tud, hanem azt is, amit nem tud.

A Signal Engine jelenleg nem automatikus betegfelvételi rendszer. Nem dönti el, hogy egy beteg megfelel-e egy vizsgálat beválasztási feltételeinek. Nem biztosít teljes körű ország- vagy intézményszűrést. Nem működik ellenjavallat- és gyógyszerkölcsönhatás-adatbázisként.

A klinikai vizsgálat hivatalos oldala továbbra is alapvető forrás marad.

Ha egy registry nem tartalmaz releváns vizsgálatot, a rendszernek ezt kell jeleznie. Nem találhat ki egy NCT-azonosítót, és nem állíthatja, hogy egy kísérlet biztosan elérhető a beteg számára.

Ez különösen fontos az „egérút” esetében.

Az egérút nem azt jelenti, hogy a Signal megtalálja a menekülést. Azt jelenti, hogy segíthet megtalálni azt a következő kutatási irányt, amelyet még érdemes ellenőrizni.

Miért született meg a Signal Engine?

A Signal Engine személyes érintettségből született.

Ez talán megmagyarázza, miért nem egy újabb általános chatbot készült.

A fejlesztő számára ez nem pusztán üzleti lehetőség vagy technológiai játék volt. A kérdés közvetlenül érintette az életét. Ezért lett fontos, hogy a rendszer ne csak a hangos, könnyen megtalálható híreket mutassa meg, hanem a kevésbé látható kutatási nyomokat is.

Egy ritka mutációhoz kapcsolódó vizsgálat. Egy kísérleti gyógyszerjelölt. Egy új célpont. Egy olyan kombináció, amely még nem része a standard kezelésnek. Egy klinikai vizsgálat, amelyet más néven vagy más adatbázisban tartanak nyilván.

Ezek egyike sem garantálja a sikert.

De az sem mindegy, hogy valaki tud-e róluk, vagy soha nem találkozik velük.

A tudomány nem a Google első találatánál ér véget

A Signal Engine nem azt állítja, hogy minden beteg számára talál kezelést.

Azt sem állítja, hogy minden kutatási eredményt megtalál, vagy hogy minden klinikai vizsgálat elérhető.

A cél ennél pontosabb.

A Signal Engine egy célzott rákkutatási infrastruktúra, amelyben a backend több adatforrásban keres, az AI a kérdést keresési irányokra bontja, a találatokat összekapcsolja és forráshoz köti, a bizonyítékokat pedig megpróbálja elkülöníteni egymástól.

A rendszer nem akarja elhitetni, hogy minden új eredmény remény.

Azt akarja elérni, hogy a valódi kutatási lehetőségek ne maradjanak láthatatlanok pusztán azért, mert egy ritka mutációra, egy ismeretlen gyógyszerkódra vagy egy nehezen megtalálható klinikai vizsgálatra kellene rákeresni.

Mert egy súlyos betegségben az információ önmagában nem gyógyít.

De az információ hiánya bezárhat olyan ajtókat, amelyekről még nem tudtuk, hogy léteznek.

A tudomány nem a Google első találatánál ér véget.

És nem is ott kezdődik, ahol egy nyelvi modell magabiztosan befejez egy mondatot.

A valódi kutatási munka ott kezdődik, ahol valaki megkérdezi:

További információ: Signal Engine · Módszertan · A Signal Engine-ről