Η αναζήτηση νέων φαρμάκων κατά των λοιμώξεων ξεκινά πλέον και από ένα τεράστιο, σε μεγάλο βαθμό ανεξερεύνητο αρχείο: τα γονιδιώματα ζωντανών και εξαφανισμένων οργανισμών. Η ομάδα του βιοϊατρικού μηχανικού César de la Fuente χρησιμοποιεί μοντέλα βαθιάς μάθησης για να εντοπίζει μέσα σε αυτές τις ακολουθίες υποψήφια μόρια με πιθανή αντιμικροβιακή δράση.
Η προσέγγιση δεν υπόσχεται ένα έτοιμο αντιβιοτικό με το πάτημα ενός κουμπιού. Υπόσχεται όμως να επιταχύνει το πιο πρώιμο και επίπονο στάδιο: το φιλτράρισμα ενός τεράστιου πλήθους βιολογικών υποψηφίων, ώστε οι ερευνητές να επικεντρωθούν σε εκείνους που αξίζει να δοκιμαστούν στο εργαστήριο.
Το «αδιάβαστο» μέρος της βιολογίας
Μόνο ένα μέρος των γονιδιωμάτων έχει λειτουργία που κατανοούμε με σαφήνεια. Ακόμη μικρότερο είναι το τμήμα που μπορεί να κωδικοποιεί μόρια ικανά να καταπολεμήσουν μικρόβια. Η πρόκληση είναι να ξεχωρίσουν οι ερευνητές τα μοτίβα που συνδέονται με μια λειτουργική, βιολογικά ενεργή πρωτεΐνη ή πεπτίδιο.
Οι επιστήμονες αναζητούν εδώ και χρόνια αντιμικροβιακές ουσίες σε φυτά, ζώα, μικρόβια, έντομα, νερό και έδαφος. Οι ψηφιακές βάσεις δεδομένων προσθέτουν τώρα γενετικές πληροφορίες από ολόκληρο το δέντρο της ζωής, ακόμη και από εξαφανισμένους οργανισμούς. Η κλίμακα αυτή διευρύνει τις πιθανότητες, αλλά κάνει την αναζήτηση μέσα στον «σωρό» πολύ δυσκολότερη.
Τι κάνει η AI στην πράξη
Τα μοντέλα βαθιάς μάθησης εκπαιδεύονται να αναγνωρίζουν μοτίβα σε βιολογικές ακολουθίες. Μπορούν να σαρώσουν τεράστια σύνολα δεδομένων, να εντοπίσουν σήματα που ίσως διαφύγουν από μια χειροκίνητη αναζήτηση και να ιεραρχήσουν μια διαχειρίσιμη λίστα υποψηφίων για πειραματικό έλεγχο.
Στο εργαστήριο του de la Fuente, τα μοντέλα αυτά συνδυάζονται με το ChatGPT και το Codex. Τα εργαλεία χρησιμοποιούνται για διατύπωση υποθέσεων, συγγραφή και βελτίωση κώδικα, επεξεργασία δεδομένων, ανάλυση αποτελεσμάτων και σύνδεση γνώσεων από τη βιολογία, τη χημεία, την πληροφορική και τη μηχανική. Με αυτόν τον τρόπο, η AI λειτουργεί ως συνεργάτης στην οργάνωση και την εξερεύνηση της έρευνας, όχι ως υποκατάστατο της επιστημονικής κρίσης.
Η βασική διαφορά σε σχέση με τις παραδοσιακές αναζητήσεις είναι ο χρόνος. Σύμφωνα με την OpenAI, η αρχική αναζήτηση υποψήφιων μορίων μπορεί να περιοριστεί από χρόνια σε ώρες. Αυτό αφορά το στάδιο του εντοπισμού και της προτεραιοποίησης· δεν σημαίνει ότι ένα φάρμακο περνά από την οθόνη στον ασθενή μέσα σε λίγες ώρες.
Το εργαστήριο παραμένει ο τελικός κριτής
Ένας υποσχόμενος υποψήφιος πρέπει πρώτα να αποδείξει ότι εξουδετερώνει το μικρόβιο-στόχο και να προσδιοριστεί η ποσότητα που χρειάζεται. Οι ερευνητές εξετάζουν επίσης την επίδρασή του σε ανθρώπινα κύτταρα, την τοξικότητα, την πιθανότητα να αναπτυχθεί αντοχή και τον τρόπο με τον οποίο κινείται μέσα στον οργανισμό.
Στη συνέχεια μπορεί να χρειαστεί χημική βελτιστοποίηση, ώστε να αυξηθούν η αποτελεσματικότητα, η ασφάλεια ή η σταθερότητα του μορίου. Ακόμη και οι υποψήφιοι που περνούν αυτά τα στάδια πρέπει να υποβληθούν σε διαδικασίες παραγωγής, ρυθμιστικό έλεγχο και κλινικές δοκιμές πριν εξεταστούν ως εγκεκριμένα αντιμικροβιακά φάρμακα.
Αυτός είναι ο λόγος που η εργαστηριακή επικύρωση δεν είναι μια τυπική τελευταία πινελιά. Είναι το σημείο όπου ελέγχεται αν η πρόβλεψη ενός μοντέλου αντιστοιχεί σε πραγματική βιολογική δράση. Η ίδια η ερευνητική ομάδα υπογραμμίζει ότι τα πειράματα που παρέχουν αξιόπιστα δεδομένα είναι απαραίτητα για να επιβεβαιωθούν οι προβλέψεις της AI.
Μια νέα μηχανή αναζήτησης, όχι ένα αυτόματο φάρμακο
Η αντοχή στα αντιμικροβιακά είναι παγκόσμια απειλή και η αναζήτηση νέων κατηγοριών ουσιών έχει γίνει πιο επείγουσα. Η αξιοποίηση γονιδιωμάτων από ζωντανούς και εξαφανισμένους οργανισμούς ανοίγει ένα πολύ μεγαλύτερο πεδίο υποψηφίων από τις γνώριμες χημικές βιβλιοθήκες.
Η αξία της AI βρίσκεται στο ότι μπορεί να μειώσει δραστικά τον χρόνο της πρώτης αναζήτησης και να βοηθήσει διεπιστημονικές ομάδες να κινηθούν σε περιοχές όπου η βιολογία, η χημεία και η υπολογιστική επιστήμη συναντώνται. Το κρίσιμο τεστ, ωστόσο, παραμένει η επαναλήψιμη πειραματική απόδειξη και, αργότερα, η ασφάλεια και η αποτελεσματικότητα σε ανθρώπους.
Πηγή: OpenAI — How a researcher uses Codex and ChatGPT to search for new antimicrobial molecules