研究人員如何運用 Codex 和 ChatGPT 尋找新型抗微生物分子

抗藥性微生物包括細菌、真菌、寄生蟲和病毒，對全球構成日益嚴重的威脅。2021 年約有 500 萬人的死亡與細菌的抗微生物藥物抗藥性有關⁠(在新視窗中開啟)，預估到 2050 年，年度死亡人數將增至約兩倍。尋找有望成為抗微生物藥物的分子，可能需要數年時間。研究人員正運用 AI 加快早期探索的進度。

生物工程學家 César de la Fuente⁠(在新視窗中開啟) 帶領跨領域實驗室尋找抗微生物候選分子。他表示：「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，我們已經 50 年沒有出現全新類別的抗生素了。」

現代抗微生物藥物的開發，大多著重於改造現有藥物，或從熟悉的化學物質類別中尋找候選物。但這種方法的效益正逐漸遞減。

De la Fuente 的實驗室則從一個遠未被充分探索的領域著手：生命密碼。這項工作的核心概念，是將生物視為一套資訊系統。de la Fuente 表示：「構成 DNA 的核苷酸，以及構成蛋白質與胜肽的胺基酸，就像字母一樣。將生物視為資訊，讓我們得以開發各種方法，開始解讀生命如何組織並產生具有功能的分子。」

實驗室訓練深度學習模型辨識生物序列中的模式，藉此從龐大的基因組與蛋白質資料集中尋找潛在的抗微生物藥物。這種方法可將候選分子的初步搜尋時間，從數年縮短至數小時。

除了自行開發的 AI 模型，實驗室也使用 ChatGPT 和 Codex 激盪研究假說、撰寫與改善程式碼、處理資料集、分析結果，以及串聯不同科學領域的構想。

基因組中只有一小部分的功能已獲得明確認識，其中能編碼對抗傳染性微生物之分子的部分更少。挑戰在於找出讓分子具備功能或生物活性的模式，再判斷哪些分子有望對抗傳染性微生物。

長久以來，科學家一直從植物、動物、微生物、昆蟲、水和土壤中尋找抗微生物藥物。他們採集樣本、分離或預測候選分子，再反覆進行測試；整個過程可能耗時數年。

如今，數位基因組與蛋白質資料庫讓科學家得以遍查生命之樹、尋找新化合物，大幅擴展可供探索的資料範圍。但如此豐富的資訊也帶來了挑戰：如何從無數可能性中找出前景看好的訊號。

AI 特別適合這種大海撈針的任務，能夠掃描龐大的資料集、辨識研究人員可能難以察覺的模式，並選出適當數量的候選分子，優先進行實驗測試。

但找到前景看好的候選分子，不代表它必然能成為有效的藥物。

科學家必須先確認候選分子能殺死目標微生物、判定達到療效所需的劑量，並測試候選分子對人體細胞的影響。接著，化學家可能會調整候選分子，提升療效、安全性或穩定性。

後續測試會評估候選分子在何種劑量下會產生毒性、微生物對該分子產生抗藥性的難易程度，以及候選分子如何在體內移動。團隊也要確立可靠的分子製造方法。即使候選分子通過這些考驗，仍須經過監管審查與臨床試驗，才能成為獲准使用的抗微生物藥物並提供給患者。

對 de la Fuente 而言，這正是 AI 與實驗室生物學必須共同進步的原因。他表示：「實證實驗是驗證 AI 預測不可或缺的一環。未來幾年，生命科學若要進一步理解生物，就必須仰賴這類實驗。畢竟生物是世上最複雜的事物，而我們目前所知仍只是皮毛。」

他的實驗室從現生與已滅絕生物的基因組中探索候選分子。要搜尋這些基因組、理解其編碼的蛋白質如何形成及發揮作用，並判定這些分子的功能，需要橫跨多個領域的專業知識。

de la Fuente 表示：「我們是一個高度跨領域的團隊，成員來自生物學、化學、電腦科學和工程學等領域。」有些實驗室成員很擅長程式設計，但對生物或化學較不熟悉；反之亦然。Codex 和 ChatGPT 有助於弭平這些落差，讓生物學家能建立程式，也讓程式設計師能處理生物學問題。從這個角度來看，AI 降低了科學領域之間的門檻。

它能協助實驗室成員理解跨領域工作所需的陌生主題、釐清術語、比較不同領域的方法，並整理藥物探索的構想。其他人則使用 AI 下載、整理及預先處理大型基因組資料集。ChatGPT 也讓實驗室成員能以母語工作，降低門檻並加快工作流程。

De la Fuente 將 ChatGPT 當作腦力激盪夥伴。他仍會與同事共同發展構想，但也很重視 AI 協助他建立假說的能力。他也很喜歡只要按一下按鈕，就能取得全世界的資訊。

de la Fuente 表示：「面對我們想解決的問題，每位成員都有不同的看法，大家都會在 ChatGPT 工作區分享意見。」實驗室成員不論想到好點子或壞點子，都會拿來與 ChatGPT 討論，讓工作區成為團隊交流想法的園地。

但他也提醒，不能只依賴 AI。de la Fuente 表示：「當然，每次都還是要再確認內容是否正確。」

儘管如此，他仍肯定 AI 能協助研究人員探索不同科學領域的交界。他說：「研究的突破就藏在這些交界處，等著我們去發現，而這些地方很少有人涉足。」

他將這項工作視為悠久科學傳統的一部分。de la Fuente 表示：「我們向來都仰賴工具和機器來理解周遭世界。望遠鏡照亮了宇宙，顯微鏡則揭開了不可見的世界。」如今，機器正協助研究人員理解、預測及設計生物系統。他說：「這正是我們工作的核心。」