Лаборатория де ла Фуэнте применяет Codex для поиска антимикробных молекул
Лаборатория биоинженера Сесара де ла Фуэнте использует собственные модели глубокого обучения, ChatGPT и Codex для поиска потенциальных антимикробных молекул в геномах живых и вымерших организмов. По оценке команды, ИИ способен сократить начальный поиск кандидатов с нескольких лет до нескольких часов.
Работа нацелена на раннюю стадию разработки средств против инфекций, устойчивых к лекарствам. OpenAI напоминает, что с бактериальной антимикробной резистентностью в 2021 году были связаны около 5 млн смертей, а к 2050 году этот ежегодный показатель, по приведённой оценке, может примерно удвоиться.
Поиск в биологических последовательностях
Подход де ла Фуэнте строится на представлении биологии как информационной системы: нуклеотиды ДНК и аминокислоты белков и пептидов образуют своего рода алфавит. Модели лаборатории обучены распознавать закономерности в биологических последовательностях и выделять среди больших наборов геномных и белковых данных возможные антимикробные соединения.
Цифровые базы геномов и белков позволяют исследовать значительно больше организмов, чем традиционный поиск в образцах растений, животных, микроорганизмов, насекомых, воды и почвы. Но увеличение объёма данных усложняет отбор полезных сигналов. ИИ в этой схеме не заменяет эксперимент, а помогает сузить список вариантов для последующей проверки.
Codex и ChatGPT в работе междисциплинарной команды
Участники лаборатории используют ChatGPT и Codex для формулирования гипотез, написания и доработки кода, загрузки, организации и предварительной обработки крупных геномных наборов, а также для анализа результатов. Инструменты помогают биологам создавать программы, а специалистам по вычислениям разбираться в биологических задачах.
Практики разработки, для которых управление средами разработки в приложении ChatGPT расширяет доступ к управлению средами из приложения ChatGPT, в данном случае дополняют работу с кодом при обработке научных данных. ChatGPT также помогает сотрудникам уточнять термины, сопоставлять методы разных дисциплин и работать на родных языках.
Эксперимент остаётся обязательным
Обнаруженный алгоритмом кандидат ещё не является лекарством. Исследователям необходимо подтвердить его действие на целевой микроорганизм, определить эффективную концентрацию и проверить влияние на клетки человека. Затем могут потребоваться химическая оптимизация, оценка токсичности, риска развития устойчивости, поведения вещества в организме и возможности стабильного производства.
Даже после этих этапов кандидат проходит регуляторную оценку и клинические испытания. Де ла Фуэнте отдельно подчёркивает необходимость перепроверять ответы ИИ и подтверждать предсказания лабораторными опытами. Для бизнеса в биотехнологиях это означает, что генеративные модели полезны прежде всего для ускорения поиска, работы с данными и междисциплинарного взаимодействия, но не отменяют валидацию, экспертизу и требования к разработке лекарств.