Kuidas teadlane otsib Codexi ja ChatGPT abil uusi antimikroobseid molekule

Ravimiresistentsed mikroobid, sealhulgas bakterid, seened, parasiidid ja viirused, kujutavad endast üha suuremat üleilmset ohtu. 2021. aastal oli ligikaudu viis miljonit surmajuhtumit seotud⁠(avaneb uues aknas) bakterite antimikroobse resistentsusega ning prognooside kohaselt võib see aastane arv 2050. aastaks peaaegu kahekordistuda. Antimikroobseteks ravimiteks sobivate molekulide leidmine võib võtta aastaid. Teadlased kasutavad tehisaru, et seda avastustöö varajast etappi kiirendada.

„Minu arvates on antimikroobne resistentsus üks suurimaid inimkonna olemasolu ohustavaid tegureid,“ ütles César de la Fuente⁠(avaneb uues aknas), bioinsener, kelle valdkondadeülene labor otsib antimikroobsete ainete kandidaate. „Ometi pole meil 50 aasta jooksul lisandunud ühtegi uut antibiootikumide klassi.“

Tänapäevane antimikroobsete ravimite arendus keskendub suuresti olemasolevate ravimite muutmisele või tuttavate keemiliste ühendite klasside uurimisele. Selline lähenemine annab aga üha vähem tulemusi.

De la Fuente labor alustab palju vähem uuritud paigast: elu koodist. Töö keskne idee on käsitleda bioloogiat infosüsteemina. „DNA-d moodustavad nukleotiidid ning valke ja peptiide moodustavad aminohapped on justkui tähestik,“ ütles de la Fuente. „Bioloogia käsitlemine teabena võimaldas meil töötada välja meetodid, millega saab hakata dešifreerima elu korralduspõhimõtteid, millest tekkisid funktsionaalsed molekulid.“

Labori süvaõppemudeleid õpetatakse ära tundma bioloogiliste järjestuste mustreid, mis võimaldab neil otsida tohututest genoomi- ja valguandmestikest võimalikke antimikroobseid aineid. See lähenemine võib lühendada esialgset kandidaatmolekulide otsingut aastatest tundideni.

Oma tehisarumudelite kõrval kasutab labor ChatGPT‑d ja Codexit hüpoteeside genereerimiseks, koodi kirjutamiseks ja täiustamiseks, andmestike töötlemiseks, tulemuste analüüsimiseks ning eri teadusharude ideede ühendamiseks.

Vaid väikese osa genoomi funktsioon on selgelt teada ning veelgi väiksem osa kodeerib molekule, mis suudavad võidelda nakkusi põhjustavate mikroobidega. Ülesanne on tuvastada mustrid, mis muudavad molekuli funktsionaalseks ehk bioloogiliselt aktiivseks, ning seejärel kindlaks teha, millised neist võiksid nakkusi põhjustavate mikroobidega võidelda.

Teadlased on pikka aega otsinud antimikroobseid aineid taimedest, loomadest, mikroobidest, putukatest, veest ja pinnasest. Nad koguvad proove, eraldavad või prognoosivad kandidaatmolekule ning katsetavad neid korduvas protsessis, mis võib võtta aastaid.

Digitaalsed genoomi- ja valguandmebaasid võimaldavad teadlastel nüüd otsida uusi ühendeid kogu elupuust, laiendades järsult uurimiseks kättesaadavate andmete ulatust. Teabe rohkus toob aga kaasa omaette probleemi: tohutu hulga võimaluste seast tuleb leida paljutõotavad signaalid.

Tehisaru sobib selleks nõela heinakuhjast otsimise ülesandeks eriti hästi. See suudab läbi töötada tohutuid andmestikke, tuvastada teadlastele raskesti märgatavaid mustreid ja seada katsetamiseks tähtsuse järjekorda hallatava hulga kandidaate.

Paljutõotava kandidaadi tuvastamine ei tähenda aga tingimata, et sellest saab tõhus ravim.

Teadlased peavad esmalt kinnitama, et kandidaatmolekul hävitab sihtmikroobi, määrama tõhusaks toimeks vajaliku koguse ja uurima selle mõju inimrakkudele. Seejärel võivad keemikud molekuli tõhususe, ohutuse või stabiilsuse parandamiseks optimeerida.

Edasiste katsetega hinnatakse, millise annuse juures kandidaat toksiliseks muutub, kui kergesti tekib mikroobidel molekuli suhtes resistentsus ja kuidas kandidaat organismis liigub. Meeskonnad töötavad välja ka usaldusväärse viisi molekuli tootmiseks. Need katsumused läbinud kandidaate ootavad veel regulatiivne hindamine ja kliinilised uuringud, enne kui need saavad heakskiidetud antimikroobsete ravimitena patsientideni jõuda.

De la Fuente sõnul peavad tehisaru ja laboribioloogia just seetõttu koos arenema. „Tehisaru prognooside kinnitamiseks on hädavajalikud tegelikkust kontrollivad katsed,“ ütles ta. „Kui tahame ka tulevikus jõuda sügavamale oma arusaamas bioloogiast, mis on kõige keerulisem asi üldse, on see lähiaastatel bioteaduste jaoks otsustava tähtsusega.“

Tema labor otsib kandidaatmolekule elusate ja väljasurnud organismide genoomidest. Nende genoomide uurimine, neis kodeeritud valkude moodustumise ja toimimise mõistmine ning molekulide toime kindlakstegemine nõuab mitme valdkonna teadmisi.

„Oleme väga valdkondadeülene rühm, kuhu kuulub inimesi bioloogia, keemia, informaatika ja inseneriteaduse alalt,“ ütles de la Fuente. Mõni labori liige on tugev programmeerija, kuid tunneb bioloogiat või keemiat vähem, ja vastupidi. Codex ja ChatGPT aitavad neid lünki täita, võimaldades bioloogidel programme luua ja programmeerijatel bioloogilisi probleeme lahendada. Nii vähendab tehisaru teadusharude vahelisi tõkkeid.

See aitab labori liikmetel tutvuda valdkondadeülesteks projektideks vajalike võõraste teemadega, selgitada termineid, võrrelda eri valdkondade meetodeid ja korrastada ravimite avastamisega seotud ideid. Teised kasutavad tehisaru suurte genoomiandmestike allalaadimiseks, korrastamiseks ja eeltöötlemiseks. ChatGPT võimaldab labori liikmetel töötada ka oma emakeeles, vähendades takistusi ja kiirendades tööprotsesse.

De la Fuente kasutab ChatGPT‑d ideede genereerimise partnerina. Ta arendab ideid endiselt koos kolleegidega, kuid hindab tehisaru võimet aidata tal hüpoteese kujundada. Talle meeldib ka see, et kogu maailma teave on vaid nupuvajutuse kaugusel.

„Meie ChatGPT tööjaam saab sisendit kõigilt neilt eri inimestelt, kes käsitlevad meie lahendatavaid probleeme erinevalt,“ ütles de la Fuente. Labori liikmed jagavad seal nii häid kui ka halbu ideid, muutes selle omamoodi ühiseks mõttekaaslaseks.

Ent ta hoiatab üksnes tehisarule lootmise eest. „Loomulikult tuleb alati täpsust kontrollida,“ ütles de la Fuente.

Samas hindab ta tehisaru võimet aidata teadlastel uurida teadusharude piirialasid. „Just seal ootavad avastamist läbimurded. Need asuvad teadusharude piirialadel, kuhu jõuavad väga vähesed.“

Ta näeb seda tööd osana palju pikemast teadustraditsioonist. „Oleme meid ümbritseva maailma mõistmisel alati tööriistadele ja masinatele toetunud,“ ütles de la Fuente. „Teleskoop heitis valgust kosmosele ja mikroskoop paljastas nähtamatu maailma.“ Nüüd aitavad masinad teadlastel bioloogiat mõista, ennustada ja kavandada. „Selles meie töö seisnebki,“ ütles ta.