Si përdor një studiues Codex dhe ChatGPT për të kërkuar molekula të reja antimikrobike

Mikrobet rezistente ndaj barnave, përfshirë bakteret, kërpudhat, parazitët dhe viruset, përbëjnë një kërcënim global në rritje. Rreth pesë milionë vdekje në vitin 2021 u lidhën⁠(hapet në një dritare të re) me rezistencën bakteriale ndaj antimikrobikëve—një bilanc vjetor që parashikohet të dyfishohet afërsisht deri në vitin 2050. Gjetja e molekulave me potencial për t’u bërë antimikrobikë mund të kërkojë vite. Studiuesit po përdorin IA-në për ta përshpejtuar këtë fazë të hershme të zbulimit.

"Sipas mendimit tim, rezistenca ndaj antimikrobikëve është një nga kërcënimet më të mëdha ekzistenciale për njerëzimin", tha César de la Fuente⁠(hapet në një dritare të re), një bioinxhinier, laboratori ndërdisiplinor i të cilit kërkon kandidatë antimikrobikë. "E megjithatë, prej 50 vjetësh nuk kemi pasur një klasë të re antibiotikësh."

Pjesa më e madhe e zhvillimit bashkëkohor të antimikrobikëve përqendrohet në modifikimin e barnave ekzistuese ose në kërkimin brenda klasave të njohura të substancave kimike. Por kjo qasje jep rezultate gjithnjë e më të pakta.

Laboratori i de la Fuente-s nis nga një pikë shumë më pak e eksploruar: kodi i jetës. Ideja themelore e kësaj pune është se biologjia përbën një sistem informacioni. "Nukleotidet që përbëjnë ADN-në dhe aminoacidet që përbëjnë proteinat dhe peptidet janë pak a shumë si një alfabet", tha de la Fuente. "Trajtimi i biologjisë si informacion na mundësoi të zhvillonim metoda që mund të fillojnë të deshifrojnë parimet organizuese të jetës, prej të cilave lindi një molekulë funksionale."

Modelet e të nxënit të thelluar të laboratorit trajnohen për të dalluar modele në sekuencat biologjike, çka u mundëson të kërkojnë antimikrobikë të mundshëm në grupe të stërmëdha të dhënash gjenomike dhe proteinike. Kjo qasje mund ta shkurtojë nga vite në orë kërkimin fillestar për molekula kandidate.

Krahas modeleve të veta të IA-së, laboratori përdor ChatGPT dhe Codex për të shkëmbyer ide rreth hipotezave, për të shkruar e përmirësuar kodin, për të përpunuar grupe të dhënash, për të analizuar rezultatet dhe për të ndërlidhur ide nga disiplina të ndryshme shkencore.

Vetëm funksioni i një pjese të vogël të gjenomit kuptohet qartë dhe një pjesë edhe më e vogël kodon molekula që mund të luftojnë mikrobet infektive. Sfida është të identifikohen rregullsitë që e bëjnë një molekulë funksionale ose biologjikisht aktive dhe më pas të përcaktohet se cilat molekula kanë potencialin për të luftuar mikrobet infektive.

Shkencëtarët kanë kërkuar prej kohësh antimikrobikë te bimët, kafshët, mikrobet, insektet, uji dhe toka. Ata mbledhin mostra, izolojnë ose parashikojnë molekula kandidate dhe i testojnë përmes një procesi përsëritës që mund të zgjasë me vite.

Bazat dixhitale të të dhënave gjenomike dhe proteinike tani u mundësojnë shkencëtarëve të kërkojnë përbërje të reja në gjithë pemën e jetës, duke zgjeruar ndjeshëm gamën e bazave të të dhënave të disponueshme për eksplorim. Por ky bollëk informacioni sjell sfidat e veta: gjetjen e sinjaleve premtuese mes një numri të stërmadh mundësish.

IA-ja është veçanërisht e përshtatshme për këtë detyrë që i ngjan kërkimit të gjilpërës në kashtë. Ajo mund të shqyrtojë grupe të stërmëdha të dhënash, të identifikojë rregullsi që studiuesit mund ta kenë të vështirë t’i dallojnë dhe t’i japë përparësi një numri të menaxhueshëm kandidatësh për testim eksperimental.

Por identifikimi i një kandidati premtues nuk do të thotë domosdoshmërisht se ai do të bëhet një ilaç efikas.

Shkencëtarët duhet së pari të konfirmojnë se molekula kandidate e vret mikrobin e synuar, të përcaktojnë sasinë e nevojshme që të jetë efikase dhe të testojnë ndikimin e saj te qelizat njerëzore. Më pas, kimistët mund ta optimizojnë për t’i përmirësuar efikasitetin, sigurinë ose qëndrueshmërinë.

Testet e mëtejshme vlerësojnë dozën në të cilën kandidati bëhet toksik, sa lehtë zhvillojnë mikrobet rezistencë ndaj molekulës dhe si lëviz kandidati nëpër trup. Ekipet përcaktojnë gjithashtu një mënyrë të besueshme për prodhimin e molekulës. Kandidatët që i kapërcejnë këto pengesa duhet ende t’i nënshtrohen shqyrtimit rregullator dhe provave klinike përpara se të arrijnë te pacientët si barna antimikrobike të miratuara.

Për de la Fuente-n, kjo është arsyeja pse IA-ja dhe biologjia laboratorike duhet të përparojnë së bashku. "Eksperimentet që ofrojnë prova empirike janë thelbësore për të vërtetuar parashikimet e IA-së", tha ai. "Kjo do të jetë vendimtare për shkencat e jetës në vitet e ardhshme, nëse duam të vazhdojmë të depërtojmë sadopak në kuptimin e biologjisë, e cila është gjëja më komplekse që ekziston."

Laboratori i tij eksploron gjenomet e organizmave të gjallë dhe të zhdukur për të gjetur molekula kandidate. Kërkimi në këto gjenome, të kuptuarit e mënyrës se si formohen dhe funksionojnë proteinat e koduara në to, si dhe përcaktimi i rolit të këtyre molekulave kërkojnë ekspertizë në disa fusha.

"Jemi një grup tejet ndërdisiplinor, ndaj kemi njerëz nga biologjia, kimia, shkenca kompjuterike dhe inxhinieria", tha de la Fuente. Disa anëtarë të laboratorit janë programues shumë të zotë, por dinë më pak për biologjinë ose kiminë, dhe anasjelltas. Codex dhe ChatGPT ndihmojnë në kapërcimin e këtyre boshllëqeve, duke u mundësuar biologëve të ndërtojnë programe dhe programuesve të trajtojnë probleme biologjike. Në këtë kuptim, IA-ja i pakëson pengesat mes disiplinave shkencore.

Ai i ndihmon anëtarët e laboratorit të shqyrtojnë tema të panjohura që u duhen për punën ndërdisiplinore, të sqarojnë terminologjinë, të krahasojnë metodat e fushave të ndryshme dhe të organizojnë ide për zbulimin e barnave. Të tjerë përdorin IA-në për të shkarkuar, organizuar dhe përpunuar paraprakisht grupe të mëdha të dhënash gjenomike. ChatGPT u mundëson gjithashtu anëtarëve të laboratorit të punojnë në gjuhët e tyre amtare, duke pakësuar pengesat dhe përshpejtuar proceset e punës.

De la Fuente e përdor ChatGPT si partner për shkëmbimin e ideve. Ai vazhdon t’i zhvillojë idetë me kolegët, por çmon aftësinë e IA-së për ta ndihmuar të formulojë një hipotezë. Atij i pëlqen edhe mundësia për të pasur akses në informacionin e mbarë botës me një klikim.

"Hapësira jonë e punës në ChatGPT merr kontribute nga gjithë këta njerëz, të cilët mendojnë ndryshe për problemet që po përpiqemi të zgjidhim", tha de la Fuente. Anëtarët e laboratorit ndajnë me të idetë e tyre të mira e të këqija, duke e kthyer në një lloj partneri bashkëpunues për diskutimin e ideve.

Por ai paralajmëron se nuk duhet të mbështetemi vetëm tek IA-ja. "Sigurisht, saktësia duhet verifikuar gjithmonë", tha de la Fuente.

Megjithatë, ai vlerëson aftësinë e IA-së për t’i ndihmuar studiuesit të eksplorojnë kufijtë mes disiplinave shkencore. "Pikërisht aty presin të zbulohen risitë e mëdha. Ato gjenden në thelb në skajet mes fushave, ku shkojnë shumë pak njerëz."

Ai e sheh këtë punë si pjesë të një tradite shkencore shumë më të gjatë. "Jemi mbështetur gjithmonë te mjetet dhe makineritë për të kuptuar botën përreth nesh", tha de la Fuente. "Teleskopi ndriçoi kozmosin, ndërsa mikroskopi zbuloi botën e padukshme." Tani makineritë i ndihmojnë studiuesit të kuptojnë sistemet biologjike, të parashikojnë sjelljen e tyre dhe t’i projektojnë e modifikojnë ato. "Ky është thelbi i punës sonë", tha ai.