Οι απόψεις του ιστολογίου μπορεί να μην συμπίπτουν με τα περιεχόμενα των άρθρων -Τα δημοσιεύματα στην ιστοσελίδα μας εκφράζουν τους συγγραφείς.

Ιουλίου 31, 2024

Τεχνητή νοημοσύνη ανέπτυξε νέο αντιβιοτικό για ανθεκτικά μικρόβια

Ενα μεγάλο γλωσσικό μοντέλο χρησιμοποιήθηκε από ερευνητές του Πανεπιστημίου του Τέξας για την ανάπτυξη ενός αντιβιοτικού που πολεμά ανθεκτικά βακτήρια.



Η…. πανταχού παρούσα τεχνητή νοημοσύνη (ΑΙ) αποτελεί ήδη σημαντικό «βοηθό» σε πολλούς τομείς της επιστήμης. Τώρα ερευνητές του Πανεπιστημίου του Τέξας στο Οστιν τη χρησιμοποίησαν για την ανάπτυξη ενός ασφαλούς και αποτελεσματικού αντιβιοτικού και η προσέγγισή τους στέφθηκε με επιτυχία, όπως μαρτυρούν τα μέχρι στιγμής πειράματα του «τέκνου» της ΤΝ σε ζώα.
Με «σύμμαχο» ένα μεγάλο γλωσσικό μοντέλο

Οπως περιέγραψαν οι ερευνητές στο επιστημονικό περιοδικό «Nature Biomedical Engineering», χρησιμοποίησαν ένα μεγάλο γλωσσικό μοντέλο – κοινώς ένα εργαλείο ΑΙ αντίστοιχο του ChatGPT – προκειμένου να καταστήσουν ασφαλές ένα αντιβιοτικό το οποίο είχε αποδειχθεί προηγουμένως τοξικό για τον άνθρωπο.

Σήμερα η πρόγνωση για ασθενείς με ανθεκτικές βακτηριακές λοιμώξεις γίνεται ολοένα και χειρότερη καθώς όλο και περισσότερα ανθεκτικά στα αντιβιοτικά βακτηριακά στελέχη εξαπλώνονται ανά τον κόσμο. Ωστόσο οι ερευνητές του Πανεπιστημίου του Τέξας αναφέρουν ότι σε αυτή τη μάχη τα εργαλεία ΤΝ μπορούν να κάνουν τη διαφορά.
Η μηχανική μάθηση στην υπηρεσία της μηχανικής επεξεργασίας πρωτεϊνών

«Ανακαλύψαμε ότι τα μεγάλα γλωσσικά μοντέλα αποτελούν ένα σημαντικό βήμα σε ό,τι αφορά την εφαρμογή της μηχανικής μάθησης στη μηχανική επεξεργασία πρωτεϊνών και πεπτιδίων» ανέφερε ο Κλάους Βίλκε, καθηγητής Βιολογίας, Στατιστικής και Επιστήμης Δεδομένων, εκ των κύριων συγγραφέων της νέας μελέτης και προσέθεσε: «Προβλέπω ότι αυτή η προσέγγιση καθώς και άλλες παρόμοιες θα χρησιμοποιηθούν ευρέως στο μέλλον για την ανάπτυξη θεραπειών και φαρμάκων».
Οι αλληλουχίες λέξεων και οι αλληλουχίες αμινοξέων

Τα μεγάλα γλωσσικά μοντέλα σχεδιάστηκαν αρχικώς για τη δημιουργία κειμένων, ωστόσο οι επιστήμονες ανακαλύπτουν ολοένα και περισσότερους δημιουργικούς τρόπους για χρήση αυτών των μοντέλων σε άλλα πεδία. Για παράδειγμα, όπως οι προτάσεις αποτελούνται από αλληλουχίες λέξεων, έτσι και οι πρωτεΐνες αποτελούνται από αλληλουχίες αμινοξέων.
Η Τεχνητή Νοημοσύνη βοηθά τους επιστήμονες να στοχεύσουν στην «καρδιά» των ανθεκτικών βακτηρίων

Η Τεχνητή Νοημοσύνη βοηθά τους επιστήμονες να στοχεύσουν στην «καρδιά» των ανθεκτικών βακτηρίων μέσα από την ανάπτυξη αποτελεσματικότερων και ασφαλέστερων αντιβιοτικών που τα εξολοθρεύουν (The University of Texas at Austin)



Τα μεγάλα γλωσσικά μοντέλα ομαδοποιούν λέξεις που διαθέτουν κοινά χαρακτηριστικά (όπως οι λέξεις γάτα, σκύλος, χάμστερ). Με παρόμοιο τρόπο πρωτεΐνες με παρόμοιες ιδιότητες, όπως η ικανότητα να πολεμούν επικίνδυνα βακτήρια χωρίς να προκαλούν τοξικότητα στους ανθρώπους-ξενιστές των βακτηρίων, μπορούν να ομαδοποιηθούν από την ΤΝ. «Η μηχανική μάθηση μας επιτρέπει να εντοπίσουμε τις περιοχές εκείνες του ‘χημικού χώρου’ που διαθέτουν τις ιδιότητες που μας ενδιαφέρουν. Και μπορεί να το επιτύχει αυτό πολύ πιο γρήγορα και αποτελεσματικά από τις υπάρχουσες εργαστηριακές προσεγγίσεις» σημείωσε ο Μπράιαν Ντέιβις από το Τμήμα Βιομοριακών Επιστημών του Πανεπιστημίου του Τέξας στο Οστιν, έτερος κύριος συγγραφέας της νέας μελέτης.
Στόχος το υπάρχον αντιβιοτικό Protegrin-1

Η ερευνητική ομάδα χρησιμοποίησε την ΤΝ προκειμένου να τροποποιήσει μηχανικά ένα υπάρχον αντιβιοτικό που ονομάζεται Protegrin-1. Το συγκεκριμένο αντιβιοτικό είχε αποδειχθεί στο παρελθόν άκρως αποτελεσματικό ενάντια στα βακτήρια αλλά τοξικό για τους ανθρώπους. Το Protegrin-1 το οποίο παράγεται με φυσικό τρόπο από τους χοίρους ενάντια στις λοιμώξεις ανήκει σε έναν υπότυπο αντιβιοτικών που ονομάζονται αντιμικροβιακά πεπτίδια (AMPs). Τα AMPs εξολοθρεύουν τα βακτήρια παρεμβαίνοντας απευθείας στις κυτταρικές μεμβράνες τους, ωστόσο πολλά από αυτά στοχεύουν μαζί και τις ανθρώπινες κυτταρικές μεμβράνες με αποτέλεσμα να αποδεικνύονται τοξικά.
Δημιουργία περισσότερων από 7.000 παραλλαγών του αντιβιοτικού

Αρχικώς οι επιστήμονες χρησιμοποίησαν μια μέθοδο την οποία είχαν αναπτύξει στο παρελθόν για να δημιουργήσουν περισσότερες από 7.000 παραλλαγές του Protegrin-1 και να εντοπίσουν γρήγορα περιοχές που θα μπορούσαν να τροποποιηθούν χωρίς να χάνεται η αντιβιοτική δραστηριότητα.
Αξιολόγηση με βάση τρεις παραμέτρους-«κλειδιά»

Στη συνέχεια εκπαίδευσαν ένα πρωτεϊνικό μεγάλο γλωσσικό μοντέλο ώστε να μπορεί να αξιολογεί εκατομμύρια πιθανές παραλλαγές σε ό,τι αφορούσε τρεις παραμέτρους: επιλεκτική στόχευση των βακτηριακών μεμβρανών και εξολόθρευση των βακτηρίων χωρίς όμως να βλάπτονται τα ανθρώπινα ερυθρά αιμοσφαίρια. Το μοντέλο καθοδήγησε την ερευνητική ομάδα στο να εντοπίσει μια ασφαλέστερη και αποτελεσματικότερη εκδοχή του Protegrin-1 που ονομάστηκε bacterially selective Protegrin-1.2 (bsPG-1.2).
Ενθαρρυντικά αποτελέσματα στα ποντίκια

Ποντίκια που είχαν μολυνθεί με πολυανθεκτικά βακτήρια και έλαβαν το bsPG-1.2 είχαν πολύ λιγότερες πιθανότητες να φέρουν ανιχνεύσιμα βακτήρια στα όργανά τους έξι ώρες μετά τη μόλυνση σε σύγκριση με άλλα ποντίκια που δεν έλαβαν την αντιβιοτική θεραπεία. Αν περαιτέρω πειράματα που αναμένεται να διεξαχθούν σύντομα είναι εξίσου ενθαρρυντικά, οι ερευνητές ελπίζουν ότι θα προχωρήσουν σε δοκιμές του αντιβιοτικού-«τέκνου» της ΤΝ σε ανθρώπους.
Διττή η θετική επίδραση της μηχανικής μάθησης

«Η επίδραση της μηχανικής μάθησης στο πεδίο της ανάπτυξης αντιβιοτικών είναι διττή. Θα μας δείξει νέα μόρια τα οποία θα μπορούσαν να βοηθήσουν τους ανθρώπους ενώ παράλληλα θα μας αποκαλύψει πώς μπορούμε να χρησιμοποιήσουμε υπάρχοντα αντιβιοτικά μόρια ώστε να τα κάνουμε αποτελεσματικότερα και να τα ‘οδηγήσουμε’ ταχύτερα στην κλινική πράξη» κατέληξε ο δρ Ντέιβις.

Δεν υπάρχουν σχόλια:

Δημοσίευση σχολίου