Поиск антибиотиков с помощью алгоритмов: как языковые модели анализируют геномы
Лаборатория Сезара де ла Фуэнте ищет новые антимикробные молекулы в геномах живых и вымерших организмов. Собственные модели глубокого обучения сокращают начальный поиск кандидатов с лет до часов, а ChatGPT и Codex помогают команде с гипотезами, кодом и данными.
Устойчивость к противомикробным препаратам становится одной из главных угроз глобальному здравоохранению. По данным за 2021 год, около пяти миллионов смертей были связаны с бактериальной резистентностью, и к 2050 году это число может удвоиться. При этом за последние 50 лет наука не открыла ни одного принципиально нового класса антибиотиков.
Традиционный подход к разработке лекарств, основанный на модификации существующих препаратов, приносит все меньше результатов. Чтобы выйти из этого тупика, исследователи обращаются к неизученным областям биологии, используя искусственный интеллект в качестве нового инструмента познания.
Лаборатория биоинженера Сезара де ла Фуэнте рассматривает биологию как информационную систему. Нуклеотиды, из которых состоит ДНК, и аминокислоты, образующие белки, воспринимаются как своеобразный алфавит. Модели глубокого обучения (deep learning), которые разработала лаборатория, распознают закономерности в биологических последовательностях и ищут потенциальные антимикробные молекулы в огромных базах геномов и белков. Такой подход сокращает начальный поиск кандидатов с лет до часов.
Рядом с собственными моделями лаборатория использует инструменты OpenAI — ChatGPT и Codex. Они помогают междисциплинарной команде, состоящей из биологов, химиков и программистов, преодолевать коммуникационные барьеры. Биологи получают возможность писать код для анализа данных, а программисты быстрее погружаются в специфику биологических процессов.
ChatGPT и Codex берут на себя часть рутины: загрузку и предварительную обработку геномных датасетов, написание скриптов и разбор результатов. А сам поиск в геномах вымерших и ныне живущих организмов ведут модели лаборатории: из огромного числа вариантов они выделяют те, что потенциально обладают антимикробной активностью.
Однако обнаружение перспективной молекулы в цифровой среде — это лишь первый шаг. Искусственный интеллект не заменяет лабораторные исследования, а лишь направляет их. Каждое предсказание алгоритма требует физической проверки: ученые должны синтезировать молекулу, подтвердить ее эффективность против бактерий, оценить токсичность для клеток человека и определить стабильность соединения.
Внедрение языковых моделей в научный процесс меняет саму культуру исследований. ChatGPT используется как партнер для мозговых штурмов, помогая формулировать гипотезы и связывать идеи из разных научных дисциплин. Именно на стыке наук, по мнению де ла Фуэнте, скрываются самые значимые открытия.
В исторической перспективе искусственный интеллект становится таким же фундаментальным инструментом для науки, каким в свое время стали микроскоп и телескоп. Если оптические приборы позволили человечеству увидеть невидимые миры, то алгоритмы помогают расшифровать, предсказать и в конечном итоге начать конструировать саму биологию.
TL;DR
Главное
Применение языковых моделей и алгоритмов глубокого обучения позволяет рассматривать ДНК как программный код, радикально ускоряя поиск новых антибиотиков в базах геномных данных.
Ключевые факты
- /Около 5 миллионов смертей в 2021 году связаны с устойчивостью к антибиотикам.
- /Новых классов антибиотиков не появлялось уже 50 лет.
- /Собственные модели глубокого обучения лаборатории сокращают начальный поиск молекул-кандидатов с лет до часов.
- /Все предсказания ИИ по-прежнему требуют строгой проверки в физической лаборатории.
Инсайт
Главная ценность ChatGPT в научной лаборатории заключается не только в анализе данных, но и в стирании границ между дисциплинами, позволяя биологам писать код, а программистам — понимать химию.
