איך חוקר נעזר ב-Codex וב-ChatGPT לחיפוש מולקולות אנטי־מיקרוביאליות חדשות

מיקרואורגניזמים עמידים לתרופות, ובהם חיידקים, פטריות, טפילים ונגיפים, הם איום עולמי הולך וגובר. כחמישה מיליון מקרי מוות בשנת 2021 נקשרו⁠(נפתח בחלון חדש) לעמידות חיידקים לתרופות אנטי־מיקרוביאליות — מספר שנתי שצפוי להכפיל את עצמו בקירוב עד 2050. מציאת מולקולות בעלות פוטנציאל להפוך לתרופות אנטי־מיקרוביאליות עשויה להימשך שנים. חוקרים משתמשים ב-AI כדי להאיץ את השלב המוקדם הזה בתהליך הגילוי.

"עמידות לתרופות אנטי־מיקרוביאליות היא לדעתי אחד האיומים הקיומיים הגדולים ביותר על האנושות", אמר ססאר דה לה פואנטה⁠(נפתח בחלון חדש), מהנדס ביולוגי שהמעבדה הבין־תחומית שלו מחפשת מולקולות מועמדות לפיתוח תרופות אנטי־מיקרוביאליות. "ובכל זאת, כבר 50 שנה שלא הייתה לנו קבוצת אנטיביוטיקה חדשה."

חלק ניכר מפיתוח התרופות האנטי־מיקרוביאליות כיום מתמקד בשינוי תרופות קיימות או בחיפוש בקבוצות מוכרות של חומרים כימיים. אבל התועלת שמניבה הגישה הזאת הולכת ופוחתת.

המעבדה של דה לה פואנטה מתחילה במקום שנחקר הרבה פחות: הקוד של החיים. הרעיון המרכזי שמנחה את העבודה הוא שהביולוגיה היא מערכת מידע. "הנוקלאוטידים שמהם מורכב ה-DNA וחומצות האמינו שמהן מורכבים חלבונים ופפטידים הם מעין אלפבית", אמר דה לה פואנטה. "ההתייחסות לביולוגיה כמידע אפשרה לנו לפתח שיטות שיכולות להתחיל לפענח את העקרונות המארגנים של החיים שהובילו להיווצרותה של מולקולה בעלת תפקוד."

מודלי הלמידה העמוקה של המעבדה מאומנים לזהות דפוסים ברצפים ביולוגיים, וכך הם יכולים לחפש חומרים אנטי־מיקרוביאליים פוטנציאליים במאגרי ענק של נתונים גנומיים וחלבוניים. הגישה הזאת יכולה לקצר את החיפוש הראשוני אחר מולקולות מועמדות משנים לשעות.

לצד מודלי ה-AI שלה, המעבדה משתמשת ב-ChatGPT וב-Codex כדי להעלות השערות בסיעור מוחות, לכתוב ולשפר קוד, לעבד מאגרי נתונים, לנתח תוצאות ולחבר בין רעיונות מתחומי מדע שונים.

רק לחלק קטן מהגנום יש תפקוד שמובן בבירור, וחלק קטן עוד יותר מקודד מולקולות שיכולות להילחם במיקרואורגניזמים מחוללי זיהומים. האתגר הוא לזהות דפוסים שמקנים למולקולה תפקוד, או פעילות ביולוגית, ואז לקבוע לאילו מולקולות יש פוטנציאל להילחם במיקרואורגניזמים מחוללי זיהומים.

מדענים מחפשים זה שנים רבות חומרים אנטי־מיקרוביאליים בצמחים, בבעלי חיים, במיקרואורגניזמים, בחרקים, במים ובקרקע. הם אוספים דגימות, מבודדים מולקולות מועמדות או חוזים אותן, ובודקים אותן בתהליך שחוזר על עצמו ועשוי להימשך שנים.

מאגרי נתונים דיגיטליים של גנומים וחלבונים מאפשרים כיום למדענים לחפש תרכובות חדשות בכל ענפי עץ החיים, ומרחיבים מאוד את היקף הנתונים הזמינים למחקר. אבל שפע המידע הזה מציב גם אתגרים משלו: מציאת סימנים מבטיחים בתוך מספר עצום של אפשרויות.

AI מתאים במיוחד למשימה הזאת, שדומה לחיפוש מחט בערמת שחת. הוא יכול לסרוק מאגרי נתונים עצומים, לזהות דפוסים שחוקרים עלולים להתקשות להבחין בהם ולתעדף מספר מצומצם של מולקולות מועמדות שאפשר לבדוק בניסויים.

אבל זיהוי מולקולה מועמדת מבטיחה לא בהכרח אומר שהיא תהפוך לתרופה יעילה.

תחילה על המדענים לוודא שהמולקולה המועמדת הורגת את המיקרואורגניזם שאליו היא מכוונת, לקבוע מה הכמות הדרושה כדי שתהיה יעילה ולבדוק כיצד היא משפיעה על תאים אנושיים. לאחר מכן, כימאים עשויים לערוך בה שינויים כדי לשפר את יעילותה, בטיחותה או יציבותה.

בדיקות נוספות בוחנות באיזה מינון המולקולה המועמדת נעשית רעילה, באיזו קלות מיקרואורגניזמים מפתחים עמידות כלפיה וכיצד היא נעה בגוף. הצוותים גם קובעים שיטה אמינה לייצור המולקולה. מולקולות מועמדות שעוברות את המשוכות האלה עדיין נדרשות לעבור בחינה רגולטורית וניסויים קליניים לפני שיוכלו להגיע למטופלים כתרופות אנטי־מיקרוביאליות מאושרות.

מבחינת דה לה פואנטה, זו הסיבה ש-AI ומחקר ביולוגי במעבדה חייבים להתקדם יחד. "ניסויים שמספקים נתוני אמת חיוניים לאימות התחזיות של AI", אמר. "זה יהיה קריטי במדעי החיים בשנים הקרובות אם נרצה להמשיך ולו לגעת בקצה הקרחון של הבנת הביולוגיה, שהיא הדבר המורכב ביותר שיש."

המעבדה שלו חוקרת גנומים של אורגניזמים חיים ונכחדים בחיפוש אחר מולקולות מועמדות. חיפוש בגנומים האלה, הבנת אופן היווצרותם ותפקודם של החלבונים המקודדים בהם וקביעת תפקידן של המולקולות הללו דורשים מומחיות בכמה תחומים.

"אנחנו קבוצה שמשלבת תחומים רבים מאוד, ולכן יש אצלנו אנשי ביולוגיה, כימיה, מדעי המחשב והנדסה", אמר דה לה פואנטה. חלק מחברי המעבדה מצטיינים בתכנות אך יודעים פחות על ביולוגיה או כימיה, ולהפך. Codex ו-ChatGPT עוזרים לגשר על הפערים האלה, ומאפשרים לביולוגים לפתח תוכנות ולמתכנתים להתמודד עם בעיות ביולוגיות. במובן הזה, AI מפחית חסמים בין תחומי המדע.

הוא עוזר לחברי המעבדה ללמוד על נושאים לא מוכרים הדרושים לעבודתם הבין־תחומית, להבהיר מונחים, להשוות בין שיטות מתחומים שונים ולארגן רעיונות לגילוי תרופות. אחרים משתמשים ב-AI כדי להוריד ולארגן מאגרי נתונים גנומיים גדולים ולבצע בהם עיבוד מקדים. ChatGPT גם מאפשר לחברי המעבדה לעבוד בשפת האם שלהם, וכך מפחית חסמים ומאיץ את תהליכי העבודה שלהם.

דה לה פואנטה משתמש ב-ChatGPT כשותף לסיעור מוחות. הוא ממשיך לפתח רעיונות עם עמיתיו, אך מעריך את היכולת של AI לעזור לו לגבש השערה. הוא גם אוהב את האפשרות לגשת למידע מכל העולם בלחיצת כפתור.

"ה-workspace שלנו ב-ChatGPT מקבל מידע ורעיונות מכל האנשים האלה, שכל אחד מהם חושב אחרת על הבעיות שאנחנו מנסים להתמודד איתן", אמר דה לה פואנטה. חברי המעבדה מזינים אליו את הרעיונות הטובים והרעים שלהם, והופכים אותו למעין שותף קבוצתי לבחינת רעיונות.

אבל הוא מזהיר מפני הסתמכות על AI בלבד. "ברור שתמיד צריך לבדוק שוב שהמידע מדויק", אמר דה לה פואנטה.

ובכל זאת, הוא מעריך את היכולת של AI לעזור לחוקרים לחקור את אזורי הגבול בין תחומי המדע. "שם מחכות פריצות הדרך שטרם התגלו. הן נמצאות למעשה באזורי הגבול בין תחומים, שמעטים מאוד מגיעים אליהם."

הוא רואה בעבודה הזאת חלק ממסורת מדעית ארוכת שנים. "תמיד נעזרנו בכלים ובמכונות כדי להבין את העולם סביבנו", אמר דה לה פואנטה. "הטלסקופ האיר את היקום, והמיקרוסקופ חשף את העולם הסמוי מן העין." כיום מכונות עוזרות לחוקרים להבין מערכות ביולוגיות, לחזות את התנהגותן ולהנדס אותן. "זו כל מהות העבודה שלנו", אמר.