นักวิจัยใช้ Codex และ ChatGPT เพื่อค้นหาโมเลกุลต้านจุลชีพชนิดใหม่ได้อย่างไร

จุลชีพดื้อยา ซึ่งรวมถึงแบคทีเรีย เชื้อรา ปรสิต และไวรัส กำลังกลายเป็นภัยคุกคามระดับโลกที่รุนแรงขึ้นเรื่อยๆ ในปี 2564 มีผู้เสียชีวิตประมาณ 5 ล้านรายที่เกี่ยวข้อง⁠(เปิดในหน้าต่างใหม่)กับการดื้อยาต้านจุลชีพของแบคทีเรีย และคาดว่าจำนวนผู้เสียชีวิตต่อปีจะเพิ่มขึ้นเกือบสองเท่าภายในปี 2593 การค้นหาโมเลกุลที่มีศักยภาพในการพัฒนาเป็นสารต้านจุลชีพอาจใช้เวลาหลายปี นักวิจัยจึงนำ AI มาใช้เพื่อเร่งกระบวนการค้นพบในระยะเริ่มต้นนี้

“ผมมองว่าการดื้อยาต้านจุลชีพเป็นหนึ่งในภัยคุกคามต่อการดำรงอยู่ของมนุษยชาติที่สำคัญที่สุด” César de la Fuente⁠(เปิดในหน้าต่างใหม่) วิศวกรชีวภาพผู้ทำงานในห้องแล็บแบบสหสาขาที่ค้นหาสารตัวเลือกที่มีศักยภาพในการต้านจุลชีพกล่าว “แต่เรากลับไม่มียาปฏิชีวนะกลุ่มใหม่มาเป็นเวลา 50 ปีแล้ว”

การพัฒนาสารต้านจุลชีพในปัจจุบันส่วนใหญ่มุ่งเน้นการปรับเปลี่ยนยาที่มีอยู่ หรือค้นหาสารจากกลุ่มเคมีที่เราคุ้นเคย แต่แนวทางนี้ให้ผลลัพธ์น้อยลงเรื่อยๆ

ห้องแล็บของ de la Fuente เลือกเริ่มจากพื้นที่ที่ยังแทบไม่มีใครสำรวจ นั่นคือรหัสแห่งชีวิต หัวใจของแนวคิดนี้คือชีววิทยาสามารถมองเป็นระบบข้อมูลได้ “นิวคลีโอไทด์ที่ประกอบเป็น DNA และกรดอะมิโนที่ประกอบเป็นโปรตีนกับเปปไทด์นั้นคล้ายกับตัวอักษร” de la Fuente กล่าว “เมื่อเรามองชีววิทยาเป็นข้อมูล เราก็สามารถพัฒนาวิธีการเพื่อเริ่มถอดรหัสหลักการที่จัดระเบียบสิ่งมีชีวิตและก่อให้เกิดโมเลกุลที่สามารถทำหน้าที่ได้”

โมเดลการเรียนรู้เชิงลึกของห้องแล็บได้รับการฝึกให้ตรวจจับรูปแบบในลำดับทางชีวภาพ จึงสามารถสำรวจชุดข้อมูลจีโนมและโปรตีนขนาดใหญ่เพื่อค้นหาสารที่มีศักยภาพในการต้านจุลชีพได้ วิธีนี้ช่วยย่นระยะเวลาในการค้นหาโมเลกุลที่มีศักยภาพในเบื้องต้นจากหลายปีเหลือเพียงไม่กี่ชั่วโมง

นอกจากโมเดล AI ที่พัฒนาขึ้นเองแล้ว ห้องแล็บยังใช้ ChatGPT และ Codex เพื่อช่วยระดมความคิดเกี่ยวกับสมมติฐาน เขียนและปรับปรุงโค้ด ประมวลผลชุดข้อมูล วิเคราะห์ผลลัพธ์ และเชื่อมโยงแนวคิดจากศาสตร์แขนงต่างๆ

เรายังเข้าใจหน้าที่อย่างชัดเจนของจีโนมเพียงบางส่วนเท่านั้น และในส่วนที่เรารู้นั้น มีเพียงไม่กี่ส่วนที่สร้างโมเลกุลซึ่งสามารถต่อสู้กับจุลชีพก่อโรคได้ ดังนั้น โจทย์สำคัญคือการค้นหาว่าอะไรทำให้โมเลกุลหนึ่งมีฤทธิ์ทางชีวภาพ แล้วใช้รูปแบบที่ค้นพบเพื่อหาโมเลกุลที่อาจนำมาต่อสู้กับจุลชีพก่อโรคได้

นักวิทยาศาสตร์ค้นหาสารต้านจุลชีพจากธรรมชาติมาอย่างยาวนาน ไม่ว่าจะเป็นจากพืช สัตว์ จุลชีพ แมลง น้ำ หรือดิน โดยเก็บตัวอย่างมาศึกษา คัดแยกหรือคาดการณ์หาโมเลกุลที่มีศักยภาพ แล้วนำไปทดสอบและปรับปรุงซ้ำหลายรอบ ซึ่งกระบวนการทั้งหมดอาจใช้เวลานานหลายปี

ปัจจุบัน ฐานข้อมูลจีโนมและโปรตีนแบบดิจิทัลช่วยให้นักวิทยาศาสตร์ค้นหาสารชนิดใหม่จากสิ่งมีชีวิตได้หลากหลายสายพันธุ์ทั่วทั้งแผนภูมิวิวัฒนาการ ทำให้มีข้อมูลให้สำรวจกว้างขวางกว่าเดิมอย่างมาก แต่เมื่อข้อมูลมีมหาศาล ความท้าทายใหม่ก็ตามมา นั่นคือการค้นหาสัญญาณที่มีแนวโน้มว่าจะนำไปสู่การค้นพบที่สำคัญจากความเป็นไปได้นับไม่ถ้วน

งานลักษณะนี้เปรียบได้กับการงมเข็มในมหาสมุทร ซึ่งเป็นสิ่งที่ AI ทำได้ดีเป็นพิเศษ AI สามารถวิเคราะห์ข้อมูลจำนวนมหาศาล ค้นหารูปแบบที่นักวิจัยอาจมองข้าม และคัดกรองโมเลกุลที่มีศักยภาพให้เหลือจำนวนที่สามารถนำไปทดสอบจริงได้

แต่การค้นพบโมเลกุลที่มีศักยภาพไม่ได้หมายความว่าโมเลกุลนั้นจะสามารถพัฒนาเป็นยาที่มีประสิทธิภาพได้เสมอไป

ก่อนจะนำโมเลกุลที่มีศักยภาพไปพัฒนาต่อ นักวิทยาศาสตร์ต้องทดสอบก่อนว่าสามารถกำจัดจุลชีพเป้าหมายได้หรือไม่ ต้องใช้ปริมาณเท่าใดจึงจะมีประสิทธิภาพ และส่งผลอย่างไรต่อเซลล์มนุษย์ หลังจากนั้น นักเคมีอาจปรับปรุงโมเลกุลให้มีประสิทธิภาพและความปลอดภัยมากขึ้น รวมถึงมีความคงตัวที่ดีขึ้น

จากนั้นยังต้องทดสอบเพิ่มเติมเพื่อหาว่าโมเลกุลจะเริ่มเป็นพิษเมื่อใช้ในปริมาณเท่าใด จุลชีพสามารถพัฒนาการดื้อต่อโมเลกุลนั้นได้ง่ายเพียงใด และเมื่อเข้าสู่ร่างกายแล้ว โมเลกุลจะถูกดูดซึม กระจาย และกำจัดออกอย่างไร ทีมวิจัยยังต้องหาวิธีผลิตโมเลกุลที่เชื่อถือได้และให้ผลสม่ำเสมอ แม้โมเลกุลจะผ่านขั้นตอนเหล่านี้ทั้งหมดแล้ว ก็ยังต้องผ่านการพิจารณาจากหน่วยงานกำกับดูแลและการทดลองทางคลินิก ก่อนจะได้รับอนุมัติให้ใช้เป็นยาต้านจุลชีพสำหรับผู้ป่วย

สำหรับ de la Fuente นี่คือเหตุผลที่ AI และการวิจัยทางชีววิทยาในห้องแล็บต้องพัฒนาไปพร้อมกัน “การทดลองเพื่อยืนยันผลจริงเป็นสิ่งสำคัญในการตรวจสอบว่าการคาดการณ์ของ AI ถูกต้องหรือไม่” เขากล่าว “ในอีกหลายปีข้างหน้า สิ่งนี้จะมีความสำคัญอย่างยิ่งต่อวงการวิทยาศาสตร์ชีวภาพ หากเราต้องการเดินหน้าค้นคว้าและทำความเข้าใจชีววิทยาให้ลึกซึ้งยิ่งขึ้น เพราะสิ่งที่เรารู้ในวันนี้ยังเป็นเพียงจุดเริ่มต้นของสิ่งที่ซับซ้อนที่สุดอย่างชีววิทยา”

ห้องแล็บของเขาศึกษาจีโนมของสิ่งมีชีวิตทั้งในปัจจุบันและที่สูญพันธุ์ไปแล้ว เพื่อค้นหาโมเลกุลที่มีศักยภาพ กระบวนการนี้ครอบคลุมทั้งการสำรวจจีโนม การทำความเข้าใจการก่อตัวและการทำงานของโปรตีนที่สร้างขึ้นจากข้อมูลในจีโนม และการค้นหาว่าโมเลกุลเหล่านั้นทำหน้าที่อะไร ซึ่งล้วนต้องอาศัยความเชี่ยวชาญจากหลายสาขา

“ทีมของเราทำงานแบบข้ามศาสตร์อย่างแท้จริง จึงมีทั้งผู้เชี่ยวชาญด้านชีววิทยา เคมี วิทยาการคอมพิวเตอร์ และวิศวกรรม” de la Fuente กล่าว สมาชิกแต่ละคนมีความเชี่ยวชาญต่างกัน บางคนเขียนโปรแกรมได้เก่ง แต่อาจไม่เชี่ยวชาญด้านชีววิทยาหรือเคมี ขณะที่ผู้เชี่ยวชาญด้านชีววิทยาหรือเคมีก็อาจไม่ได้ถนัดการเขียนโปรแกรม Codex และ ChatGPT ช่วยเติมเต็มช่องว่างเหล่านี้ ทำให้นักชีววิทยาสามารถสร้างโปรแกรมได้ และนักเขียนโปรแกรมก็สามารถนำความเชี่ยวชาญของตนมาใช้แก้โจทย์ทางชีววิทยา ในแง่นี้ AI ช่วยลดข้อจำกัดที่ขวางกั้นการทำงานระหว่างศาสตร์ต่างๆ

เครื่องมือนี้ช่วยให้สมาชิกในห้องแล็บศึกษาเรื่องที่ยังไม่คุ้นเคยแต่จำเป็นต่อการทำงานข้ามสาขา ทำความเข้าใจคำศัพท์ให้ชัดเจน เปรียบเทียบวิธีการจากสาขาต่าง ๆ และจัดระเบียบแนวคิดสำหรับการค้นพบยา ขณะที่สมาชิกบางคนใช้ AI เพื่อดาวน์โหลด จัดระเบียบ และประมวลผลเบื้องต้นกับชุดข้อมูลจีโนมขนาดใหญ่ นอกจากนี้ ChatGPT ยังช่วยให้สมาชิกในห้องแล็บทำงานด้วยภาษาแม่ของตนเอง ลดอุปสรรคและช่วยให้ขั้นตอนการทำงานรวดเร็วยิ่งขึ้น

De la Fuente ใช้ ChatGPT เป็นคู่คิดเพื่อช่วยต่อยอดไอเดีย แม้เขาจะยังคงพัฒนาแนวคิดร่วมกับเพื่อนร่วมงาน แต่เขาให้ความสำคัญกับความสามารถของ AI ที่ช่วยให้เขาวางกรอบสมมติฐานได้ชัดเจนขึ้น อีกสิ่งที่เขาชื่นชอบคือการเข้าถึงข้อมูลจากทั่วโลกได้เพียงคลิกเดียว

“เวิร์กสเปซ ChatGPT ของเราเปิดรับมุมมองจากผู้คนหลากหลาย ซึ่งแต่ละคนคิดเกี่ยวกับปัญหาที่เรากำลังพยายามแก้ในแบบที่แตกต่างกัน” de la Fuente กล่าว สมาชิกในห้องแล็บนำทั้งไอเดียที่ได้ผลและไม่ได้ผลมาแลกเปลี่ยนกับ ChatGPT ทำให้เป็นเหมือนพื้นที่กลางสำหรับช่วยกันคิดและกลั่นกรองไอเดีย

แต่เขาก็เตือนว่าไม่ควรพึ่งพา AI เพียงอย่างเดียว “แน่นอนว่าเราต้องตรวจสอบความถูกต้องซ้ำเสมอ” de la Fuente กล่าว

ถึงอย่างนั้น เขาก็เห็นคุณค่าของ AI ในการช่วยให้นักวิจัยสำรวจรอยต่อระหว่างศาสตร์ต่างๆ “ตรงนั้นคือจุดที่ความก้าวหน้าครั้งสำคัญรอให้เราค้นพบ เพราะสิ่งเหล่านี้มักอยู่ตรงรอยต่อระหว่างสาขา ซึ่งมีคนเพียงไม่กี่คนที่เข้าไปสำรวจ”

เขามองว่างานนี้เป็นส่วนหนึ่งของเส้นทางการค้นคว้าทางวิทยาศาสตร์ที่ดำเนินมายาวนาน “มนุษย์อาศัยเครื่องมือและเครื่องจักรเพื่อทำความเข้าใจโลกรอบตัวมาโดยตลอด” de la Fuente กล่าว “กล้องโทรทรรศน์เปิดโลกของจักรวาลให้เราเห็น และกล้องจุลทรรศน์ก็เผยให้เห็นโลกที่ไม่อาจมองเห็นด้วยตาเปล่า” วันนี้ เครื่องจักรกำลังช่วยให้นักวิจัยเข้าใจ ทำนาย และออกแบบระบบทางชีววิทยา “และนั่นคือสิ่งที่งานของเรามุ่งทำ” เขากล่าว