Το μοντέλο τεχνητής νοημοσύνης Evo 2 του Stanford δημιουργεί φάγους κατά του E. coli
Οι ερευνητές του Stanford έχουν συνθέσει σχεδόν 300 φάγους από αλληλουχίες DNA που παρήχθησαν από το γενετικό μοντέλο τεχνητής νοημοσύνης Evo 2. Μέσω εργαστηριακών δοκιμών, η ομάδα περιόρισε τον αριθμό σε 16 φάγους που έδειξαν ιδιαίτερα ισχυρή δραστηριότητα κατά του E. coli. Το επίκεντρο της έρευνας είναι ο βακτηριοφάγος ΦX174, που προφέρεται “ΦΥΕ-εξ-1-7-4”. Ο Brian Hie, επίκουρος καθηγητής χημικής μηχανικής και μέλος του Dieter Schwarz Foundation Stanford Data Science Faculty Fellow, δημιούργησε το Evo 2 με τον φοιτητή βιομηχανικής Samuel King να ηγείται της πειραματικής εργασίας.
Το Evo 2 μεταφέρει τα γονιδιώματα φάγων στο εργαστήριο
Το Evo 2 παράγει νέες αλληλουχίες DNA από ένα μικρό αρχικό κομμάτι ενός γονιδιώματος φάγου. Οι ερευνητές ζήτησαν από το μοντέλο να δημιουργήσει ολόκληρο το γονιδίωμα του ΦX174 σε μία αριστερόστροφη διέλευση. “Σε αυτή την περίπτωση, θέλαμε το μοντέλο να δημιουργήσει το πλήρες γονιδίωμα από την αρχή μέχρι το τέλος σε μία κίνηση. Δεν προσθέσαμε τίποτα,” δήλωσε ο Hie. Η διαδικασία παρήγαγε χιλιάδες υποψήφια γονιδιώματα πριν η ομάδα επιλέξει αλληλουχίες για χημική σύνθεση και εργαστηριακές δοκιμές.
Ο ΦX174 προσέφερε ένα σχετικά συμπαγές σύστημα δοκιμών. Το γονιδίωμά του περιέχει λιγότερες από 6.000 βάσεις, σε σύγκριση με περίπου 3 δισεκατομμύρια βάσεις στο ανθρώπινο γονιδίωμα. Ο Hie ανέφερε ότι οι ερευνητές εξακολουθούν να αντιμετωπίζουν μια δύσκολη αποστολή όταν ερμηνεύουν ακόμη και μια αλληλουχία DNA 5.400 χαρακτήρων γονίδιο προς γονίδιο. Κάποιοι από τους φάγους που πρότεινε το Evo 2 έδειξαν υψηλότερη προσαρμοστικότητα από τον φυσικό ΦX174 στις εργαστηριακές δοκιμές.
Η επιλογή υποψηφίων προηγείται της σύνθεσης DNA
Ο King ανέπτυξε ένα υπολογιστικό πλαίσιο για να μειώσει τον αριθμό των υποψήφιων γονιδιωμάτων που αποστέλλονται για σύνθεση. Το πλαίσιο αξιολόγησε χαρακτηριστικά που αντλήθηκαν από τον ΦX174 και σχετικούς φάγους πριν η ομάδα επιλέξει επιλογές για εργαστηριακή εργασία. Η σύνθεση DNA θέτει έναν πρακτικό περιορισμό. Οι ερευνητές δημιούργησαν γονιδιώματα με το Evo 2, τα αξιολόγησαν σύμφωνα με τα κριτήρια σχεδιασμού τους, στη συνέχεια συνθέσαν χημικά τους επιλεγμένους υποψήφιους και δοκίμασαν ποια γονιδιώματα απέδωσαν καλύτερα στο εργαστήριο.
“Ένα από τα κύρια μέρη του πλαισίου σχεδιασμού ήταν να προσδιορίσουμε ποια χαρακτηριστικά πρέπει να έχουν τα γονιδιώματα βασισμένα στον ΦX174 και στους σχετικούς φάγους,” δήλωσε ο King. Το πλαίσιο περιλάμβανε αρκετά βασικά βήματα: δημιουργία γονιδιωμάτων χρησιμοποιώντας το Evo 2, αξιολόγηση επιλογών με βάση τα κριτήρια σχεδιασμού, επιλογή βέλτιστων υποψηφίων, χημική σύνθεση και δοκιμή τους στο εργαστήριο για να δούμε ποια γονιδιώματα λειτούργησαν καλύτερα.
Οι δοκιμές αντοχής επικεντρώνονται σε ένα μείγμα 16 φάγων
Οι ερευνητές επέλεξαν περισσότερους από έναν φάγους που στοχεύουν το E. coli επειδή τα βακτήρια μπορούν να αναπτύξουν αντοχή σε μία μόνο θεραπεία. Ο Hie ανέφερε ότι τα μείγματα φάγων θα μπορούσαν να δυσκολέψουν τα βακτήρια να αποφύγουν κάθε μέλος μιας θεραπείας. “Αν τα βακτήρια αποκτήσουν αντοχή σε έναν μόνο φάγο, η θεραπεία αποτυγχάνει,” δήλωσε ο Hie. “Αλλά αν έχετε πολλούς γενετικά διαφορετικούς φάγους σε ένα μείγμα, θα ήταν πιο δύσκολο για τα βακτήρια να αναπτύξουν αντοχή σε ολόκληρο το κοκτέιλ.”
Το Stanford αναφέρει ότι ένα κοκτέιλ που περιέχει τους 16 επιλεγμένους φάγους ξεπέρασε γρήγορα την αντοχή στο E. coli που ήταν ανθεκτικό στον φυσικό ΦX174. Ο Hie δήλωσε ότι παρόμοια εργασία θα μπορούσε να στοχεύσει φάγους κατά του ανθεκτικού στη μεθικιλλίνη Staphylococcus aureus ή MRSA. Επίσης, ανέφερε την Pseudomonas aeruginosa, που το Stanford περιγράφει ως κύρια αιτία ιατρικά ανθεκτικών λοιμώξεων που αποκτώνται στα νοσοκομεία.
Η πρόσβαση ανοιχτού κώδικα επεκτείνει το ερευνητικό πρόγραμμα
Ο Hie έχει κυκλοφορήσει το Evo 2 ως λογισμικό ανοιχτού κώδικα. Οι ερευνητές μπορούν να κατεβάσουν το μοντέλο και να το χρησιμοποιήσουν για να σχεδιάσουν γονιδιώματα. Η κυκλοφορία έχει προκαλέσει συζητήσεις για την ασφάλεια και την προστασία, σύμφωνα με την αναφορά του Stanford. Ο Hie αναγνώρισε ότι κακόβουλοι παράγοντες θα μπορούσαν να τροποποιήσουν εκδόσεις του εργαλείου, αν και υποστήριξε ότι οι υπάρχοντες παθογόνοι οργανισμοί δημιουργούν μεγαλύτερο κίνδυνο επειδή οι άνθρωποι μπορούν να τους αποκτήσουν και να τους παράγουν πιο εύκολα.
Ο Hie ανέφερε επίσης ότι τα συστήματα με δυνατότητα τεχνητής νοημοσύνης μπορούν να υποστηρίξουν τις απαντήσεις σε φυσικά εμφανιζόμενες πανδημίες και να παρέχουν επιλογές άμυνας κατά των ανθρώπινων βιολογικών απειλών. Αυτές οι απόψεις αντικατοπτρίζουν την εκτίμησή του για τις πιθανές χρήσεις και κινδύνους του εργαλείου. Ο King περιέγραψε το όφελος της έρευνας με πιο στενούς όρους: “Ένα από τα πιο ανταποδοτικά μέρη αυτού του έργου είναι η δημιουργικότητα που επιτρέπει το Evo 2. Νέες πόρτες στην επιστήμη είναι πλέον ανοιχτές λόγω αυτού που μπορούμε να κάνουμε με αυτά τα μοντέλα.”
Η επόμενη φάση θα επεκτείνει το Evo 2 σε μεγαλύτερα και πιο σύνθετα DNA, σύμφωνα με το Stanford. Ο Hie συνεργάζεται με ερευνητές στο Stanford και αλλού για επιπλέον σχεδιασμούς βακτηριοφάγων. Μικρά βακτηριακά γονιδιώματα θα μπορούσαν επίσης να γίνουν στόχος για το μοντέλο. Το Stanford αναφέρει ότι αυτά τα γονιδιώματα μπορεί να υποστηρίξουν μικροοργανισμούς σχεδιασμένους να παράγουν χημικά, φάρμακα ή καύσιμα. Ο Hie διατύπωσε την υπόλοιπη τεχνική εργασία γύρω από δύο ερωτήματα: “Τα μεγαλύτερα ανοιχτά ερωτήματα για μένα είναι πώς μπορούμε να επιτύχουμε μεγαλύτερη γενετική καινοτομία και πώς μπορούμε να επιτύχουμε μεγαλύτερο έλεγχο των αποτελεσμάτων;”
