César de la Fuente és laboratóriuma a mai és kihalt szervezetek genomjait kutatja olyan molekulák után, amelyek segítséget nyújthatnak a gyógyszerrezisztens fertőzések elleni küzdelemben. A rezisztens baktériumok, gombák, paraziták és vírusok egyre növekvő globális veszélyt jelentenek: 2021-ben nagyjából ötmillió haláleset volt összefüggésbe hozható bakterialis antimikrobiális rezisztenciával, és a számot 2050-re megközelítőleg megduplázódó szintre becsülik.
Miért kell új megközelítést találni?
A modern antimikrobiális fejlesztések nagy része meglévő gyógyszerek módosítására vagy ismert kémiai osztályokban való keresésre épül, ami egyre kisebb hozadékkal jár. De la Fuente szerint „az antimikrobiális rezisztencia véleményem szerint az emberiség egyik legnagyobb létezési fenyegetése”, és megjegyzi, hogy az elmúlt 50 évben nem jelent meg új antibiotikumosztály.
Laboratóriuma egy kevésbé feltárt forrásnál kezd: az élet kódjánál. A munkájuk központi elképzelése, hogy a biológia információs rendszer: a DNS nukleotidjai és a fehérjéket, peptideket alkotó aminosavak egyfajta „ábécének” tekinthetők. Ennek az információs szemléletnek a segítségével fejlesztettek módszereket, amelyek elkezdik megfejteni azokat a szervező elveket, amelyek funkcionális molekulákat hoztak létre.
AI a genomok és fehérjék mintáinak keresésében
A de la Fuente laboratóriumának mélytanuló modelljeit biológiai szekvenciák mintázatainak felismerésére képezték, így képesek hatalmas genom- és fehérjeadatbázisokat átvizsgálni potenciális antimikrobiális jelöltek után. Ez a megközelítés a korai jelöltek keresését évekről órákra rövidítheti.
A saját AI-modellek mellett a labor használ ChatGPT-t és Codexet is: hipotézisek ötletelésére, kódírásra és -finomításra, adatkészletek feldolgozására, eredmények elemzésére és tudományos diszciplínák közötti kapcsolatok feltárására. A mesterséges intelligencia különösen alkalmas arra, hogy hatalmas adathalmazokban „tűt keressen a szénakazalban”, és olyan mintázatokat találjon, amelyeket emberi kutatók nehezebben vennének észre.
A jelöltektől a gyógyszerig vezető út
Fontos megjegyezni, hogy egy ígéretes jelölt azonosítása még nem jelenti azt, hogy kész gyógyszerré válik. Először laboratóriumi vizsgálatokkal kell igazolni, hogy a molekula elpusztítja a célzott mikrót, meg kell határozni a hatásos koncentrációt, és tesztelni kell a hatását emberi sejtekre. Kémikusok gyakran optimalizálják a molekulát a hatékonyság, biztonság vagy stabilitás javítása érdekében.
További vizsgálatok megállapítják a toxikus dózist, azt, hogy mennyire könnyen alakul ki rezisztencia a mikróban, valamint a molekula farmakokinetikáját (hogyan mozog a szervezetben). Ezen túlmenően ki kell dolgozni a gyártás megbízható módját. A sikeres jelöltek is szigorú szabályozási eljárásokon és klinikai vizsgálatokon mennek keresztül, mielőtt betegekhez juthatnának.
De la Fuente ezért hangsúlyozza, hogy az AI és a laboratóriumi biológia párhuzamos fejlesztése elengedhetetlen: „A valós kísérletek nélkülözhetetlenek az AI-előrejelzések igazolásához.” Szerinte ez a jövőben kritikus lesz, ha tovább akarjuk mélyíteni biológiai ismereteinket.
Transzdiszciplináris csapatmunka és AI mint hidatépítő
A labor a mai és kihalt szervezetek genomjait vizsgálja: megtalálni, értelmezni, miként képződnek és működnek az ott kódolt fehérjék, és mi a szerepük. Ez a feladat több szakterületet érint: biológia, kémia, számítástechnika és mérnöki tudományok. De la Fuente szerint „felülről transzdiszciplináris csoport vagyunk”, ahol vannak erős programozók, akik kevesebbet tudnak a biológiáról, és olyanok, akik jól ismerik a biológiai és kémiai részleteket.
Codex és ChatGPT segít áthidalni ezeket a hiányosságokat: biológusok írhatnak programokat, és programozók dolgozhatnak biológiai problémákon. Az AI segít a csapattagoknak ismeretlen témák gyors áttekintésében, szakkifejezések tisztázásában, módszerek összehasonlításában és az ötletek rendszerezésében. Néhányan az AI-t nagy genom-adatkészletek letöltésére, szervezésére és előfeldolgozására használják. ChatGPT lehetőséget ad arra is, hogy a kutatók anyanyelvükön dolgozzanak, ezzel csökkentve a kommunikációs akadályokat.
De la Fuente megemlíti, hogy személyesen is használja a ChatGPT-t ötletelőtársként és hipotézisformáló segédeszközként: a labor tagjai különböző módon gondolkodnak a problémákról, és a közös ChatGPT-munkaterületre feltöltött ötletek — jók és rosszak egyaránt — egyfajta kollektív visszhangként működnek. Ugyanakkor óvatosságot javasol az AI egyedüli használatával kapcsolatban: „nyilvánvalóan mindig ellenőrizni kell a pontosságot.”
Hosszabb távú perspektíva
De la Fuente munkáját egy hosszabb tudományos hagyomány részének látja: az emberiség mindig is gépekre és eszközökre támaszkodott a világ megértésében. Ahogyan a távcső megvilágította a kozmoszt, a mikroszkóp feltárta a láthatatlant, ma a gépek segítik a biológia megértését, előrejelzését és tervezését. „Erre épül a munkánk” — foglalta össze.
Összességében a de la Fuente laboratóriumának megközelítése azt ígéri, hogy a genomok és a mesterséges intelligencia kombinációja lényegesen felgyorsíthatja a potenciális antimikrobiális molekulák felfedezésének korai szakaszát, miközben a végső gyógyszerré váláshoz szükséges számos kísérleti és szabályozási lépés továbbra is elengedhetetlen.
