Kako istraživač koristi Codex i ChatGPT za traženje novih antimikrobnih molekula

Mikroorganizmi otporni na lijekove, uključujući bakterije, gljivice, parazite i viruse, predstavljaju sve veću globalnu prijetnju. Oko pet miliona smrtnih slučajeva u 2021. bilo je povezano⁠(otvara se u novom prozoru) s antimikrobnom rezistencijom bakterija, a predviđa se da će se taj godišnji broj približno udvostručiti do 2050. Pronalaženje molekula koji bi mogli postati antimikrobni lijekovi može trajati godinama. Istraživači koriste AI kako bi ubrzali ovu ranu fazu otkrivanja.

„Po mom mišljenju, antimikrobna rezistencija jedna je od najvećih egzistencijalnih prijetnji čovječanstvu“, rekao je César de la Fuente⁠(otvara se u novom prozoru), bioinženjer čija interdisciplinarna laboratorija traga za mogućim antimikrobnim lijekovima. „A ipak, već 50 godina nismo dobili novu klasu antibiotika.“

Savremeni razvoj antimikrobnih lijekova uglavnom je usmjeren na modificiranje postojećih lijekova ili pretraživanje poznatih klasa hemijskih spojeva. Međutim, takav pristup daje sve slabije rezultate.

Laboratorija de la Fuentea počinje na mnogo manje istraženom mjestu: u kodu života. Osnovna ideja ovog rada jeste da je biologija informacioni sistem. „Nukleotidi od kojih se sastoji DNK te aminokiseline od kojih se sastoje proteini i peptidi nalik su nekoj vrsti abecede“, rekao je de la Fuente. „Posmatranje biologije kao informacije omogućilo nam je da razvijemo metode kojima možemo početi odgonetati principe organizacije života iz kojih nastaje funkcionalan molekul.“

Modeli dubokog učenja ove laboratorije obučeni su da prepoznaju obrasce u biološkim sekvencama, što im omogućava da u ogromnim skupovima podataka o genomima i proteinima traže potencijalne antimikrobne spojeve. Ovaj pristup može skratiti početnu potragu za molekulima kandidatima s nekoliko godina na nekoliko sati.

Uz vlastite modele AI-ja, laboratorija koristi ChatGPT i Codex za osmišljavanje hipoteza, pisanje i poboljšavanje koda, obradu skupova podataka, analizu rezultata i povezivanje ideja iz različitih naučnih disciplina.

Samo mali dio genoma ima jasno utvrđenu funkciju, a još manji dio kodira molekule koji se mogu boriti protiv zaraznih mikroorganizama. Izazov je prepoznati obrasce koji molekul čine funkcionalnim, odnosno biološki aktivnim, a zatim utvrditi koji od njih mogu suzbiti zarazne mikroorganizme.

Naučnici već dugo traže antimikrobne spojeve u biljkama, životinjama, mikroorganizmima, insektima, vodi i tlu. Prikupljaju uzorke, izdvajaju ili predviđaju molekule kandidate te ih testiraju kroz iterativni proces koji može trajati godinama.

Digitalne baze podataka o genomima i proteinima sada omogućavaju naučnicima da širom stabla života traže nove spojeve, čime se znatno proširuje obim podataka dostupnih za istraživanje. Međutim, to obilje informacija donosi i vlastite izazove: pronalaženje obećavajućih signala među ogromnim brojem mogućnosti.

AI je naročito pogodan za ovaj zadatak traženja igle u plastu sijena. Može pregledati ogromne skupove podataka, prepoznati obrasce koje bi istraživači teško uočili i izdvojiti prihvatljiv broj kandidata za eksperimentalno testiranje.

Međutim, pronalazak obećavajućeg kandidata ne znači nužno da će on postati djelotvoran lijek.

Naučnici prvo moraju potvrditi da molekul kandidat uništava ciljani mikroorganizam, utvrditi količinu potrebnu za djelotvornost i ispitati kako utiče na ljudske ćelije. Hemičari ga zatim mogu optimizirati kako bi poboljšali njegovu djelotvornost, sigurnost ili stabilnost.

Daljnjim testovima procjenjuju se doza pri kojoj kandidat postaje toksičan, brzina kojom mikroorganizmi razvijaju otpornost na molekul i način na koji se kandidat kreće kroz tijelo. Timovi također utvrđuju pouzdan način proizvodnje molekula. Kandidati koji savladaju te prepreke moraju proći i regulatornu procjenu te klinička ispitivanja prije nego što kao odobreni antimikrobni lijekovi stignu do pacijenata.

Za de la Fuentea upravo je to razlog zbog kojeg AI i laboratorijska biologija moraju napredovati zajedno. „Eksperimenti u stvarnim uslovima neophodni su za potvrđivanje predviđanja AI-ja“, rekao je. „To će u narednim godinama biti presudno za biološke nauke ako želimo nastaviti otkrivati makar djelić onoga što biologija krije, jer je ona nešto najsloženije što postoji.“

Njegova laboratorija u genomima živih i izumrlih organizama traži molekule kandidate. Za pretraživanje tih genoma, razumijevanje načina na koji se proteini zapisani u njima formiraju i funkcioniraju te utvrđivanje uloge tih molekula potrebno je stručno znanje iz više oblasti.

„Mi smo izrazito transdisciplinarna grupa, pa imamo stručnjake iz biologije, hemije, računarstva i inženjerstva“, rekao je de la Fuente. Neki članovi laboratorije izvrsni su programeri, ali manje poznaju biologiju ili hemiju, i obrnuto. Codex i ChatGPT pomažu premostiti te razlike, omogućavajući biolozima da izrađuju programe, a programerima da rješavaju biološke probleme. U tom smislu AI uklanja prepreke između naučnih disciplina.

Pomaže članovima laboratorije da se upoznaju s temama koje su im potrebne za interdisciplinarni rad, razjasne terminologiju, uporede metode iz različitih oblasti i organizuju ideje za otkrivanje lijekova. Drugi koriste AI za preuzimanje, organizovanje i prethodnu obradu velikih skupova genomskih podataka. ChatGPT članovima laboratorije omogućava i da rade na svojim maternjim jezicima, čime uklanja prepreke i ubrzava njihov rad.

De la Fuente koristi ChatGPT kao partnera za razmjenu ideja. Ideje i dalje razvija s kolegama, ali cijeni sposobnost AI-ja da mu pomogne oblikovati hipotezu. Sviđa mu se i što jednim pritiskom na dugme može pristupiti informacijama iz cijelog svijeta.

„Naš radni prostor u ChatGPT‑u prima doprinose svih tih ljudi koji na različite načine razmišljaju o problemima koje pokušavamo riješiti“, rekao je de la Fuente. Članovi laboratorije unose svoje dobre i loše ideje, pa on služi kao svojevrsni prostor za zajedničku razmjenu mišljenja.

Ipak, upozorava da se ne treba oslanjati isključivo na AI. „Naravno, uvijek morate dodatno provjeriti tačnost“, rekao je de la Fuente.

Uprkos tome, cijeni sposobnost AI-ja da istraživačima pomogne istražiti granice između naučnih disciplina. „Upravo tamo čekaju otkrića. Ona se uglavnom nalaze na granicama između oblasti, gdje zalazi vrlo malo ljudi.“

Ovaj rad vidi kao dio mnogo duže naučne tradicije. „Oduvijek smo se oslanjali na alate i mašine kako bismo razumjeli svijet oko sebe“, rekao je de la Fuente. „Teleskop je rasvijetlio kosmos, a mikroskop otkrio svijet nevidljivog.“ Mašine sada pomažu istraživačima da razumiju, predviđaju i projektuju biologiju. „Upravo je to suština našeg rada“, rekao je.