Κάντε TO BHMA προτιμώμενη πηγή Το πρώτο «επιστημονικό» βιβλίο η Μιχαέλα Λουκά το έπιασε στα χέρια της όταν ήταν μόλις δύο ετών και ζούσε ακόμη στην Ελλάδα. Στην ουσία, ήταν ένα παιδικό βιβλίο για το ανθρώπινο σώμα που της είχαν κάνει δώρο: «Η μητέρα μου δεν έδωσε ιδιαίτερη σημασία. Είπε: “Αυτό είναι για μεγαλύτερα παιδιά, δεν είναι κατάλληλο για την ηλικία της Μιχαέλας”. Αλλά εμένα μου άρεσε πολύ και έφτασε τελικά στο σημείο να το μάθει απ’ έξω, κάθε σελίδα, λέξη προς λέξη, τόσο συχνά που την έβαζα να μου το διαβάζει». Ήταν η αρχή μιας παιδικής ηλικίας και μετέπειτα μιας μαθητικής ζωής όπου η έμφυτη περιέργεια και η αφοσίωση της νεαρής στη μάθηση την οδήγησαν σε μονοπάτια έξω από τα τετριμμένα.
Γεννημένη στην Αθήνα, με καταγωγή από τη Λέσβο από την πλευρά της μητέρας της και από την Ελευσίνα από την πλευρά του πατέρα της, η Μιχαέλα όταν ήταν τεσσάρων ετών μετακόμισε στην Αυστραλία, τον τόπο όπου μεγάλωσε η μαμά της. Εκεί, βρέθηκαν στον δρόμο της από πολύ νωρίς κάποιοι ευσυνείδητοι δάσκαλοι και καθηγητές που αποτέλεσαν έμπνευση για εκείνη και καλλιέργησαν την έντονη φιλομάθειά της: «Πάντα με ενδιέφερε ο προγραμματισμός, από το Δημοτικό. Και μία από τις δασκάλες μου, μία νεαρή Ελληνίδα, είχε δημιουργήσει έναν όμιλο, όπου μας δίδασκε για υπολογιστές και προγραμματισμό σε πολύ βασικό επίπεδο. Νομίζω ότι απλά είδα τον εαυτό μου σε εκείνη, την κοίταξα και σκέφτηκα: “Είναι ακριβώς ο τύπος της Ελληνίδας που θέλω να γίνω όταν μεγαλώσω”».
Ακόμη και μετά το Δημοτικό, συνέχισε να μαθαίνει, μόνη της κυρίως, για τον μαγευτικό – για την ίδια – κόσμο των υπολογιστών. Όπως λέει, είναι, επί το πλείστον, αυτοδίδακτη. Η Μιχαέλα Λουκά, εξάλλου, ανήκει σε μια γενιά μεγαλωμένη μέσα στην τεχνολογία, η οποία διαθέτει μια ευχέρεια και μια εξοικείωση που οι μεγαλύτεροι σε ηλικία καθηγητές πιθανώς δεν μπορούν να συναγωνιστούν, ειδικά σήμερα, με τη ραγδαία εξέλιξη της Τεχνητής Νοημοσύνης.
Αυτό το χάσμα έγινε ιδιαιτέρως έντονο στη Γ΄ Λυκείου. Ήταν η χρονιά που θα έδινε τις αντίστοιχες Πανελλήνιες στην Αυστραλία για την εισαγωγή της σε κάποιο Πανεπιστήμιο και, παράλληλα, όπως δίνεται η δυνατότητα στο εκπαιδευτικό σύστημα της χώρας, πήρε κάποια μαθήματα επιλογής.
Η μία επιλογή αφορούσε το μάθημα Science Extension (Επέκταση Θετικών Επιστημών), ένα δομημένο ερευνητικό μάθημα στο οποίο επιλεγμένοι μαθητές σχεδιάζουν και διεξάγουν πρωτότυπη επιστημονική έρευνα σε τομέα της επιλογής τους, ακολουθώντας διαδικασίες που προσομοιάζουν στην ακαδημαϊκή έρευνα. Η εργασία αναπτύσσεται σε διάστημα ενός σχολικού έτους και ολοκληρώνεται με ερευνητική έκθεση.
Όπως μας διηγείται η Μιχαέλα: «Αν και δίνει στους μαθητές πολλή ελευθερία να μελετήσουν ό,τι θέλουν, απαιτεί πολλή δουλειά, ενώ παράλληλα διαβάζεις και για τις “Πανελλήνιες”. Γι’ αυτόν τον λόγο είναι ένα μάθημα που δεν επιλέγουν πολλοί και δεν είχε διεξαχθεί ποτέ στο σχολείο μου πρωτύτερα. Επειδή όμως ενδιαφερόμουν πολύ, η υπεύθυνη του τμήματος θετικών επιστημών αποφάσισε να το “τρέξει”. Αρχικά, ήμασταν δύο μαθήτριες στο μάθημα, εγώ και ακόμη μία κοπέλα, επίσης Ελληνίδα. Τελικά, εκείνη αποχώρησε περίπου δύο μήνες μετά και έμεινα ουσιαστικά μόνη μου στο μάθημα, μόνο εγώ και η καθηγήτριά μου. Στο πλαίσιο αυτού του μαθήματος ανέπτυξα το δικό μου μοντέλο Τεχνητής Νοημοσύνης για την ανίχνευση του καρκίνου του μαστού και συνέχισα την ερευνητική μου εργασία μελετώντας και αναλύοντας τα αποτελέσματα του ίδιου του μοντέλου».
O τίτλος της εργασίας της: «Assessing the Accuracy and Interpretability of a Recurrent Neural Network for Breast Cancer Classification and Molecular Subtyping Using Ribonucleic Acid Sequencing Data». Η καθηγήτριά της, εντυπωσιασμένη από το αποτέλεσμα της εργασίας, υπέβαλε υποψηφιότητα εκ μέρους της στην Ενωση Διδασκόντων Επιστημών της Νέας Νότιας Ουαλίας (STANSW) για τη διάκριση «Νέος Επιστήμονας της Χρονιάς» (Young Scientist of the Year). Η έρευνα της Μιχαέλας σάρωσε αρχικά σε πολιτειακό επίπεδο και στη συνέχεια προκρίθηκε στον εθνικό διαγωνισμό ολόκληρης της Αυστραλίας, όπου κατέκτησε την πρώτη θέση. Ακολούθησαν αφιερώματα σε περιοδικά εθνικής κυκλοφορίας καθώς και εμφανίσεις στην τηλεόραση της Αυστραλίας.
Στο πλατό του Today Show, της ενημερωτικής και ψυχαγωγικής εκπομπής του Σίδνεϊ, τον Δεκέμβριο του 2025.
Αυτή η βράβευση ήρθε χωρίς καν να έχει την πλήρη τεχνική καθοδήγηση από το σχολείο της: «Η καθηγήτριά μου μού έμαθε ουσιαστικά πώς γίνεται η επιστημονική έρευνα. Μου δίδαξε πώς να αναλύω δεδομένα, πώς να γράφω μια εργαστηριακή αναφορά, αλλά η ίδια δεν καταλάβαινε πολλά από Τεχνητή Νοημοσύνη. Μου είπε: “Το κομμάτι με την Τεχνητή Νοημοσύνη θα πρέπει να το κάνεις μόνη σου”». Όπως και έγινε.
Η ίδια αποδίδει και σε έναν άλλον λόγο το γεγονός ότι οι γλώσσες προγραμματισμού τής είναι τόσο εύκολες: «Θεωρώ πως το ότι μεγάλωσα δίγλωσση, μιλώντας τόσο αγγλικά όσο και ελληνικά – αν και τώρα παραδέχομαι ότι τα ελληνικά μου έχουν ατονήσει, προσπαθώ να τα μιλάω όσο πιο συχνά γίνεται με τη γιαγιά –, με βοήθησε πολύ. Πίσω από την εκμάθηση οποιασδήποτε γλώσσας, υπάρχει μια αναγνώριση μοτίβων (pattern recognition) που πρέπει να λαμβάνει χώρα στο μυαλό σου. Να αναγνωρίζεις διαφορετικά μοτίβα, διαφορετική γραμματική, σύνταξη, και να προσπαθείς να μάθεις αυτούς τους κανόνες και το πώς αυτοί μπορούν να εφαρμοστούν σε διαφορετικούς τομείς. Οπότε πιστεύω πως το ότι είμαι δίγλωσση μου έχει δώσει τεράστιο πλεονέκτημα στην πιο διαισθητική κατανόηση του προγραμματισμού».
Το προσωπικό κίνητρο
Η μέχρι τώρα πορεία της καθορίστηκε και από ένα ακόμη σημαντικό γεγονός, πιο προσωπικό, το οποίο όμως την ώθησε να ασχοληθεί με ό,τι αφορά τη θεραπεία του καρκίνου: «Ο πατέρας μου πέρασε τέσσερις διαφορετικούς τύπους καρκίνου: λέμφωμα Hodgkin, καρκίνο του πνεύμονα, καρκίνο του θυρεοειδούς και καρκίνο του δέρματος. Παράλληλα, αντιμετώπισε και πολλές μακροχρόνιες επιπλοκές στην υγεία του ως αποτέλεσμα των θεραπειών».
Από την βράβευσή της στο Young Citizen of the Year.
Αν και ο πατέρας της πλέον έχει ξεπεράσει τα σοβαρότερα ζητήματα υγείας του, η εμπειρία αυτή επηρέασε βαθιά τη Μιχαέλα: «Μεγαλώνοντας και βλέποντας όλα όσα πέρασε ο πατέρας μου, άρχισα να σκέφτομαι πόσο σημαντικό είναι να μπορούμε να εξατομικεύουμε τις θεραπείες όσο το δυνατόν περισσότερο. Οι γιατροί έκαναν ό,τι ήταν απαραίτητο για να τον κρατήσουν στη ζωή, όμως ελπίζω ότι στο μέλλον η επιστήμη θα μας επιτρέψει να επιλέγουμε ακόμη πιο στοχευμένες θεραπείες, μειώνοντας τον κίνδυνο δευτεροπαθών καρκίνων και άλλων επιπλοκών που εμφανίζονται χρόνια αργότερα. Γι’ αυτό με ενδιαφέρει τόσο πολύ η ανάπτυξη εργαλείων όπως το μοντέλο που δημιούργησα. Η ιδέα της εξατομικευμένης Ιατρικής – να μπορούμε να κατανοούμε καλύτερα τη βιολογία κάθε ασθενούς και να προσαρμόζουμε τη θεραπεία στις δικές του ανάγκες – είναι κάτι που με συναρπάζει. Ελπίζω ότι στο μέλλον λιγότεροι άνθρωποι θα χρειάζεται να περάσουν όσα πέρασε ο πατέρας μου».
Η επιτυχία του 98% και τα αναπάντεχα ευρήματα
Το μοντέλο το οποίο η Μιχαέλα Λουκά άρχισε να αναπτύσσει στα 16 της χρόνια και ολοκλήρωσε στα 17, κατά τη διάρκεια της τελευταίας τάξης του Λυκείου, αξιοποιεί τις δυνατότητες ενός Αναδρομικού Νευρωνικού Δικτύου (Recurrent Neural Network – RNN). Όπως εξηγεί, η όλη προσπάθεια ξεκίνησε από τη χαρτογράφηση ενός τεράστιου όγκου δεδομένων: Όταν ξεκίνησα, χρησιμοποίησα μια βάση δεδομένων ανοιχτού κώδικα που ονομάζεται “Ατλας του Καρκινικού Γονιδιώματος” (The Cancer Genome Atlas – TCGA). Αυτό που έκανα ήταν να πάρω τα προφίλ γονιδιακής έκφρασης 20.000 γονιδίων. Για να το καταλάβει κάποιος απλά, κάθε κύτταρο στο σώμα μας περιέχει αυτά τα 20.000 γονίδια, τα οποία λειτουργούν ουσιαστικά σαν ρυθμιστές έντασης (dimmers). Ανάλογα με το ποιοι ρυθμιστές είναι σε υψηλή ή χαμηλή ένταση, καθορίζεται η συμπεριφορά του κυττάρου. Όταν ο ιστός είναι υγιής, οι ρυθμιστές αυτοί βρίσκονται σε μια συγκεκριμένη, σταθερή διάταξη. Όταν όμως εμφανίζεται καρκίνος, η διάταξη αλλάζει εντελώς».
Εκπαίδευσε λοιπόν την AI να αναγνωρίζει αυτά τα μοτίβα και τα αποτελέσματα ήταν εντυπωσιακά, καθώς πέτυχε ακρίβεια 98% στο να ξεχωρίζει αν ένα δείγμα ιστού από τον μαστό είναι υγιές ή καρκινικό. Στη συνέχεια, πηγαίνοντας το μοντέλο ένα βήμα παραπέρα, το έβαλε να κάνει μια πολυταξική ανάλυση για να διακρίνει ανάμεσα στους τέσσερις κύριους μοριακούς υπότυπους του καρκίνου του μαστού – Luminal A, Luminal B, HER2-enriched και τριπλά αρνητικό – αγγίζοντας εκεί ακρίβεια της τάξεως του 77,6%.
Στο Medical Research Institute του Πανεπιστημίου της.
Το πρόβλημα με τη γενετική ανάλυση μέχρι σήμερα, μας εξηγεί η νεαρή φοιτήτρια πλέον, είναι ο όγκος δεδομένων: «Έχουμε τρισεκατομμύρια κύτταρα στο σώμα μας. Και αν κάθε κύτταρο περιέχει και τα 20.000 γονίδια, αυτό αποτελεί έναν τεράστιο όγκο δεδομένων προς ανάλυση. Χρησιμοποιώντας ΑΙ, οι επιστήμονες είναι σε θέση να επεξεργάζονται τέτοιες τεράστιες ποσότητες δεδομένων με ολοένα υψηλότερες ταχύτητες».
Αυτό όμως που δεν περίμενε ακόμη και η ίδια η δημιουργός του μοντέλου ήταν κάτι ακόμη πιο πολύτιμο: «To μοντέλο δεν περιορίστηκε απλώς στο να κάνει προβλέψεις. Όταν ανέλυσα ποια γονίδια επηρέαζαν περισσότερο τις αποφάσεις του, διαπίστωσα ότι ορισμένα από αυτά βρίσκονται σήμερα στο επίκεντρο νέων ερευνητικών προσπαθειών. Ένα από αυτά ήταν η τρανσφερρίνη, η οποία σχετίζεται με τον μεταβολισμό του σιδήρου. Αν και είναι γνωστή στην επιστημονική κοινότητα εδώ και πολλά χρόνια, τα τελευταία χρόνια έχει αναζωπυρωθεί το ενδιαφέρον για τον πιθανό ρόλο της σε θεραπευτικές προσεγγίσεις για τον καρκίνο του μαστού. Το ότι το μοντέλο εντόπισε ανεξάρτητα ένα τέτοιο γονίδιο ήταν ένα από τα πιο ενδιαφέροντα ευρήματα της έρευνας».
Αν και το μοντέλο δεν έχει αναπτυχθεί για κλινική χρήση και απαιτεί περαιτέρω έρευνα και επικύρωση, η Μιχαέλα πιστεύει ότι αναδεικνύει μία από τις μεγαλύτερες υποσχέσεις της σύγχρονης Ιατρικής: την εξατομικευμένη θεραπεία: «Σήμερα γνωρίζουμε ότι δύο ασθενείς μπορεί να έχουν την ίδια διάγνωση αλλά να ανταποκρίνονται πολύ διαφορετικά στην ίδια θεραπεία. Ο στόχος της εξατομικευμένης Ιατρικής είναι να κατανοήσουμε καλύτερα τη βιολογία κάθε όγκου και κάθε ασθενούς, ώστε οι θεραπευτικές αποφάσεις να λαμβάνονται με μεγαλύτερη ακρίβεια. Αυτό που με ενδιέφερε ιδιαίτερα ήταν ότι το μοντέλο δεν περιορίστηκε μόνο στην ταξινόμηση των δειγμάτων. Ανέδειξε επίσης γονίδια όπως τα ARFIP2 και MSN, τα οποία έχουν πρόσφατα συνδεθεί στη διεθνή βιβλιογραφία με αντοχή στην τραστουζουμάμπη, μια στοχευμένη θεραπεία που χρησιμοποιείται σε ορισμένες μορφές HER2-θετικού καρκίνου του μαστού. Αυτό δε σημαίνει ότι μπορούμε ακόμη να λαμβάνουμε θεραπευτικές αποφάσεις βασιζόμενοι μόνο σε αυτά τα γονίδια. Ωστόσο, δείχνει πώς η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει τους ερευνητές να εντοπίζουν μοτίβα στα γενετικά δεδομένα και να αναδεικνύουν στοιχεία που ίσως συμβάλουν στο μέλλον σε πιο στοχευμένες και αποτελεσματικές θεραπείες».
Το «όχι» στους επενδυτές και τα σχέδια για το μέλλον
Η επιτυχία του μοντέλου της, που αναπτύχθηκε μέσα σε εννέα μήνες – «είναι το μωρό μου», λέει γελώντας η ίδια –, φυσικά προκάλεσε και το ενδιαφέρον επενδυτών. Η Μιχαέλα, όμως, αντιστάθηκε στις «σειρήνες» και επέλεξε να αφοσιωθεί αποκλειστικά στις σπουδές της: «Έλαβα προσφορές από διάφορους επενδυτές που ενδιαφέρθηκαν να χρηματοδοτήσουν την περαιτέρω ανάπτυξη του μοντέλου και να διερευνήσουν τη μελλοντική κλινική του αξιοποίηση.
Στο John Curtin School of Medical Research τον περασμένο Μάιο.
Αρχικά δελεάστηκα, ξαφνικά ξεκίνησαν συζητήσεις περί πνευματικής ιδιοκτησίας, πατέντες, ρυθμιστικά ζητήματα και επιχειρηματική ανάπτυξη – τομείς στους οποίους δεν είχα ακόμη την απαραίτητη γνώση ή εμπειρία. Εκείνη τη στιγμή ήμουν μια μαθήτρια που μόλις είχε ολοκληρώσει το Λύκειο, εξαντλημένη από μια ιδιαίτερα απαιτητική χρονιά, και ετοιμαζόμουν να ξεκινήσω το πανεπιστήμιο. Έτσι αποφάσισα να βάλω προσωρινά το πρότζεκτ σε αναμονή και να επικεντρωθώ στις σπουδές μου, με στόχο να επιστρέψω σε αυτό όταν θα έχω περισσότερες γνώσεις, εμπειρία και την κατάλληλη υποστήριξη γύρω μου. Παράλληλα, η εργασία μου είχε υποβληθεί για αξιολόγηση από ομότιμους επιστήμονες, κάτι που για εμένα ήταν εξίσου σημαντικό με οποιαδήποτε επενδυτική πρόταση». Πριν από λίγες ημέρες έλαβε την επιβεβαίωση που περίμενε: η έρευνά της έγινε επισήμως δεκτή για δημοσίευση στο «Young Australians Science Journal».
Η πλέον 18χρονη Μιχαέλα σπουδάζει με πλήρη υποτροφία στο Πανεπιστήμιο της Νέας Νότιας Ουαλίας (UNSW), σε ένα απαιτητικό διπλό πρόγραμμα σπουδών: Προηγμένες Θετικές Επιστήμες με κατεύθυνση στη Γενετική –BAdvSci (Hons) –και Μηχανική Βιοπληροφορική – BEng (Hons). Έχει, δηλαδή μπροστά της έξι χρόνια σπουδών: «Μέχρι να πάρω τα πτυχία μου η τεχνολογία θα έχει προχωρήσει τόσο δραστικά, που είμαι σίγουρη ότι κάποιος άλλος θα έχει αναπτύξει κάτι πολύ παρόμοιο με αυτό που έχω κάνει εγώ τώρα. Αλλά αφού ήμουν σε θέση να φτιάξω ένα πρόγραμμα χρησιμοποιώντας γνώσεις που έπρεπε να διδαχθώ μόνη μου, πιστεύω ότι σε έξι χρόνια από τώρα, αφού θα έχω αποκομίσει τόσο πολλά από το πανεπιστήμιο, έχοντας διασυνδέσεις, πρόσβαση σε εργαστήρια, σε διαφορετικά είδη τεχνολογίας, σε ανθρώπους που θα μπορούν να με βοηθήσουν, θα έχω καταφέρει κάτι ακόμη πιο επιδραστικό».
Παρά τους όποιους στόχους έχει θέσει για το μέλλον, η νεαρή πρωτοετής φοιτήτρια προς το παρόν φροντίζει να απολαμβάνει την ακαδημαϊκή ζωή όπως κάθε κορίτσι της ηλικίας της στην Αυστραλία, συνδυάζοντας το διάβασμα με τις εξόδους, τις βόλτες στην παραλία και τη δουλειά της ως σερβιτόρα, την οποία ξεκίνησε στα 14 της χρόνια: «Προσπαθώ να αξιοποιώ όσο περισσότερο μπορώ τις ευκαιρίες που μου προσφέρει το πανεπιστήμιο και να εξερευνώ διαφορετικά πεδία. Ξέρω ότι με ενδιαφέρουν πολύ οι τομείς της επιστήμης, της τεχνολογίας και της υγείας, αλλά δε γνωρίζω ακόμη πού ακριβώς θα με οδηγήσει αυτή η πορεία. Όλα είναι ανοιχτά. Αυτό που σίγουρα θέλω είναι πολύ σύντομα να έρθω στην Ελλάδα!».
