కొత్త యాంటీమైక్రోబయల్ అణువుల కోసం పరిశోధకుడు Codex, ChatGPT ని ఎలా వాడతారు

బ్యాక్టీరియా, శిలీంధ్రాలు, పరాన్నజీవులు, వైరస్‌లు సహా ఔషధ నిరోధక సూక్ష్మజీవులు పెరుగుతున్న ప్రపంచ ముప్పుగా ఉన్నాయి. 2021లో సుమారు ఐదు మిలియన్ల మరణాలు బ్యాక్టీరియా యాంటీమైక్రోబయల్ నిరోధకతతో సంబంధం కలిగి ఉన్నాయి⁠(కొత్త విండోలో తెరుచుకుంటుంది) —2050 నాటికి ఈ వార్షిక మరణాల సంఖ్య దాదాపు రెట్టింపు అవుతుందని అంచనా. యాంటీమైక్రోబయల్స్‌గా మారే సామర్థ్యమున్న అణువులను కనుగొనడానికి సంవత్సరాలు పట్టవచ్చు. ఆవిష్కరణలోని ఈ ప్రారంభ దశను వేగవంతం చేయడానికి పరిశోధకులు AIని ఉపయోగిస్తున్నారు.

“నా అభిప్రాయం ప్రకారం, యాంటీమైక్రోబయల్ నిరోధకత మానవాళికి ఉన్న అత్యంత తీవ్రమైన అస్తిత్వ ముప్పుల్లో ఒకటి,” అని యాంటీమైక్రోబయల్ అభ్యర్థుల కోసం అన్వేషించే విభిన్న విభాగాల ప్రయోగశాలకు చెందిన బయోఇంజనీర్ సీజర్ డె లా ఫుఎంటే⁠(కొత్త విండోలో తెరుచుకుంటుంది) అన్నారు. “అయినప్పటికీ, 50 సంవత్సరాలుగా మనకు కొత్త తరగతి యాంటీబయాటిక్స్ రాలేదు.”

ఆధునిక యాంటిమైక్రోబియల్ అభివృద్ధిలో ఎక్కువ భాగం ఉన్న ఔషధాలను సవరించడం లేదా తెలిసిన రసాయన వర్గాలను అన్వేషించడంపైనే దృష్టి సారిస్తుంది. కానీ ఆ విధానం క్రమంగా తగ్గుతున్న ఫలితాలను ఇస్తుంది.

De la Fuente ల్యాబ్ చాలా తక్కువగా అన్వేషించిన ప్రదేశం నుండి తన పరిశోధనను ప్రారంభిస్తుంది: అదే జీవసంకేతం. ఈ పని వెనుక ఉన్న ప్రధాన ఆలోచన ఏమిటంటే, జీవశాస్త్రం ఒక సమాచార వ్యవస్థ అని. "DNAను తయారుచేసే న్యూక్లియోటైడ్‌లు, మరియు ప్రొటీన్‌లు, పెప్టైడ్‌లను తయారుచేసే అమైనో ఆమ్లాలు ఒక రకమైన అక్షరమాల లాంటివి" అని డి లా ఫుయెంటే అన్నారు. “జీవశాస్త్రాన్ని సమాచారంగా చూడటం వల్ల, క్రియాశీల అణువుకు దారితీసిన జీవన వ్యవస్థీకరణ సూత్రాలను అర్థంచేసుకోవడం ప్రారంభించగల పద్ధతులను అభివృద్ధి చేయగలిగాం.”

ల్యాబ్ డీప్ లెర్నింగ్ మోడల్‌లకు జీవ క్రమాల్లోని నమూనాలను గుర్తించేలా శిక్షణ ఇస్తారు, దీంతో అవి సంభావ్య యాంటీమైక్రోబయల్స్ కోసం విస్తృతమైన జీనోమ్ మరియు ప్రోటీన్ డేటాసెట్‌లను వెతకగలవు. ఈ విధానం అభ్యర్థి అణువుల కోసం ప్రారంభ శోధనను సంవత్సరాల నుంచి గంటలకు తగ్గించగలదు.

తన స్వంత AI మోడల్‌లతో పాటు, ఈ ల్యాబ్ పరికల్పనలపై ఆలోచనలు రూపొందించడానికి, కోడ్ రాయడానికి మరియు మెరుగుపరచడానికి, డేటాసెట్‌లను ప్రాసెస్ చేయడానికి, ఫలితాలను విశ్లేషించడానికి, అలాగే శాస్త్రీయ విభాగాల మధ్య ఆలోచనలను అనుసంధానించడానికి ChatGPT మరియు Codex ఉపయోగిస్తుంది.

జీనోమ్‌లో చాలా కొద్ది భాగానికి మాత్రమే స్పష్టమైన విధి ఉంటుంది, ఇంకా తక్కువ భాగం మాత్రమే అంటువ్యాధుల సూక్ష్మజీవులతో పోరాడగల అణువులను ఎన్‌కోడ్ చేస్తుంది. ఒక అణువును కార్యాచరణ కలిగిన లేదా జీవశాస్త్రపరంగా క్రియాశీలమైనదిగా మార్చే నమూనాలను గుర్తించడం, ఆపై వాటిలో ఏవి అంటువ్యాధుల సూక్ష్మజీవులతో పోరాడే సామర్థ్యాన్ని కలిగి ఉన్నాయో నిర్ధారించడమే ఇందులోని సవాలు.

శాస్త్రవేత్తలు చాలా కాలంగా మొక్కలు, జంతువులు, సూక్ష్మజీవులు, కీటకాలు, నీరు, మట్టిలో యాంటీమైక్రోబయల్స్ కోసం వెతుకుతున్నారు. వారు నమూనాలను సేకరించి, సంభావ్య అణువులను వేరు చేస్తారు లేదా అంచనా వేస్తారు, ఆపై సంవత్సరాలు పట్టే పునరావృత ప్రక్రియలో వాటిని పరీక్షిస్తారు.

డిజిటల్ జన్యు మరియు ప్రోటీన్ డేటాబేస్‌లు ఇప్పుడు శాస్త్రవేత్తలు కొత్త సమ్మేళనాల కోసం జీవవృక్షం అంతటా శోధించడానికి వీలు కల్పిస్తున్నాయి, అన్వేషణకు అందుబాటులో ఉన్న డేటాబేస్‌ల పరిధిని గణనీయంగా విస్తరిస్తున్నాయి. కానీ ఈ సమాచార సమృద్ధి దానికదే సవాళ్లను తెస్తుంది: అపారమైన సంఖ్యలో అవకాశాల మధ్య ఆశాజనకమైన సంకేతాలను కనుగొనడం.

గడ్డివాములో సూదిని వెతికే ఈ పనికి AI ప్రత్యేకంగా అనుకూలంగా ఉంటుంది. ఇది భారీ డేటాసెట్‌లను స్కాన్ చేసి, పరిశోధకులు గుర్తించడం కష్టమయ్యే నమూనాలను గుర్తించి, ప్రయోగాత్మక పరీక్షల కోసం నిర్వహించగలిగే సంఖ్యలో అభ్యర్థులకు ప్రాధాన్యత ఇవ్వగలదు.

ఆశాజనకమైన అభ్యర్థిని గుర్తించడం వల్ల అది తప్పనిసరిగా ప్రభావవంతమైన ఔషధంగా మారుతుందని అర్థం కాదు.

శాస్త్రవేత్తలు ముందుగా ఒక సంభావ్య అణువు లక్ష్య సూక్ష్మజీవిని చంపుతుందో లేదో నిర్ధారించాలి, ప్రభావవంతంగా ఉండటానికి అవసరమైన మోతాదును నిర్ణయించాలి, అలాగే అది మానవ కణాలపై ఎలాంటి ప్రభావం చూపుతుందనేది పరీక్షించాలి. ఆ తర్వాత రసాయన శాస్త్రవేత్తలు దాని ప్రభావం, భద్రత లేదా స్థిరత్వాన్ని మెరుగుపరచడానికి దాన్ని ఆప్టిమైజ్ చేయవచ్చు.

తదుపరి పరీక్షలు అభ్యర్థి విషపూరితంగా మారే మోతాదును, సూక్ష్మజీవులు అణువుకు ఎంత సులభంగా నిరోధకతను అభివృద్ధి చేస్తాయో, అలాగే అభ్యర్థి శరీరంలో ఎలా కదులుతుందో అంచనా వేస్తాయి. బృందాలు అణువును తయారు చేయడానికి నమ్మదగిన విధానాన్ని కూడా నిర్ణయిస్తాయి. ఈ అడ్డంకులను అధిగమించిన అభ్యర్థులు కూడా ఆమోదించబడిన సూక్ష్మజీవనాశక ఔషధాలుగా రోగులకు చేరడానికి ముందు నియంత్రణ సమీక్ష మరియు క్లినికల్ పరీక్షలను ఎదుర్కోవాల్సి ఉంటుంది.

డె లా ఫుయెంటే దృష్టిలో, AI మరియు ప్రయోగశాల జీవశాస్త్రం కలిసి ముందుకు సాగాల్సిన కారణం ఇదే. “AI అంచనాలను ధృవీకరించడానికి వాస్తవ పరిస్థితులపై చేసే ప్రయోగాలు అత్యవసరం,” అని ఆయన అన్నారు. “అత్యంత సంక్లిష్టమైన జీవశాస్త్రంపై మన అవగాహనలో పైపొరను మాత్రమే తాకుతూ ముందుకు సాగాలంటే, రాబోయే సంవత్సరాల్లో జీవ శాస్త్రాల్లో ఇది కీలకం అవుతుంది.”

సంభావ్య అణువుల కోసం ఆయన ప్రయోగశాల జీవించి ఉన్న మరియు అంతరించిపోయిన జీవుల జన్యుక్రమాలను పరిశోధిస్తుంది. . ఆ జన్యుక్రమాలను శోధించడం, వాటిలో సంకేతీకరించబడిన ప్రొటీన్‌లు ఎలా ఏర్పడి పనిచేస్తాయో అర్థం చేసుకోవడం, ఆ అణువులు ఏమి చేస్తాయో నిర్ధారించడం కోసం అనేక రంగాల్లో నైపుణ్యం అవసరం.

“మేం ఎంతో విభిన్న విభాగాల సమూహం, కాబట్టి మా వద్ద జీవశాస్త్రం, రసాయన శాస్త్రం, కంప్యూటర్ సైన్స్, ఇంజినీరింగ్ రంగాల నుంచి వచ్చిన వ్యక్తులు ఉన్నారు,” అని డె లా ఫుయెంటే అన్నారు. కొంతమంది ల్యాబ్ సభ్యులు మంచి ప్రోగ్రామర్లు అయినప్పటికీ, వారికి జీవశాస్త్రం లేదా రసాయన శాస్త్రం గురించి తక్కువ తెలుసు; మరికొందరికి దీనికి విరుద్ధంగా ఉంటుంది. Codex మరియు ChatGPT ఈ అంతరాలను పూడ్చడంలో సహాయపడతాయి; దీంతో జీవశాస్త్రవేత్తలు ప్రోగ్రామ్‌లను రూపొందించగలరు, ప్రోగ్రామర్లు జీవశాస్త్ర సమస్యలను పరిష్కరించగలరు. ఆ కోణంలో, AI శాస్త్రీయ విభాగాల మధ్య అడ్డంకులను తగ్గిస్తుంది.

ఇది ల్యాబ్ సభ్యులు తమ క్రాస్-డిసిప్లినరీ వర్క్ కోసం అవసరమయ్యే పరిచయం లేని విషయాలను సమీక్షించుకోవడానికి, సాంకేతిక పదజాలాన్ని స్పష్టం చేసుకోవడానికి, వివిధ రంగాలలోని పద్ధతులను పోల్చడానికి మరియు డ్రగ్ డిస్కవరీకి సంబంధించిన ఆలోచనలను క్రమబద్ధీకరించుకోవడానికి సహాయపడుతుంది. మరికొందరు లార్జ్ జీనోమ్ డేటాసెట్‌లను డౌన్‌లోడ్ చేయడానికి, ఆర్గనైజ్ చేయడానికి మరియు ప్రి-ప్రాసెస్ చేయడానికి AIని ఉపయోగిస్తారు. ChatGPT ల్యాబ్ సభ్యులను వారి స్థానిక భాషలలో పనిచేయడానికి అనుమతిస్తుంది, వారి వర్క్ ఫ్లోలను వేగవంతం చేయడానికి అడ్డంకులను తగ్గిస్తుంది.

డి లా ఫ్యూంటె ChatGPT ని మేధోమథన భాగస్వామిగా ఉపయోగిస్తుంది. అతను సహోద్యోగులతో ఆలోచనలను అభివృద్ధి చేస్తూనే ఉన్నాడు, కానీ అతను ఒక పరికల్పనను రూపొందించడంలో సహాయపడే AI యొక్క సామర్థ్యాన్ని విలువైనదిగా భావిస్తాడు. అతను ఒక బటన్ క్లిక్ చేయడం ద్వారా ప్రపంచ సమాచారాన్ని యాక్సెస్ చేయగలడని కూడా అతను ఇష్టపడతాడు.

"మా ChatGPT వర్క్‌స్పేస్ మేం పరిష్కరించడానికి ప్రయత్నిస్తున్న సమస్యల గురించి భిన్నంగా ఆలోచించే ఈ విభిన్న వ్యక్తులందరి నుండి ఇన్‌పుట్‌ను స్వీకరిస్తోంది" అని డి లా ఫ్యూయెంటే చెప్పారు. ల్యాబ్ సభ్యులు వారి మంచి మరియు చెడు ఆలోచనలను తినిపిస్తారు, ఇది ఒక రకమైన సహకార సౌండింగ్ బోర్డుగా మారుతుంది.

కానీ AIపైనే ఆధారపడవద్దని ఆయన హెచ్చరిస్తున్నారు. “ఖచ్చితత్వం కోసం నువ్వు ఎప్పుడూ రెండుసార్లు తనిఖీ చేయాలి అనేది స్పష్టమే,” అని డె లా ఫుయెంటె అన్నారు.

అయినప్పటికీ, శాస్త్రీయ విభాగాల మధ్య సరిహద్దులను అన్వేషించడానికి పరిశోధకులకు సహాయపడే AI యొక్క సామర్థ్యాన్ని ఆయన అభినందిస్తారు. “అక్కడే విప్లవాత్మక ఆవిష్కరణలు కనుగొనడానికి ఎదురుచూస్తున్నాయి. చాలా తక్కువ మంది మాత్రమే వెళ్లే వివిధ రంగాల సరిహద్దుల్లో ప్రధానంగా వారు పనిచేస్తున్నారు.

ఈ పనిని ఆయన ఎంతో సుదీర్ఘమైన శాస్త్రీయ సంప్రదాయంలో భాగంగా చూస్తారు. “మన చుట్టూ ఉన్న ప్రపంచాన్ని అర్థం చేసుకోవడానికి మనం ఎప్పుడూ టూల్స్, యంత్రాలపైనే ఆధారపడ్డాం,” అని డె లా ఫుయెంటె అన్నారు. “టెలిస్కోప్ విశ్వాన్ని వెలుగులోకి తెచ్చింది, సూక్ష్మదర్శిని కనిపించని ప్రపంచాన్ని వెల్లడించింది.” ఇప్పుడు యంత్రాలు జీవశాస్త్రాన్ని అర్థం చేసుకోవడంలో, అంచనా వేయడంలో, రూపకల్పన చేయడంలో పరిశోధకులకు సహాయపడుతున్నాయి. “మా పని అంతా దాని గురించే,” అని ఆయన అన్నారు.