研究人員如何利用 Codex 和 ChatGPT 尋找新型抗微生物分子

細菌、真菌、寄生蟲和病毒等抗藥性微生物正對全球構成日益嚴峻的威脅。2021 年約有五百萬宗死亡個案與細菌的抗微生物藥物抗藥性有關⁠（在新視窗中開啟），預計到了 2050 年，每年死亡人數將增至約兩倍。尋找有潛力成為抗微生物藥物的分子，可能需時多年。研究人員正利用 AI 加快這個早期探索階段。

搜尋潛在抗微生物藥物的跨學科實驗室負責人、生物工程師 César de la Fuente⁠（在新視窗中開啟） 說：「在我看來，抗微生物藥物抗藥性是人類面臨的最大生存威脅之一。」「然而，過去 50 年來，我們一直沒有研發出全新類別的抗生素。」

現代抗微生物藥物研發大多着重改良現有藥物，或從熟悉的化學物質類別中尋找新藥。但這種方法的成效正逐漸遞減。

De la Fuente 的實驗室則從一個鮮有人探索的領域着手：生命密碼。這項工作的核心理念，是將生物學視為資訊系統。de la Fuente 說：「構成 DNA 的核苷酸，以及構成蛋白質和肽的氨基酸，就像字母一樣。」「將生物學理解為資訊，讓我們能夠開發方法，開始破解生命如何組織並產生具功能分子的原理。」

實驗室以生物序列訓練深度學習模型識別當中的規律，從而在龐大的基因組和蛋白質數據集中搜尋潛在的抗微生物藥物。這種方法可把初步搜尋候選分子的時間由數年縮短至數小時。

除了自行開發的 AI 模型，實驗室亦使用 ChatGPT 和 Codex 構思假設、編寫和完善程式碼、處理數據集、分析結果，以及連繫不同科學領域的構思。

基因組中只有一小部分的功能已獲清楚了解，能夠編碼對抗傳染性微生物分子的部分更少。難題在於找出令分子具有功能或生物活性的規律，然後判斷哪些分子有潛力對抗傳染性微生物。

科學家長久以來一直從植物、動物、微生物、昆蟲、水和土壤中尋找抗微生物藥物。他們收集樣本、分離或預測候選分子，再反覆測試，整個過程可能需時多年。

數碼基因組和蛋白質數據庫如今讓科學家能夠在整個生命樹中搜尋新化合物，大幅擴闊可供探索的數據範圍。然而，資訊豐富亦帶來獨有難題：如何在無數可能性中找出值得關注的訊號。

AI 尤其適合執行這種大海撈針的任務。它可以掃描龐大數據集、識別研究人員難以察覺的規律，並篩選出數量可控的候選分子，優先進行實驗測試。

但找到有潛力的候選分子，不一定代表它最終能成為有效藥物。

科學家首先必須確認候選分子能殺死目標微生物、釐定產生療效所需的分量，並測試它對人體細胞的影響。其後，化學家可能會優化分子，以提升其效力、安全性或穩定性。

進一步測試會評估候選分子在甚麼劑量下產生毒性、微生物會多快對它形成抗藥性，以及它如何在體內流動。團隊亦要制定可靠的分子製造方法。候選分子即使通過這些關卡，仍須接受監管審查和臨床試驗，才能獲批成為供病人使用的抗微生物藥物。

對 de la Fuente 而言，這正是 AI 與實驗室生物學必須同步發展的原因。他說：「必須以真實實驗驗證 AI 的預測。」「生物學是世上最複雜的事物。未來多年，如果我們要繼續揭開人類對生物學理解的冰山一角，這一點對生命科學將至關重要。」

他的實驗室探索現存及已滅絕生物的基因組，從中尋找候選分子。搜尋這些基因組、了解它們編碼的蛋白質如何形成和發揮作用，以及判斷這些分子的功能，都需要橫跨多個領域的專業知識。

de la Fuente 說：「我們是一個高度跨領域的團隊，成員分別來自生物學、化學、電腦科學和工程學等領域。」部分實驗室成員擅長編程，但對生物學或化學認識較少；反之亦然。Codex 和 ChatGPT 有助彌合這些知識差距，讓生物學家能夠編寫程式，亦讓程式設計人員能夠處理生物學問題。從這個角度而言，AI 降低了科學領域之間的壁壘。

它協助實驗室成員了解跨學科工作所需的陌生課題、釐清術語、比較不同領域的方法，並整理藥物研發構思。其他成員則利用 AI 下載、整理和預先處理大型基因組數據集。ChatGPT 亦讓實驗室成員以母語工作，減少障礙並加快工作流程。

De la Fuente 將 ChatGPT 視為激發構思的夥伴。他繼續與同事共同發展構思，同時重視 AI 協助他形成假設的能力。他亦欣賞只需按一下按鈕，便能取用全球資訊。

de la Fuente 說：「我們的 ChatGPT 工作區匯集了許多不同人士的意見，他們對我們正嘗試解決的問題各有不同思考方式。」實驗室成員會把好壞構思都交給它，令它成為一個協作交流、檢驗想法的平台。

但他提醒大家，不應單靠 AI。de la Fuente 說：「顯然，你必須時刻複核資料是否準確。」

儘管如此，他仍重視 AI 協助研究人員探索科學領域交界的能力。「突破正等待我們在這些地方發掘。它們其實就在不同領域的交界，而很少人會涉足那裏。」

他認為這項工作延續了源遠流長的科學傳統。de la Fuente 說：「我們一直依靠工具和機器了解周遭世界。」「望遠鏡照亮了宇宙，顯微鏡則揭示了肉眼看不見的世界。」如今，機器協助研究人員理解、預測和改造生物系統。他說：「這正是我們工作的核心。」