Как исследователь использует Codex и ChatGPT для поиска новых антимикробных молекул

Устойчивые к лекарствам микроорганизмы, включая бактерии, грибки, паразитов и вирусы, представляют все более серьезную глобальную угрозу. Около пяти миллионов смертей в 2021 году были связаны⁠(открывается в новом окне) с устойчивостью бактерий к противомикробным препаратам. По прогнозам, к 2050 году ежегодное число таких смертей примерно удвоится. Поиск молекул, способных стать противомикробными препаратами, может занимать годы. Исследователи используют ИИ, чтобы ускорить этот ранний этап поиска.

«На мой взгляд, устойчивость к противомикробным препаратам — одна из величайших экзистенциальных угроз человечеству», — сказал Сесар де ла Фуэнте⁠(открывается в новом окне), биоинженер, чья междисциплинарная лаборатория ищет перспективные противомикробные соединения. «И при этом за последние 50 лет не появилось ни одного нового класса антибиотиков».

Современная разработка противомикробных препаратов в значительной степени сосредоточена на модификации существующих лекарств или поиске среди известных классов химических соединений. Но такой подход приносит все меньше результатов.

Лаборатория де ла Фуэнте начинает с гораздо менее изученной области — кода жизни. В основе этой работы лежит идея о том, что биология представляет собой информационную систему. «Нуклеотиды, из которых состоит ДНК, и аминокислоты, из которых состоят белки и пептиды, подобны буквам алфавита», — сказал де ла Фуэнте. «Представление о биологии как об информации позволило нам разработать методы, с помощью которых можно начать расшифровывать принципы организации жизни, породившие функциональные молекулы».

Модели глубокого обучения лаборатории учатся распознавать закономерности в биологических последовательностях, что позволяет искать потенциальные противомикробные соединения в огромных массивах данных о геномах и белках. Этот подход позволяет сократить первоначальный поиск молекул-кандидатов с нескольких лет до нескольких часов.

Наряду с собственными моделями ИИ лаборатория использует ChatGPT и Codex, чтобы обсуждать гипотезы, писать и совершенствовать код, обрабатывать наборы данных, анализировать результаты и связывать идеи из разных научных дисциплин.

Функции лишь небольшой части генома хорошо изучены, а участков, кодирующих молекулы, способные бороться с патогенными микроорганизмами, еще меньше. Задача состоит в том, чтобы выявить закономерности, которые делают молекулу функциональной, то есть биологически активной, а затем определить, какие из таких молекул способны бороться с патогенными микроорганизмами.

Ученые давно ищут противомикробные соединения в растениях, животных, микроорганизмах, насекомых, воде и почве. Они собирают образцы, выделяют или прогнозируют молекулы-кандидаты, а затем многократно их проверяют — этот процесс может занимать годы.

Цифровые базы данных геномов и белков теперь позволяют ученым искать новые соединения по всему древу жизни, значительно расширяя объем доступных для исследования данных. Но такое изобилие информации создает собственные трудности: нужно находить перспективные сигналы среди огромного числа вариантов.

ИИ особенно хорошо подходит для такой задачи — поиска иголки в стоге сена. Он может анализировать огромные массивы данных, выявлять закономерности, которые исследователям трудно заметить, и отбирать посильное число кандидатов для экспериментальной проверки.

Однако выявление перспективного кандидата еще не означает, что он станет эффективным лекарством.

Сначала ученые должны подтвердить, что молекула-кандидат уничтожает целевой микроорганизм, определить необходимую эффективную дозу и проверить ее воздействие на клетки человека. Затем химики могут оптимизировать ее, чтобы повысить эффективность, безопасность или стабильность.

Дальнейшие испытания позволяют определить токсичную дозу кандидата, скорость развития у микроорганизмов устойчивости к молекуле и характер ее перемещения по организму. Команды также разрабатывают надежный способ производства молекулы. Кандидатам, преодолевшим эти этапы, еще предстоят регуляторная проверка и клинические испытания, прежде чем они смогут стать одобренными противомикробными препаратами и попасть к пациентам.

По мнению де ла Фуэнте, именно поэтому ИИ и лабораторная биология должны развиваться вместе. «Для проверки точности прогнозов ИИ необходимы эксперименты, результаты которых служат эталонными данными (ground-truth experiments)», — сказал он. «В ближайшие годы это будет иметь решающее значение для наук о жизни, если мы хотим и дальше хотя бы понемногу расширять понимание биологии — самого сложного из всего существующего».

Его лаборатория ищет молекулы-кандидаты в геномах современных и вымерших организмов. Для поиска в этих геномах, понимания того, как формируются и работают закодированные в них белки, а также определения функций этих молекул нужны знания из нескольких областей.

«У нас по-настоящему трансдисциплинарная группа: в ней есть специалисты по биологии, химии, информатике и инженерии», — сказал де ла Фуэнте. Одни сотрудники лаборатории отлично программируют, но хуже знают биологию или химию, а у других все наоборот. Codex и ChatGPT помогают преодолеть эти пробелы: биологи могут создавать программы, а программисты — решать биологические задачи. В этом смысле ИИ устраняет барьеры между научными дисциплинами.

Он помогает сотрудникам лаборатории изучать незнакомые темы, необходимые для междисциплинарной работы, уточнять терминологию, сравнивать методы из разных областей и систематизировать идеи для поиска лекарств. Другие используют ИИ для скачивания, систематизации и предварительной обработки больших наборов геномных данных. ChatGPT также позволяет сотрудникам лаборатории работать на родных языках, устраняя барьеры и ускоряя рабочие процессы.

Де ла Фуэнте использует ChatGPT как партнера для мозгового штурма. Он продолжает развивать идеи вместе с коллегами, но ценит способность ИИ помогать ему формулировать гипотезы. Ему также нравится, что одним нажатием кнопки он может получить доступ к мировым знаниям.

«В нашу рабочую область ChatGPT поступают идеи от самых разных людей, каждый из которых по-своему смотрит на проблемы, которые мы пытаемся решить», — сказал де ла Фуэнте. Сотрудники лаборатории делятся с ним как удачными, так и неудачными идеями, превращая его в своего рода площадку для совместного обсуждения.

Но он предостерегает от того, чтобы полагаться исключительно на ИИ. «Разумеется, всегда нужно перепроверять точность информации», — сказал де ла Фуэнте.

И все же он ценит способность ИИ помогать исследователям изучать пограничные области между научными дисциплинами. «Именно там нас ждут открытия. По сути, они совершаются на стыке областей, куда мало кто заглядывает».

Он считает эту работу частью многовековой научной традиции. «Чтобы понять окружающий мир, мы всегда полагались на инструменты и машины», — сказал де ла Фуэнте. «Телескоп пролил свет на космос, а микроскоп открыл невидимый мир». Теперь машины помогают исследователям понимать, прогнозировать и проектировать биологические системы. «Именно этому и посвящена наша работа», — сказал он.