Näin tutkija etsii Codexin ja ChatGPT:n avulla uusia mikrobilääkemolekyylejä

Lääkkeille vastustuskykyiset mikrobit, kuten bakteerit, sienet, loiset ja virukset, ovat kasvava maailmanlaajuinen uhka. Vuonna 2021 noin viisi miljoonaa kuolemaa liittyi⁠(avautuu uudessa ikkunassa) bakteerien mikrobilääkeresistenssiin. Vuosittaisen kuolonuhrien määrän ennustetaan lähes kaksinkertaistuvan vuoteen 2050 mennessä. Mikrobilääkkeiksi soveltuvien molekyylien löytäminen voi kestää vuosia. Tutkijat nopeuttavat löytöprosessin alkuvaihetta tekoälyn avulla.

”Mikrobilääkeresistenssi on mielestäni yksi ihmiskunnan suurimmista olemassaoloa uhkaavista vaaroista”, sanoi César de la Fuente⁠(avautuu uudessa ikkunassa), jonka monialainen biotekniikan laboratorio etsii uusia mikrobilääkeaihioita. ”Emme silti ole saaneet uutta antibioottiluokkaa 50 vuoteen.”

Nykyinen mikrobilääkkeiden kehitys keskittyy pitkälti olemassa olevien lääkkeiden muokkaamiseen tai tuttujen kemiallisten yhdisteryhmien tutkimiseen. Tämän lähestymistavan hyödyt kuitenkin pienenevät jatkuvasti.

De la Fuenten laboratorio aloittaa paljon vähemmän tutkitusta paikasta: elämän koodista. Työn keskeisenä ajatuksena on, että biologia on tietojärjestelmä. ”DNA:n muodostavat nukleotidit sekä proteiinien ja peptidien rakennusaineina toimivat aminohapot ovat tavallaan kuin aakkosto”, de la Fuente sanoi. ”Kun aloimme ajatella biologiaa informaationa, pystyimme kehittämään menetelmiä, joilla voidaan ryhtyä tulkitsemaan toiminnallisia molekyylejä synnyttäneitä elämän järjestäytymisperiaatteita.”

Laboratorion syväoppimismallit koulutetaan tunnistamaan biologisten sekvenssien malleja, jotta valtavista genomi- ja proteiiniaineistoista voidaan etsiä mahdollisia mikrobilääkkeitä. Menetelmä voi lyhentää ensimmäisen vaiheen molekyyliehdokkaiden etsinnän vuosista tunteihin.

Omien tekoälymalliensa ohella laboratorio käyttää ChatGPT:tä ja Codexia hypoteesien ideointiin, koodin kirjoittamiseen ja hiomiseen, aineistojen käsittelyyn, tulosten analysointiin sekä eri tieteenalojen ideoiden yhdistämiseen.

Vain murto-osalla genomista on selkeästi ymmärretty tehtävä, ja vielä harvemmat osat koodaavat tartuntatauteja aiheuttavia mikrobeja torjuvia molekyylejä. Haasteena on tunnistaa molekyylistä toiminnallisen eli biologisesti aktiivisen tekevät mallit ja selvittää sitten, mitkä molekyylit voisivat torjua tartuntatauteja aiheuttavia mikrobeja.

Tutkijat ovat jo pitkään etsineet mikrobilääkkeitä kasveista, eläimistä, mikrobeista, hyönteisistä, vedestä ja maaperästä. He keräävät näytteitä, eristävät tai ennustavat molekyyliehdokkaita ja testaavat niitä vuosia kestävässä vaiheittain toistuvassa prosessissa.

Digitaalisten genomi- ja proteiinitietokantojen avulla tutkijat voivat nyt etsiä uusia yhdisteitä kaikkialta elämän puusta. Tämä on kasvattanut merkittävästi tutkittavissa olevien tietokantojen kirjoa. Tietojen runsaus tuo kuitenkin mukanaan omat haasteensa: lupaavat signaalit on löydettävä valtavasta mahdollisuuksien joukosta.

Tekoäly soveltuu erityisen hyvin tähän neulan etsimiseen heinäsuovasta. Se pystyy käymään läpi valtavia aineistoja, tunnistamaan tutkijoilta helposti huomaamatta jääviä malleja ja valitsemaan kokeelliseen testaukseen hallittavan määrän lupaavimpia ehdokkaita.

Lupaavan ehdokkaan tunnistaminen ei kuitenkaan välttämättä tarkoita, että siitä voidaan kehittää tehokas lääke.

Tutkijoiden on ensin varmistettava, että ehdokasmolekyyli tappaa kohdemikrobin, määritettävä tehokas annos ja testattava sen vaikutukset ihmissoluihin. Kemistit voivat sitten optimoida molekyyliä sen tehon, turvallisuuden tai vakauden parantamiseksi.

Lisätesteissä arvioidaan, millä annoksella ehdokas muuttuu myrkylliseksi, kuinka helposti mikrobit kehittävät vastustuskyvyn molekyylille ja miten ehdokas kulkeutuu elimistössä. Tiimit selvittävät myös luotettavan tavan valmistaa molekyyliä. Nämä esteet läpäisseitä ehdokkaita odottavat vielä viranomaisarviointi ja kliiniset tutkimukset, ennen kuin ne voidaan tuoda potilaiden saataville hyväksyttyinä mikrobilääkkeinä.

De la Fuenten mielestä juuri siksi tekoälyn ja laboratoriobiologian on kehityttävä yhdessä. ”Tekoälyn ennusteet on ehdottomasti validoitava kokeellisesti”, hän sanoi. ”Tämä on tulevina vuosina ratkaisevan tärkeää biotieteissä, jos haluamme edelleen raapaista edes pintaa biologian ymmärtämisessä. Biologia on monimutkaisinta, mitä on olemassa.”

Hänen laboratorionsa etsii molekyyliehdokkaita elävien ja sukupuuttoon kuolleiden eliöiden genomeista. Näiden genomien tutkiminen, niiden koodaamien proteiinien muodostumisen ja toiminnan ymmärtäminen sekä molekyylien tehtävien selvittäminen vaativat asiantuntemusta useilta aloilta.

”Olemme erittäin monialainen ryhmä, johon kuuluu biologian, kemian, tietojenkäsittelytieteen ja tekniikan osaajia”, de la Fuente sanoi. Osa laboratorion jäsenistä on taitavia ohjelmoijia, mutta tuntee biologiaa tai kemiaa vähemmän – ja päinvastoin. Codex ja ChatGPT auttavat kuromaan näitä osaamiseroja umpeen: biologit voivat rakentaa ohjelmia ja ohjelmoijat ratkoa biologisia ongelmia. Tässä mielessä tekoäly madaltaa tieteenalojen välisiä raja-aitoja.

Se auttaa laboratorion jäseniä perehtymään monialaiseen työhönsä tarvitsemiinsa uusiin aiheisiin, selventämään terminologiaa, vertailemaan eri alojen menetelmiä ja jäsentämään lääkeaihioiden löytämiseen liittyviä ideoita. Toiset käyttävät tekoälyä suurten genomiaineistojen lataamiseen, järjestämiseen ja esikäsittelyyn. ChatGPT antaa laboratorion jäsenille myös mahdollisuuden työskennellä omalla äidinkielellään, mikä madaltaa esteitä ja nopeuttaa työnkulkuja.

De la Fuente käyttää ChatGPT:tä ideointikumppanina. Hän kehittää ideoita edelleen yhdessä kollegojensa kanssa, mutta arvostaa tekoälyn kykyä auttaa hypoteesin muotoilussa. Hän pitää myös siitä, että koko maailman tietovarantoon pääsee yhdellä napsautuksella.

”ChatGPT‑työtilamme saa näkemyksiä kaikilta näiltä ihmisiltä, jotka tarkastelevat ratkaisemiamme ongelmia eri tavoin”, de la Fuente sanoi. Laboratorion jäsenet syöttävät sille niin hyvät kuin huonotkin ideansa, joten se toimii eräänlaisena yhteisenä ajatusten testauspaikkana.

Hän kuitenkin varoittaa luottamasta pelkkään tekoälyyn. ”Paikkansapitävyys on tietenkin aina tarkistettava”, de la Fuente sanoi.

Hän arvostaa silti tekoälyn kykyä auttaa tutkijoita tarkastelemaan tieteenalojen välisiä rajapintoja. ”Juuri siellä odottavat vielä löytämättömät läpimurrot. Ne sijaitsevat oikeastaan tieteenalojen rajapinnoilla, joille vain harvat uskaltautuvat.”

Hän näkee tämän työn osana paljon pidempää tieteellistä perinnettä. ”Olemme aina turvautuneet työkaluihin ja koneisiin ymmärtääksemme ympäröivää maailmaa”, de la Fuente sanoi. ”Kaukoputki valaisi maailmankaikkeutta, ja mikroskooppi paljasti näkymättömän maailman.” Nyt koneet auttavat tutkijoita ymmärtämään, ennustamaan ja muokkaamaan biologiaa. ”Siitä työssämme on pohjimmiltaan kyse”, hän sanoi.