Bir araştırmacı Codex ve ChatGPT ile yeni antimikrobiyal molekülleri nasıl arıyor?

Bakteri, mantar, parazit ve virüsler dâhil ilaca dirençli mikroorganizmalar, giderek büyüyen küresel bir tehdit oluşturuyor. 2021’de yaklaşık beş milyon ölüm, bakterilerin antimikrobiyallere karşı direnciyle ilişkiliydi⁠(yeni bir pencerede açılır). Bu yıllık sayının 2050’ye kadar yaklaşık iki katına çıkacağı öngörülüyor. Antimikrobiyal olma potansiyeli taşıyan molekülleri bulmak yıllar sürebiliyor. Araştırmacılar, keşfin bu ilk aşamasını hızlandırmak için yapay zekâ kullanıyor.

Antimikrobiyal adayları arayan disiplinler arası bir laboratuvarın yöneticisi olan biyomühendis César de la Fuente⁠(yeni bir pencerede açılır), “Bence antimikrobiyal direnç, insanlığın varoluşuna yönelik en büyük tehditlerden biri,” dedi. “Buna rağmen 50 yıldır yeni bir antibiyotik sınıfı geliştiremedik.”

Modern antimikrobiyal geliştirme çalışmalarının büyük bölümü, mevcut ilaçları değiştirmeye veya bilinen kimyasal sınıflarında arama yapmaya odaklanıyor. Ancak bu yaklaşım giderek daha az sonuç veriyor.

De la Fuente’nin laboratuvarı ise çok daha az keşfedilmiş bir noktadan, yaşamın kodundan yola çıkıyor. Çalışmanın temelinde biyolojinin bir bilgi sistemi olduğu fikri yatıyor. De la Fuente, “DNA’yı oluşturan nükleotitler ile proteinleri ve peptitleri oluşturan amino asitler bir bakıma alfabe gibidir,” dedi. “Biyolojiyi bilgi olarak ele almak, işlevsel bir molekülü ortaya çıkaran yaşama özgü düzenleme ilkelerini çözmeye başlayabilecek yöntemler geliştirmemizi sağladı.”

Laboratuvarın derin öğrenme modelleri, biyolojik dizilerdeki örüntüleri tanıyacak şekilde eğitiliyor. Böylece olası antimikrobiyaller için devasa genom ve protein veri kümeleri taranabiliyor. Bu yaklaşım, aday moleküllere yönelik ilk arama sürecini yıllardan saatlere indirebiliyor.

Laboratuvar, kendi yapay zekâ modellerinin yanı sıra hipotezler üzerine fikir üretmek, kod yazıp iyileştirmek, veri kümelerini işlemek, sonuçları analiz etmek ve farklı bilim dallarındaki fikirler arasında bağlantı kurmak için ChatGPT ve Codex kullanıyor.

Bir genomun yalnızca küçük bir bölümünün işlevi net olarak anlaşılıyor; bulaşıcı mikroorganizmalarla savaşabilen molekülleri kodlayan bölümlerin oranı ise bundan da düşük. Buradaki güçlük, bir molekülü işlevsel veya biyolojik açıdan etkin kılan örüntüleri belirlemek ve ardından hangilerinin bulaşıcı mikroorganizmalarla mücadele etme potansiyeli taşıdığını saptamak.

Bilim insanları uzun zamandır bitkilerde, hayvanlarda, mikroorganizmalarda, böceklerde, suda ve toprakta antimikrobiyal arıyor. Numune topluyor, aday molekülleri izole ediyor veya öngörüyor ve yıllar sürebilen yinelemeli bir süreçte bunları test ediyorlar.

Dijital genom ve protein veri tabanları artık bilim insanlarının yeni bileşikler bulmak için tüm yaşam ağacını taramasına olanak tanıyor ve incelenebilecek veri tabanlarının kapsamını büyük ölçüde genişletiyor. Ancak bu bilgi bolluğu beraberinde farklı bir güçlük getiriyor: Sayısız olasılık arasından umut vadeden sinyalleri bulmak.

Yapay zekâ, samanlıkta iğne aramaya benzeyen bu görev için özellikle uygun. Devasa veri kümelerini tarayabilir, araştırmacıların fark etmekte zorlanabileceği örüntüleri belirleyebilir ve deneysel testler için yönetilebilir sayıda adaya öncelik verebilir.

Ancak umut vadeden bir adayın belirlenmesi, onun mutlaka etkili bir ilaca dönüşeceği anlamına gelmiyor.

Bilim insanları öncelikle aday molekülün hedef mikroorganizmayı öldürdüğünü doğrulamalı, etkili olması için gereken miktarı belirlemeli ve insan hücrelerini nasıl etkilediğini test etmeli. Ardından kimyagerler molekülün etkinliğini, güvenliğini veya kararlılığını artırmak için onu optimize edebilir.

İleri testlerde adayın hangi dozda toksik hâle geldiği, mikroorganizmaların moleküle ne kadar kolay direnç geliştirdiği ve adayın vücutta nasıl hareket ettiği değerlendiriliyor. Ekipler ayrıca molekülün güvenilir biçimde nasıl üretileceğini belirliyor. Bu engelleri aşan adayların bile onaylı antimikrobiyal ilaçlar olarak hastalara ulaşabilmesi için düzenleyici incelemelerden ve klinik deneylerden geçmesi gerekiyor.

De la Fuente’ye göre yapay zekâ ile laboratuvar biyolojisinin birlikte ilerlemesi işte bu nedenle gerekli. “Yapay zekâ tahminlerini doğrulamak için gerçek koşullardaki deneyler şart,” dedi. “Önümüzdeki yıllarda, var olan en karmaşık şey olan biyolojiye ilişkin anlayışımızın yüzeyini kazımayı sürdürmek istiyorsak bu, yaşam bilimleri açısından kritik önem taşıyacak.”

Laboratuvarı, aday moleküller bulmak için yaşayan ve soyu tükenmiş organizmaların genomlarını inceliyor. Bu genomları taramak, kodladıkları proteinlerin nasıl oluşup işlev gördüğünü anlamak ve bu moleküllerin ne yaptığını belirlemek, birçok alanda uzmanlık gerektiriyor.

De la Fuente, “Son derece disiplinler ötesi bir grubuz; biyoloji, kimya, bilgisayar bilimi ve mühendislik alanlarından ekip üyelerimiz var,” dedi. Bazı laboratuvar üyeleri programlama konusunda çok yetkin ancak biyoloji veya kimya bilgileri daha sınırlı; bazıları içinse bunun tam tersi geçerli. Codex ve ChatGPT bu boşlukların kapatılmasına yardımcı olarak biyologların program geliştirmesine, programcıların da biyolojik sorunları ele almasına olanak tanıyor. Bu anlamda yapay zekâ, bilim dalları arasındaki engelleri azaltıyor.

Laboratuvar üyelerinin disiplinler arası çalışmalarında ihtiyaç duydukları yabancı konuları incelemelerine, terminolojiyi netleştirmelerine, farklı alanlardaki yöntemleri karşılaştırmalarına ve ilaç keşfine yönelik fikirleri düzenlemelerine yardımcı oluyor. Diğerleri ise büyük genom veri kümelerini indirmek, düzenlemek ve ön işlemek için yapay zekâdan yararlanıyor. ChatGPT ayrıca laboratuvar üyelerinin kendi ana dillerinde çalışmasına olanak tanıyarak iş akışlarını hızlandırmalarının önündeki engelleri azaltıyor.

De la Fuente, ChatGPT’yi birlikte fikir ürettiği bir ortak olarak kullanıyor. Fikirlerini meslektaşlarıyla geliştirmeyi sürdürüyor ancak yapay zekânın bir hipotezi şekillendirmesine yardımcı olmasını değerli buluyor. Ayrıca dünyanın dört bir yanındaki bilgilere tek tıklamayla erişebilmekten hoşlanıyor.

De la Fuente, “ChatGPT çalışma alanımız, çözmeye çalıştığımız sorunlar hakkında farklı şekillerde düşünen tüm bu insanlardan görüş alıyor,” dedi. Laboratuvar üyeleri iyi ve kötü fikirlerini ona aktararak yapay zekâyı ortaklaşa fikir sınadıkları bir platforma dönüştürüyor.

Ancak yalnızca yapay zekâya güvenilmemesi konusunda uyarıyor. De la Fuente, “Doğruluğu elbette her zaman iki kez kontrol etmeniz gerekiyor,” dedi.

Yine de yapay zekânın araştırmacıların bilim dalları arasındaki sınırları keşfetmesine yardımcı olmasını değerli buluyor. “Çığır açıcı keşifler işte orada yapılmayı bekliyor. Esasen çok az kişinin gittiği, alanların kesiştiği uç noktalarda bulunuyorlar.”

Bu çalışmayı çok daha köklü bir bilimsel geleneğin parçası olarak görüyor. De la Fuente, “Çevremizdeki dünyayı anlamak için her zaman araçlardan ve makinelerden yararlandık,” dedi. “Teleskop evreni aydınlattı, mikroskop ise görünmeyenlerin dünyasını ortaya çıkardı.” Makineler artık araştırmacıların biyolojiyi anlamasına, öngörmesine ve tasarlamasına yardımcı oluyor. “Çalışmamızın özü tam olarak bu,” dedi.