Как исследователь использует Codex и ChatGPT для поиска новых антимикробных молекул10.09.2026 16:00

Устойчивые к лекарствам микроорганизмы, включая бактерии, грибки, паразиты и вирусы, представляют собой растущую глобальную угрозу. Около пяти миллионов смертей в 2021 году были связаны⁠ с бактериальной устойчивостью к противомикробным препаратам — и, по прогнозам, к 2050 году этот ежегодный показатель смертности примерно удвоится. На поиск молекул, потенциально способных стать антимикробными средствами, могут уйти годы. Исследователи используют искусственный интеллект для ускорения этого раннего этапа открытий.

«По моему мнению, устойчивость к противомикробным препаратам — одна из величайших экзистенциальных угроз для человечества», — считает Сесар де ла Фуэнте⁠, биоинженер, чья междисциплинарная лаборатория занимается поиском антимикробных кандидатов. «И тем не менее, у нас не было нового класса антибиотиков уже 50 лет».

Значительная часть современной разработки противомикробных препаратов сосредоточена на модификации существующих лекарств или поиске в кругу знакомых классов химических веществ. Но этот подход приносит все меньшую отдачу.

Лаборатория де ла Фуэнте начинает с гораздо менее исследованной сферы: кода жизни. Центральная идея работы заключается в том, что биология — это информационная система. «Нуклеотиды, составляющие ДНК, и аминокислоты, составляющие белки и пептиды, похожи на алфавит», — говорит де ла Фуэнте. «Представление биологии как информации позволило нам разработать методы, способные начать расшифровку организационных принципов жизни, которые породили функциональную молекулу».

Модели глубокого обучения лаборатории обучены распознавать паттерны в биологических последовательностях, что позволяет им осуществлять поиск потенциальных противомикробных средств в огромных наборах геномных и белковых данных. Такой подход позволяет сократить первоначальный поиск молекул-кандидатов с лет до часов.

Наряду с собственными моделями ИИ, лаборатория использует ChatGPT и Codex для генерации гипотез, написания и доработки кода, обработки наборов данных, анализа результатов и объединения идей из различных научных дисциплин.

Лишь малая доля генома имеет четко понятную функцию, и еще меньшая их часть кодирует молекулы, способные бороться с инфекционными микроорганизмами. Задача состоит в том, чтобы выявить закономерности, которые делают молекулу функциональной или биологически активной, а затем определить, какие из них обладают потенциалом для борьбы с инфекционными микробами.

Ученые долгое время искали противомикробные препараты в растениях, животных, микробах, насекомых, воде и почве. Они собирают образцы, выделяют или прогнозируют молекулы-кандидаты и тестируют их в ходе итеративного процесса, который может занять годы.

Цифровые базы данных геномов и белков теперь позволяют ученым искать новые соединения по всему древу жизни, что значительно расширяет спектр доступных для исследования баз данных. Но это изобилие информации сопряжено с собственными трудностями: поиском многообещающих сигналов среди огромного числа возможностей.

Искусственный интеллект особенно хорошо подходит для такой задачи по поиску иголки в стоге сена. Он может сканировать огромные наборы данных, выявлять закономерности, которые исследователям было бы трудно заметить, и определять приоритетный круг кандидатов для экспериментального тестирования.

Но выявление перспективного кандидата вовсе не означает, что он станет эффективным лекарством.

Ученые должны сначала подтвердить, что молекула-кандидат уничтожает целевой микроб, определить необходимую для эффективности дозировку и проверить ее влияние на человеческие клетки. Затем химики могут оптимизировать ее для улучшения эффективности, безопасности или стабильности.

Дальнейшие тесты оценивают дозу, при которой кандидат становится токсичным, то, насколько легко микробы вырабатывают устойчивость к этой молекуле, и то, как кандидат перемещается по организму. Команды также определяют надежный способ производства молекулы. Кандидаты, прошедшие эти этапы, все еще сталкиваются с регуляторными проверками и клиническими испытаниями, прежде чем они смогут попасть к пациентам в качестве одобренных противомикробных препаратов.

По мнению де ла Фуэнте, именно поэтому ИИ и лабораторная биология должны развиваться вместе. «Эксперименты с эталонными данными необходимы для проверки предсказаний ИИ», — сказал он. «Это будет иметь решающее значение в науках о жизни в ближайшие годы, если мы хотим продолжить царапать поверхность нашего понимания биологии, которая является самой сложной вещью из существующих».

Его лаборатория изучает геномы живых и вымерших организмов в поисках молекул-кандидатов. Поиск по этим геномам, понимание того, как формируются и функционируют закодированные в них белки, и определение того, что делают эти молекулы, требуют опыта в нескольких областях.

«Мы — высокомеждисциплинарная группа, поэтому у нас есть специалисты из области биологии, химии, компьютерных наук, инженерии», — говорит де ла Фуэнте. Некоторые сотрудники лаборатории сильны в программировании, но меньше разбираются в 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 стирает границы между научными дисциплинами.

Это помогает сотрудникам лаборатории изучать незнакомые темы, необходимые для их междисциплинарной работы, прояснять терминологию, сравнивать методы в разных областях и упорядочивать идеи для открытия лекарств. Другие используют ИИ для скачивания, организации и предварительной обработки больших наборов геномных данных. ChatGPT также позволяет сотрудникам лаборатории работать на родных языках, устраняя барьеры для ускорения рабочих процессов.

Де ла Фуэнте использует ChatGPT в качестве партнера для мозгового штурма. Он продолжает развивать идеи с коллегами, но ценит способность ИИ помогать ему формулировать гипотезу. Ему также нравится, что он может получить доступ к мировой информации по щелчку кнопки.

«В наше рабочее пространство ChatGPT поступает информация от всех этих разных людей, которые по-разному думают о проблемах, которые мы пытаемся решить», — сказал де ла Фуэнте. Сотрудники лаборатории делятся с ним своими хорошими и плохими идеями, превращая его в своего рода инструмент для совместной оценки гипотез.

Но он предостерегает от того, чтобы полагаться только на ИИ. «Очевидно, что всегда нужно дважды проверять точность», — говорит де ла Фуэнте.

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

Он рассматривает эту работу как часть гораздо более древней 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 биологию. «Именно в этом суть нашей работы», — заключил он.

Автор