പുതിയ ആന്റിമൈക്രോബിയൽ തന്മാത്രകൾ തേടാൻ ഒരു ഗവേഷകൻ Codex, ChatGPT എന്നിവ ഉപയോഗിക്കുന്ന വിധം

ബാക്ടീരിയ, ഫംഗസ്, പരാദങ്ങൾ, വൈറസുകൾ എന്നിവയുൾപ്പെടെ മരുന്നുകളെ പ്രതിരോധിക്കാൻ ശേഷിയുള്ള സൂക്ഷ്മാണുക്കൾ ലോകമെമ്പാടും വളർന്നുവരുന്ന വലിയൊരു ഭീഷണിയാണ്. 2021-ൽ ബാക്ടീരിയൽ ആന്റിമൈക്രോബയൽ പ്രതിരോധം മൂലം ഏകദേശം 50 ലക്ഷത്തോളം മരണങ്ങൾ സംഭവിച്ചു⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു); 2050 ആകുമ്പോഴേക്കും ഈ പ്രതിവർഷ മരണസംഖ്യ ഇരട്ടിയോളമായി വർദ്ധിക്കുമെന്നാണ് കണക്കാക്കപ്പെടുന്നത്. ആന്റിമൈക്രോബയലുകളായി മാറാൻ ശേഷിയുള്ള തന്മാത്രകൾ കണ്ടെത്താൻ വർഷങ്ങളോളം സമയമെടുക്കാം. ഗവേഷണത്തിന്റെ ഈ പ്രാരംഭ ഘട്ടം വേഗത്തിലാക്കാൻ ഗവേഷകർ ഇപ്പോൾ കൃത്രിമബുദ്ധി പ്രയോജനപ്പെടുത്തുന്നു.

“എന്റെ അഭിപ്രായത്തിൽ മനുഷ്യരാശിയുടെ നിലനിൽപ്പിനുള്ള ഏറ്റവും വലിയ ഭീഷണികളിലൊന്നാണ് ആന്റിമൈക്രോബിയൽ പ്രതിരോധം,” ആന്റിമൈക്രോബിയൽ സാധ്യതയുള്ള തന്മാത്രകൾ തേടുന്ന വിവിധ ശാസ്ത്രശാഖകൾ സംയോജിപ്പിച്ച ലാബിന്റെ മേധാവിയും ബയോഎൻജിനീയറുമായ സെസാർ ഡി ലാ ഫുവെന്റെ⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പറഞ്ഞു. “എന്നിട്ടും, 50 വർഷമായി നമുക്ക് പുതിയൊരു വിഭാഗം ആന്റിബയോട്ടിക്കുകൾ ലഭിച്ചിട്ടില്ല.”

നിലവിലുള്ള മരുന്നുകൾ പരിഷ്കരിക്കുന്നതിലോ പരിചിതമായ രാസവസ്തു വിഭാഗങ്ങളിൽ തിരയുന്നതിലോ ആണ് ആധുനിക ആന്റിമൈക്രോബിയൽ വികസനം പ്രധാനമായും ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. എന്നാൽ ആ സമീപനത്തിൽനിന്നുള്ള നേട്ടങ്ങൾ കുറഞ്ഞുവരുകയാണ്.

ഡി ലാ ഫുവെന്റെയുടെ ലാബ് തുടങ്ങുന്നത് അധികം പര്യവേക്ഷണം ചെയ്യപ്പെടാത്ത ജീവന്റെ ജനിതകസങ്കേതത്തിൽ നിന്നാണ്. ജീവശാസ്ത്രം ഒരു വിവരവ്യവസ്ഥയാണെന്നതാണ് ഈ പ്രവർത്തനത്തിന്റെ കേന്ദ്ര ആശയം. “ഡിഎൻഎ നിർമ്മിക്കുന്ന ന്യൂക്ലിയോടൈഡുകളും പ്രോട്ടീനുകളും പെപ്റ്റൈഡുകളും നിർമ്മിക്കുന്ന അമിനോ ആസിഡുകളും ഒരുതരം അക്ഷരമാല പോലെയാണ്,” ഡി ലാ ഫുവെന്റെ പറഞ്ഞു. “ജീവശാസ്ത്രത്തെ വിവരമായി കണ്ടത്, പ്രവർത്തനക്ഷമമായ തന്മാത്രയ്ക്ക് കാരണമായ ജീവന്റെ സംഘടനാതത്ത്വങ്ങൾ വ്യാഖ്യാനിച്ചുതുടങ്ങാൻ കഴിയുന്ന രീതികൾ വികസിപ്പിക്കാൻ ഞങ്ങളെ സഹായിച്ചു.”

ജൈവശ്രേണികളിലെ മാതൃകകൾ തിരിച്ചറിയാൻ പരിശീലിപ്പിച്ച ലാബിന്റെ ആഴപഠന മാതൃകകൾ, ആന്റിമൈക്രോബിയൽ സാധ്യതകൾക്കായി വിപുലമായ ജീനോം, പ്രോട്ടീൻ ഡാറ്റാസെറ്റുകളിൽ തിരയാൻ സഹായിക്കുന്നു. സാധ്യതയുള്ള തന്മാത്രകൾക്കായുള്ള പ്രാരംഭ തിരച്ചിൽ വർഷങ്ങളിൽനിന്ന് മണിക്കൂറുകളായി ചുരുക്കാൻ ഈ സമീപനത്തിനു കഴിയും.

സ്വന്തം കൃത്രിമബുദ്ധി മോഡലുകൾക്കൊപ്പം, ആശയരൂപീകരണത്തിനും, കോഡ് എഴുതാനും മെച്ചപ്പെടുത്താനും, ഡാറ്റാസെറ്റുകൾ പ്രോസസ്സ് ചെയ്യാനും, ഫലങ്ങൾ വിശകലനം ചെയ്യാനും, വിവിധ ശാസ്ത്ര ശാഖകളിലെ ആശയങ്ങളെ തമ്മിൽ ബന്ധിപ്പിക്കാനും ലാബ് ChatGPT‑യും Codex-ഉം ഉപയോഗിക്കുന്നു.

ഒരു ജീനോമിന്റെ ചെറിയൊരു ഭാഗത്തിന്റെ പ്രവർത്തനം മാത്രമാണ് വ്യക്തമായി മനസ്സിലാക്കിയിട്ടുള്ളത്. അവയിൽ അതിലും കുറച്ച് ഭാഗങ്ങൾ മാത്രമാണ് സാംക്രമിക സൂക്ഷ്മജീവികളെ ചെറുക്കാൻ കഴിയുന്ന തന്മാത്രകൾക്ക് ജനിതകനിർദേശം നൽകുന്നത്. ഒരു തന്മാത്രയെ പ്രവർത്തനക്ഷമമോ ജൈവികമായി സജീവമോ ആക്കുന്ന മാതൃകകൾ തിരിച്ചറിയുകയും അവയിൽ സാംക്രമിക സൂക്ഷ്മജീവികളെ ചെറുക്കാൻ ശേഷിയുള്ളവ കണ്ടെത്തുകയും ചെയ്യുന്നതാണ് വെല്ലുവിളി.

സസ്യങ്ങൾ, മൃഗങ്ങൾ, സൂക്ഷ്മജീവികൾ, പ്രാണികൾ, ജലം, മണ്ണ് എന്നിവയിൽ ശാസ്ത്രജ്ഞർ ദീർഘകാലമായി ആന്റിമൈക്രോബിയൽ വസ്തുക്കൾ തേടുന്നു. അവർ സാമ്പിളുകൾ ശേഖരിക്കുകയും സാധ്യതയുള്ള തന്മാത്രകളെ വേർതിരിക്കുകയോ പ്രവചിക്കുകയോ ചെയ്ത് ആവർത്തിച്ചുള്ള പ്രക്രിയയിലൂടെ പരിശോധിക്കുകയും ചെയ്യുന്നു. ഇതിന് വർഷങ്ങളെടുത്തേക്കാം.

ഡിജിറ്റൽ ജീനോം, പ്രോട്ടീൻ ഡാറ്റാബേസുകൾ ഇന്ന് ജീവവൃക്ഷത്തിലുടനീളം പുതിയ സംയുക്തങ്ങൾ തേടാൻ ശാസ്ത്രജ്ഞരെ സഹായിക്കുന്നു. ഇതിലൂടെ പര്യവേക്ഷണത്തിന് ലഭ്യമായ ഡാറ്റാബേസുകളുടെ വ്യാപ്തി ഗണ്യമായി വർധിക്കുന്നു. എന്നാൽ ഈ വിവരസമൃദ്ധി അതിന്റേതായ വെല്ലുവിളിയും ഉയർത്തുന്നു: അസംഖ്യം സാധ്യതകൾക്കിടയിൽ പ്രതീക്ഷ നൽകുന്ന സൂചനകൾ കണ്ടെത്തുക.

വൈക്കോൽക്കൂനയിൽ സൂചി തിരയുന്നതുപോലുള്ള ഈ ജോലിക്ക് കൃത്രിമബുദ്ധി ഏറെ അനുയോജ്യമാണ്. വലിയ ഡാറ്റാസെറ്റുകൾ പരിശോധിക്കാനും ഗവേഷകർക്ക് കണ്ടെത്താൻ പ്രയാസമുള്ള മാതൃകകൾ തിരിച്ചറിയാനും പരീക്ഷണപരിശോധനയ്ക്കായി കൈകാര്യം ചെയ്യാവുന്നത്ര സാധ്യതകളെ മുൻഗണനാക്രമത്തിൽ ക്രമീകരിക്കാനും അതിനു കഴിയും.

എന്നാൽ പ്രതീക്ഷ നൽകുന്ന ഒരു സാധ്യത കണ്ടെത്തിയതുകൊണ്ടുമാത്രം അത് ഫലപ്രദമായ മരുന്നാകണമെന്നില്ല.

സാധ്യതയുള്ള തന്മാത്ര ലക്ഷ്യമിട്ട സൂക്ഷ്മജീവിയെ കൊല്ലുന്നുണ്ടെന്ന് ശാസ്ത്രജ്ഞർ ആദ്യം സ്ഥിരീകരിക്കണം. ഫലപ്രദമാകാൻ വേണ്ട അളവ് നിർണയിക്കുകയും മനുഷ്യകോശങ്ങളെ അത് എങ്ങനെ ബാധിക്കുന്നുവെന്ന് പരിശോധിക്കുകയും വേണം. തുടർന്ന് അതിന്റെ ഫലപ്രാപ്തിയോ സുരക്ഷയോ സ്ഥിരതയോ മെച്ചപ്പെടുത്താൻ രസതന്ത്രജ്ഞർ അതിനെ ഒപ്റ്റിമൈസ് ചെയ്തേക്കാം.

ഏത് അളവിലാണ് അത് വിഷകരമാകുന്നത്, സൂക്ഷ്മജീവികൾ എത്രവേഗം തന്മാത്രയ്ക്കെതിരെ പ്രതിരോധം വികസിപ്പിക്കുന്നു, അത് ശരീരത്തിലൂടെ എങ്ങനെ സഞ്ചരിക്കുന്നു എന്നിവ തുടർപരിശോധനകൾ വിലയിരുത്തുന്നു. തന്മാത്ര വിശ്വസനീയമായി നിർമ്മിക്കാനുള്ള മാർഗവും സംഘങ്ങൾ നിർണയിക്കുന്നു. ഈ കടമ്പകൾ മറികടക്കുന്ന തന്മാത്രകൾക്കും അംഗീകൃത ആന്റിമൈക്രോബിയൽ മരുന്നുകളായി രോഗികളിലെത്തുന്നതിനു മുമ്പ് നിയന്ത്രണ ഏജൻസികളുടെ അവലോകനവും ക്ലിനിക്കൽ പരീക്ഷണങ്ങളും നേരിടേണ്ടതുണ്ട്.

ഇക്കാരണത്താലാണ് കൃത്രിമബുദ്ധിയും പരീക്ഷണശാലാ ജീവശാസ്ത്രവും ഒരുമിച്ച് മുന്നേറേണ്ടതെന്ന് ഡി ലാ ഫുവെന്റെ കരുതുന്നത്. “കൃത്രിമബുദ്ധിയുടെ പ്രവചനങ്ങൾ സാധൂകരിക്കാൻ യഥാർഥ പരീക്ഷണങ്ങൾ അനിവാര്യമാണ്,” അദ്ദേഹം പറഞ്ഞു. “നമുക്കറിയാവുന്നതിൽ ഏറ്റവും സങ്കീർണമായ ജീവശാസ്ത്രത്തെക്കുറിച്ചുള്ള നമ്മുടെ അറിവിന്റെ ഉപരിതലമെങ്കിലും പര്യവേക്ഷണം ചെയ്യുന്നത് തുടരണമെങ്കിൽ, വരുംവർഷങ്ങളിൽ ജീവശാസ്ത്രമേഖലയിൽ ഇത് നിർണായകമാകും.”

ജീവിച്ചിരിക്കുന്നതും വംശനാശം സംഭവിച്ചതുമായ ജീവികളുടെ ജീനോമുകളിൽ സാധ്യതയുള്ള തന്മാത്രകൾക്കായി അദ്ദേഹത്തിന്റെ ലാബ് പര്യവേക്ഷണം നടത്തുന്നു. ആ ജീനോമുകളിൽ തിരയാനും അവയിൽ ജനിതകനിർദേശം നൽകിയിട്ടുള്ള പ്രോട്ടീനുകൾ എങ്ങനെ രൂപപ്പെടുകയും പ്രവർത്തിക്കുകയും ചെയ്യുന്നുവെന്ന് മനസ്സിലാക്കാനും ആ തന്മാത്രകൾ എന്തുചെയ്യുന്നുവെന്ന് നിർണയിക്കാനും പല മേഖലകളിലെ വൈദഗ്ധ്യം ആവശ്യമാണ്.

“ഞങ്ങളുടേത് വിവിധ ശാസ്ത്രശാഖകളെ സമന്വയിപ്പിക്കുന്ന സംഘമാണ്. അതിനാൽ ജീവശാസ്ത്രം, രസതന്ത്രം, കമ്പ്യൂട്ടർ ശാസ്ത്രം, എൻജിനീയറിങ് എന്നീ മേഖലകളിൽനിന്നുള്ളവർ ഞങ്ങൾക്കൊപ്പമുണ്ട്,” ഡി ലാ ഫുവെന്റെ പറഞ്ഞു. ചില ലാബ് അംഗങ്ങൾ പ്രോഗ്രാമിങ്ങിൽ പ്രാവീണ്യമുള്ളവരാണെങ്കിലും ജീവശാസ്ത്രത്തെയോ രസതന്ത്രത്തെയോ കുറിച്ച് അറിവ് കുറവാണ്. മറിച്ചുള്ളവരുമുണ്ട്. ഈ വിടവുകൾ നികത്താൻ Codex, ChatGPT എന്നിവ സഹായിക്കുന്നു. അതിലൂടെ ജീവശാസ്ത്രജ്ഞർക്ക് പ്രോഗ്രാമുകൾ നിർമ്മിക്കാനും പ്രോഗ്രാമർമാർക്ക് ജീവശാസ്ത്ര പ്രശ്നങ്ങൾ കൈകാര്യം ചെയ്യാനും കഴിയുന്നു. ഈ അർഥത്തിൽ, ശാസ്ത്രശാഖകൾക്കിടയിലെ തടസ്സങ്ങൾ കൃത്രിമബുദ്ധി കുറയ്ക്കുന്നു.

വിവിധ ശാസ്ത്രശാഖകൾ സംയോജിപ്പിച്ചുള്ള പ്രവർത്തനത്തിന് ആവശ്യമായ, പരിചിതമല്ലാത്ത വിഷയങ്ങൾ അവലോകനം ചെയ്യാനും പദങ്ങൾ വ്യക്തമാക്കാനും മേഖലകളിലെ രീതികൾ താരതമ്യം ചെയ്യാനും ഔഷധ കണ്ടെത്തലിനുള്ള ആശയങ്ങൾ ക്രമീകരിക്കാനും ഇത് ലാബ് അംഗങ്ങളെ സഹായിക്കുന്നു. മറ്റുള്ളവർ വലിയ ജീനോം ഡാറ്റാസെറ്റുകൾ ഡൗൺലോഡ് ചെയ്യാനും ക്രമീകരിക്കാനും മുൻകൂട്ടി പ്രോസസ് ചെയ്യാനും കൃത്രിമബുദ്ധി ഉപയോഗിക്കുന്നു. ലാബ് അംഗങ്ങൾക്ക് സ്വന്തം മാതൃഭാഷകളിൽ പ്രവർത്തിക്കാനും ChatGPT അവസരമൊരുക്കുന്നു. ഇത് തടസ്സങ്ങൾ കുറച്ച് അവരുടെ പ്രവർത്തനങ്ങൾ വേഗത്തിലാക്കുന്നു.

ആശയരൂപീകരണത്തിനുള്ള പങ്കാളിയായാണ് ഡി ലാ ഫുവെന്റെ ChatGPT ഉപയോഗിക്കുന്നത്. സഹപ്രവർത്തകരോടൊപ്പം അദ്ദേഹം ആശയങ്ങൾ വികസിപ്പിക്കുന്നത് തുടരുന്നുണ്ടെങ്കിലും, ഒരു പരികല്പന രൂപപ്പെടുത്താൻ കൃത്രിമബുദ്ധി നൽകുന്ന സഹായത്തെ അദ്ദേഹം വിലമതിക്കുന്നു. ഒരു ബട്ടണിൽ ക്ലിക്ക് ചെയ്താൽ ലോകത്തെ വിവരങ്ങൾ ലഭിക്കുമെന്നതും അദ്ദേഹത്തിന് ഇഷ്ടമാണ്.

“ഞങ്ങൾ പരിഹരിക്കാൻ ശ്രമിക്കുന്ന പ്രശ്നങ്ങളെ വ്യത്യസ്തമായി സമീപിക്കുന്ന ഈ ആളുകളിൽ നിന്നെല്ലാം ഞങ്ങളുടെ ChatGPT വർക്ക്സ്പേസിലേക്ക് അഭിപ്രായങ്ങൾ ലഭിക്കുന്നുണ്ട്,” ഡി ലാ ഫുവെന്റെ പറഞ്ഞു. ലാബ് അംഗങ്ങൾ തങ്ങളുടെ നല്ലതും മോശവുമായ ആശയങ്ങൾ അതുമായി പങ്കിടുന്നു. അങ്ങനെ അത് ആശയങ്ങൾ കൂട്ടായി വിലയിരുത്താനുള്ള ഒരു വേദിയാകുന്നു.

എന്നാൽ കൃത്രിമബുദ്ധിയെ മാത്രം ആശ്രയിക്കരുതെന്ന് അദ്ദേഹം മുന്നറിയിപ്പ് നൽകുന്നു. “കൃത്യത ഉറപ്പാക്കാൻ എപ്പോഴും വീണ്ടും പരിശോധിക്കണം,” ഡി ലാ ഫുവെന്റെ പറഞ്ഞു.

എന്നിരുന്നാലും, ശാസ്ത്രശാഖകൾക്കിടയിലെ അതിരുകൾ പര്യവേക്ഷണം ചെയ്യാൻ ഗവേഷകരെ സഹായിക്കുന്ന കൃത്രിമബുദ്ധിയുടെ കഴിവിനെ അദ്ദേഹം വിലമതിക്കുന്നു. “നിർണായക മുന്നേറ്റങ്ങൾ കണ്ടെത്തപ്പെടാൻ കാത്തിരിക്കുന്നത് അവിടെയാണ്. അധികമാരും എത്താത്ത, വിവിധ മേഖലകൾക്കിടയിലെ അതിരുകളിലാണ് അവ പ്രധാനമായും ഉള്ളത്.”

വളരെ നീണ്ടൊരു ശാസ്ത്രീയ പാരമ്പര്യത്തിന്റെ ഭാഗമായാണ് അദ്ദേഹം ഈ പ്രവർത്തനത്തെ കാണുന്നത്. “ചുറ്റുമുള്ള ലോകത്തെ മനസ്സിലാക്കാൻ നമ്മൾ എല്ലാക്കാലത്തും ഉപകരണങ്ങളെയും യന്ത്രങ്ങളെയും ആശ്രയിച്ചിട്ടുണ്ട്,” ഡി ലാ ഫുവെന്റെ പറഞ്ഞു. “ദൂരദർശിനി പ്രപഞ്ചത്തെ നമുക്ക് കാട്ടിത്തന്നു; സൂക്ഷ്മദർശിനി അദൃശ്യലോകം വെളിപ്പെടുത്തി.” ഇന്ന് ജീവശാസ്ത്രത്തെ മനസ്സിലാക്കാനും പ്രവചിക്കാനും രൂപകൽപ്പന ചെയ്യാനും യന്ത്രങ്ങൾ ഗവേഷകരെ സഹായിക്കുന്നു. “ഞങ്ങളുടെ പ്രവർത്തനത്തിന്റെ സാരാംശം അതാണ്,” അദ്ദേഹം പറഞ്ഞു.