როგორ ეძებს მკვლევარი Codex-ისა და ChatGPT‑ის დახმარებით ახალ ანტიმიკრობულ მოლეკულებს

წამლებისადმი მდგრადი მიკრობები, მათ შორის ბაქტერიები, სოკოები, პარაზიტები და ვირუსები, მზარდ გლობალურ საფრთხეს წარმოადგენს. 2021 წელს დაახლოებით ხუთი მილიონი სიკვდილი ბაქტერიების ანტიმიკრობული რეზისტენტობის შედეგებთან იყო დაკავშირებული⁠(იხსნება ახალ ფანჯარაში) — ვარაუდობენ, რომ 2050 წლისთვის მსხვერპლის წლიური რაოდენობა დაახლოებით გაორმაგდება. მოლეკულების პოვნას, რომლებსაც ანტიმიკრობულ საშუალებებად ქცევის პოტენციალი აქვს, შესაძლოა წლები დასჭირდეს. მკვლევრები აღმოჩენის ამ ადრეული ეტაპის დასაჩქარებლად ხელოვნურ ინტელექტს იყენებენ.

„ჩემი აზრით, ანტიმიკრობული რეზისტენტობა კაცობრიობისთვის ერთ-ერთი უდიდესი ეგზისტენციური საფრთხეა“, — თქვა სესარ დე ლა ფუენტემ⁠(იხსნება ახალ ფანჯარაში), ბიოინჟინერმა, რომლის ინტერდისციპლინური ლაბორატორია ანტიმიკრობული საშუალებების კანდიდატებს ეძებს. „ამის მიუხედავად, უკვე 50 წელია, ანტიბიოტიკების ახალი კლასი არ გვქონია.“

თანამედროვე ანტიმიკრობული საშუალებების შექმნა დიდწილად არსებული მედიკამენტების შეცვლასა და ქიმიურ ნივთიერებათა ნაცნობ კლასებში ძიებაზეა ორიენტირებული. თუმცა ასეთი მიდგომის შედეგიანობა თანდათან მცირდება.

დე ლა ფუენტეს ლაბორატორია ძიებას გაცილებით ნაკლებად შესწავლილი ადგილიდან — სიცოცხლის კოდიდან — იწყებს. ამ საქმიანობის საფუძველში დევს იდეა, რომ ბიოლოგია საინფორმაციო სისტემაა. „ნუკლეოტიდები, რომლებისგანაც დნმ შედგება, და ამინომჟავები, რომლებისგანაც ცილები და პეპტიდები შედგება, ერთგვარ ანბანს ჰგავს“, — თქვა დე ლა ფუენტემ. „ბიოლოგიის ინფორმაციად გააზრებამ საშუალება მოგვცა, შეგვექმნა მეთოდები, რომლებიც სიცოცხლის იმ საორგანიზაციო პრინციპების გაშიფვრას იწყებს, რომლებმაც ფუნქციური მოლეკულა წარმოშვა.“

ლაბორატორიის ღრმა დასწავლის მოდელები ბიოლოგიურ თანმიმდევრობებში კანონზომიერებების ამოსაცნობადაა გაწვრთნილი, რაც მათ ანტიმიკრობული საშუალებების მოსაძებნად გენომებისა და ცილების მონაცემთა უზარმაზარი ნაკრებების შესწავლის საშუალებას აძლევს. ამ მიდგომას კანდიდატი მოლეკულების საწყისი ძიებისთვის საჭირო დროის წლებიდან საათებამდე შემცირება შეუძლია.

საკუთარ ხელოვნური ინტელექტის მოდელებთან ერთად, ლაბორატორია ChatGPT‑სა და Codex-ს ჰიპოთეზების მოსაფიქრებლად, კოდის დასაწერად და დასახვეწად, მონაცემთა ნაკრებების დასამუშავებლად, შედეგების გასაანალიზებლად და სხვადასხვა სამეცნიერო დისციპლინის იდეების დასაკავშირებლად იყენებს.

გენომის მხოლოდ მცირე ნაწილის ფუნქციაა მკაფიოდ შესწავლილი და კიდევ უფრო მცირე ნაწილი აკოდირებს მოლეკულებს, რომლებსაც ინფექციურ მიკრობებთან ბრძოლა შეუძლია. ამოცანაა იმ კანონზომიერებების გამოვლენა, რომლებიც მოლეკულას ფუნქციურს ანუ ბიოლოგიურად აქტიურს ხდის, შემდეგ კი იმის დადგენა, თუ რომელ მათგანს შეუძლია ინფექციურ მიკრობებთან ბრძოლა.

მეცნიერები ანტიმიკრობულ საშუალებებს დიდი ხანია ეძებენ მცენარეებში, ცხოველებში, მიკრობებში, მწერებში, წყალსა და ნიადაგში. ისინი აგროვებენ ნიმუშებს, გამოყოფენ ან პროგნოზირებენ კანდიდატ მოლეკულებს და ამოწმებენ მათ მრავალჯერადი ცდების პროცესში, რომელსაც შესაძლოა წლები დასჭირდეს.

გენომებისა და ცილების ციფრული მონაცემთა ბაზები ახლა მეცნიერებს სიცოცხლის მთელ ხეზე ახალი ნაერთების ძიების საშუალებას აძლევს და მკვეთრად აფართოებს შესასწავლად ხელმისაწვდომ მონაცემთა მასშტაბს. თუმცა ინფორმაციის ასეთ სიუხვეს საკუთარი გამოწვევაც ახლავს: უამრავ შესაძლებლობას შორის იმედისმომცემი სიგნალების პოვნა.

ხელოვნური ინტელექტი განსაკუთრებით კარგად შეეფერება თივის ზვინში ნემსის პოვნის ამოცანას. მას შეუძლია მონაცემთა უზარმაზარი ნაკრებების სწრაფად შესწავლა, მკვლევრებისთვის ძნელად შესამჩნევი კანონზომიერებების გამოვლენა და ექსპერიმენტული შემოწმებისთვის კანდიდატთა მართვადი რაოდენობის შერჩევა.

თუმცა იმედისმომცემი კანდიდატის გამოვლენა აუცილებლად არ ნიშნავს, რომ ის ეფექტიან მედიკამენტად იქცევა.

მეცნიერებმა ჯერ უნდა დაადასტურონ, რომ კანდიდატი მოლეკულა სამიზნე მიკრობს კლავს, განსაზღვრონ ეფექტისთვის საჭირო რაოდენობა და შეამოწმონ, როგორ მოქმედებს ის ადამიანის უჯრედებზე. შემდეგ ქიმიკოსებს შეუძლიათ მისი ოპტიმიზაცია ეფექტიანობის, უსაფრთხოების ან სტაბილურობის გასაუმჯობესებლად.

შემდგომი კვლევებით ადგენენ დოზას, რომლითაც კანდიდატი ტოქსიკური ხდება, რამდენად ადვილად უვითარდებათ მიკრობებს მოლეკულის მიმართ რეზისტენტობა და როგორ გადაადგილდება კანდიდატი ორგანიზმში. გუნდები მოლეკულის წარმოების საიმედო გზასაც განსაზღვრავენ. ამ დაბრკოლებების გადალახვის შემდეგაც, კანდიდატებმა მარეგულირებელი ორგანოების შეფასება და კლინიკური კვლევები უნდა გაიარონ, სანამ პაციენტებამდე დამტკიცებული ანტიმიკრობული მედიკამენტების სახით მიაღწევენ.

დე ლა ფუენტესთვის სწორედ ამიტომ უნდა ვითარდებოდეს ხელოვნური ინტელექტი და ლაბორატორიული ბიოლოგია ერთად. „რეალურ პირობებში ჩატარებული ექსპერიმენტები აუცილებელია ხელოვნური ინტელექტის პროგნოზების დასადასტურებლად“, — თქვა მან. „მომავალ წლებში ამას გადამწყვეტი მნიშვნელობა ექნება სიცოცხლის შემსწავლელ მეცნიერებებში, თუ გვსურს, კვლავაც მცირედით მაინც გავაფართოოთ ჩვენი ცოდნა ბიოლოგიის შესახებ, რომელიც არსებულთაგან ყველაზე რთული რამაა.“

მისი ლაბორატორია კანდიდატ მოლეკულებს ცოცხალი და გადაშენებული ორგანიზმების გენომებში ეძებს. ამ გენომების შესწავლას, მათ მიერ კოდირებული ცილების წარმოქმნისა და ფუნქციონირების გაგებას და ამ მოლეკულების მოქმედების დადგენას რამდენიმე დარგის ცოდნა სჭირდება.

„ჩვენ უაღრესად ტრანსდისციპლინური ჯგუფი ვართ, ამიტომ გვყავს სპეციალისტები ბიოლოგიის, ქიმიის, კომპიუტერული მეცნიერებისა და ინჟინერიის სფეროებიდან“, — თქვა დე ლა ფუენტემ. ლაბორატორიის ზოგი წევრი პროგრამირებაში ძლიერია, მაგრამ ბიოლოგია ან ქიმია ნაკლებად იცის — და პირიქით. Codex და ChatGPT ამ ხარვეზების შევსებას უწყობს ხელს: ბიოლოგებს პროგრამების შექმნის, პროგრამისტებს კი ბიოლოგიური პრობლემების გადაჭრის შესაძლებლობას აძლევს. ამ მხრივ, ხელოვნური ინტელექტი სამეცნიერო დისციპლინებს შორის ბარიერებს ამცირებს.

ის ლაბორატორიის წევრებს ეხმარება, გაეცნონ მათ ინტერდისციპლინურ საქმიანობაში საჭირო უცნობ საკითხებს, დააზუსტონ ტერმინები, შეადარონ სხვადასხვა დარგის მეთოდები და წამლების აღმოჩენისთვის იდეები დაალაგონ. სხვები ხელოვნურ ინტელექტს გენომური მონაცემების დიდი ნაკრებების ჩამოსატვირთად, მოსაწესრიგებლად და წინასწარ დასამუშავებლად იყენებენ. ChatGPT ლაბორატორიის წევრებს მშობლიურ ენებზე მუშაობის საშუალებასაც აძლევს, რაც ბარიერებს ამცირებს და მათ სამუშაო პროცესებს აჩქარებს.

დე ლა ფუენტე ChatGPT‑ს იდეების გენერირების პარტნიორად იყენებს. ის იდეების განვითარებას კოლეგებთან ერთად განაგრძობს, თუმცა აფასებს ხელოვნური ინტელექტის უნარს, ჰიპოთეზის ჩამოყალიბებაში დაეხმაროს. მას ისიც მოსწონს, რომ ერთი ღილაკის დაჭერით შეუძლია მსოფლიოს ცოდნაზე წვდომა.

„ჩვენი ChatGPT სამუშაო სივრცე იღებს მოსაზრებებს მრავალი განსხვავებული ადამიანისგან, რომლებიც იმ პრობლემებზე, რომელთა გადაჭრასაც ვცდილობთ, სხვადასხვაგვარად ფიქრობენ“, — თქვა დე ლა ფუენტემ. ლაბორატორიის წევრები მას კარგ და ცუდ იდეებს უზიარებენ და ერთგვარ კოლექტიურ მრჩევლად აქცევენ.

თუმცა ის გვაფრთხილებს, რომ მხოლოდ ხელოვნურ ინტელექტს არ უნდა დავეყრდნოთ. „ცხადია, სიზუსტე ყოველთვის ხელახლა უნდა გადაამოწმოთ“, — თქვა დე ლა ფუენტემ.

მიუხედავად ამისა, ის აფასებს ხელოვნური ინტელექტის უნარს, დაეხმაროს მკვლევრებს სამეცნიერო დისციპლინებს შორის საზღვრების შესწავლაში. „სწორედ იქ ელის აღმოჩენას გარდამტეხი მიღწევები. ისინი არსებითად დარგების მიჯნაზეა, სადაც ძალიან ცოტა ადამიანი მიდის.“

მისთვის ეს საქმიანობა გაცილებით ხანგრძლივი სამეცნიერო ტრადიციის ნაწილია. „ჩვენ გარშემო არსებული სამყაროს გასაგებად ყოველთვის ვეყრდნობოდით ხელსაწყოებსა და მანქანებს“, — თქვა დე ლა ფუენტემ. „ტელესკოპმა კოსმოსს მოჰფინა ნათელი, მიკროსკოპმა კი უხილავი სამყარო გამოავლინა.“ ახლა მანქანები მკვლევრებს ბიოლოგიის გაგებაში, პროგნოზირებასა და კონსტრუირებაში ეხმარება. „სწორედ ამას ემსახურება მთელი ჩვენი საქმიანობა“, — თქვა მან.