Как исследователь использует Codex и ChatGPT для поиска новых антимикробных молекул | OpenAI

Сесар де ла Фуэнте и его лаборатория исследуют геномы живых и вымерших организмов в поисках молекул, которые могли бы помочь в борьбе с устойчивыми к лекарствам инфекциями.

• Исследование неизученных областей биологии
• Постоянно развивающийся сотрудник

• Исследование неизученных областей биологии
• Постоянно развивающийся сотрудник

Устойчивые к лекарствам микробы, включая бактерии, грибы, паразитов и вирусы, представляют собой растущую глобальную угрозу. Около пяти миллионов смертей в 2021 году были связаны с устойчивостью бактерий к противомикробным препаратам (открывается в новом окне) — прогнозируется, что к 2050 году это число будет примерно удваиваться ежегодно. На поиск молекул, потенциально способных стать противомикробными средствами, могут уйти годы. Исследователи используют искусственный интеллект для ускорения этого раннего этапа открытия.

«На мой взгляд, устойчивость к противомикробным препаратам — одна из величайших угроз существованию человечества», — сказал Сесар де ла Фуэнте (открывается в новом окне) , биоинженер, чья междисциплинарная лаборатория занимается поиском потенциальных противомикробных препаратов. «И тем не менее, у нас не было нового класса антибиотиков уже 50 лет».

В современной разработке противомикробных препаратов основное внимание уделяется модификации существующих лекарств или поиску известных классов химических веществ. Однако такой подход приносит всё меньшую отдачу.

Лаборатория Де ла Фуэнте начинает свои исследования с малоизученного места: кода жизни. Центральная идея его работы заключается в том, что биология — это информационная система. «Нуклеотиды, составляющие ДНК, и аминокислоты, составляющие белки и пептиды, — это своего рода алфавит», — говорит Де ла Фуэнте. «Рассматривая биологию как информацию, мы смогли разработать методы, которые позволяют начать расшифровку организующих принципов жизни, которые привели к появлению функциональной молекулы».

Разработанные в лаборатории модели глубокого обучения обучены распознавать закономерности в биологических последовательностях, что позволяет им искать потенциальные антимикробные препараты в обширных массивах данных генома и белков. Такой подход позволяет сократить первоначальный поиск молекул-кандидатов с нескольких лет до нескольких часов.

Помимо собственных моделей ИИ, лаборатория использует ChatGPT и Codex для выдвижения гипотез, написания и доработки кода, обработки наборов данных, анализа результатов и установления связей между идеями в различных научных дисциплинах.

Исследование неизученных областей биологии

Лишь небольшая часть генома имеет четко понятную функцию, и еще меньше кодирует молекулы, способные бороться с инфекционными микробами. Задача состоит в том, чтобы выявить закономерности, которые делают молекулу функциональной или биологически активной, а затем определить, какие из них потенциально способны бороться с инфекционными микробами.

Ученые давно ищут антимикробные вещества в растениях, животных, микробах, насекомых, воде и почве. Они собирают образцы, выделяют или прогнозируют потенциальные молекулы и тестируют их в итеративном процессе, который может занять годы.

Цифровые базы данных геномов и белков теперь позволяют ученым искать новые соединения по всему древу жизни, значительно расширяя спектр доступных для исследований баз данных. Но такое обилие информации сопряжено со своими трудностями: поиск перспективных сигналов среди огромного числа возможных вариантов.

Искусственный интеллект особенно хорошо подходит для решения этой сложной задачи, подобной поиску иголки в стоге сена. Он способен сканировать огромные массивы данных, выявлять закономерности, которые исследователям трудно заметить, и отбирать приемлемый набор кандидатов для экспериментального тестирования.

Однако выявление перспективного кандидата не обязательно означает, что он станет эффективным лекарством.

Сначала ученым необходимо подтвердить, что молекула-кандидат уничтожает целевой микроб, определить необходимое количество для достижения эффективности и протестировать ее воздействие на клетки человека. Затем химики могут оптимизировать ее для повышения эффективности, безопасности или стабильности.

Дальнейшие исследования позволяют оценить дозу, при которой исследуемый препарат становится токсичным, насколько легко микроорганизмы развивают к нему устойчивость, а также как препарат распространяется по организму. Группы исследователей также определяют надежный способ производства препарата. Препараты, прошедшие эти этапы, еще должны пройти процедуру одобрения регулирующими органами и клинические испытания, прежде чем они смогут стать разрешенными противомикробными средствами для лечения пациентов.

По мнению де ла Фуэнте, именно поэтому искусственный интеллект и лабораторная биология должны развиваться вместе. «Эксперименты, подтверждающие достоверность результатов, необходимы для проверки прогнозов ИИ», — сказал он. «Это будет иметь решающее значение для биологических наук в ближайшие годы, если мы хотим продолжать углубляться в наше понимание биологии, которая является самой сложной из существующих наук».

Постоянно развивающийся сотрудник

Его лаборатория исследует геномы живых и вымерших организмов в поисках потенциальных молекул. Поиск в этих геномах, понимание того, как формируются и функционируют закодированные в них белки, а также определение функций этих молекул требует экспертных знаний в нескольких областях.

«Мы — междисциплинарная группа, поэтому у нас есть специалисты из биологии, химии, информатики и инженерии», — сказал де ла Фуэнте. Некоторые члены лаборатории — сильные программисты, но меньше знают о биологии или химии, и наоборот. Codex и ChatGPT помогают преодолеть эти пробелы, позволяя биологам создавать программы, а программистам — решать биологические задачи. В этом смысле ИИ снижает барьеры между научными дисциплинами.

Это помогает сотрудникам лаборатории повторять незнакомые темы, необходимые для их междисциплинарной работы, уточнять терминологию, сравнивать методы в разных областях и систематизировать идеи для разработки лекарств. Другие используют ИИ для загрузки, организации и предварительной обработки больших наборов данных генома. ChatGPT также позволяет сотрудникам лаборатории работать на родных языках, снижая барьеры и ускоряя рабочие процессы.

Де ла Фуэнте использует ChatGPT в качестве партнера для мозгового штурма. Он продолжает разрабатывать идеи с коллегами, но ценит способность ИИ помогать ему формировать гипотезы. Ему также нравится, что он может получить доступ к мировой информации одним нажатием кнопки.

«Наше рабочее пространство ChatGPT получает обратную связь от самых разных людей, которые по-разному смотрят на проблемы, которые мы пытаемся решить», — сказала де ла Фуэнте. Члены лаборатории делятся своими хорошими и плохими идеями, превращая его в своего рода совместную площадку для обсуждения.

Однако он предостерегает от чрезмерного полагания исключительно на ИИ. «Очевидно, что всегда нужно перепроверять точность», — сказал де ла Фуэнте.

Тем не менее, он высоко ценит способность ИИ помогать исследователям изучать границы между научными дисциплинами. «Именно там ждут своих открытий прорывы. Они, по сути, находятся на стыке областей, куда мало кто заглядывает».

Он рассматривает эту работу как часть гораздо более давней научной традиции. «Мы всегда полагались на инструменты и машины, чтобы понять окружающий нас мир», — сказал де ла Фуэнте. «Телескоп осветил космос, а микроскоп открыл мир невидимого». Теперь машины помогают исследователям понимать, прогнозировать и конструировать биологические системы. «В этом и заключается суть нашей работы», — сказал он.

Источник: openai.com