Πώς ένας ερευνητής χρησιμοποιεί τα Codex και ChatGPT για να αναζητήσει νέα αντιμικροβιακά μόρια

Τα ανθεκτικά στα φάρμακα μικρόβια, όπως βακτήρια, μύκητες, παράσιτα και ιοί, αποτελούν μια αυξανόμενη παγκόσμια απειλή. Περίπου πέντε εκατομμύρια θάνατοι το 2021 συνδέονταν⁠(ανοίγει σε νέο παράθυρο) με τη μικροβιακή αντοχή των βακτηρίων—ένας ετήσιος απολογισμός που προβλέπεται να διπλασιαστεί περίπου έως το 2050. Μπορεί να χρειαστούν χρόνια για να βρεθούν μόρια με τη δυνατότητα να εξελιχθούν σε αντιμικροβιακά φάρμακα. Οι ερευνητές χρησιμοποιούν την ΤΝ για να επιταχύνουν αυτό το πρώιμο στάδιο της ανακάλυψης.

«Κατά τη γνώμη μου, η μικροβιακή αντοχή είναι μία από τις μεγαλύτερες υπαρξιακές απειλές για την ανθρωπότητα», δήλωσε ο César de la Fuente⁠(ανοίγει σε νέο παράθυρο), βιολόγος μηχανικός του οποίου το διεπιστημονικό εργαστήριο αναζητά υποψήφιες αντιμικροβιακές ουσίες. «Κι όμως, εδώ και 50 χρόνια δεν έχει εμφανιστεί καμία νέα κατηγορία αντιβιοτικών».

Μεγάλο μέρος της σύγχρονης ανάπτυξης αντιμικροβιακών επικεντρώνεται στην τροποποίηση υπαρχόντων φαρμάκων ή στην αναζήτηση γνωστών κατηγοριών χημικών ουσιών. Όμως αυτή η προσέγγιση αποδίδει ολοένα και λιγότερο.

Το εργαστήριο του de la Fuente ξεκινά από ένα πολύ λιγότερο εξερευνημένο πεδίο: τον κώδικα της ζωής. Η κεντρική ιδέα του έργου είναι ότι η βιολογία αποτελεί ένα σύστημα πληροφοριών. «Τα νουκλεοτίδια που συνθέτουν το DNA και τα αμινοξέα που συνθέτουν τις πρωτεΐνες και τα πεπτίδια μοιάζουν κατά κάποιον τρόπο με αλφάβητο», δήλωσε ο de la Fuente. «Η θεώρηση της βιολογίας ως πληροφορίας μάς επέτρεψε να αναπτύξουμε μεθόδους που μπορούν να αρχίσουν να αποκρυπτογραφούν τις οργανωτικές αρχές της ζωής από τις οποίες προέκυψε ένα λειτουργικό μόριο».

Τα μοντέλα βαθιάς μάθησης του εργαστηρίου εκπαιδεύονται να αναγνωρίζουν μοτίβα σε βιολογικές αλληλουχίες, ώστε να μπορούν να αναζητούν πιθανά αντιμικροβιακά σε τεράστια σύνολα γονιδιωματικών και πρωτεϊνικών δεδομένων. Η προσέγγιση μπορεί να περιορίσει την αρχική αναζήτηση υποψήφιων μορίων από χρόνια σε ώρες.

Παράλληλα με τα δικά του μοντέλα ΤΝ, το εργαστήριο χρησιμοποιεί τα ChatGPT και Codex για καταιγισμό ιδεών γύρω από υποθέσεις, σύνταξη και βελτίωση κώδικα, επεξεργασία συνόλων δεδομένων, ανάλυση αποτελεσμάτων και σύνδεση ιδεών από διαφορετικούς επιστημονικούς κλάδους.

Μόνο ένα μέρος του γονιδιώματος έχει σαφώς κατανοητή λειτουργία και ακόμη μικρότερο μέρος κωδικοποιεί μόρια που μπορούν να καταπολεμήσουν μολυσματικά μικρόβια. Η πρόκληση είναι να εντοπιστούν τα μοτίβα που καθιστούν ένα μόριο λειτουργικό ή βιολογικά ενεργό και κατόπιν να προσδιοριστεί ποια από αυτά τα μόρια έχουν τη δυνατότητα να καταπολεμήσουν μολυσματικά μικρόβια.

Οι επιστήμονες αναζητούν εδώ και πολύ καιρό αντιμικροβιακές ουσίες σε φυτά, ζώα, μικρόβια, έντομα, νερό και έδαφος. Συλλέγουν δείγματα, απομονώνουν ή προβλέπουν υποψήφια μόρια και τα δοκιμάζουν μέσω μιας επαναληπτικής διαδικασίας που μπορεί να διαρκέσει χρόνια.

Οι ψηφιακές βάσεις γονιδιωματικών και πρωτεϊνικών δεδομένων επιτρέπουν πλέον στους επιστήμονες να αναζητούν νέες ενώσεις σε ολόκληρο το δέντρο της ζωής, διευρύνοντας εντυπωσιακά το εύρος των διαθέσιμων προς εξερεύνηση δεδομένων. Όμως αυτή η αφθονία πληροφοριών συνοδεύεται από τις δικές της προκλήσεις: τον εντοπισμό υποσχόμενων ενδείξεων ανάμεσα σε έναν τεράστιο αριθμό πιθανοτήτων.

Η ΤΝ είναι ιδιαίτερα κατάλληλη για αυτή την αναζήτηση βελόνας στα άχυρα. Μπορεί να σαρώσει τεράστια σύνολα δεδομένων, να εντοπίσει μοτίβα που οι ερευνητές ίσως δυσκολεύονται να διακρίνουν και να ιεραρχήσει έναν διαχειρίσιμο αριθμό υποψηφίων για πειραματικές δοκιμές.

Ωστόσο, ο εντοπισμός ενός υποσχόμενου υποψηφίου δεν σημαίνει απαραίτητα ότι θα εξελιχθεί σε αποτελεσματικό φάρμακο.

Οι επιστήμονες πρέπει πρώτα να επιβεβαιώσουν ότι ένα υποψήφιο μόριο εξοντώνει το μικρόβιο-στόχο, να προσδιορίσουν την ποσότητα που απαιτείται για να είναι αποτελεσματικό και να ελέγξουν πώς επηρεάζει τα ανθρώπινα κύτταρα. Στη συνέχεια, οι χημικοί μπορούν να το βελτιστοποιήσουν ώστε να ενισχύσουν την αποτελεσματικότητα, την ασφάλεια ή τη σταθερότητά του.

Περαιτέρω δοκιμές αξιολογούν τη δόση στην οποία το υποψήφιο μόριο γίνεται τοξικό, πόσο εύκολα αναπτύσσουν τα μικρόβια αντοχή σε αυτό και πώς κινείται μέσα στο σώμα. Οι ομάδες καθορίζουν επίσης έναν αξιόπιστο τρόπο παρασκευής του μορίου. Όσα υποψήφια μόρια ξεπεράσουν αυτά τα εμπόδια πρέπει ακόμη να περάσουν από κανονιστική αξιολόγηση και κλινικές δοκιμές, προτού φτάσουν στους ασθενείς ως εγκεκριμένα αντιμικροβιακά φάρμακα.

Για τον de la Fuente, αυτός είναι ο λόγος που η ΤΝ και η εργαστηριακή βιολογία πρέπει να εξελίσσονται μαζί. «Τα πειράματα που τεκμηριώνουν την πραγματικότητα είναι απαραίτητα για την επικύρωση των προβλέψεων της ΤΝ», είπε. «Αυτό θα είναι κρίσιμο για τις βιοεπιστήμες τα επόμενα χρόνια, αν θέλουμε να συνεχίσουμε να διευρύνουμε, έστω και ελάχιστα, την κατανόησή μας για τη βιολογία, η οποία είναι το πιο σύνθετο πράγμα που υπάρχει».

Το εργαστήριό του εξερευνά τα γονιδιώματα ζωντανών και εξαφανισμένων οργανισμών για υποψήφια μόρια. Η αναζήτηση σε αυτά τα γονιδιώματα, η κατανόηση του τρόπου σχηματισμού και λειτουργίας των πρωτεϊνών που κωδικοποιούν και ο προσδιορισμός της δράσης αυτών των μορίων απαιτούν εξειδίκευση σε πολλούς κλάδους.

«Είμαστε μια εξαιρετικά διεπιστημονική ομάδα, με ανθρώπους από τη βιολογία, τη χημεία, την επιστήμη υπολογιστών και τη μηχανική», δήλωσε ο de la Fuente. Ορισμένα μέλη του εργαστηρίου είναι πολύ καλοί προγραμματιστές, αλλά γνωρίζουν λιγότερα για τη βιολογία ή τη χημεία, και το αντίστροφο. Τα Codex και ChatGPT συμβάλλουν στη γεφύρωση αυτών των κενών, επιτρέποντας στους βιολόγους να δημιουργούν προγράμματα και στους προγραμματιστές να αντιμετωπίζουν βιολογικά προβλήματα. Υπό αυτή την έννοια, η ΤΝ μειώνει τα εμπόδια μεταξύ των επιστημονικών κλάδων.

Βοηθά τα μέλη του εργαστηρίου να μελετούν άγνωστα θέματα που χρειάζονται για τη διεπιστημονική εργασία τους, να αποσαφηνίζουν την ορολογία, να συγκρίνουν μεθόδους διαφορετικών κλάδων και να οργανώνουν ιδέες για την ανακάλυψη φαρμάκων. Άλλοι χρησιμοποιούν την ΤΝ για τη λήψη, την οργάνωση και την προεπεξεργασία μεγάλων συνόλων γονιδιωματικών δεδομένων. Το ChatGPT επιτρέπει επίσης στα μέλη του εργαστηρίου να εργάζονται στη μητρική τους γλώσσα, μειώνοντας τα εμπόδια και επιταχύνοντας τις ροές εργασίας τους.

Ο de la Fuente χρησιμοποιεί το ChatGPT ως συνεργάτη στον καταιγισμό ιδεών. Συνεχίζει να αναπτύσσει ιδέες με συναδέλφους, αλλά εκτιμά την ικανότητα της ΤΝ να τον βοηθά να διαμορφώνει μια υπόθεση. Του αρέσει επίσης ότι μπορεί να έχει πρόσβαση στις πληροφορίες όλου του κόσμου με το πάτημα ενός κουμπιού.

«Ο χώρος εργασίας μας στο ChatGPT δέχεται στοιχεία από όλους αυτούς τους διαφορετικούς ανθρώπους, οι οποίοι προσεγγίζουν με διαφορετικό τρόπο τα προβλήματα που προσπαθούμε να αντιμετωπίσουμε», δήλωσε ο de la Fuente. Τα μέλη του εργαστηρίου το τροφοδοτούν με τις καλές και τις κακές ιδέες τους, μετατρέποντάς το σε ένα είδος συνεργατικού πεδίου ανταλλαγής απόψεων.

Ωστόσο, προειδοποιεί ότι δεν πρέπει να βασιζόμαστε αποκλειστικά στην ΤΝ. «Προφανώς, πρέπει πάντα να ελέγχετε ξανά την ακρίβεια», δήλωσε ο de la Fuente.

Παρόλα αυτά, εκτιμά την ικανότητα της ΤΝ να βοηθά τους ερευνητές να εξερευνούν τα όρια μεταξύ των επιστημονικών κλάδων. «Εκεί περιμένουν να ανακαλυφθούν οι μεγάλες επιστημονικές τομές. Βρίσκονται ουσιαστικά στα όρια μεταξύ κλάδων, όπου ελάχιστοι άνθρωποι τολμούν να κινηθούν».

Θεωρεί αυτό το έργο μέρος μιας πολύ μακρύτερης επιστημονικής παράδοσης. «Πάντα βασιζόμασταν σε εργαλεία και μηχανές για να κατανοήσουμε τον κόσμο γύρω μας», δήλωσε ο de la Fuente. «Το τηλεσκόπιο φώτισε το σύμπαν και το μικροσκόπιο αποκάλυψε τον κόσμο του αόρατου». Τώρα, οι μηχανές βοηθούν τους ερευνητές να κατανοούν, να προβλέπουν και να σχεδιάζουν τη βιολογία. «Αυτό ακριβώς είναι το αντικείμενο της δουλειάς μας», είπε.