Kako raziskovalec s Codexom in ChatGPT išče nove protimikrobne molekule

Mikrobi, odporni proti zdravilom, med katere spadajo bakterije, glive, paraziti in virusi, so vse večja svetovna grožnja. Leta 2021 je bilo približno pet milijonov smrti povezanih⁠(odpre se v novem oknu) z odpornostjo bakterij proti protimikrobnim zdravilom, do leta 2050 pa naj bi se to letno število približno podvojilo. Iskanje molekul, ki bi lahko postale protimikrobna zdravila, lahko traja več let. Raziskovalci z umetno inteligenco pospešujejo to zgodnjo fazo odkrivanja.

»Po mojem mnenju je odpornost proti protimikrobnim zdravilom ena največjih eksistencialnih groženj človeštvu,« je dejal César de la Fuente⁠(odpre se v novem oknu), bioinženir, čigar interdisciplinarni laboratorij išče kandidatne protimikrobne učinkovine. »Kljub temu že 50 let nismo dobili novega razreda antibiotikov.«

Velik del sodobnega razvoja protimikrobnih zdravil se osredotoča na spreminjanje obstoječih zdravil ali preučevanje znanih razredov kemikalij. Toda tak pristop prinaša vse manj koristi.

Laboratorij de la Fuenteja začne na precej manj raziskanem področju: pri kodi življenja. Osrednja zamisel tega dela je, da je biologija informacijski sistem. »Nukleotidi, ki sestavljajo DNK, ter aminokisline, ki sestavljajo beljakovine in peptide, so nekakšna abeceda,« je dejal de la Fuente. »Razumevanje biologije kot informacije nam je omogočilo razviti metode, s katerimi lahko začnemo razvozlavati organizacijska načela življenja, iz katerih je nastala funkcionalna molekula.«

Laboratorijski modeli globokega učenja so usposobljeni za prepoznavanje vzorcev v bioloških zaporedjih, zato lahko v obsežnih naborih genomskih in beljakovinskih podatkov iščejo morebitne protimikrobne učinkovine. S tem pristopom je mogoče začetno iskanje kandidatnih molekul skrajšati z več let na nekaj ur.

Poleg lastnih modelov umetne inteligence laboratorij uporablja ChatGPT in Codex za razvijanje hipotez, pisanje in izboljševanje kode, obdelavo podatkovnih zbirk, analizo rezultatov ter povezovanje zamisli iz različnih znanstvenih disciplin.

Jasno razumemo delovanje le majhnega dela genoma, še manjši del pa kodira molekule, ki se lahko borijo proti povzročiteljem okužb. Izziv je prepoznati vzorce, zaradi katerih je molekula funkcionalna oziroma biološko aktivna, nato pa ugotoviti, katere bi lahko delovale proti povzročiteljem okužb.

Znanstveniki protimikrobne učinkovine že dolgo iščejo v rastlinah, živalih, mikrobih, žuželkah, vodi in prsti. Zbirajo vzorce, osamijo ali napovejo kandidatne molekule in jih preizkušajo v ponavljajočem se postopku, ki lahko traja več let.

Digitalne podatkovne zbirke genomov in beljakovin znanstvenikom zdaj omogočajo iskanje novih spojin po vsem drevesu življenja, kar je močno razširilo obseg podatkovnih zbirk, ki jih lahko raziskujejo. Toda obilje informacij prinaša tudi svoje izzive: med neizmernim številom možnosti je treba najti obetavne signale.

Umetna inteligenca je še posebej primerna za takšno iskanje igle v kopici sena. Pregleda lahko ogromne podatkovne zbirke, prepozna vzorce, ki bi jih raziskovalci težko opazili, in izbere obvladljivo število kandidatov za eksperimentalno testiranje.

Toda odkritje obetavnega kandidata še ne pomeni nujno, da bo iz njega nastalo učinkovito zdravilo.

Znanstveniki morajo najprej potrditi, da kandidatna molekula uniči ciljni mikrob, določiti količino, potrebno za učinkovitost, in preveriti njen vpliv na človeške celice. Kemiki jo lahko nato optimizirajo, da izboljšajo njeno učinkovitost, varnost ali stabilnost.

Z nadaljnjimi preizkusi ocenijo odmerek, pri katerem kandidat postane strupen, kako hitro mikrobi razvijejo odpornost proti molekuli in kako se kandidat premika po telesu. Ekipe določijo tudi zanesljiv način izdelave molekule. Kandidate, ki uspešno premagajo te ovire, pred odobritvijo za uporabo pri bolnikih kot protimikrobna zdravila še vedno čakata regulativni pregled in klinično preskušanje.

De la Fuente meni, da morata zato umetna inteligenca in laboratorijska biologija napredovati skupaj. »Poskusi v resničnih razmerah so bistveni za preverjanje napovedi umetne inteligence,« je dejal. »Če želimo še naprej prodirati pod površje našega razumevanja biologije, ki je najkompleksnejša stvar sploh, bo to v prihodnjih letih ključnega pomena za vede o življenju.«

Njegov laboratorij v genomih živih in izumrlih organizmov išče kandidatne molekule. Za preiskovanje teh genomov, razumevanje nastanka in delovanja beljakovin, ki jih kodirajo, ter ugotavljanje vloge teh molekul je potrebno strokovno znanje z več področij.

»Smo izrazito transdisciplinarna skupina, zato imamo strokovnjake s področij biologije, kemije, računalništva in inženirstva,« je dejal de la Fuente. Nekateri člani laboratorija so odlični programerji, vendar manj poznajo biologijo ali kemijo, pri drugih pa velja obratno. Codex in ChatGPT pomagata premostiti te vrzeli, saj biologom omogočata izdelavo programov, programerjem pa reševanje bioloških problemov. V tem smislu umetna inteligenca odpravlja ovire med znanstvenimi disciplinami.

Članom laboratorija pomaga pri spoznavanju manj znanih tem, ki jih potrebujejo pri interdisciplinarnem delu, razjasnjevanju izrazov, primerjanju metod z različnih področij in urejanju zamisli za odkrivanje zdravil. Drugi umetno inteligenco uporabljajo za prenos, urejanje in predhodno obdelavo velikih naborov genomskih podatkov. ChatGPT članom laboratorija omogoča tudi delo v maternih jezikih, s čimer odpravlja ovire in pospešuje njihove delovne postopke.

De la Fuente uporablja ChatGPT kot partnerja pri iskanju zamisli. Zamisli še naprej razvija s sodelavci, vendar ceni, da mu umetna inteligenca pomaga oblikovati hipotezo. Všeč mu je tudi, da lahko z enim klikom dostopa do informacij z vsega sveta.

»V naš delovni prostor ChatGPT prispevajo vsi ti različni ljudje, ki drugače razmišljajo o težavah, ki jih poskušamo rešiti,« je dejal de la Fuente. Člani laboratorija vanj vnašajo svoje dobre in slabe zamisli, zato deluje kot nekakšna skupna preizkusna plošča za ideje.

Vendar opozarja, da se ne smemo zanašati zgolj na umetno inteligenco. »Seveda je treba vedno znova preveriti točnost,« je dejal de la Fuente.

Kljub temu ceni zmožnost umetne inteligence, da raziskovalcem pomaga raziskovati meje med znanstvenimi disciplinami. »Prav tam čakajo preboji, da jih odkrijemo. Najdemo jih predvsem na obrobjih med področji, kamor zaide zelo malo ljudi.«

To delo vidi kot del veliko daljše znanstvene tradicije. »Pri razumevanju sveta okoli nas smo se vedno zanašali na orodja in stroje,« je dejal de la Fuente. »Teleskop je osvetlil vesolje, mikroskop pa razkril svet nevidnega.« Stroji zdaj raziskovalcem pomagajo razumeti, napovedovati in oblikovati biologijo. »Prav temu je namenjeno naše delo,« je dejal.