Μια ομάδα βιομηχανικών μηχανικών και βιολόγων στο Stanford δημοσίευσε προκαταρκτικά στοιχεία ότι κατάφερε να δημιουργήσει συνθετικούς βακτηριοφάγους με σχέδια που προήλθαν από παραγωγικά μοντέλα τεχνητής νοημοσύνης και τα πρώτα αποτελέσματα δείχνουν ότι κάποιοι από αυτούς ήταν πολύ πιο μολυσματικοί από τον φυσικό πρότυπο. Η εργασία, με επικεφαλής τον Brian Hie, αναφέρει τη χρήση των μοντέλων Evo 1 και Evo 2 του Arc Institute, μοντέλα στα οποία ο Hie συμμετείχε στη σχεδίαση. Οι συγγραφείς υποστηρίζουν ότι πρόκειται για την πρώτη φορά που ένα AI-παραγόμενο γονιδίωμα αποδείχθηκε λειτουργικό υπό εργαστηριακές συνθήκες.
Το αντικείμενο της μελέτης ήταν ο βακτηριοφάγος ΦX174, ένας καλά μελετημένος ιός που μολύνει το E. coli και έχει χρησιμοποιηθεί συχνά ως πρότυπο στη μοριακή βιολογία. Η ομάδα δεν περιορίστηκε σε απλή αυτόματη παραγωγή γονιδιωμάτων: τα μοντέλα Evo τροφοδοτήθηκαν με πρόσθετα γενετικά δεδομένα και ειδικά προσαρμοσμένα prompts που περιλάμβαναν αλληλουχίες σχετικές με τον ΦX174, ενώ οι επιστήμονες κατεύθυναν την παραγωγή κατά τη φάση inference ώστε να προκύψουν παραλλαγές με επιθυμητά χαρακτηριστικά.
Από την αρχική δεξαμενή των σχεδίων, προέκυψαν 302 υποψήφια γονιδιώματα· τα 285 εξ αυτών μπόρεσαν να μετατραπούν σε πλήρη γονιδιώματα και, τελικά, 16 διέκοψαν την ανάπτυξη του E. coli στις δοκιμές που ακολούθησαν. Οι ερευνητές επισημαίνουν ότι οι συνθετικοί αυτοί βακτηριοφάγοι δεν περιορίστηκαν να «αντιγράψουν» τον ΦX174: πολλοί εμφάνισαν μολυσματικότητα πολύ υψηλότερη από το φυσικό πρότυπο. Σε μία από τις παραλλαγές, με την ονομασία Evo-Φ69, μετρήθηκαν ικανότητες δεκάδες φορές μεγαλύτερες από αυτές του ΦX174 σε βραχύ χρονικό διάστημα.
Ωστόσο, αξίζει να τονιστεί ότι τα παραγόμενα γονιδιώματα δεν ήταν «έτοιμοι» ιοί από μόνα τους — οι ερευνητές έπρεπε να παρέμβουν με εργαστηριακές διαδικασίες για να εισαγάγουν τα γονιδιώματα σε βακτηριακά κύτταρα ώστε να παραχθούν οι πλήρεις φορητές μορφές του φάγου. Μόλις όμως παραχθούν, οι ίδιοι οι φάγοι μπορούν να αναπτυχθούν και να πολλαπλασιαστούν στο εργαστήριο, οδηγώντας οι συγγραφείς στην παρατήρηση ότι η τεχνολογία θα μπορούσε να αξιοποιηθεί για φαρμακολογικούς σκοπούς, όπως θεραπείες φάγου κατά ανθεκτικών βακτηριακών λοιμώξεων.
Η ομάδα ανέφερε επίσης ότι, κατά το έργο τους, δημιούργησαν τρεις στελέχη E. coli ανθεκτικά στον ΦX174 και διαπίστωσαν πως οι συνθετικοί φάγοι μπορούσαν — μέσω ανασυνδυασμού πολλαπλών τεχνητά παραγόμενων στελεχών — να υπερκεράσουν την αντοχή των βακτηρίων. Από εκεί προκύπτει η ιδέα ότι γενετικά ποικίλες «κοκτέιλ» φάγων σχεδιασμένα από AI θα μπορούσαν να βελτιώσουν την αποτελεσματικότητα θεραπειών. Στην εργασία τους, οι συγγραφείς προβλέπουν ότι οι τεχνικές αυτές ανοίγουν δρόμο για τον σχεδιασμό πιο σύνθετων βιολογικών συστημάτων με επιθυμητές λειτουργίες, ενδεχομένως και για μεγαλύτερα γονιδιώματα οργανισμών.
Όπως είναι αναμενόμενο, η έρευνα πυροδότησε έντονες συζητήσεις για τη βιοασφάλεια. Πολλοί ερευνητές επισημαίνουν ότι τα αποτελέσματα μοιάζουν σαν να βγαίνουν από μυθιστόρημα καταστροφής: αν μοντέλα και κώδικες που βοηθούν στην παραγωγή τέτοιων παραλλαγών γίνουν ευρέως προσβάσιμα, υπάρχει θεωρητικός κίνδυνος κατάχρησης από κακόβουλους παράγοντες ή κράτη.
Ο Hie και οι συνεργάτες του απαντούν με επιφυλακτικότητα: τονίζουν ότι το έργο απαιτούσε εκτεταμένη δουλειά στο υπολογιστικό στάδιο — ειδική προεπεξεργασία δεδομένων, προσαρμοσμένα prompts και λεπτομερή καθοδήγηση — και ότι τα μοντέλα Evo δεν είχαν εκπαιδευτεί σε δεδομένα ανθρώπινων ιών. Συνεπώς, κατά τους ίδιους, το άμεσο «κατέβασμα» της διαδικασίας σε κάποιον που θέλει να δημιουργήσει βιο-όπλα δεν είναι τόσο απλό όσο μπορεί να φαίνεται, αφού το έργο προϋπέθεσε τόσο υπολογιστικό όσο και εργαστηριακό know-how. Παρ’ όλα αυτά, αναγνωρίζουν ότι η τεχνολογία μειώνει ορισμένους τεχνικούς περιορισμούς και γι’ αυτό απαιτείται ενίσχυση των μέτρων βιοασφάλειας και εποπτείας.
Σε κάθε περίπτωση, η έρευνα του Stanford τοποθετεί μια κρίσιμη συζήτηση στο προσκήνιο: πώς θα αξιοποιηθούν οι δυνατότητες της γενετικής σχεδίασης με AI για ιατρικό όφελος, ενώ παράλληλα θα προληφθεί η κατάχρηση; Η απάντηση σε αυτό το δίλημμα θα καθορίσει σε μεγάλο βαθμό το μέλλον της βιοτεχνολογίας στην εποχή της τεχνητής νοημοσύνης.
[via]
