Για πρώτη φορά, η τεχνητή νοημοσύνη δεν περιορίστηκε στο να αναλύσει τον γενετικό κώδικα ζωντανών οργανισμών, αλλά τον έγραψε από την αρχή. Ερευνητές του Πανεπιστημίου Στάνφορντ, σε μελέτη που δημοσιεύθηκε στο περιοδικό Science, χρησιμοποίησαν συστήματα ΤΝ για να σχεδιάσουν εκατοντάδες νέες εκδοχές του DNA ενός βακτηριοφάγου. Όταν οι αλληλουχίες συντέθηκαν χημικά στο εργαστήριο και εισήχθησαν σε βακτήρια, ορισμένες παρήγαγαν πραγματικούς, λειτουργικούς ιούς. Πρόκειται για ένα ορόσημο για τον τομέα που ονομάζεται «γενετική βιολογία δημιουργίας» (generative biology), όπου η ΤΝ αξιοποιείται για τον σχεδιασμό νέων βιολογικών μορίων και οργανισμών.
- Από τα 285 σχέδια γονιδιώματος που δοκιμάστηκαν, τα 16 παρήγαγαν λειτουργικούς φάγους ικανούς να μολύνουν το βακτήριο E. coli.
- Χρησιμοποιήθηκε ο βακτηριοφάγος ΦX174, ένας από τους μικρότερους και πιο μελετημένους ιούς, με γονιδίωμα περίπου 5.400 «γραμμάτων» DNA και 11 πρωτεΐνες.
- Τα μοντέλα ΤΝ Evo 1 και Evo 2 εκπαιδεύτηκαν σε πάνω από 2 εκατομμύρια γονιδιώματα φάγων.
Γιατί οι επιστήμονες επέλεξαν έναν ιό των βακτηρίων
Οι ιοί που χρησιμοποιήθηκαν είναι βακτηριοφάγοι — ή απλώς φάγοι — δηλαδή ιοί που μολύνουν βακτήρια και όχι ανθρώπους, ζώα ή φυτά. Θεωρούνται από τις πιο άφθονες και ποικιλόμορφες βιολογικές οντότητες στη Γη και έχουν συνεξελιχθεί με τα βακτήρια για δισεκατομμύρια χρόνια. Λειτουργούν ουσιαστικά ως «θηρευτές» των βακτηρίων: αναγνωρίζουν μόρια στην επιφάνεια ενός βακτηρίου, προσκολλώνται, εγχέουν το γενετικό τους υλικό και χρησιμοποιούν τον μηχανισμό του κυττάρου για να παραγάγουν νέα αντίγραφά τους, μέχρι το κύτταρο να διαρρηχθεί.
Αυτό ακριβώς τους καθιστά ιδανικό «πεδίο δοκιμών» για την ΤΝ. Τα γονιδιώματά τους μπορεί να είναι εξαιρετικά μικρά, ώστε το DNA να συντίθεται σχετικά γρήγορα, και το αποτέλεσμα είναι ασυνήθιστα ξεκάθαρο: είτε οι γενετικές οδηγίες παράγουν έναν λειτουργικό φάγο είτε όχι.
Πώς «σκέφτεται» ένα μοντέλο γονιδιώματος
Τα συστήματα Evo 1 και Evo 2 είναι σχεδιασμένα να δουλεύουν με γενετικές αλληλουχίες με τρόπο ανάλογο με εκείνον που τα μεγάλα γλωσσικά μοντέλα, όπως το ChatGPT, δουλεύουν με κείμενο. Ένα γλωσσικό μοντέλο μαθαίνει μοτίβα σε λέξεις και προτάσεις· ένα μοντέλο γονιδιώματος μαθαίνει μοτίβα σε αλληλουχίες DNA.
Ωστόσο, ένα γονιδίωμα δεν είναι απλώς μια σειρά οδηγιών που αλλάζει γράμμα-γράμμα. Τα διαφορετικά του μέρη πρέπει να συνεργάζονται: σε έναν φάγο, το DNA πρέπει να περιέχει οδηγίες για την αναγνώριση του σωστού βακτηρίου, την κατάληψη του μηχανισμού του, την παραγωγή πρωτεϊνών τη σωστή στιγμή και τη συναρμολόγηση νέων ιικών σωματιδίων. Οι ερευνητές εκπαίδευσαν τα μοντέλα σε πάνω από 2 εκατομμύρια γονιδιώματα φάγων και τα προσάρμοσαν χρησιμοποιώντας γονιδιώματα από περίπου 15.000 στενούς συγγενείς του ΦX174.
Η ΤΝ δεν επινόησε έναν ιό από το τίποτα· χρησιμοποίησε μοτίβα που υπάρχουν στην υπάρχουσα βιολογία για να δημιουργήσει νέους συνδυασμούς μέσα σε ένα σύστημα που οι επιστήμονες κατανοούν ήδη σχετικά καλά.
Γιατί έχει σημασία: η μάχη με την αντοχή στα αντιβιοτικά
Οι περισσότερες σχεδιασμένες αλληλουχίες δεν λειτούργησαν, όμως 16 από τις 285 απέδωσαν. Ορισμένοι από τους νέους φάγους συμπεριφέρθηκαν με τρόπους συγκρίσιμους με τον αρχικό ΦX174, παρότι είχαν ουσιαστικά διαφορετικό DNA. Σε μία περίπτωση, ένας συνδυασμός γενετικών στοιχείων που δεν θα λειτουργούσε στον αρχικό φάγο λειτούργησε στο τροποποιημένο γονιδίωμα.
Η ομάδα εξέτασε επίσης αν οι νέοι φάγοι μπορούσαν να ξεπεράσουν τη βακτηριακή αντοχή. Εκθέτοντας τους ιούς σε ένα στέλεχος E. coli ανθεκτικό στον αρχικό φάγο, προέκυψαν μετά από επαναλαμβανόμενους κύκλους υβριδικοί φάγοι που μόλυναν τα προηγουμένως ανθεκτικά βακτήρια. Η ΤΝ δεν σχεδίασε άμεσα αυτούς τους τελικούς φάγους — δημιούργησε έναν ποικίλο αρχικό πληθυσμό, δίνοντας στην εξέλιξη περισσότερες δυνατότητες.
Εδώ βρίσκεται και η δυνητική σημασία για την ιατρική. Καθώς τα βακτήρια αναπτύσσουν ολοένα και περισσότερο αντοχή στα αντιβιοτικά, οι φάγοι διερευνώνται εδώ και καιρό ως εναλλακτική λύση, επειδή στοχεύουν και σκοτώνουν βακτήρια αφήνοντας ανέπαφα τα ανθρώπινα κύτταρα. Το κρίσιμο ζήτημα είναι η εύρεση του σωστού φάγου για τη σωστή λοίμωξη — και εδώ η ΤΝ θα μπορούσε τελικά να βοηθήσει να προβλεφθεί ποιοι ιοί έχουν τις περισσότερες πιθανότητες να δράσουν κατά συγκεκριμένων ανθεκτικών βακτηρίων.
Τι ακολουθεί: μεγάλη η απόσταση από τον υπολογιστή ως το κρεβάτι του ασθενούς
Παρά τον ενθουσιασμό, η απόσταση ανάμεσα στον σχεδιασμό ενός φάγου σε υπολογιστή και τη χρήση του για τη θεραπεία ενός ασθενούς παραμένει μεγάλη. Κάθε πιθανή θεραπεία θα έπρεπε πρώτα να δοκιμαστεί σε βακτήρια που προκαλούν πραγματικές λοιμώξεις, ώστε να διαπιστωθεί ότι δρα και είναι ασφαλής, και στη συνέχεια να παρασκευαστεί με τα υψηλά πρότυπα που απαιτούνται για τα φάρμακα.
Ο φάγος της μελέτης είναι επίσης ασυνήθιστα απλός. Πολλοί θεραπευτικά χρήσιμοι φάγοι είναι πέντε έως 50 φορές μεγαλύτεροι, με δίκλωνο DNA και εκατοντάδες γονίδια, καθώς και εξελιγμένους μοριακούς μηχανισμούς που οι επιστήμονες ακόμη δεν κατανοούν πλήρως. Υπάρχουν επίσης δύσκολα ρυθμιστικά ερωτήματα γύρω από εξατομικευμένους φάγους σχεδιασμένους για μεμονωμένους ασθενείς.
Οι ερευνητές τονίζουν ότι η μελέτη πρέπει να ιδωθεί περισσότερο ως επίδειξη του τι μπορεί να γίνει εφικτό παρά ως η άφιξη μιας θεραπείας φάγων σχεδιασμένης από ΤΝ. Μένει ανοιχτό ένα θεμελιώδες ερώτημα: έχει μάθει η ΤΝ γενικούς κανόνες για το πώς λειτουργούν τα γονιδιώματα των φάγων, ή απλώς έμαθε αρκετά για έναν ασυνήθιστα μικρό και καλά μελετημένο ιό ώστε να τον αναπαραγάγει; Ο τρόπος να το ανακαλύψουμε, σημειώνουν οι επιστήμονες, είναι να δώσουμε στην ΤΝ πολύ περισσότερη βιολογία για να δουλέψει — και η φύση, μετά από δισεκατομμύρια χρόνια πειραματισμού, προσφέρει μια σχεδόν αφάνταστα πλούσια πηγή πληροφορίας.
Θεωρείτε ότι ο σχεδιασμός ιών από τεχνητή νοημοσύνη ανοίγει έναν πολλά υποσχόμενο δρόμο κατά της αντοχής στα αντιβιοτικά ή εγείρει και ζητήματα ασφάλειας που πρέπει να μας προβληματίσουν; Πείτε μας τη γνώμη σας.
