Paano ginagamit ng researcher ang Codex at ChatGPT sa paghahanap ng bagong antimicrobial molecules

Lumalaki ang pandaigdigang banta ng mga grug-resistant na microbe, kabilang ang mga bacteria, fungi, parasite, at virus. Humigit-kumulang limang milyong pagkamatay noong 2021 ang naiugnay⁠(magbubukas sa bagong window) sa bacterial antimicrobial resistance—isang taunang bilang na inaasahang halos dodoble pagsapit ng 2050. Maaaring abutin nang maraming taon ang paghahanap ng molecules na may potensyal na maging antimicrobials. Ginagamit ng mga researcher ang AI para pabilisin ang maagang yugtong ito ng pagtuklas.

“Sa palagay ko, ang antimicrobial resistance ay isa sa pinakamalalaking bantang umiiral sa sangkatauhan,” sabi ni César de la Fuente⁠(magbubukas sa bagong window), isang bioengineer na may cross-disciplinary lab na naghahanap ng mga antimicrobial candidate. “Gayunman, 50 taon na tayong walang bagong klase ng antibiotic.”

Nakapokus ang malaking bahagi ng modernong antimicrobial development sa pagmomodipika ng mga kasalukuyang gamot o paghahanap sa mga pamilyar na klase ng kemikal. Pero patuloy na lumiliit ang mga pakinabang ng pamamaraang iyon.

Nagsisimula ang lab ni de la Fuente sa isang bahaging hindi gaanong nae-explore: ang code of life. Ang pangunahing ideya sa likod ng gawain ay isang information system ang biology. “Ang mga nucleotide na bumubuo sa DNA at ang mga amino acid na bumubuo sa mga protein at peptide ay maihahalintulad sa isang alpabeto,” sabi ni de la Fuente. “Dahil itinuring namin ang biology bilang impormasyon, nakabuo kami ng mga paraang makapagsisimulang tumukoy sa mga prinsipyong nagsasaayos ng buhay at lumikha sa isang gumaganang molecule.”

Sinasanay ang mga deep-learning model ng lab na kumilala ng mga pattern sa mga biological sequence, kaya nakakapaghanap ang mga ito ng mga potensyal na antimicrobial sa napakalalaking dataset ng genome at protein. Maaaring paikliin ng pamamaraang ito ang paunang paghahanap ng mga candidate molecule, na dating inaabot nang ilang taon pero ngayon ay sa loob lang ng ilang oras.

Bukod sa sarili nitong mga AI model, ginagamit ng lab ang ChatGPT at Codex para mag-brainstorm ng mga hypothesis, mag-write at mag-refine ng code, magproseso ng mga dataset, mag-analisa ng mga resulta, at magkonekta ng mga ideya mula sa iba’t ibang scientific discipline.

Maliit na bahagi lang ng isang genome ang may malinaw na nauunawaang function, at mas kaunti pa ang nag-encode ng mga molecule na kayang lumaban sa mga nakahahawang mikrobyo. Ang hamon ay tukuyin ang mga pattern na nagbibigay sa isang molecule na maging functional o biologically active, at pagkatapos ay alamin kung alin ang may potensyal na labanan ang mga nakahahawang mikrobyo.

Matagal nang naghahanap ang mga scientist ng mga antimicrobial sa mga halaman, hayop, mikrobyo, insekto, tubig, at lupa. Nangongolekta sila ng mga sample, naghihiwalay o nagpepredikta ng mga posibleng candidate molecule, at tine-test ang mga ito sa isang paulit-ulit na prosesong maaaring abutin nang maraming taon.

Dahil sa mga digital na database ng genome at protein, makapaghahanap na ngayon ang mga scientist ng mga bagong compound sa buong tree of life, kaya lubhang lumawak ang saklaw ng mga database na maaari nilang i-explore. Pero may sarili ring hamon ang ganitong kasaganahan ng impormasyon: ang paghahanap ng mga promising na signal sa napakaraming posibilidad.

Angkop na angkop ang AI sa ganitong paghahanap ng karayom sa bunton ng dayami. Kaya nitong i-scan ang napakalalaking dataset, tukuyin ang mga pattern na maaaring mahirap mapansin ng mga researcher, at unahin ang nama-manage na set ng mga candidate para sa eksperimental na pag-test.

Pero ang pagkakatukoy sa isang promising na candidate ay hindi nangangahulugang magiging mabisa itong gamot.

Kailangan munang kumpirmahin ng mga scientist na napapatay ng candidate molecule ang target na mikrobyo, alamin ang daming kailangan para maging mabisa ito, at i-test ang epekto nito sa mga cell ng tao. Maaari itong i-optimize ng mga chemist para mapahusay ang bisa, kaligtasan, o stability nito.

Sinusuri sa mga karagdagang test ang dose kung kailan nagiging nakalalason ang candidate, kung gaano kabilis nagkakaroon ng resistensya ang mga mikrobyo sa molecule, at kung paano kumikilos ang candidate sa loob ng katawan. Tinutukoy rin ng mga team ang isang maaasahang paraan ng paggawa ng molecule. Ang mga candidate na nakalalampas sa mga hadlang na ito ay kailangan pa ring sumailalim sa regulator review at mga clinical trial bago makarating sa mga pasyente bilang aprubadong antimicrobial na gamot.

Para kay de la Fuente, ito ang dahilan kung bakit kailangang sabay na sumulong ang AI at biology sa laboratoryo. “Esensyal ang mga aktwal na eksperimento para patunayang tama ang mga prediksyon ng AI,” sabi niya. “Magiging kritikal ito sa mga life science sa mga darating na taon kung gusto nating patuloy na palalimin ang napakaliit pa nating pagkaunawa sa biology, na siyang pinakamasalimuot sa lahat.”

Ine-explore ng kanyang lab ang mga genome ng mga living at extinct na organismo para maghanap ng mga candidate molecule. Nangangailangan ng kadalubhasaan sa iba’t ibang larangan ang paghahanap sa mga genome na iyon, pag-unawa kung paano nabubuo at gumagana ang mga protein na naka-encode sa mga ito, at pagtukoy sa ginagawa ng mga molecule na iyon.

“Lubos na transdisciplinary ang aming grupo, kaya may mga tao kami mula sa biology, chemistry, computer science, at engineering,” sabi ni de la Fuente. Mahuhusay na programmer ang ilang miyembro ng lab pero mas kaunti ang alam nila sa biology o chemistry, at vice versa. Tumutulong ang Codex at ChatGPT na punan ang mga kakulangang iyon, kaya nakakagawa ng mga program ang mga biologist at natutugunan ng mga programmer ang mga problema sa biology. Sa ganitong paraan, binabawasan ng AI ang mga hadlang sa pagitan ng mga scientific discipline.

Tinutulungan nito ang mga miyembro ng lab na i-review ang mga paksang hindi pa nila kabisado pero kailangan sa kanilang cross-disciplinary work, linawin ang mga termino, paghambingin ang mga pamamaraan sa iba’t ibang larangan, at iorganisa ang mga ideya para sa pagtuklas ng gamot. Ginagamit naman ng iba ang AI para mag-download, mag-organize, at mag-preprocess ng malalaking dataset ng genome. Nagbibigay-daan din ang ChatGPT para makapagtrabaho ang mga miyembro ng lab sa kanilang katutubong wika, kaya nababawasan ang mga hadlang at bumibilis ang kanilang mga workflow.

Ginagamit ni de la Fuente ang ChatGPT bilang katuwang sa brainstorming. Patuloy siyang nagde-develop ng mga ideya kasama ang mga kasamahan, pero pinapahalagahan niya ang kakayahan ng AI na tulungan siyang humubog ng haypotesis. Gusto rin niyang naa-access niya ang impormasyon mula sa buong mundo sa isang pindot lang.

“Tumatanggap ang aming ChatGPT workspace ng mga input mula sa iba’t ibang taong may sari-sariling pananaw sa mga problemang sinusubukan naming lutasin,” sabi ni de la Fuente. Ibinabahagi rito ng mga miyembro ng lab ang kanilang magaganda at hindi magagandang ideya, kaya nagsisilbi itong isang uri ng collaborative na sanggunian para masubok ang mga ideya.

Pero nagbabala siyang huwag umasa sa AI lang. “Siyempre, kailangan mong laging i-double check kung tumpak ang impormasyon,” sabi ni de la Fuente.

Gayunman, pinapahalagahan niya ang kakayahan ng AI na tulungan ang mga researcher na i-explore ang mga hangganan sa pagitan ng mga scientific discipline. “Doon naghihintay na matuklasan ang mahahalagang pambihirang tagumpay. Karaniwang matatagpuan ang mga ito sa mga hangganan ng mga larangan na kakaunti lang ang sumusubok na galugarin.”

Itinuturing niyang bahagi ang gawaing ito ng mas mahabang tradisyong siyentipiko. “Noon pa man, umaasa na tayo sa mga tool at machine para maunawaan ang mundong nakapaligid sa atin,” sabi ni de la Fuente. “Binigyang-liwanag ng telescope ang kalawakan, at ibinunyag ng microscope ang mundo ng mga bagay na hindi nakikita.” Tinutulungan na ngayon ng mga machine ang mga researcher na maunawaan, mapredikta, at ma-engineer ang biology. “Iyan ang pinakabuod ng aming gawain,” sabi niya.