Kaip tyrėjas, pasitelkęs „Codex“ ir „ChatGPT“, ieško naujų antimikrobinių molekulių

Vaistams atsparūs mikrobai, įskaitant bakterijas, grybus, parazitus ir virusus, kelia vis didesnę pasaulinę grėsmę. 2021 m. apie penkis milijonus mirčių buvo susijusios⁠(atsidaro naujame lange) su bakterijų atsparumu antimikrobinėms medžiagoms. Prognozuojama, kad iki 2050 m. šis metinis skaičius beveik padvigubės. Potencialių antimikrobinių medžiagų molekulių paieška gali trukti ne vienus metus. Tyrėjai pasitelkia DI šiam pradiniam atradimų etapui paspartinti.

„Mano nuomone, atsparumas antimikrobinėms medžiagoms yra viena didžiausių egzistencinių grėsmių žmonijai“, – sakė bioinžinierius César de la Fuente⁠(atsidaro naujame lange), kurio tarpdisciplininė laboratorija ieško potencialių antimikrobinių medžiagų. „Tačiau naujos antibiotikų klasės neturime jau 50 metų.“

Kuriant šiuolaikines antimikrobines medžiagas dažniausiai modifikuojami esami vaistai arba ieškoma gerai žinomose cheminių medžiagų klasėse. Tačiau toks metodas duoda vis mažiau naudos.

De la Fuente laboratorija pradeda nuo gerokai mažiau ištirtos srities – gyvybės kodo. Šio darbo pagrindas – mintis, kad biologija yra informacinė sistema. „DNR sudarantys nukleotidai ir baltymus bei peptidus sudarančios aminorūgštys yra tarsi abėcėlė“, – sakė de la Fuente. „Biologiją suvokdami kaip informaciją galėjome sukurti metodus, padedančius pradėti iššifruoti gyvybės organizavimosi principus, dėl kurių atsirado funkcinės molekulės.“

Laboratorijos giliojo mokymosi modeliai mokomi atpažinti biologinių sekų dėsningumus, todėl didžiuliuose genomų ir baltymų duomenų rinkiniuose gali ieškoti potencialių antimikrobinių medžiagų. Šis metodas gali sutrumpinti pradinę potencialių molekulių paiešką nuo kelerių metų iki kelių valandų.

Be savo DI modelių, laboratorija naudoja „ChatGPT“ ir „Codex“ hipotezėms generuoti, kodui rašyti ir tobulinti, duomenų rinkiniams apdoroti, rezultatams analizuoti ir skirtingų mokslo disciplinų idėjoms susieti.

Aiškiai suprantama tik nedidelės genomo dalies funkcija, o dar mažesnė jo dalis koduoja molekules, galinčias kovoti su infekcijas sukeliančiais mikrobais. Reikia nustatyti dėsningumus, dėl kurių molekulė tampa funkcionali, arba biologiškai aktyvi, o tada išsiaiškinti, kurios molekulės galėtų kovoti su infekcijas sukeliančiais mikrobais.

Mokslininkai jau seniai ieško antimikrobinių medžiagų augaluose, gyvūnuose, mikrobuose, vabzdžiuose, vandenyje ir dirvožemyje. Jie renka mėginius, išskiria arba prognozuoja potencialias molekules ir kartotinai jas bando – šis procesas gali trukti ne vienus metus.

Skaitmeninės genomų ir baltymų duomenų bazės dabar leidžia mokslininkams ieškoti naujų junginių visame gyvybės medyje, tad labai išsiplėtė tyrimams prieinamų duomenų aprėptis. Tačiau tokia informacijos gausa kelia savų iššūkių: milžiniškame galimybių kiekyje reikia aptikti perspektyvius signalus.

DI itin gerai tinka šiai adatos paieškos šieno kupetoje užduočiai. Jis gali išanalizuoti didžiulius duomenų rinkinius, aptikti tyrėjams sunkiai pastebimus dėsningumus ir suteikti pirmenybę įveikiamam kandidatų kiekiui eksperimentiniams tyrimams.

Tačiau perspektyvaus kandidato nustatymas dar nereiškia, kad jis taps veiksmingu vaistu.

Pirmiausia mokslininkai turi patvirtinti, kad potenciali molekulė sunaikina tikslinį mikrobą, nustatyti veiksmingą jų kiekį ir ištirti poveikį žmogaus ląstelėms. Tada chemikai gali ją optimizuoti, kad padidintų veiksmingumą, saugumą ar stabilumą.

Atliekant tolesnius tyrimus vertinama, nuo kokios dozės medžiaga tampa toksiška, kaip lengvai mikrobai įgyja jai atsparumą ir kaip ji juda organizme. Komandos taip pat nustato patikimą medžiagos gamybos būdą. Šiuos etapus įveikusių medžiagų dar laukia reguliavimo institucijų vertinimas ir klinikiniai tyrimai. Tik tada jos gali pasiekti pacientus kaip patvirtinti antimikrobiniai vaistai.

De la Fuente teigimu, būtent todėl DI ir laboratorinė biologija turi tobulėti drauge. „DI prognozėms patvirtinti būtini realūs eksperimentai“, – sakė jis. „Ateinančiais metais tai bus itin svarbu gyvybės mokslams, jei norime ir toliau bent šiek tiek gilinti savo supratimą apie biologiją – sudėtingiausią iš visų sričių.“

Jo laboratorija gyvų ir išnykusių organizmų genomuose ieško potencialių molekulių. Norint tirti šiuos genomus, suprasti, kaip susidaro ir veikia jų koduojami baltymai, bei nustatyti, ką daro tos molekulės, reikia kelių sričių žinių.

„Esame itin tarpdisciplininė grupė – turime biologijos, chemijos, informatikos ir inžinerijos specialistų“, – sakė de la Fuente. Vieni laboratorijos nariai puikiai programuoja, bet prasčiau išmano biologiją ar chemiją, o kiti – atvirkščiai. „Codex“ ir „ChatGPT“ padeda užpildyti šias spragas: biologai gali kurti programas, o programuotojai – spręsti biologijos problemas. Šia prasme DI mažina kliūtis tarp mokslo disciplinų.

Jis padeda laboratorijos nariams susipažinti su tarpdisciplininiam darbui reikalingomis temomis, išsiaiškinti terminus, palyginti skirtingų sričių metodus ir susisteminti vaistų kūrimo idėjas. Kiti pasitelkia DI dideliems genomų duomenų rinkiniams atsisiųsti, tvarkyti ir iš anksto apdoroti. „ChatGPT“ taip pat suteikia laboratorijos nariams galimybę dirbti gimtosiomis kalbomis, todėl mažėja kliūčių ir spartėja darbo procesai.

De la Fuente naudojasi „ChatGPT“ kaip idėjų generavimo partneriu. Jis ir toliau plėtoja idėjas su kolegomis, tačiau vertina DI gebėjimą padėti jam suformuluoti hipotezę. Jam taip pat patinka, kad pasaulio informaciją gali pasiekti vienu mygtuko spustelėjimu.

„Mūsų „ChatGPT“ darbo erdvėje savo įžvalgomis dalijasi daugybė skirtingų žmonių, kurie skirtingai vertina problemas, kurias mėginame spręsti“, – sakė de la Fuente. Laboratorijos nariai joje pateikia ir gerų, ir blogų idėjų, tad ji tampa savotiška bendra erdve idėjoms aptarti.

Tačiau jis įspėja nepasikliauti vien DI. „Žinoma, visada reikia dar kartą patikrinti, ar informacija tiksli“, – sakė de la Fuente.

Vis dėlto jis vertina DI gebėjimą padėti tyrėjams nagrinėti mokslo disciplinų paribius. „Būtent ten laukia dar neatrasti proveržiai. Jie slypi disciplinų paribiuose, į kuriuos užklysta labai nedaug žmonių.“

Šį darbą jis laiko daug senesnės mokslo tradicijos dalimi. „Kad suprastume mus supantį pasaulį, visada rėmėmės įrankiais ir mašinomis“, – sakė de la Fuente. „Teleskopas nušvietė kosmosą, o mikroskopas atskleidė nematomą pasaulį.“ Dabar mašinos padeda tyrėjams suprasti, prognozuoti ir projektuoti biologinius procesus. „Būtent tokia yra mūsų darbo esmė“, – sakė jis.