Slik bruker en forsker Codex og ChatGPT til å finne nye antimikrobielle molekyler

Legemiddelresistente mikrober, blant annet bakterier, sopp, parasitter og virus, utgjør en økende global trussel. Omtrent fem millioner dødsfall i 2021 var forbundet⁠(åpnes i et nytt vindu) med antimikrobiell resistens hos bakterier – et årlig dødstall som anslås å bli omtrent doblet innen 2050. Det kan ta flere år å finne molekyler med potensial til å bli antimikrobielle midler. Forskere bruker KI til å fremskynde denne tidlige fasen av utviklingsarbeidet.

«Etter min mening er antimikrobiell resistens en av de største eksistensielle truslene mot menneskeheten», sa César de la Fuente⁠(åpnes i et nytt vindu), en bioingeniør som leder et tverrfaglig laboratorium på jakt etter antimikrobielle kandidater. «Likevel har vi ikke fått en ny klasse antibiotika på 50 år.»

Mye av dagens utvikling av antimikrobielle midler handler om å modifisere eksisterende legemidler eller lete innenfor kjente stoffklasser. Men denne tilnærmingen gir stadig mindre uttelling.

De la Fuentes laboratorium begynner et langt mindre utforsket sted: i livets kode. Den sentrale ideen bak arbeidet er at biologien er et informasjonssystem. «Nukleotidene som DNA består av, og aminosyrene som proteiner og peptider består av, fungerer omtrent som et alfabet», sa de la Fuente. «Ved å betrakte biologi som informasjon kunne vi utvikle metoder som begynner å tyde prinsippene for hvordan livet er organisert, og som ga opphav til et funksjonelt molekyl.»

Laboratoriets modeller for dyp læring er trent til å gjenkjenne mønstre i biologiske sekvenser. Dermed kan de lete etter potensielle antimikrobielle midler i enorme genom- og proteindatasett. Denne tilnærmingen kan redusere den innledende jakten på kandidatmolekyler fra flere år til noen timer.

I tillegg til egne KI-modeller bruker laboratoriet ChatGPT og Codex til å utvikle hypoteser, skrive og forbedre kode, behandle datasett, analysere resultater og se sammenhenger på tvers av vitenskapelige fagfelt.

Bare en liten del av et genom har en klart forstått funksjon, og enda færre deler koder for molekyler som kan bekjempe smittsomme mikrober. Utfordringen er å finne mønstrene som gjør et molekyl funksjonelt, eller biologisk aktivt, og deretter avgjøre hvilke som kan bekjempe smittsomme mikrober.

Forskere har lenge lett etter antimikrobielle midler i planter, dyr, mikrober, insekter, vann og jord. De samler inn prøver, isolerer eller forutsier kandidatmolekyler og tester dem gjennom en trinnvis prosess som kan ta flere år.

Digitale genom- og proteindatabaser gjør det nå mulig å lete etter nye forbindelser på tvers av livets tre, noe som dramatisk utvider datagrunnlaget som kan utforskes. Men denne overfloden av informasjon skaper også utfordringer: å finne lovende signaler blant et enormt antall muligheter.

KI er spesielt godt egnet til denne jakten på nålen i høystakken. Teknologien kan gå gjennom enorme datasett, identifisere mønstre som forskere kan ha vanskelig for å oppdage, og prioritere et håndterbart utvalg kandidater til eksperimentell testing.

Men selv om en kandidat virker lovende, betyr ikke det nødvendigvis at den blir et effektivt legemiddel.

Forskerne må først bekrefte at kandidatmolekylet dreper den aktuelle mikroben, finne ut hvor mye som kreves for å oppnå effekt, og teste hvordan det påvirker menneskeceller. Deretter kan kjemikere optimalisere det for å forbedre effekten, sikkerheten eller stabiliteten.

Videre tester vurderer hvilken dose som gjør kandidaten giftig, hvor lett mikrober utvikler resistens mot molekylet, og hvordan kandidaten beveger seg gjennom kroppen. Teamene må også finne en pålitelig måte å fremstille molekylet på. Kandidater som består disse prøvene, må fortsatt gjennom myndighetsgodkjenning og kliniske studier før de kan nå pasientene som godkjente antimikrobielle legemidler.

For de la Fuente er dette grunnen til at KI og laboratoriebiologi må utvikles side om side. «Eksperimenter med faktiske observasjoner er avgjørende for å validere KI-forutsigelser», sa han. «Dette blir avgjørende innen biovitenskap i årene som kommer dersom vi fortsatt skal kunne skrape i overflaten av vår forståelse av biologien, som er det mest komplekse som finnes.»

Laboratoriet hans utforsker genomene til nålevende og utdødde organismer på jakt etter kandidatmolekyler. Å undersøke disse genomene, forstå hvordan proteinene de koder for, dannes og fungerer, og finne ut hva molekylene gjør, krever ekspertise fra flere fagfelt.

«Vi er en svært tverrfaglig gruppe med folk fra biologi, kjemi, informatikk og ingeniørfag», sa de la Fuente. Noen laboratoriemedlemmer er dyktige programmerere, men kan mindre om biologi eller kjemi – og omvendt. Codex og ChatGPT bidrar til å bygge bro over disse kunnskapshullene, slik at biologer kan lage programmer og programmerere kan løse biologiske problemer. Slik senker KI tersklene mellom vitenskapelige fagfelt.

Det hjelper laboratoriemedlemmene med å sette seg inn i ukjente emner de trenger i det tverrfaglige arbeidet, avklare terminologi, sammenligne metoder på tvers av fagfelt og organisere ideer til utvikling av legemidler. Andre bruker KI til å laste ned, organisere og forhåndsbehandle store genomdatasett. ChatGPT gjør det også mulig for laboratoriemedlemmene å arbeide på morsmålet sitt, noe som senker tersklene og effektiviserer arbeidsflyten.

De la Fuente bruker ChatGPT som sparringspartner i idéarbeidet. Han videreutvikler fortsatt ideer sammen med kolleger, men verdsetter at KI kan hjelpe ham med å forme en hypotese. Han liker også at han kan få tilgang til all verdens informasjon med et knappetrykk.

«ChatGPT‑arbeidsområdet vårt får innspill fra alle disse forskjellige menneskene, som tenker ulikt om problemene vi prøver å løse», sa de la Fuente. Laboratoriemedlemmene deler både gode og dårlige ideer med det, slik at det fungerer som en felles sparringspartner.

Men han advarer mot å stole på KI alene. «Man må selvsagt alltid dobbeltsjekke at opplysningene stemmer», sa de la Fuente.

Likevel setter han pris på at KI kan hjelpe forskere med å utforske grensene mellom vitenskapelige fagfelt. «Det er der gjennombruddene venter på å bli oppdaget. De finnes i hovedsak i grenselandet mellom fagfelt, dit svært få begir seg.»

Han ser dette arbeidet som en del av en langt eldre vitenskapelig tradisjon. «Vi har alltid støttet oss på verktøy og maskiner for å forstå verden rundt oss», sa de la Fuente. «Teleskopet kastet lys over kosmos, og mikroskopet avdekket den usynlige verden.» Nå hjelper maskiner forskere med å forstå, forutsi og konstruere biologiske systemer. «Det er dette arbeidet vårt handler om», sa han.