Η τεχνητή νοημοσύνη σχεδιάζει το γενετικό υλικό

Η έρευνα πραγματοποιήθηκε από ομάδα επιστημόνων με επικεφαλής τον χημικό μηχανικό Brian Hie του Πανεπιστημίου Stanford.

Οι ερευνητές αξιοποίησαν ειδικά μοντέλα τεχνητής νοημοσύνης που έχουν σχεδιαστεί για να «διαβάζουν» και να παράγουν γενετικές ακολουθίες. Πρόκειται για μια τεχνολογία αντίστοιχη, ως προς τη λογική λειτουργίας, με τα μεγάλα γλωσσικά μοντέλα που χρησιμοποιούνται στα σύγχρονα chatbots, μόνο που αντί για ανθρώπινη γλώσσα εκπαιδεύεται πάνω στη «γλώσσα» του DNA.

Τα μοντέλα Evo1 και Evo2 εκπαιδεύτηκαν χρησιμοποιώντας γενετικά δεδομένα περίπου δύο εκατομμυρίων βακτηριοφάγων. Σημαντικό στοιχείο της διαδικασίας ήταν ότι οι ερευνητές απέκλεισαν σκόπιμα από τα δεδομένα εκπαίδευσης γενετικές πληροφορίες που αφορούν ιούς οι οποίοι μπορούν να προσβάλουν ανθρώπους, ζώα ή φυτά.

Στη συνέχεια, η τεχνητή νοημοσύνη παρήγαγε χιλιάδες υποψήφια γονιδιώματα. Περίπου 300 από αυτά επιλέχθηκαν για εργαστηριακή σύνθεση και δοκιμή.

Η διαδικασία απέδειξε ότι η μετάβαση από έναν ψηφιακά σχεδιασμένο γενετικό κώδικα σε έναν πραγματικό, λειτουργικό οργανισμό είναι εφικτή, αν και παραμένει εξαιρετικά δύσκολη. Από τις περίπου 300 σχεδιασμένες εκδοχές, μόλις 16 δημιούργησαν βιώσιμους βακτηριοφάγους.

Ωστόσο, το αποτέλεσμα ήταν ιδιαίτερα ενδιαφέρον: ένας συνδυασμός των νέων βακτηριοφάγων κατάφερε να ξεπεράσει την ανθεκτικότητα δύο διαφορετικών στελεχών του E. coli.

Το μεγάλο στοίχημα της φαγοθεραπείας

Οι επιστήμονες εκτιμούν ότι η δυνατότητα σχεδιασμού νέων βακτηριοφάγων με τη βοήθεια της τεχνητής νοημοσύνης θα μπορούσε να αλλάξει σημαντικά τη λεγόμενη φαγοθεραπεία.

Η συγκεκριμένη θεραπευτική προσέγγιση βασίζεται στη χρήση βακτηριοφάγων για την καταπολέμηση βακτηριακών λοιμώξεων. Το μεγάλο πλεονέκτημα της τεχνητής νοημοσύνης είναι ότι μπορεί δυνητικά να επιταχύνει δραματικά τη διαδικασία σχεδιασμού και προσαρμογής ενός βακτηριοφάγου σε συγκεκριμένα βακτηριακά στελέχη.

Αυτό αποκτά ιδιαίτερη σημασία σε μια εποχή κατά την οποία η μικροβιακή αντοχή εξελίσσεται σε ένα από τα σημαντικότερα προβλήματα της σύγχρονης ιατρικής.

Μέχρι σήμερα, η αναζήτηση κατάλληλων φυσικών βακτηριοφάγων ήταν σε μεγάλο βαθμό μια διαδικασία εντοπισμού και δοκιμών. Η τεχνητή νοημοσύνη ανοίγει την προοπτική μιας πιο στοχευμένης διαδικασίας, κατά την οποία οι ερευνητές θα μπορούν να σχεδιάζουν υποψήφιους οργανισμούς με συγκεκριμένα χαρακτηριστικά και στη συνέχεια να τους αξιολογούν εργαστηριακά.

Από την ελπίδα στον προβληματισμό για τη βιοασφάλεια

Η ίδια δυνατότητα που δημιουργεί νέες θεραπευτικές προοπτικές είναι όμως και αυτή που προκαλεί τις μεγαλύτερες ανησυχίες.

Οι ερευνητές επισημαίνουν ότι η μελέτη αποδεικνύει κάτι πολύ σημαντικό: η γενετική τεχνητή νοημοσύνη μπορεί πλέον να παράγει γονιδιώματα ιών τα οποία, όταν συντεθούν, είναι λειτουργικά.

Σε συνοδευτική ανάλυση, επιστήμονες από το Johns Hopkins Center for Health Security προειδοποιούν ότι η τεχνολογική δυνατότητα έχει πλέον εμφανιστεί, ενώ το αντίστοιχο πλαίσιο διακυβέρνησης και ελέγχου δεν έχει αναπτυχθεί στον ίδιο βαθμό.

Ο προβληματισμός δεν αφορά τα συγκεκριμένα βακτηριοφάγα, τα οποία έχουν σχεδιαστεί έτσι ώστε να στοχεύουν βακτήρια. Αφορά κυρίως το ενδεχόμενο η ίδια τεχνολογία να χρησιμοποιηθεί στο μέλλον για πολύ πιο σύνθετους και επικίνδυνους οργανισμούς.

Οι επιστήμονες υπογραμμίζουν επομένως την ανάγκη οι προσπάθειες σχεδιασμού ολόκληρων γονιδιωμάτων να πραγματοποιούνται με τη συμμετοχή ειδικών στη βιοασφάλεια και τη βιοπροστασία.

Γιατί το συγκεκριμένο πείραμα θεωρείται σημαντικό

Η συγκεκριμένη επιτυχία δεν σημαίνει ότι η τεχνητή νοημοσύνη μπορεί ήδη να δημιουργήσει οποιονδήποτε ιό κατά παραγγελία.

Αντίθετα, το γεγονός ότι από εκατοντάδες υποψήφια γονιδιώματα μόλις 16 αποδείχθηκαν λειτουργικά καταδεικνύει πόσο δύσκολο παραμένει το εγχείρημα.

Ο Tom Ellis, καθηγητής συνθετικής γονιδιωματικής μηχανικής στο Imperial College London, χαρακτήρισε εντυπωσιακό το επίτευγμα, αλλά σημείωσε ότι οι βακτηριοφάγοι διαθέτουν από τα απλούστερα γονιδιώματα που μπορούν να μελετηθούν.

Η δημιουργία πιο σύνθετων γονιδιωμάτων θα απαιτούσε πολύ μεγαλύτερη ακρίβεια και κατανόηση των πολύπλοκων βιολογικών αλληλεπιδράσεων.

Το επόμενο μέτωπο: έλεγχος της τεχνολογίας

Η εξέλιξη επαναφέρει έτσι ένα ερώτημα που θα γίνεται ολοένα σημαντικότερο όσο η τεχνητή νοημοσύνη αποκτά μεγαλύτερες δυνατότητες στον χώρο της βιολογίας: πώς μπορεί να αξιοποιηθεί η τεχνολογία για την ανάπτυξη νέων θεραπειών χωρίς παράλληλα να δημιουργούνται νέοι κίνδυνοι βιοασφάλειας;

Ένα μέρος της απάντησης αφορά τον έλεγχο της πρόσβασης σε γενετικά δεδομένα, αλλά και την ανάπτυξη συστημάτων που θα μπορούν να εντοπίζουν και να αποτρέπουν τη δημιουργία δυνητικά επικίνδυνων γενετικών ακολουθιών.

Παράλληλα, οι ειδικοί επισημαίνουν ότι η συζήτηση δεν θα πρέπει να επικεντρώνεται αποκλειστικά στην τεχνητή νοημοσύνη. Υπάρχουν ήδη παραδοσιακές τεχνικές γενετικής μηχανικής που μπορούν να τροποποιήσουν υπάρχοντες παθογόνους οργανισμούς και, σε ορισμένες περιπτώσεις, είναι πολύ πιο άμεσα εφαρμόσιμες.

Η νέα τεχνολογία, ωστόσο, αλλάζει την κλίμακα του προβλήματος. Η δυνατότητα ενός συστήματος τεχνητής νοημοσύνης να σχεδιάζει και να αξιολογεί τεράστιο αριθμό γενετικών ακολουθιών σε πολύ μικρότερο χρόνο από έναν άνθρωπο μπορεί να επιταχύνει θεαματικά τόσο την επιστημονική έρευνα όσο και την ανάπτυξη εφαρμογών.

Το πρώτο βήμα έχει ήδη γίνει. Η τεχνητή νοημοσύνη δεν περιορίζεται πλέον στην ανάλυση βιολογικών δεδομένων· μπορεί να συμμετέχει ενεργά στον σχεδιασμό λειτουργικού γενετικού υλικού.

Αυτό μπορεί να αποτελέσει ένα από τα σημαντικότερα εργαλεία της επόμενης γενιάς βιοϊατρικής. Ταυτόχρονα, όμως, καθιστά επιτακτική την ανάγκη να δημιουργηθούν οι κατάλληλοι κανόνες ασφαλείας πριν η τεχνολογία περάσει από τους απλούς βακτηριοφάγους σε πολύ πιο σύνθετες εφαρμογές.