پژوهشگری چگونه با Codex و ChatGPT مولکول‌های ضدمیکروبی جدید را جست‌وجو می‌کند

میکروب‌های مقاوم به دارو، از جمله باکتری‌ها، قارچ‌ها، انگل‌ها و ویروس‌ها، تهدیدی فزاینده در سراسر جهان هستند. حدود پنج میلیون مرگ در سال ۲۰۲۱ با مقاومت ضدمیکروبی باکتریایی مرتبط بود⁠(در یک پنجره جدید باز می‌شود)؛ پیش‌بینی می‌شود این آمار سالانه تا سال ۲۰۵۰ تقریباً دو برابر شود. یافتن مولکول‌هایی که قابلیت تبدیل‌شدن به عوامل ضدمیکروبی را دارند ممکن است سال‌ها طول بکشد. پژوهشگران برای سرعت‌بخشیدن به این مرحله اولیه کشف از هوش مصنوعی استفاده می‌کنند.

سزار د لا فوئنته⁠(در یک پنجره جدید باز می‌شود)، مهندس زیستی که آزمایشگاه میان‌رشته‌ای او در جست‌وجوی گزینه‌های ضدمیکروبی است، گفت: «به‌نظر من، مقاومت ضدمیکروبی یکی از بزرگ‌ترین تهدیدهای وجودی برای بشریت است.» «بااین‌حال، ۵۰ سال است که رده جدیدی از آنتی‌بیوتیک‌ها نداشته‌ایم.»

بخش عمده توسعه عوامل ضدمیکروبی مدرن بر اصلاح داروهای موجود یا جست‌وجو در رده‌های شناخته‌شده مواد شیمیایی متمرکز است. اما دستاوردهای این رویکرد پیوسته کمتر می‌شود.

آزمایشگاه د لا فوئنته کار خود را از جایی بسیار کمتر کاوش‌شده آغاز می‌کند: رمز حیات. ایده محوری این کار آن است که زیست‌شناسی یک سامانه اطلاعاتی است. د لا فوئنته گفت: «نوکلئوتیدهای سازنده DNA و آمینواسیدهای سازنده پروتئین‌ها و پپتیدها، به‌نوعی مانند حروف الفبا هستند.» «درنظرگرفتن زیست‌شناسی به‌عنوان اطلاعات، ما را قادر ساخت روش‌هایی توسعه دهیم که بتوانند رمزگشایی از اصول سازمان‌دهنده حیات را آغاز کنند؛ اصولی که به پیدایش یک مولکول کارکردی انجامیده‌اند.»

مدل‌های یادگیری عمیق این آزمایشگاه برای تشخیص الگوها در توالی‌های زیستی آموزش دیده‌اند و می‌توانند مجموعه‌داده‌های عظیم ژنوم و پروتئین را برای یافتن عوامل ضدمیکروبی بالقوه جست‌وجو کنند. این رویکرد می‌تواند زمان جست‌وجوی اولیه برای مولکول‌های نامزد را از چند سال به چند ساعت کاهش دهد.

این آزمایشگاه در کنار مدل‌های هوش مصنوعی خود، از ChatGPT و Codex برای ایده‌پردازی درباره فرضیه‌ها، نوشتن و بهبود کد، پردازش مجموعه‌داده‌ها، تحلیل نتایج و پیوند ایده‌های رشته‌های علمی مختلف استفاده می‌کند.

کارکرد تنها بخش کوچکی از یک ژنوم به‌روشنی شناخته شده است و تعداد کمتری از بخش‌ها نیز مولکول‌هایی را رمزگذاری می‌کنند که می‌توانند با میکروب‌های عفونت‌زا مبارزه کنند. چالش این است که ابتدا الگوهایی شناسایی شوند که یک مولکول را کارکردی یا از نظر زیستی فعال می‌کنند و سپس مشخص شود کدام‌یک توانایی مقابله با میکروب‌های عفونت‌زا را دارند.

دانشمندان مدت‌هاست در گیاهان، جانوران، میکروب‌ها، حشرات، آب و خاک به‌دنبال عوامل ضدمیکروبی می‌گردند. آن‌ها نمونه‌ها را جمع‌آوری می‌کنند، مولکول‌های نامزد را جداسازی یا پیش‌بینی می‌کنند و طی فرایندی تکرارشونده که ممکن است سال‌ها طول بکشد، آن‌ها را می‌آزمایند.

اکنون پایگاه‌های داده دیجیتال ژنوم و پروتئین به دانشمندان امکان می‌دهند سراسر درخت حیات را برای یافتن ترکیبات جدید جست‌وجو کنند؛ قابلیتی که دامنه پایگاه‌های داده در دسترس برای کاوش را به‌طرز چشمگیری گسترش می‌دهد. اما این فراوانی اطلاعات چالش‌های خاص خود را دارد: یافتن نشانه‌های نویدبخش در میان شمار عظیمی از احتمالات.

هوش مصنوعی به‌ویژه برای این کار که به یافتن سوزن در انبار کاه می‌ماند، بسیار مناسب است. این فناوری می‌تواند مجموعه‌داده‌های عظیم را بررسی کند، الگوهایی را بیابد که تشخیصشان برای پژوهشگران دشوار است و مجموعه‌ای قابل‌مدیریت از نامزدها را برای آزمایش تجربی در اولویت قرار دهد.

اما شناسایی یک نامزد نویدبخش لزوماً به این معنا نیست که به دارویی مؤثر تبدیل خواهد شد.

دانشمندان ابتدا باید تأیید کنند که مولکول نامزد، میکروب هدف را از بین می‌برد؛ مقدار لازم برای اثربخشی را تعیین کنند و اثر آن بر سلول‌های انسانی را بیازمایند. سپس شیمی‌دانان می‌توانند آن را برای بهبود اثربخشی، ایمنی یا پایداری بهینه کنند.

آزمایش‌های بیشتر، دوزی را که نامزد در آن سمی می‌شود، سرعت ایجاد مقاومت میکروب‌ها در برابر مولکول و نحوه حرکت نامزد در بدن ارزیابی می‌کنند. گروه‌ها همچنین روشی مطمئن برای تولید این مولکول تعیین می‌کنند. نامزدهایی که از این موانع عبور می‌کنند، پیش از آنکه به‌عنوان داروهای ضدمیکروبی تأییدشده به بیماران برسند، همچنان باید مراحل بررسی نهادهای نظارتی و کارآزمایی‌های بالینی را پشت سر بگذارند.

از نظر د لا فوئنته، به همین دلیل هوش مصنوعی و زیست‌شناسی آزمایشگاهی باید هم‌زمان پیشرفت کنند. او گفت: «آزمایش‌های مبتنی بر واقعیت عینی برای اعتبارسنجی پیش‌بینی‌های هوش مصنوعی ضروری‌اند.» «اگر بخواهیم همچنان لایه‌های نخست درک خود از زیست‌شناسی، پیچیده‌ترین پدیده موجود، را کنار بزنیم، این موضوع در سال‌های آینده برای علوم زیستی حیاتی خواهد بود.»

آزمایشگاه او برای یافتن مولکول‌های نامزد، ژنوم موجودات زنده و منقرض‌شده را کاوش می‌کند. جست‌وجوی این ژنوم‌ها، درک چگونگی شکل‌گیری و عملکرد پروتئین‌های رمزگذاری‌شده آن‌ها و تعیین کارکرد این مولکول‌ها، به تخصص در چندین حوزه نیاز دارد.

د لا فوئنته گفت: «ما گروهی کاملاً فرارشته‌ای هستیم و اعضایمان از حوزه‌های زیست‌شناسی، شیمی، علوم رایانه و مهندسی می‌آیند.» برخی از اعضای آزمایشگاه برنامه‌نویسان توانمندی هستند، اما از زیست‌شناسی یا شیمی کمتر می‌دانند و برای برخی دیگر برعکس است. Codex و ChatGPT به پرکردن این شکاف‌ها کمک می‌کنند و به زیست‌شناسان امکان می‌دهند برنامه بسازند و به برنامه‌نویسان کمک می‌کنند به مسائل زیستی بپردازند. از این نظر، هوش مصنوعی موانع میان رشته‌های علمی را کاهش می‌دهد.

این ابزار به اعضای آزمایشگاه کمک می‌کند موضوعات ناآشنای موردنیاز برای کار میان‌رشته‌ای خود را مرور کنند، اصطلاحات را روشن سازند، روش‌های رشته‌های مختلف را مقایسه کنند و ایده‌های کشف دارو را سامان دهند. برخی دیگر از هوش مصنوعی برای دانلود، سامان‌دهی و پیش‌پردازش مجموعه‌داده‌های بزرگ ژنومی استفاده می‌کنند. ChatGPT همچنین به اعضای آزمایشگاه امکان می‌دهد به زبان مادری خود کار کنند و با کاهش موانع، روند کارشان را سرعت بخشند.

د لا فوئنته از ChatGPT به‌عنوان هم‌فکری برای ایده‌پردازی استفاده می‌کند. او همچنان ایده‌هایش را با همکارانش پرورش می‌دهد، اما توانایی هوش مصنوعی در کمک به شکل‌دادن یک فرضیه را ارزشمند می‌داند. او همچنین می‌پسندد که تنها با یک کلیک می‌تواند به اطلاعات سراسر جهان دسترسی پیدا کند.

د لا فوئنته گفت: «فضای کاری ChatGPT ما از همه این افراد گوناگون که درباره مسائلی که می‌کوشیم حل کنیم متفاوت می‌اندیشند، ورودی دریافت می‌کند.» اعضای آزمایشگاه ایده‌های خوب و بد خود را با آن در میان می‌گذارند و به این ترتیب، آن را به نوعی محفل هم‌فکری مشترک تبدیل می‌کنند.

اما او هشدار می‌دهد که نباید فقط به هوش مصنوعی متکی بود. د لا فوئنته گفت: «بدیهی است که همیشه باید صحت اطلاعات را دوباره بررسی کنید.»

بااین‌حال، او برای توانایی هوش مصنوعی در کمک به پژوهشگران برای کاوش مرزهای میان رشته‌های علمی ارزش قائل است. «همان‌جاست که دستاوردهای بزرگ در انتظار کشف‌شدن هستند. آن‌ها اساساً در مرز میان رشته‌ها قرار دارند؛ جایی که افراد بسیار کمی به آن قدم می‌گذارند.»

او این کار را بخشی از سنت علمی بسیار دیرینه‌تری می‌داند. د لا فوئنته گفت: «ما همیشه برای درک جهان پیرامون خود به ابزارها و ماشین‌ها متکی بوده‌ایم.» «تلسکوپ کیهان را روشن کرد و میکروسکوپ جهان نادیدنی‌ها را آشکار ساخت.» اکنون ماشین‌ها به پژوهشگران کمک می‌کنند زیست‌شناسی را درک و پیش‌بینی کنند و مهندسی آن را ممکن سازند. او گفت: «تمام کار ما درباره همین است.»