Ինչպես է հետազոտողը Codex-ով ու ChatGPT‑ով նոր հակամանրէային մոլեկուլներ որոնում

Դեղակայուն մանրէները, այդ թվում՝ բակտերիաները, սնկերը, մակաբույծներն ու վիրուսները, գնալով ավելի մեծ համաշխարհային սպառնալիք են դառնում։ 2021 թվականին մոտ հինգ միլիոն մահ կապված էր⁠(բացվում է նոր պատուհանում) հակամանրէային դեղերի նկատմամբ բակտերիաների կայունության հետ։ Կանխատեսվում է, որ մինչև 2050 թվականը մահացության տարեկան ցուցանիշը գրեթե կկրկնապատկվի։ Հակամանրէային դեղ դառնալու ներուժ ունեցող մոլեկուլների հայտնաբերումը կարող է տարիներ տևել։ Հետազոտողներն արհեստական բանականությունն օգտագործում են հայտնաբերման այս վաղ փուլն արագացնելու համար։

«Իմ կարծիքով՝ հակամանրէային դեղակայունությունը մարդկության գոյությանը սպառնացող ամենամեծ վտանգներից մեկն է»,— ասաց կենսաինժեներ Սեզար դե լա Ֆուենտեն⁠(բացվում է նոր պատուհանում), որի միջգիտակարգային լաբորատորիան հակամանրէային դեղերի թեկնածուներ է որոնում։ «Սակայն արդեն 50 տարի է՝ հակաբիոտիկների նոր դաս չենք ունեցել»։

Հակամանրէային դեղերի ժամանակակից մշակումը հիմնականում կենտրոնացած է գոյություն ունեցող դեղամիջոցների փոփոխման կամ քիմիական նյութերի ծանոթ դասերում որոնումների վրա։ Սակայն այդ մոտեցումը գնալով ավելի քիչ արդյունք է տալիս։

Դե լա Ֆուենտեի լաբորատորիան սկսում է շատ ավելի քիչ ուսումնասիրված մի կետից՝ կյանքի կոդից։ Այս աշխատանքի հիմքում այն գաղափարն է, որ կենսաբանությունը տեղեկատվական համակարգ է։ «ԴՆԹ-ն կազմող նուկլեոտիդները և սպիտակուցներն ու պեպտիդները կազմող ամինաթթուները մի տեսակ այբուբեն են»,— ասաց դե լա Ֆուենտեն։ «Կենսաբանությունը որպես տեղեկատվություն դիտարկելը մեզ հնարավորություն տվեց մշակել մեթոդներ, որոնք կարող են սկսել վերծանել կյանքի այն կազմակերպչական սկզբունքները, որոնց շնորհիվ առաջացել է գործառական մոլեկուլը»։

Լաբորատորիայի խորքային ուսուցման մոդելները վարժեցված են կենսաբանական հաջորդականություններում օրինաչափություններ ճանաչելու համար, ինչը թույլ է տալիս գենոմների և սպիտակուցների հսկայական տվյալակազմերում հակամանրէային դեղերի հավանական թեկնածուներ որոնել։ Այս մոտեցումը կարող է թեկնածու մոլեկուլների նախնական որոնման տևողությունը տարիներից կրճատել մինչև մի քանի ժամ։

Սեփական արհեստական բանականության մոդելների հետ մեկտեղ լաբորատորիան ChatGPT‑ն և Codex-ն օգտագործում է հիպոթեզների մտագրոհի, կոդ գրելու և կատարելագործելու, տվյալակազմեր մշակելու, արդյունքներ վերլուծելու ու տարբեր գիտական ոլորտների գաղափարներն իրար կապելու համար։

Գենոմի միայն մի փոքր մասի գործառույթն է հստակ հասկացված, իսկ վարակիչ մանրէների դեմ պայքարող մոլեկուլներ կոդավորող հատվածներն էլ ավելի քիչ են։ Խնդիրն այն է, որ պետք է բացահայտել մոլեկուլին գործառույթ կամ կենսաբանական ակտիվություն հաղորդող օրինաչափությունները, ապա որոշել, թե դրանցից որոնք կարող են պայքարել վարակիչ մանրէների դեմ։

Գիտնականները վաղուց են հակամանրէային նյութեր որոնում բույսերում, կենդանիներում, մանրէներում, միջատներում, ջրում և հողում։ Նրանք նմուշներ են հավաքում, առանձնացնում կամ կանխատեսում թեկնածու մոլեկուլները և փորձարկում դրանք կրկնվող գործընթացով, որը կարող է տարիներ տևել։

Գենոմների և սպիտակուցների թվային շտեմարաններն այժմ գիտնականներին թույլ են տալիս կյանքի ողջ ծառում նոր միացություններ որոնել՝ կտրուկ ընդլայնելով ուսումնասիրության համար հասանելի տվյալների շրջանակը։ Սակայն տեղեկատվության այդ առատությունն իր դժվարություններն ունի. հարկավոր է անթիվ հնարավորությունների մեջ խոստումնալից ազդակներ գտնել։

Արհեստական բանականությունը հատկապես հարմար է խոտի դեզում ասեղ գտնելու այս խնդրին։ Այն կարող է ուսումնասիրել հսկայական տվյալակազմեր, բացահայտել հետազոտողների համար դժվար նկատելի օրինաչափություններ և փորձարարական ստուգման համար առաջնահերթ ընտրել կառավարելի թվով թեկնածուներ։

Սակայն խոստումնալից թեկնածուի հայտնաբերումը դեռ չի նշանակում, որ այն արդյունավետ դեղամիջոց կդառնա։

Գիտնականները նախ պետք է հաստատեն, որ թեկնածու մոլեկուլը ոչնչացնում է թիրախային մանրէին, որոշեն արդյունավետության համար անհրաժեշտ քանակը և ստուգեն դրա ազդեցությունը մարդու բջիջների վրա։ Այնուհետև քիմիկոսները կարող են օպտիմալացնել այն՝ արդյունավետությունը, անվտանգությունը կամ կայունությունը բարելավելու համար։

Հետագա փորձարկումներով գնահատվում են այն չափաբաժինը, որի դեպքում թեկնածուն դառնում է թունավոր, մանրէների՝ մոլեկուլի նկատմամբ կայունություն զարգացնելու արագությունը և թեկնածուի տեղաշարժն օրգանիզմում։ Թիմերը նաև մշակում են մոլեկուլի արտադրության հուսալի եղանակ։ Այս խոչընդոտները հաղթահարած թեկնածուները դեռ պետք է կարգավորող մարմինների ստուգում և կլինիկական փորձարկումներ անցնեն, նախքան որպես հաստատված հակամանրէային դեղեր հիվանդներին հասնելը։

Դե լա Ֆուենտեի կարծիքով՝ հենց այդ պատճառով արհեստական բանականությունն ու լաբորատոր կենսաբանությունը պետք է զարգանան միասին։ «Իրական պայմաններում կատարվող փորձերը կարևոր են արհեստական բանականության կանխատեսումները վավերացնելու համար»,— ասաց նա։ «Առաջիկա տարիներին սա վճռորոշ նշանակություն կունենա կենսաբանական գիտությունների համար, եթե ցանկանում ենք շարունակել թեկուզ մակերեսորեն ուսումնասիրել կենսաբանությունը՝ գոյություն ունեցող ամենաբարդ երևույթը»։

Նրա լաբորատորիան թեկնածու մոլեկուլներ է որոնում կենդանի և անհետացած օրգանիզմների գենոմներում։ Այդ գենոմների ուսումնասիրությունը, դրանց կոդավորած սպիտակուցների ձևավորման ու գործառույթի ըմբռնումը և այդ մոլեկուլների դերի որոշումը մի քանի ոլորտ ընդգրկող մասնագիտական գիտելիքներ են պահանջում։

«Մենք խիստ միջգիտակարգային խումբ ենք, ուստի մեր թիմում կան կենսաբանության, քիմիայի, համակարգչային գիտության և ճարտարագիտության մասնագետներ»,— ասաց դե լա Ֆուենտեն։ Լաբորատորիայի որոշ անդամներ հմուտ ծրագրավորողներ են, սակայն կենսաբանությունից կամ քիմիայից քիչ գիտելիքներ ունեն, իսկ մյուսների դեպքում հակառակն է։ Codex-ը և ChatGPT‑ն օգնում են լրացնել այդ բացերը՝ կենսաբաններին հնարավորություն տալով ծրագրեր ստեղծել, իսկ ծրագրավորողներին՝ կենսաբանական խնդիրներ լուծել։ Այս առումով արհեստական բանականությունը նվազեցնում է գիտական ոլորտների միջև եղած խոչընդոտները։

Այն օգնում է լաբորատորիայի անդամներին ուսումնասիրել իրենց միջգիտակարգային աշխատանքի համար անհրաժեշտ անծանոթ թեմաները, հստակեցնել եզրույթները, համեմատել տարբեր ոլորտների մեթոդները և համակարգել դեղերի հայտնաբերմանն առնչվող գաղափարները։ Մյուսներն արհեստական բանականությունն օգտագործում են գենոմային մեծ տվյալակազմերը ներբեռնելու, կազմակերպելու և նախապես մշակելու համար։ ChatGPT‑ն նաև լաբորատորիայի անդամներին հնարավորություն է տալիս աշխատել իրենց մայրենի լեզուներով՝ վերացնելով աշխատանքային գործընթացներն արագացնելու խոչընդոտները։

Դե լա Ֆուենտեն ChatGPT‑ն օգտագործում է որպես մտագրոհի գործընկեր։ Նա շարունակում է գաղափարներ զարգացնել գործընկերների հետ, սակայն կարևորում է հիպոթեզ ձևակերպելու հարցում արհեստական բանականության աջակցությունը։ Նրան նաև դուր է գալիս, որ մեկ կոճակի սեղմումով կարող է հասանելիություն ստանալ աշխարհի տեղեկատվությանը։

«ChatGPT‑ի մեր աշխատատարածքում կարծիքներ են հայտնում բազմաթիվ մարդիկ, որոնք տարբեր կերպ են մտածում այն խնդիրների մասին, որոնք փորձում ենք լուծել»,— ասաց դե լա Ֆուենտեն։ Լաբորատորիայի անդամները դրան ներկայացնում են իրենց թե՛ լավ, թե՛ վատ գաղափարները՝ դարձնելով այն յուրատեսակ համատեղ քննարկման հարթակ։

Սակայն նա զգուշացնում է, որ չի կարելի ապավինել միայն արհեստական բանականությանը։ «Ակնհայտ է, որ ճշգրտությունը միշտ պետք է կրկնակի ստուգել»,— ասաց դե լա Ֆուենտեն։

Այնուամենայնիվ, նա կարևորում է գիտական ոլորտների սահմաններն ուսումնասիրելու հարցում հետազոտողներին օգնելու՝ արհեստական բանականության կարողությունը։ «Հենց այնտեղ են թաքնված բացահայտման սպասող բեկումնային ձեռքբերումները։ Դրանք հիմնականում ոլորտների սահմանագծերին են, ուր շատ քչերն են հասնում»։

Նա այս աշխատանքը համարում է շատ ավելի երկարատև գիտական ավանդույթի մի մասը։ «Մեզ շրջապատող աշխարհը հասկանալու համար մենք միշտ ապավինել ենք գործիքներին ու մեքենաներին»,— ասաց դե լա Ֆուենտեն։ «Աստղադիտակը լուսավորեց տիեզերքը, իսկ մանրադիտակը բացահայտեց անտեսանելիի աշխարհը»։ Այժմ մեքենաներն օգնում են հետազոտողներին հասկանալ, կանխատեսել և նախագծել կենսաբանությունը։ «Հենց դրան է նվիրված մեր ամբողջ աշխատանքը»,— ասաց նա։