كيف يستخدم باحث Codex وChatGPT للبحث عن جزيئات جديدة مضادة للميكروبات

تشكل الميكروبات المقاومة للأدوية، ومنها البكتيريا والفطريات والطفيليات والفيروسات، تهديدًا عالميًا متناميًا. ارتبطت نحو خمسة ملايين وفاة في عام 2021 بمقاومة البكتيريا لمضادات الميكروبات⁠(يفتح في نافذة جديدة)، ويُتوقع أن تتضاعف هذه الحصيلة السنوية تقريبًا بحلول عام 2050. وقد يستغرق العثور على جزيئات مرشحة لتصبح مضادات للميكروبات سنوات. يستخدم الباحثون الذكاء الاصطناعي لتسريع هذه المرحلة المبكرة من الاكتشاف.

قال سيزار دي لا فوينتي⁠(يفتح في نافذة جديدة)، وهو مهندس حيوي يبحث مختبره متعدد التخصصات عن مضادات محتملة للميكروبات: «أرى أن مقاومة مضادات الميكروبات أحد أكبر التهديدات الوجودية للبشرية». «ومع ذلك، لم تظهر فئة جديدة من المضادات الحيوية منذ 50 عامًا».

يركز جانب كبير من التطوير الحديث لمضادات الميكروبات على تعديل الأدوية الحالية أو البحث ضمن فئات مألوفة من المواد الكيميائية. لكن عوائد هذا النهج آخذة في التراجع.

أما مختبر دي لا فوينتي، فيبدأ من موضع أقل استكشافًا بكثير: شفرة الحياة. تتمثل الفكرة المحورية وراء هذا العمل في أن علم الأحياء نظام معلومات. قال دي لا فوينتي: «تشبه النيوكليوتيدات التي يتكون منها الحمض النووي، والأحماض الأمينية التي تتكون منها البروتينات والببتيدات، حروف أبجدية إلى حد ما». «أتاح لنا النظر إلى علم الأحياء بوصفه معلومات تطوير أساليب يمكنها البدء بفك المبادئ المنظمة للحياة التي أنتجت جزيئًا يؤدي وظيفة محددة».

تُدرَّب نماذج التعلم العميق في المختبر على تمييز الأنماط في التسلسلات البيولوجية، ما يتيح لها البحث في مجموعات هائلة من بيانات الجينومات والبروتينات عن مضادات محتملة للميكروبات. يمكن لهذا النهج اختصار البحث الأولي عن الجزيئات المرشحة من سنوات إلى ساعات.

إلى جانب نماذجه الخاصة للذكاء الاصطناعي، يستخدم المختبر ChatGPT وCodex لتوليد الفرضيات، وكتابة التعليمات البرمجية وتحسينها، ومعالجة مجموعات البيانات، وتحليل النتائج، والربط بين الأفكار في مختلف التخصصات العلمية.

لا نعرف بوضوح وظيفة سوى جزء من الجينوم، ولا يشفّر إلا جزء أصغر منه جزيئات قادرة على مكافحة الميكروبات المُعدية. يكمن التحدي في تحديد الأنماط التي تجعل الجزيء قادرًا على أداء وظيفة، أو نشطًا بيولوجيًا، ثم معرفة أيها يملك القدرة على مكافحة الميكروبات المُعدية.

لطالما بحث العلماء عن مضادات الميكروبات في النباتات والحيوانات والميكروبات والحشرات والمياه والتربة. فهم يجمعون العينات، ويعزلون الجزيئات المرشحة أو يتنبؤون بها، ثم يختبرونها ضمن عملية تكرارية قد تستغرق سنوات.

تتيح قواعد البيانات الرقمية للجينومات والبروتينات الآن للعلماء البحث عن مركبات جديدة في شجرة الحياة بأكملها، ما وسّع بدرجة هائلة نطاق قواعد البيانات المتاحة للاستكشاف. لكن هذا الفيض من المعلومات ينطوي على تحدياته الخاصة، وأبرزها العثور على الإشارات الواعدة وسط عدد هائل من الاحتمالات.

والذكاء الاصطناعي ملائم بوجه خاص لهذه المهمة التي تشبه البحث عن إبرة في كومة قش. إذ يمكنه فحص مجموعات ضخمة من البيانات، وتحديد أنماط قد يصعب على الباحثين ملاحظتها، وترتيب الأولويات للخروج بمجموعة محدودة من المرشحين يمكن اختبارها تجريبيًا.

لكن تحديد مرشح واعد لا يعني بالضرورة أنه سيصبح دواءً فعالًا.

يجب على العلماء أولًا التأكد من أن الجزيء المرشح يقضي على الميكروب المستهدف، وتحديد الكمية اللازمة لفعاليته، واختبار تأثيره في الخلايا البشرية. وقد يعمد الكيميائيون بعد ذلك إلى تحسينه لزيادة فعاليته أو سلامته أو استقراره.

وتقيّم اختبارات إضافية الجرعة التي يصبح عندها المرشح سامًا، ومدى سهولة اكتساب الميكروبات مقاومة للجزيء، وكيفية انتقال المرشح داخل الجسم. وتحدد الفرق أيضًا طريقة موثوقة لتصنيع الجزيء. وحتى المرشحون الذين يتجاوزون هذه العقبات يظلون خاضعين للمراجعة التنظيمية والتجارب السريرية قبل أن يصلوا إلى المرضى في صورة أدوية معتمدة مضادة للميكروبات.

ولهذا يرى دي لا فوينتي ضرورة تقدم الذكاء الاصطناعي وعلم الأحياء المخبري معًا. وقال: «التجارب التي توفر حقائق واقعية ضرورية للتحقق من صحة تنبؤات الذكاء الاصطناعي». «سيكون ذلك بالغ الأهمية لعلوم الحياة في السنوات المقبلة إذا أردنا مواصلة استكشاف القشور الأولى من فهمنا لعلم الأحياء، أكثر الظواهر تعقيدًا على الإطلاق».

يستكشف مختبره جينومات الكائنات الحية والمنقرضة بحثًا عن جزيئات مرشحة. يتطلب البحث في تلك الجينومات، وفهم كيفية تشكّل البروتينات التي تشفّرها وأدائها لوظائفها، وتحديد ما تفعله تلك الجزيئات، خبرات تغطي عدة مجالات.

قال دي لا فوينتي: «نحن مجموعة تجمع تخصصات متنوعة إلى حد بعيد، إذ تضم أشخاصًا من علم الأحياء والكيمياء وعلوم الحاسوب والهندسة». يتمتع بعض أعضاء المختبر بمهارات برمجية قوية، لكن معرفتهم بعلم الأحياء أو الكيمياء أقل، والعكس صحيح. يساعد Codex وChatGPT في سد هذه الفجوات، إذ يتيحان لعلماء الأحياء إنشاء البرامج وللمبرمجين معالجة المشكلات البيولوجية. وبهذا المعنى، يخفف الذكاء الاصطناعي الحواجز بين التخصصات العلمية.

يساعد أعضاء المختبر على مراجعة موضوعات غير مألوفة يحتاجون إليها في عملهم متعدد التخصصات، وتوضيح المصطلحات، ومقارنة الأساليب بين المجالات، وتنظيم أفكار اكتشاف الأدوية. ويستخدم آخرون الذكاء الاصطناعي لتنزيل مجموعات ضخمة من بيانات الجينومات وتنظيمها ومعالجتها مسبقًا. يتيح ChatGPT أيضًا لأعضاء المختبر العمل بلغاتهم الأم، ما يخفف العوائق ويسرّع سير عملهم.

يستخدم دي لا فوينتي ChatGPT شريكًا في العصف الذهني. وهو يواصل تطوير الأفكار مع زملائه، لكنه يقدّر قدرة الذكاء الاصطناعي على مساعدته في صياغة فرضية. كما يعجبه أنه يستطيع الوصول إلى معلومات العالم بنقرة زر.

قال دي لا فوينتي: «تتلقى مساحة عمل ChatGPT المشتركة لدينا إسهامات من كل هؤلاء الأشخاص الذين ينظرون بطرق مختلفة إلى المشكلات التي نحاول معالجتها». يطرح أعضاء المختبر فيها أفكارهم الجيدة والسيئة، لتصبح أشبه بمنصة تعاونية لاختبار الأفكار وتبادل الآراء.

لكنه يحذّر من الاعتماد على الذكاء الاصطناعي وحده. وقال دي لا فوينتي: «من البديهي أن تتحقق دائمًا مرة أخرى من دقة المعلومات».

ومع ذلك، فهو يقدّر قدرة الذكاء الاصطناعي على مساعدة الباحثين في استكشاف الحدود الفاصلة بين التخصصات العلمية. «فهناك تنتظرنا الاكتشافات الكبرى. إنها توجد أساسًا عند تخوم المجالات، حيث لا يغامر بالذهاب سوى عدد قليل جدًا من الناس».

ويرى أن هذا العمل امتداد لتقليد علمي عريق. وقال دي لا فوينتي: «لطالما اعتمدنا على الأدوات والآلات لفهم العالم من حولنا». «أضاء التلسكوب جنبات الكون، وكشف المجهر عالم ما لا يُرى». واليوم تساعد الآلات الباحثين على فهم علم الأحياء والتنبؤ به وهندسته. وقال: «هذا هو جوهر عملنا».