นักวิจัยใช้ Codex และ ChatGPT พลิกมิติการค้นหาโมเลกุลต้านเชื้อดื้อยาจากสิ่งมีชีวิตที่สูญพันธุ์

César de la Fuente และทีมวิจัยของเขากำลังตรวจสอบจีโนมของสิ่งมีชีวิตทั้งในปัจจุบันและที่สูญพันธุ์ไปแล้ว เพื่อค้นหาโมเลกุลที่อาจเป็นกุญแจสำคัญในการต่อสู้กับการติดเชื้อดื้อยา

ปัญหาจุลชีพดื้อยา ซึ่งครอบคลุมทั้งแบคทีเรีย เชื้อรา พยาธิ และไวรัส กำลังเป็นภัยคุกคามระดับโลกที่รุนแรงขึ้น โดยในปี 2021 มีการเสียชีวิตประมาณ 5 ล้านรายที่ เกี่ยวข้องกับ(opens in a new window) การดื้อยาปฏิชีวนะของแบคทีเรีย และคาดว่าตัวเลขความสูญเสียรายปีจะเพิ่มขึ้นเป็นสองเท่าภายในปี 2050 ขณะที่การค้นหาโมเลกุลยาใหม่ตามปกติต้องใช้เวลานานหลายปี นักวิจัยจึงหันมาใช้ AI เพื่อเร่งกระบวนการค้นหาในระยะเริ่มต้นนี้

“ในมุมมองของผม การดื้อยาต้านจุลชีพเป็นหนึ่งในภัยคุกคามที่ยิ่งใหญ่ที่สุดต่อมนุษยชาติ” César de la Fuente(opens in a new window) วิศวกรชีวการแพทย์ผู้ดูแลห้องปฏิบัติการสหวิทยาการกล่าว “แต่ที่ผ่านมา เรากลับไม่มีการค้นพบยาปฏิชีวนะกลุ่มใหม่มานานถึง 50 ปีแล้ว”

การพัฒนาสารต้านจุลชีพในปัจจุบันมุ่งเน้นไปที่การปรับปรุงยาตัวเดิมหรือค้นหาจากกลุ่มสารเคมีที่คุ้นเคย ซึ่งเป็นวิธีการที่ให้ผลลัพธ์น้อยลงเรื่อยๆ ห้องปฏิบัติการของ De la Fuente จึงเลือกสำรวจในพื้นที่ใหม่ นั่นคือ “รหัสแห่งชีวิต” โดยมองชีววิทยาเป็นระบบข้อมูล “นิวคลีโอไทด์ใน DNA และกรดอะมิโนในโปรตีนเปรียบเสมือนตัวอักษร” de la Fuente อธิบาย “การมองชีววิทยาเป็นข้อมูลช่วยให้เราพัฒนาวิธีถอดรหัสหลักการของชีวิตที่สร้างโมเลกุลซึ่งทำงานได้จริง”

โมเลกุลการเรียนรู้เชิงลึก (Deep-learning) ของห้องปฏิบัติการถูกฝึกฝนให้จดจำรูปแบบในลำดับทางชีววิทยา ทำให้สามารถค้นหาชุดข้อมูลจีโนมและโปรตีนขนาดใหญ่เพื่อระบุตัวเลือกยาได้รวดเร็วขึ้น จากเดิมที่ต้องใช้เวลาหลายปีเหลือเพียงไม่กี่ชั่วโมง

นอกเหนือจากโมเลกุล AI ที่พัฒนาขึ้นเองแล้ว ห้องปฏิบัติการยังใช้ ChatGPT และ Codex มาเป็นเครื่องมือเสริมในการระดมสมองตั้งสมมติฐาน เขียนและปรับปรุงโค้ด ประมวลผลข้อมูล วิเคราะห์ผลลัพธ์ และเชื่อมโยงแนวคิดข้ามศาสตร์วิทยาศาสตร์เข้าด้วยกัน เนื่องจากจีโนมเพียงส่วนน้อยเท่านั้นที่มีหน้าที่ชัดเจน และมีสัดส่วนน้อยลงไปอีกที่สามารถต้านจุลชีพก่อโรคได้ ความท้าทายจึงอยู่ที่การระบุรูปแบบที่ทำให้โมเลกุลมีฤทธิ์ทางชีวภาพ จากนั้นจึงคัดกรองโมเลกุลที่มีศักยภาพสูงสุดออกมา

ในอดีต นักวิทยาศาสตร์ต้องค้นหายาต้านจุลชีพจากธรรมชาติ เช่น พืช สัตว์ หรือดิน โดยเก็บตัวอย่างมาแยกโมเลกุลและทดสอบซ้ำๆ ซึ่งกินเวลานานหลายปี แต่ปัจจุบันฐานข้อมูลจีโนมและโปรตีนดิจิทัลช่วยให้นักวิจัยสำรวจ “สายวิวัฒนาการ” (tree of life) ได้กว้างขวางขึ้นมหาศาล ทว่าปริมาณข้อมูลที่ล้นหลามก็กลายเป็นโจทย์ยากในการหา “สัญญาณ” ที่ถูกต้องท่ามกลางความเป็นไปได้จำนวนมหาศาล

AI จึงเหมาะสมอย่างยิ่งสำหรับงาน “งมเข็มในมหาสมุทร” นี้ โดยมันสามารถสแกนชุดข้อมูลขนาดใหญ่และระบุรูปแบบที่มนุษย์อาจมองข้าม พร้อมจัดลำดับความสำคัญของตัวเลือกเพื่อให้ง่ายต่อการนำไปทดสอบในห้องปฏิบัติการจริง

อย่างไรก็ตาม การระบุตัวเลือกที่มีแนวโน้มดีไม่ได้การันตีว่ามันจะกลายเป็นยาที่ใช้ได้เสมอไป นักวิทยาศาสตร์ต้องยืนยันว่าโมเลกุลนั้นฆ่าเชื้อได้จริง กำหนดปริมาณยาที่เหมาะสม และทดสอบผลกระทบต่อเซลล์มนุษย์ ก่อนที่นักเคมีจะนำไปปรับปรุงประสิทธิภาพและความปลอดภัย

ขั้นตอนการทดสอบยังรวมถึงการประเมินความเป็นพิษ การดูว่าเชื้อพัฒนาการดื้อยาได้ง่ายเพียงใด และการดูเส้นทางการเคลื่อนที่ของยาในร่างกาย นอกจากนี้ต้องมีวิธีการผลิตที่เชื่อถือได้ และผ่านการตรวจสอบจากหน่วยงานกำกับดูแลรวมถึงการทดลองทางคลินิก ก่อนจะเข้าถึงมือผู้ป่วยได้

สำหรับ de la Fuente AI และชีววิทยาในห้องปฏิบัติการต้องทำงานควบคู่กัน “การทดลองเชิงประจักษ์เป็นสิ่งจำเป็นในการพิสูจน์ผลการทำนายของ AI” เขากล่าว “สิ่งนี้จะสำคัญมากในวิทยาศาสตร์ชีวภาพช่วงไม่กี่ปีข้างหน้า หากเราต้องการสำรวจความซับซ้อนของชีววิทยาต่อไป”

ห้องปฏิบัติการของเขาเป็นศูนย์รวมของผู้เชี่ยวชาญจากหลายสาขา ทั้งชีววิทยา เคมี วิทยาการคอมพิวเตอร์ และวิศวกรรมศาสตร์ Codex และ ChatGPT ได้เข้ามาช่วยทำลายกำแพงระหว่างสายงาน ช่วยให้นักชีววิทยาสร้างโปรแกรมได้ และช่วยให้โปรแกรมเมอร์เข้าใจปัญหาทางชีววิทยา

นอกจากนี้ AI ยังช่วยอธิบายศัพท์เทคนิค จัดระเบียบแนวคิด และประมวลผลชุดข้อมูลจีโนมเบื้องต้น รวมถึงช่วยให้สมาชิกทำงานในภาษาแม่ของตนเองได้ ซึ่งช่วยเร่งความเร็วในการทำงานได้อย่างมาก โดย de la Fuente ใช้ ChatGPT เป็น “คู่คิด” ในการระดมสมองเพื่อสร้างสมมติฐานและเข้าถึงข้อมูลทั่วโลกได้ในคลิกเดียว

“พื้นที่ทำงาน ChatGPT ของเราเปรียบเสมือนกระดานสะท้อนความคิดที่รวบรวมไอเดียจากผู้คนที่คิดต่างกัน” de la Fuente กล่าว แม้เขาจะเตือนเรื่องการตรวจสอบความถูกต้องซ้ำเสมอและไม่ควรพึ่งพา AI เพียงอย่างเดียว แต่เขาก็ชื่นชมในความสามารถของมันที่ช่วยให้นักวิจัยก้าวข้ามขอบเขตสาขาวิชา ซึ่งเป็นจุดที่มักเกิดการค้นพบครั้งสำคัญ

เขาทิ้งท้ายว่างานนี้คือส่วนหนึ่งของวิวัฒนาการทางวิทยาศาสตร์ “เราใช้เครื่องมือทำความเข้าใจโลกมาตลอด เช่นเดียวกับที่กล้องโทรทรรศน์ทำให้เห็นจักรวาล และกล้องจุลทรรศน์ทำให้เห็นโลกที่มองไม่เห็น ปัจจุบันเครื่องจักรก็กำลังช่วยให้เราเข้าใจและออกแบบวิศวกรรมชีววิทยาได้ นั่นคือเป้าหมายสูงสุดของพวกเรา”