Хотя ИИ пока далек от того, чтобы произвести революцию в лечении заболеваний, есть сфера, в которой он справляется гораздо лучше - и это исследования gain-of-function. Ученые из Стэнфорда обучили ИИ генерировать геномы бактериофагов, которые оказались более вирулентными, чем “дикие” штаммы.
Для этого они использовали Evo и Evo 2, ИИ-модели, обученные на геномах вирусов и умеющие как прогнозировать свойства организмов, так и проектировать новые геномы. Для своего исследования ученые взяли хорошо изученный фаг ΦX174, вирус, поражающий бактерии кишечной палочки E. coli. Он прикрепляется к бактериальной клетке, вводит в нее свою ДНК, после чего бактерия начинает производить вирусы. Затем сотни новых фагов прорываются через ее оболочку и убивают ее.
Исследователи предоставили ИИ фиксированный участок генома, который есть у всех штаммов ΦX174, и дали задание заполнить недостающие участки до полноценного генома. Для более реалистичного результата они обучили модели на почти 15 тыс. геномов семейства Microviridae, к которым относится ΦX174. ИИ сгенерировал тысячи геномных последовательностей, 302 из которых были признаны перспективными. Ученые смогли синтезировать в лаборатории 285 фагов и ввести их в бактерии E. coli. 16 оказались жизнеспособными: они действительно размножались и убивали клетки.
Затем в рамках эксперимента ученые смешали все 16 фагов в пробирке с E. coli - что заставило их конкурировать за бактерии и позволило определить более вирулентные. Несколько сгенерированных с помощью ИИ вирусов превосходили в этом отношении “дикие” варианты, а один из них (названный Evo-Φ69) размножался на 25% быстрее. “Коктейль” из синтетических фагов также смог уничтожить 3 штамма особенно устойчивой E. coli, с которыми не мог справиться обычный ΦX174.
Почему ИИ может сделать исследования gain-of-function еще более непредсказуемыми?
❇️ За счет анализа огромного объема данных он может находить закономерности там, где их не в состоянии увидеть люди. Например, Evo-Φ36 получил от ИИ “неправильный” укороченный ген J, который, по данным предыдущих исследований, приводит к нежизнеспособности фага. Но модель перестроила остальную часть генома так, чтобы эта замена сработала, и вирус стал не только функционирующим, но и более “эффективным”. Таким образом, ИИ оказался способен на нестандартный подход - но именно там, где он особенно опасен.
❇️ Эти методы позволяют создавать жизнеспособные организмы, которые не только отличаются от изначальных, но и вообще принадлежат к другим видам. Например, даже в этом эксперименте некоторые фаги имели менее 95% сходства с другими известными вирусами, что делает их представителями новых - синтетических - видов.
❇️ Авторы ИИ пытаются предпринять усилия для того, чтобы защитить модели от использования в сомнительных целях. Например, Evo и Evo 2 исключают из данных для обучения геномы человеческих вирусов. Но у этих моделей открытый код, и мотивированный специалист может обучить их самостоятельно.
❇️ От бактериофагов недалеко до других, более сложных организмов, и работа в этом отношении уже ведется, в т.ч. командой из Стэнфорда. Кроме того, сложность не обязательна для того, чтобы сделать патоген смертельно опасным. Бактериофаги были взяты в т.ч. из-за их примитивности (у ΦX174 всего 11 генов), но многие вирусы человека не намного сложнее. Так, у ВИЧ 9 генов, у вируса бешенства - 5, у флавивируса, вызывающего геморрагическую лихорадку денге - 10. Существующие сейчас методы позволяют создавать до 50 генов.
❇️ Уже в ближайшем будущем может появиться возможность генерировать геном организмов на основе заранее заданных свойств. Как заявил Брайан Хи, один из участников эксперимента, “если у вас есть совершенно новая функция, которую вы хотите сконструировать — например, заражение определенного бактериального хозяина — даже без природного аналога, я думаю, мы довольно близки к тому, чтобы это сделать”.
