Jak badacz wykorzystuje Codex i ChatGPT do poszukiwania nowych cząsteczek przeciwdrobnoustrojowych

Drobnoustroje oporne na leki, w tym bakterie, grzyby, pasożyty i wirusy, stanowią coraz większe globalne zagrożenie. Około pięciu milionów zgonów w 2021 roku miało związek⁠(otwiera nowe okno) z opornością bakterii na środki przeciwdrobnoustrojowe, a według prognoz do 2050 roku ta roczna liczba niemal się podwoi. Znalezienie cząsteczek, które mogą stać się środkami przeciwdrobnoustrojowymi, może trwać latami. Badacze wykorzystują AI, aby przyspieszyć ten wczesny etap odkrywania nowych substancji.

„Moim zdaniem oporność na środki przeciwdrobnoustrojowe jest jednym z największych egzystencjalnych zagrożeń dla ludzkości” — powiedział César de la Fuente⁠(otwiera nowe okno), bioinżynier, którego interdyscyplinarne laboratorium poszukuje potencjalnych środków przeciwdrobnoustrojowych. „A mimo to od 50 lat nie opracowano żadnej nowej klasy antybiotyków”.

Znaczna część współczesnych prac nad środkami przeciwdrobnoustrojowymi skupia się na modyfikowaniu istniejących leków lub badaniu dobrze znanych klas związków chemicznych. Takie podejście przynosi jednak coraz mniejsze korzyści.

Laboratorium de la Fuente zaczyna w znacznie słabiej zbadanym miejscu: od kodu życia. U podstaw tych prac leży założenie, że biologia jest systemem informacyjnym. „Nukleotydy tworzące DNA oraz aminokwasy tworzące białka i peptydy przypominają litery alfabetu” — powiedział de la Fuente. „Postrzeganie biologii jako informacji pozwoliło nam opracować metody, dzięki którym możemy zacząć rozszyfrowywać zasady organizacji życia prowadzące do powstania funkcjonalnej cząsteczki”.

Modele głębokiego uczenia opracowane w laboratorium są trenowane w rozpoznawaniu wzorców w sekwencjach biologicznych, dzięki czemu mogą przeszukiwać ogromne zbiory danych genomowych i białkowych w poszukiwaniu cząsteczek o potencjale przeciwdrobnoustrojowym. Takie podejście może skrócić wstępne poszukiwania obiecujących cząsteczek z wielu lat do kilku godzin.

Oprócz własnych modeli AI laboratorium wykorzystuje ChatGPT i Codex do tworzenia hipotez, pisania i ulepszania kodu, przetwarzania zbiorów danych, analizowania wyników oraz łączenia koncepcji z różnych dyscyplin naukowych.

Tylko niewielka część genomu ma dobrze poznaną funkcję, a jeszcze mniejsza koduje cząsteczki zdolne zwalczać drobnoustroje wywołujące zakażenia. Wyzwaniem jest rozpoznanie wzorców, które sprawiają, że cząsteczka jest funkcjonalna, czyli aktywna biologicznie, a następnie ustalenie, które cząsteczki mogą zwalczać drobnoustroje wywołujące zakażenia.

Naukowcy od dawna poszukują środków przeciwdrobnoustrojowych w roślinach, zwierzętach, drobnoustrojach, owadach, wodzie i glebie. Pobierają próbki, wyodrębniają lub wytypowują cząsteczki do dalszych badań, a następnie testują je w wielokrotnie powtarzanym procesie, który może trwać latami.

Cyfrowe bazy genomów i białek pozwalają obecnie naukowcom poszukiwać nowych związków w całym drzewie życia, radykalnie zwiększając zakres danych dostępnych do analizy. Ta obfitość informacji niesie jednak własne wyzwania: trzeba znaleźć obiecujące sygnały wśród ogromnej liczby możliwości.

AI szczególnie dobrze radzi sobie z takim szukaniem igły w stogu siana. Może przeglądać ogromne zbiory danych, rozpoznawać wzorce trudne do zauważenia przez badaczy i wyłaniać możliwą do przebadania grupę cząsteczek do testów eksperymentalnych.

Zidentyfikowanie obiecującego kandydata nie oznacza jednak, że stanie się on skutecznym lekiem.

Naukowcy muszą najpierw potwierdzić, że taka cząsteczka zabija docelowy drobnoustrój, określić ilość potrzebną do uzyskania skutecznego działania i zbadać jej wpływ na ludzkie komórki. Następnie chemicy mogą ją zoptymalizować, aby zwiększyć jej skuteczność, bezpieczeństwo lub stabilność.

Dalsze testy pozwalają określić dawkę, przy której dana cząsteczka staje się toksyczna, szybkość, z jaką drobnoustroje uodparniają się na tę cząsteczkę, oraz sposób jej przemieszczania się w organizmie. Zespoły opracowują również niezawodny sposób wytwarzania cząsteczki. Cząsteczki, które pomyślnie przejdą te etapy, nadal podlegają ocenie organów regulacyjnych i badaniom klinicznym, zanim trafią do pacjentów jako zatwierdzone leki przeciwdrobnoustrojowe.

Zdaniem de la Fuente właśnie dlatego AI i biologia laboratoryjna muszą rozwijać się równolegle. „Eksperymenty laboratoryjne są niezbędne do weryfikowania przewidywań AI” — powiedział. „W nadchodzących latach będzie to kluczowe dla nauk o życiu, jeśli chcemy nadal choćby pobieżnie odkrywać tajemnice biologii — najbardziej złożonego zjawiska, jakie istnieje”.

Jego laboratorium przeszukuje genomy żyjących i wymarłych organizmów w poszukiwaniu obiecujących cząsteczek. Przeszukiwanie tych genomów, poznawanie sposobu powstawania i działania kodowanych przez nie białek oraz określanie funkcji tych cząsteczek wymaga wiedzy z wielu dziedzin.

„Jesteśmy wysoce transdyscyplinarną grupą, w której pracują specjaliści z biologii, chemii, informatyki i inżynierii” — powiedział de la Fuente. Niektórzy członkowie laboratorium świetnie programują, ale wiedzą mniej o biologii lub chemii, a u innych jest odwrotnie. Codex i ChatGPT pomagają wypełniać te luki, umożliwiając biologom tworzenie programów, a programistom rozwiązywanie problemów biologicznych. W tym sensie AI obniża bariery między dyscyplinami naukowymi.

Pomaga członkom laboratorium poznawać nowe dla nich zagadnienia potrzebne w pracy interdyscyplinarnej, wyjaśniać terminologię, porównywać metody z różnych dziedzin i porządkować pomysły dotyczące odkrywania leków. Inni wykorzystują AI do pobierania, porządkowania i wstępnego przetwarzania dużych zbiorów danych genomowych. ChatGPT pozwala też członkom laboratorium pracować w ich ojczystych językach, usuwając bariery i przyspieszając pracę.

De la Fuente wykorzystuje ChatGPT jako partnera do prowadzenia burzy mózgów. Nadal rozwija pomysły wspólnie ze współpracownikami, ale ceni AI za pomoc w formułowaniu hipotez. Podoba mu się również to, że za jednym kliknięciem ma dostęp do zasobów wiedzy z całego świata.

„Nasza przestrzeń robocza ChatGPT gromadzi opinie wielu różnych osób, które odmiennie patrzą na problemy, jakie próbujemy rozwiązać” — powiedział de la Fuente. Członkowie laboratorium dzielą się tam zarówno dobrymi, jak i złymi pomysłami, dzięki czemu przestrzeń ta staje się swego rodzaju wspólnym forum do ich weryfikacji.

Przestrzega on jednak przed poleganiem wyłącznie na AI. „Oczywiście zawsze trzeba dokładnie sprawdzać poprawność informacji” — powiedział de la Fuente.

Docenia jednak zdolność AI do wspierania badaczy w eksplorowaniu pogranicza dyscyplin naukowych. „To właśnie tam czekają na odkrycie przełomowe rozwiązania. Znajdują się na styku dziedzin, w miejscach, do których dociera bardzo niewiele osób”.

Postrzega tę pracę jako część znacznie dłuższej tradycji naukowej. „Od zawsze korzystaliśmy z narzędzi i maszyn, aby zrozumieć otaczający nas świat” — powiedział de la Fuente. „Teleskop rzucił światło na kosmos, a mikroskop odsłonił świat tego, co niewidzialne”. Obecnie maszyny pomagają badaczom rozumieć, przewidywać i projektować procesy biologiczne. „Na tym właśnie polega nasza praca” — powiedział.