Az Evo 2 nevű AI-modell működőképes fágokat „talált ki" az antibiotikum-rezisztens E. coli ellen

A Stanford Egyetem kutatói közel 300 bakteriofágot – baktériumfertőző vírust – állítottak elő olyan DNS-szekvenciákból, amelyeket az Evo 2 nevű generatív AI-modell tervezett. A laboratóriumi tesztelés végül 16 fágra szűkítette a kört, amelyek különösen erős E. coli-pusztító aktivitást mutattak. A hír azért izgalmas, mert itt a mesterséges intelligencia nem mondatokat vagy képeket, hanem teljes, működőképes vírusgenomokat generált.

A munka középpontjában a ΦX174 nevű bakteriofág áll. Az Evo 2-t Brian Hie, a Stanford vegyészmérnöki adjunktusa hozta létre, a kísérleti munkát pedig Samuel King biomérnök-doktorandusz vezette.

Egyetlen menetben megírt teljes genom

Az Evo 2 egy rövid, kiindulási genomrészletből generál új DNS-szekvenciákat. A kutatók arra kérték a modellt, hogy egyetlen, balról jobbra haladó menetben állítsa elő a teljes ΦX174-genomot – emberi beavatkozás nélkül.

„Azt akartuk, hogy a modell elejétől a végéig, egyetlen menetben generálja a teljes genomot. Semmit sem tettünk hozzá” – idézi Hie-t a Stanford beszámolója.

A ΦX174 viszonylag kompakt tesztrendszert kínált: genomja kevesebb mint 6000 bázispárt tartalmaz, szemben az emberi genom nagyjából 3 milliárd bázispárjával. Hie szerint azonban még egy 5400 karakteres DNS-szekvencia génről génre való értelmezése is komoly kihívás elé állítja a kutatókat. A modell több ezer genomjelöltet generált, mielőtt a csapat kiválasztotta a kémiai szintézisre és laboratóriumi tesztelésre szánt szekvenciákat.

Az Evo 2 néhány javasolt fágja a laboratóriumi tesztelésben magasabb „fitneszt” (életképességet) mutatott, mint a natív ΦX174 – a projekt tehát nem pusztán lokális DNS-módosításokat javasolt, hanem azt tesztelte, hogy egy modell képes-e teljes, életképes vírusgenomokat létrehozni.

Szűrés a szintézis előtt

King egy számítógépes keretrendszert dolgozott ki, amellyel csökkenteni lehetett a szintézisre küldött genomjelöltek számát. A folyamat több lépésből állt:

• A genomok generálása az Evo 2-vel
• A jelöltek értékelése előre meghatározott tervezési kritériumok alapján
• Az optimális jelöltek kiválasztása
• Kémiai szintézisük
• Laboratóriumi tesztelésük

A keretrendszer így a szintézisköltségeket is csökkentette azzal, hogy a kiadásokat a leginkább életképesnek ítélt jelöltekre koncentrálta. Ez egyben a kutatás valódi határát is kijelöli: az Evo 2 több ezer lehetőséget generált, de a működőképes fágok azonosításához továbbra is szükség volt számítógépes értékelésre, kémiai szintézisre és laboratóriumi vizsgálatokra. A modell tehát nem helyettesíti, hanem gyorsítja a tudományos munkát.

Miért 16 fág, és nem egy?

A kutatók azért választottak több E. coli-t célzó fágot, mert a baktériumok ellenállóvá válhatnak egyetlen kezeléssel szemben. Hie hasonlata szerint, ha a baktérium egyetlen fággal szemben rezisztenciát szerez, „vége a gyógyszernek” – de több, genetikailag különböző fág keverékével szemben már sokkal nehezebb egyszerre mindegyik ellen védekeznie. A Stanford beszámolója szerint a 16 kiválasztott fágból álló koktél gyorsan legyőzte a rezisztenciát abban az E. coli törzsben is, amely immunis volt a natív ΦX174-re.

Hie szerint hasonló munka a jövőben a meticillinrezisztens Staphylococcus aureus (MRSA), illetve a kórházi fertőzések egyik vezető okozója, a Pseudomonas aeruginosa ellen is folytatható. Ez a megközelítés hosszú távon új utat nyithat az antibiotikum-rezisztencia elleni küzdelemben, amely a modern egészségügy egyik legnagyobb kihívása.

Nyílt forráskód és a bioszekuritási vita

Hie az Evo 2-t nyílt forráskódú szoftverként adta ki, így a kutatók letölthetik és genomok tervezésére használhatják. Ez azonban biztonsági és bioszekuritási vitát is kiváltott. Hie elismerte, hogy rossz szándékú szereplők módosíthatják a modell egyes verzióit, ugyanakkor amellett érvelt, hogy a már létező kórokozók nagyobb kockázatot jelentenek, mivel azokhoz könnyebben hozzá lehet férni és elő lehet állítani őket.

Hie szerint az AI-alapú rendszerek segíthetnek a természetes eredetű járványokra adott válaszokban, és védekezési lehetőségeket kínálhatnak mesterséges biológiai fenyegetésekkel szemben is. A kettős felhasználás (dual-use) kérdése – vagyis hogy ugyanaz a technológia gyógyíthat és árthat is – a generatív biológia egyik központi etikai dilemmája, és jól illeszkedik abba a szabályozási vitába, amely az AI-t egyre inkább az érzékeny tudományterületek felé tereli.

Mi jön ezután?

A következő fázisban az Evo 2-t hosszabb és összetettebb DNS-szekvenciákra terjesztik ki. A Stanford szerint a kis bakteriális genomok is a modell célpontjává válhatnak, ami olyan mérnöki mikrobák tervezését tenné lehetővé, amelyek vegyi anyagokat, gyógyszereket vagy üzemanyagokat állítanak elő. Hie két nyitott kérdés köré rendezi a hátralévő munkát: hogyan érhető el nagyobb genetikai újdonság, és hogyan növelhető a kimenetek irányíthatósága.

King a kutatás hasznát szűkebben fogalmazta meg: az Evo 2 által kínált kreativitás új kapukat nyitott a tudományban azzal, amit ezekkel a modellekkel most már meg lehet tenni.