Cara penyelidik menggunakan Codex dan ChatGPT untuk mencari molekul antimikrob baharu

Mikrob tahan ubat, termasuk bakteria, kulat, parasit dan virus, merupakan ancaman global yang semakin meningkat. Kira-kira lima juta kematian pada tahun 2021 dikaitkan⁠(dibuka dalam tetingkap baru) dengan kerintangan antimikrob bakteria—angka tahunan yang diunjurkan meningkat kira-kira dua kali ganda menjelang 2050. Usaha mencari molekul yang berpotensi menjadi antimikrob boleh mengambil masa bertahun-tahun. Penyelidik menggunakan AI untuk mempercepat peringkat awal penemuan ini.

“Pada pendapat saya, kerintangan antimikrob ialah salah satu ancaman terbesar terhadap kewujudan manusia,” kata César de la Fuente⁠(dibuka dalam tetingkap baru), seorang jurutera bio yang makmal rentas disiplinnya mencari calon antimikrob. “Namun begitu, kita belum menemui kelas antibiotik baharu sejak 50 tahun lalu.”

Sebahagian besar pembangunan antimikrob moden tertumpu pada pengubahsuaian ubat sedia ada atau pencarian dalam kelas bahan kimia yang sudah dikenali. Namun, pendekatan itu memberikan hasil yang semakin berkurangan.

Makmal de la Fuente bermula di suatu tempat yang jauh kurang diterokai: kod kehidupan. Gagasan utama di sebalik usaha ini ialah biologi merupakan suatu sistem maklumat. “Nukleotida yang membentuk DNA serta asid amino yang membentuk protein dan peptida ibarat sebuah abjad,” kata de la Fuente. “Dengan melihat biologi sebagai maklumat, kami dapat membangunkan kaedah yang mula merungkai prinsip penyusunan kehidupan yang menghasilkan molekul berfungsi.”

Model pembelajaran mendalam makmal ini dilatih untuk mengenal pasti pola dalam jujukan biologi, lalu membolehkannya mencari antimikrob berpotensi dalam set data genom dan protein yang sangat luas. Pendekatan ini dapat memendekkan pencarian awal molekul calon daripada bertahun-tahun kepada beberapa jam.

Di samping model AInya sendiri, makmal ini menggunakan ChatGPT dan Codex untuk menyumbang saran hipotesis, menulis dan menambah baik kod, memproses set data, menganalisis hasil serta menghubungkan idea merentas disiplin sains.

Hanya sebahagian kecil genom mempunyai fungsi yang difahami dengan jelas, dan lebih sedikit lagi yang mengekod molekul yang mampu melawan mikrob berjangkit. Cabarannya adalah untuk mengenal pasti pola yang menjadikan sesuatu molekul berfungsi atau aktif secara biologi, kemudian menentukan molekul yang berpotensi melawan mikrob berjangkit.

Sejak sekian lama, saintis mencari antimikrob dalam tumbuhan, haiwan, mikrob, serangga, air dan tanah. Mereka mengumpulkan sampel, mengasingkan atau meramalkan molekul calon, kemudian mengujinya melalui proses berulang yang boleh mengambil masa bertahun-tahun.

Pangkalan data genom dan protein digital kini membolehkan saintis mencari sebatian baharu di seluruh salasilah kehidupan, sekali gus memperluas skop pangkalan data yang boleh diterokai secara mendadak. Namun, maklumat yang begitu melimpah turut membawa cabaran tersendiri: mencari isyarat yang berpotensi dalam lautan kemungkinan.

AI amat sesuai untuk tugas mencari jarum dalam jerami ini. AI dapat mengimbas set data yang sangat besar, mengenal pasti pola yang mungkin sukar dikesan penyelidik dan mengutamakan sejumlah calon yang terkawal untuk ujian eksperimen.

Namun, mengenal pasti calon yang berpotensi tidak semestinya bermakna calon itu akan menjadi ubat yang berkesan.

Saintis perlu mengesahkan terlebih dahulu bahawa molekul calon dapat membunuh mikrob sasaran, menentukan jumlah yang diperlukan agar berkesan dan menguji kesannya terhadap sel manusia. Ahli kimia kemudian boleh mengoptimumkannya untuk meningkatkan keberkesanan, keselamatan atau kestabilannya.

Ujian lanjut menilai dos yang menyebabkan calon itu menjadi toksik, seberapa mudah mikrob membina kerintangan terhadap molekul tersebut dan cara calon itu bergerak di dalam tubuh. Pasukan juga menentukan kaedah yang andal untuk menghasilkan molekul tersebut. Calon yang melepasi semua halangan ini masih perlu melalui semakan kawal selia dan ujian klinikal sebelum dapat diberikan kepada pesakit sebagai ubat antimikrob yang diluluskan.

Bagi de la Fuente, inilah sebabnya AI dan biologi makmal perlu berkembang seiring. “Eksperimen dunia sebenar amat penting untuk mengesahkan ramalan AI,” katanya. “Hal ini akan menjadi amat penting dalam sains hayat pada tahun-tahun mendatang jika kita mahu terus menyingkap pemahaman tentang biologi, sesuatu yang paling kompleks di dunia ini.”

Makmal beliau meneroka genom organisma hidup dan pupus untuk mencari molekul calon. Pencarian dalam genom tersebut, pemahaman tentang cara protein yang dikodkannya terbentuk dan berfungsi serta penentuan fungsi molekul itu memerlukan kepakaran merentas beberapa bidang.

“Kami ialah kumpulan yang sangat bersifat transdisiplin, maka ahli kami datang daripada bidang biologi, kimia, sains komputer dan kejuruteraan,” kata de la Fuente. Sesetengah ahli makmal mahir dalam pengaturcaraan tetapi kurang arif tentang biologi atau kimia, dan begitu juga sebaliknya. Codex dan ChatGPT membantu merapatkan jurang tersebut, membolehkan ahli biologi membina program dan pengatur cara menangani masalah biologi. Dalam hal ini, AI mengurangkan halangan antara disiplin sains.

Ia membantu ahli makmal meneliti topik asing yang diperlukan untuk kerja rentas disiplin, menjelaskan istilah, membandingkan kaedah antara bidang dan menyusun idea bagi penemuan ubat. Yang lain menggunakan AI untuk memuat turun, menyusun dan mempraproses set data genom yang besar. ChatGPT juga membolehkan ahli makmal bekerja dalam bahasa ibunda mereka, sekali gus mengurangkan halangan dan mempercepat aliran kerja.

De la Fuente menggunakan ChatGPT sebagai rakan sumbang saran. Beliau terus mengembangkan idea bersama rakan sekerja, namun menghargai keupayaan AI untuk membantunya membentuk hipotesis. Beliau juga suka kerana dapat mengakses maklumat dunia dengan hanya satu klik.

“Ruang kerja ChatGPT kami menerima input daripada pelbagai individu yang melihat masalah yang cuba kami tangani daripada sudut berbeza,” kata de la Fuente. Ahli makmal berkongsi idea baik dan buruk mereka dengannya, menjadikannya semacam wadah untuk menguji idea secara bersama.

Namun, beliau mengingatkan supaya tidak bergantung pada AI semata-mata. “Sudah tentu, anda perlu sentiasa menyemak semula ketepatannya,” kata de la Fuente.

Namun begitu, beliau menghargai keupayaan AI untuk membantu penyelidik meneroka sempadan antara disiplin sains. “Di situlah penemuan besar menanti untuk diterokai. Penemuan itu pada asasnya berada di persimpangan antara bidang yang jarang diterokai orang.”

Beliau melihat usaha ini sebagai sebahagian daripada tradisi sains yang jauh lebih panjang. “Kita sentiasa bergantung pada alat dan mesin untuk memahami dunia di sekeliling kita,” kata de la Fuente. “Teleskop menerangi alam semesta, manakala mikroskop menyingkap dunia yang tidak kelihatan.” Kini, mesin membantu penyelidik memahami, meramalkan dan mereka bentuk biologi. “Itulah inti pati usaha kami,” katanya.