Jak výzkumník pomocí Codexu a ChatGPT hledá nové antimikrobiální molekuly

Mikroorganismy odolné vůči léčivům – bakterie, houby, parazité i viry – představují rostoucí celosvětovou hrozbu. V roce 2021 souviselo⁠(otevře se v novém okně) s bakteriální antimikrobiální rezistencí přibližně pět milionů úmrtí. Očekává se, že do roku 2050 se tento roční počet zhruba zdvojnásobí. Hledání molekul, z nichž by se mohly stát antimikrobiální látky, může trvat roky. Vědci využívají AI k urychlení této počáteční fáze výzkumu.

„Antimikrobiální rezistence je podle mého názoru jednou z největších existenčních hrozeb pro lidstvo,“ uvedl bioinženýr César de la Fuente⁠(otevře se v novém okně), jehož mezioborová laboratoř hledá potenciální antimikrobiální látky. „Přesto už 50 let nebyla vyvinuta žádná nová třída antibiotik.“

Velká část současného vývoje antimikrobiálních látek se zaměřuje na úpravu stávajících léčiv nebo hledání ve známých třídách chemických látek. Tento přístup však přináší stále menší výsledky.

De la Fuenteho laboratoř začíná u něčeho mnohem méně prozkoumaného: u kódu života. Základní myšlenkou této práce je, že biologie představuje informační systém. „Nukleotidy tvořící DNA a aminokyseliny tvořící proteiny a peptidy jsou něco jako abeceda,“ vysvětluje de la Fuente. „Pohled na biologii jako na informace nám umožnil vyvinout metody, které pomohou s rozluštěním organizačních principů života, z nichž vznikla funkční molekula.“

Tato laboratoř má modely hlubokého učení vytrénované k rozpoznávání vzorců v biologických sekvencích, takže mohou v rozsáhlých genomových a proteinových datových souborech hledat potenciální antimikrobiální látky. Tento přístup může zkrátit počáteční hledání kandidátních molekul z několika let na několik hodin.

Vedle vlastních AI modelů laboratoř používá ChatGPT a Codex k brainstormingu hypotéz, psaní a zdokonalování kódu, zpracování datových souborů, analýze výsledků a propojování myšlenek napříč vědeckými obory.

Jasně objasněnou funkci má pouze minimální část genomu a ještě menší část kóduje molekuly schopné bojovat proti infekčním mikroorganismům. Úkolem je rozpoznat vzorce, díky nimž je molekula funkční neboli biologicky aktivní, a poté určit, které molekuly by mohly působit proti infekčním mikroorganismům.

Vědci již dlouho hledají antimikrobiální látky v rostlinách, živočiších, mikroorganismech, hmyzu, vodě a půdě. Odebírají vzorky, izolují nebo předpovídají kandidátní molekuly a testují je v opakovaném procesu, který může trvat roky.

Digitální databáze genomů a proteinů dnes vědcům umožňují hledat nové sloučeniny napříč stromem života, což výrazně rozšiřuje objem dat dostupných ke zkoumání. Takové množství informací však přináší vlastní výzvu: najít slibné signály mezi obrovským počtem možností.

Pro tento úkol připomínající hledání jehly v kupce sena se AI hodí obzvlášť dobře. Dokáže procházet obrovské datové soubory, odhalovat vzorce, kterých by si vědci nemuseli všimnout, a vybrat zvládnutelný počet kandidátů pro experimentální testování.

Nalezení slibného kandidáta však ještě neznamená, že se z něj stane účinné léčivo.

Vědci musí nejprve potvrdit, že kandidátní molekula cílový mikroorganismus usmrcuje, určit množství potřebné k dosažení účinku a otestovat její působení na lidské buňky. Chemici ji poté mohou optimalizovat, aby zvýšili její účinnost, bezpečnost nebo stabilitu.

Další testy zjišťují dávku, při které se kandidátní látka stává toxickou, jak snadno si vůči ní mikroorganismy vytvářejí rezistenci a jak se v těle pohybuje. Týmy také hledají spolehlivý způsob výroby dané molekuly. Kandidáty, kteří tyto překážky překonají, ještě čeká posouzení regulačními orgány a klinické studie, než se k pacientům dostanou jako schválená antimikrobiální léčiva.

Podle de la Fuente je právě proto nutné, aby AI a laboratorní biologie postupovaly společně. „Pro ověření předpovědí AI jsou nezbytné experimenty v reálných podmínkách,“ poznamenává. „V nadcházejících letech to bude pro vědy o živé přírodě zásadní, pokud chceme dál alespoň poodhalit biologii, která je tím nejsložitějším, co existuje.“

Jeho laboratoř hledá kandidátní molekuly v genomech žijících i vyhynulých organismů. Prohledávání těchto genomů, pochopení vzniku a fungování proteinů, které kódují, a určení účinků těchto molekul vyžaduje odborné znalosti z několika oborů.

„Jsme výrazně transdisciplinární skupina, takže u nás pracují lidé z biologie, chemie, informatiky i technických oborů,“ uvedl de la Fuente. Někteří členové laboratoře jsou zdatní programátoři, ale méně se vyznají v biologii či chemii, a u jiných je tomu naopak. Codex a ChatGPT pomáhají tyto rozdíly překonávat: biologové díky nim mohou vytvářet programy a programátoři řešit biologické problémy. V tomto smyslu AI odstraňuje bariéry mezi vědeckými obory.

Pomáhá členům laboratoře seznámit se s tématy, která potřebují pro svou mezioborovou práci, vyjasnit si terminologii, porovnávat metody různých oborů a uspořádat si myšlenky při objevování léčiv. Jiní využívají AI ke stahování, uspořádání a předběžnému zpracování rozsáhlých genomových datových souborů. ChatGPT také umožňuje členům laboratoře pracovat v jejich rodných jazycích, čímž odstraňuje překážky a urychluje jejich práci.

De la Fuente využívá ChatGPT jako partnera pro brainstorming. Nápady dál rozvíjí s kolegy, ale oceňuje, že mu AI pomáhá formulovat hypotézy. Vyhovuje mu také, že má informace z celého světa na dosah jediného kliknutí.

„Do našeho pracovního prostoru ChatGPT přispívá řada různých lidí, kteří o problémech, jež se snažíme řešit, přemýšlejí každý jinak,“ uvedl de la Fuente. Členové laboratoře do něj vkládají své dobré i špatné nápady, takže funguje jako společný prostor pro jejich prověřování.

Varuje však před spoléháním se pouze na AI. „Správnost je samozřejmě vždy nutné ověřit,“ vysvětluje de la Fuente.

Přesto oceňuje, že AI pomáhá vědcům zkoumat pomezí různých vědeckých oborů. „Právě tam čekají průlomové objevy. Nacházejí se na hranicích mezi obory, kam se vydává jen málokdo.“

Tuto práci vnímá jako součást mnohem delší vědecké tradice. „Při poznávání okolního světa jsme se vždy spoléhali na nástroje a stroje,“ říká de la Fuente. „Dalekohled nám osvětlil vesmír a mikroskop odhalil svět neviditelného.“ Stroje dnes vědcům pomáhají biologii chápat, předvídat a cíleně upravovat. „A právě o tom je naše práce,“ dodává.