Η τεχνητή νοημοσύνη δημιουργεί εξαιρετικά αντισώματα που οι άνθρωποι δεν μπορούν καν να φανταστούν

Τα ρομπότ, οι υπολογιστές και οι αλγόριθμοι αναζητούν πιθανές νέες θεραπείες με τρόπους που δεν μπορούν οι άνθρωποι. Επεξεργάζονται τεράστιους όγκους δεδομένων και παράγουν μόρια που δεν τα βάζει ο ανθρώπινος νους.

Σε ένα παλιό εργοστάσιο παραγωγής μπισκότων στο Νότιο Λονδίνο, οι γιγαντιαίοι αναδευτήρες και οι βιομηχανικοί φούρνοι έχουν αντικατασταθεί από ρομποτικούς βραχίονες, θερμοκοιτίδες και μηχανήματα προσδιορισμού αλληλουχίας DNA.

Εκεί μέσα ο James Field με την εταιρεία του που ονομάζεται LabGenius δεν φτιάχνουν γλυκές λιχουδιές, αλλά «μαγειρεύουν» μια επαναστατική προσέγγιση που βασίζεται στην τεχνητή νοημοσύνη για την ανακάλυψη και παραγωγή αντισωμάτων.

Στη φύση, τα αντισώματα είναι η απάντηση του οργανισμού σε ασθένειες και λειτουργούν ως στρατός στην πρώτη γραμμή του ανοσοποιητικού συστήματος. Πρόκειται για πρωτεϊνικούς κλώνους που είναι ειδικά διαμορφωμένοι για να κολλάνε σε ξένους εισβολείς και να «ενορχηστρώνουν» την αποβολή τους από τον οργανισμό. Από τη δεκαετία του 1980, οι φαρμακευτικές εταιρείες παρασκευάζουν συνθετικά αντισώματα για τη θεραπεία νόσων, όπως ο καρκίνος, αλλά και για να μειώσουν την πιθανότητα απόρριψης μεταμοσχευμένων οργάνων.

Ωστόσο, ο σχεδιασμός των αντισωμάτων είναι μια αργή διαδικασία καθώς οι ερευνητές πρέπει να τσεκάρουν εκατομμύρια πιθανούς συνδυασμούς αμινοξέων για να βρουν αυτά που θα αναδιπλωθούν με τον σωστό τρόπο και στη συνέχεια να τα δοκιμάσουν όλα πειραματικά και να τροποποιήσουν κάποιες μεταβλητές έτσι ώστε να βελτιώσουν ορισμένα χαρακτηριστικά της θεραπείας, ελπίζοντας ότι αυτή η τροποποίηση δεν θα την επηρεάσει με άλλους τρόπους.

«Αν θέλετε να δημιουργήσετε ένα νέο θεραπευτικό αντίσωμα, θα βρείτε αυτό που θέλετε κάπου μέσα σε αυτόν τον άπειρο χώρο των πιθανών μορίων», λέει στο WIRED ο Field, ιδρυτής και διευθύνων σύμβουλος της LabGenius, ο οποίος ξεκίνησε την εταιρεία το 2012 εκπονώντας τη διδακτορική του διατριβή στη συνθετική βιολογία στο Imperial College του Λονδίνου και βλέποντας το κόστος της αλληλούχησης DNA, των υπολογιστικών μεθόδων και της ρομποτικής διαρκώς να μειώνεται.

Η LabGenius χρησιμοποιεί και τα τρία για να αυτοματοποιήσει σε μεγάλο βαθμό τη διαδικασία ανακάλυψης αντισωμάτων. Στο εργαστήριό της ένας αλγόριθμος μηχανικής μάθησης σχεδιάζει αντισώματα που στοχεύουν συγκεκριμένες ασθένειες και στη συνέχεια αυτοματοποιημένα ρομποτικά συστήματα τα σχεδιάζουν και τα αναπτύσσουν στο εργαστήριο, εκτελούν δοκιμές και επανατροφοδοτούν τον αλγόριθμο με δεδομένα, και όλα αυτά με ελάχιστη ανθρώπινη επίβλεψη. Η εταιρεία διαθέτει ειδικούς χώρους για την καλλιέργεια άρρωστων κυττάρων, την ανάπτυξη αντισωμάτων και τον προσδιορισμό της αλληλουχίας του DNA τους.

Απελευθερώνοντας τη δύναμη των αντισωμάτων

Οι επιστήμονες ξεκινούν εντοπίζοντας έναν χώρο αναζήτησης πιθανών αντισωμάτων για την αντιμετώπιση μιας συγκεκριμένης ασθένειας. Χρειάζονται πρωτεΐνες που μπορούν να διακρίνουν τα υγιή και τα άρρωστα κύτταρα, να κολλήσουν στα άρρωστα και στη συνέχεια να στρατολογήσουν κύτταρα του ανοσοποιητικού για να ολοκληρώσουν τη δουλειά. Αλλά αυτές οι πρωτεΐνες θα μπορούσαν να βρίσκονται οπουδήποτε μέσα στον άπειρο χώρο αναζήτησης των πιθανών επιλογών.

Η διαφορά είναι ότι η LabGenius έχει αναπτύξει ένα μοντέλο μηχανικής μάθησης που μπορεί να εξερευνήσει αυτόν τον χώρο πολύ πιο γρήγορα και αποτελεσματικά. «Το μόνο input που δίνει στο σύστημα ο άνθρωπος είναι ένα παράδειγμα υγιούς κυττάρου και ένα παράδειγμα άρρωστου κυττάρου», λέει ο Field. «Και μετά αφήνει το σύστημα να εξερευνήσει τα διαφορετικά σχέδια αντισωμάτων που μπορούν να διαφοροποιηθούν μεταξύ τους».

Το μοντέλο εντοπίζει αρχικά περισσότερες από 700 επιλογές από μια δεξαμενή 100.000 πιθανών δυνατοτήτων και στη συνέχεια τα σχεδιάζει, τα κατασκευάζει και τα δοκιμάζει αυτόματα, με στόχο την εύρεση δυνητικά γόνιμων περιοχών για διερεύνηση σε μεγαλύτερο βάθος. Όπως για παράδειγμα, κάποιος που θέλει να επιλέξει το τέλειο αυτοκίνητο μέσα από μια μάντρα με χιλιάδες. Μπορεί να ξεκινήσει επιλέγοντας το χρώμα που θέλει και στη συνέχεια να φιλτράρει τη συγκεκριμένη απόχρωση.

Οι δοκιμές είναι σχεδόν πλήρως αυτοματοποιημένες, με μια σειρά εξοπλισμού υψηλού επιπέδου που εμπλέκεται στην προετοιμασία δειγμάτων και στα διάφορα στάδια της διαδικασίας. Τα αντισώματα αναπτύσσονται με βάση τη γενετική τους αλληλουχία και στη συνέχεια δοκιμάζονται σε βιολογικές αναλύσεις - δείγματα του άρρωστου ιστού που έχουν σχεδιαστεί για να αντιμετωπίσουν. Οι δοκιμές έχουν πολύ υψηλότερη απόδοση που επιτρέπει τον έλεγχο 768 αντισωμάτων ταυτόχρονα. Κάθε δοκιμή έχει έναν γραμμωτό κώδικα που επιτρέπει στο σύστημα να το παρακολουθεί. Οι άνθρωποι επιβλέπουν τη διαδικασία, αλλά η δουλειά τους είναι σε μεγάλο βαθμό να μετακινούν δείγματα από το ένα μηχάνημα στο άλλο.

Τα πειραματικά δεδομένα αυτό το πρώτο σύνολο 700 μορίων επανατροφοδοτούν το μοντέλο μηχανικής μάθησης, το οποίο βοηθά στην καθοδήγηση του σχεδιασμού της επόμενης παρτίδας των 700 αντισωμάτων. Αυτός ο συνδυασμός μηχανικής μάθησης και πειραμάτων στον πραγματικό κόσμο αυξάνει τον αριθμό των ελεγχόμενων αντισωμάτων κατά 35 φορές. Με άλλα λόγια, ο αλγόριθμος αρχίζει να δημιουργεί μια εικόνα του πώς τα διαφορετικά σχέδια αντισωμάτων αλλάζουν την αποτελεσματικότητα της θεραπείας - με κάθε επόμενο γύρο σχεδιασμού αντισωμάτων να βελτιώνεται, εξισορροπώντας προσεκτικά την εκμετάλλευση δυνητικά γόνιμων σχεδίων με την εξερεύνηση νέων περιοχών.

«Μια πρόκληση με τη συμβατική μηχανική πρωτεϊνών είναι ότι μόλις βρούμε κάτι που λειτουργεί λίγο, κάνουμε έναν πολύ μεγάλο αριθμό πολύ μικρών τροποποιήσεων σε αυτό το μόριο για να δούμε εάν μπορεί να βελτιωθεί περαιτέρω», λέει ο Field. Αυτές οι τροποποιήσεις μπορεί να βελτιώσουν μια ιδιότητα – το πόσο εύκολα μπορεί να κατασκευαστεί το αντίσωμα σε κλίμακα, για παράδειγμα - αλλά πιθανότατα έχουν καταστροφική επίδραση σε πολλά άλλα χαρακτηριστικά του, όπως η επιλεκτικότητα, η τοξικότητα, η ισχύς και πολλά άλλα. Η συμβατική προσέγγιση σημαίνει ότι μπορεί κάποιος να προσπαθεί να βελτιστοποιήσει ατελείωτα κάτι που λειτουργεί ελάχιστα, όταν μπορεί να έχει πολύ καλύτερες επιλογές σε ένα εντελώς διαφορετικό μέρος του χάρτη. Η συμβατική προσέγγιση περιορίζεται επίσης και από τον αριθμό των δοκιμών που μπορούν να γίνουν ή τον αριθμό των «σουτ στο τέρμα», όπως το θέτει ο Field.

Στη προσέγγιση της η LabGenius αντί να βελτιώσει τις μικρές παραλλαγές ενός μεμονωμένου σχεδίου, το μοντέλο κάνει τολμηρά άλματα σε αχαρτογράφητη περιοχή. Αποκαλύπτει λύσεις που μπορεί να είχε χάσει η ανθρώπινη διαίσθηση, παρέχοντας αποτελέσματα γρήγορα και με ακρίβεια. Χρειάζονται μόλις έξι εβδομάδες από τον ορισμό ενός προβλήματος μέχρι την ολοκλήρωση της πρώτης παρτίδας αντισωμάτων, με όλες τις διαδικασίες να είναι κατευθυνόμενες από μοντέλα μηχανικής μάθησης.

Η LabGenius έχει συγκεντρώσει 28 εκατομμύρια δολάρια από εταιρείες όπως η Atomico και η Kindred και αρχίζει να συνεργάζεται με φαρμακευτικές εταιρείες, προσφέροντας τις υπηρεσίες της ως σύμβουλος. Ο Field λέει ότι η αυτοματοποιημένη προσέγγιση θα μπορούσε να εφαρμοστεί και σε άλλες μορφές ανακάλυψης θεραπειών, βελτιώνοντας τη μακρά, «τεχνική» διαδικασία ανακάλυψης φαρμάκων.

Πηγή: WIRED

#ΤΕΧΝΗΤΗ_ΝΟΗΜΟΣΥΝΗ #ΑΝΤΙΣΩΜΑΤΑ #ΑΝΘΡΩΠΟΙ