Υπάρχουν στιγμές που η ρητορική των πολέμιων της Τεχνητής Νοημοσύνης δεν θα μπορούσε, σε καμία περίπτωση, να σταματήσει την επιστημονική πρόοδο, ιδιαίτερα σε έναν νευραλγικό τομέα, όπως αυτός της Υγείας.
Ο «νεολουδιτισμός»* παραμένει, δυστυχώς, και στις ημέρες μας εξαιρετικά ενεργός, λειτουργώντας άκριτα ως άλλη τροχοπέδη σε ό,τι αφορά ειδικότερα την αναβάθμιση του ανθρώπινου βιοτικού επιπέδου, μέσω της παράλληλης εξέλιξης των νέων τεχνολογιών.
Η καλύτερη απάντηση σε αυτή την αμιγώς σκοταδιστική αντιμετώπιση των πραγμάτων έρχεται, αυτή τη φορά από το Τεχνολογικό Ινστιτούτο της Μασαχουσέτης (MIT). Χρησιμοποιώντας ένα είδος Τεχνητής Νοημοσύνης γνωστό ως «Βαθιά Μάθηση» (αγγλ. Deep Learning), ερευνητές του MIT ανακάλυψαν μια κατηγορία χημικών ενώσεων που μπορούν να σκοτώσουν ένα βακτήριο ανθεκτικό στα φάρμακα, το οποίο προκαλεί περισσότερους από 10.000 θανάτους στις Ηνωμένες Πολιτείες κάθε χρόνο.
Σε μελέτη που δημοσιεύθηκε πρόσφατα στο Nature, οι ερευνητές απέδειξαν ότι οι χημικές ενώσεις αυτές μπορούν να σκοτώσουν τον ανθεκτικό στη μεθικιλλίνη Staphylococcus aureus (MRSA). Οι ενώσεις παρουσιάζουν επίσης πολύ χαμηλή τοξικότητα έναντι των ανθρώπινων κυττάρων, γεγονός που τις καθιστά ιδιαίτερα καλές υποψήφιες φαρμακευτικές ουσίες.
Μια βασική καινοτομία της νέας μελέτης είναι ότι οι ερευνητές μπόρεσαν επίσης να καταλάβουν τι είδους πληροφορίες χρησιμοποιούσε το μοντέλο Βαθιάς Μάθησης, για να κάνει τις προβλέψεις του σε ό,τι αφορά την αντιβιοτική δραστικότητα. Αυτή η γνώση θα μπορούσε να βοηθήσει τους ερευνητές να σχεδιάσουν πρόσθετα φάρμακα που θα μπορούσαν να λειτουργήσουν ακόμη καλύτερα από αυτά που εντόπισε το μοντέλο.
«Η διορατικότητα εδώ ήταν ότι μπορούσαμε να δούμε τι μάθαιναν τα μοντέλα για να κάνουν τις προβλέψεις τους ότι ορισμένα μόρια θα ήταν καλά αντιβιοτικά. Η εργασία μας παρέχει ένα πλαίσιο που είναι αποδοτικό ως προς το χρόνο, τους πόρους και τη μηχανιστική διορατικότητα, από την άποψη της χημικής δομής, με τρόπους που δεν είχαμε μέχρι σήμερα», δήλωσε ο Τζέιμς Κόλινς, καθηγητής Ιατρικής Μηχανικής και Επιστήμης στο Ινστιτούτο Ιατρικής Μηχανικής και Επιστήμης (IMES) και στο Τμήμα Βιολογικής Μηχανικής του ΜΙΤ.
Ο Φέλιξ Γουόνγκ, μεταδιδακτορικός ερευνητής στο IMES και στο Ινστιτούτο Broad του MIT και του Χάρβαρντ, και η Έρικα Ζενγκ, πρώην μεταπτυχιακή φοιτήτρια της Ιατρικής Σχολής του Χάρβαρντ, την οποία συμβούλευε ο Κόλινς, είναι οι κύριοι συγγραφείς της μελέτης, η οποία αποτελεί μέρος του προγράμματος Antibiotics-AI Project του MIT. Η αποστολή αυτού του έργου, με επικεφαλής τον Κόλινς, είναι να ανακαλύψει νέες κατηγορίες αντιβιοτικών κατά επτά τύπων θανατηφόρων βακτηρίων, σε διάστημα επτά ετών.
Ένα επικίνδυνο βακτήριο για τον άνθρωπο και το «μαύρο κουτί» της Τεχνητής Νοημοσύνης
Το βακτήριο MRSA σε μικροσκοπική απεικόνιση (πηγή: Shutterstock)
Το βακτήριο MRSA, που μολύνει περισσότερους από 80.000 ανθρώπους στις Ηνωμένες Πολιτείες κάθε χρόνο, προκαλεί συχνά δερματικές λοιμώξεις ή πνευμονία. Οι σοβαρές περιπτώσεις μπορεί να οδηγήσουν σε σηψαιμία, μια δυνητικά θανατηφόρα λοίμωξη της κυκλοφορίας του αίματος.
Τα τελευταία χρόνια, ο Collins και οι συνάδελφοί του στην κλινική Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic) του MIT έχουν αρχίσει να χρησιμοποιούν τεχνικές Τεχνητής Νοημοσύνης, όπως η Βαθιά Μάθηση, για να προσπαθήσουν να βρουν νέα αντιβιοτικά. Η εργασία τους έχει αποδώσει πιθανά φάρμακα κατά του Acinetobacter baumannii, ενός βακτηρίου που συναντάται συχνά στα νοσοκομεία, και πολλών άλλων βακτηρίων ανθεκτικών στα φάρμακα.
Οι ενώσεις αυτές εντοπίστηκαν με τη χρήση μοντέλων Βαθιάς Μάθησης που μπορούν να μάθουν να εντοπίζουν χημικές δομές που σχετίζονται με αντιμικροβιακή δράση. Αυτά τα μοντέλα στη συνέχεια κοσκινίζουν εκατομμύρια άλλες ενώσεις, δημιουργώντας προβλέψεις για το ποιες από αυτές μπορεί να έχουν ισχυρή αντιμικροβιακή δράση.
Αυτού του είδους οι αναζητήσεις έχουν αποδειχθεί γόνιμες, αλλά ένας περιορισμός αυτής της προσέγγισης είναι ότι τα μοντέλα λογίζονται ως «μαύρα κουτιά»**, δηλαδή δεν υπάρχει τρόπος να γνωρίζουμε σε ποια χαρακτηριστικά βασίζει το μοντέλο τις προβλέψεις του. Εάν οι επιστήμονες γνώριζαν πώς τα μοντέλα έκαναν τις προβλέψεις τους, θα ήταν ευκολότερο για αυτούς να εντοπίσουν ή να σχεδιάσουν πρόσθετα αντιβιοτικά.
Αρχικά, οι ερευνητές εκπαίδευσαν ένα μοντέλο Βαθιάς Μάθησης χρησιμοποιώντας σημαντικά διευρυμένα σύνολα δεδομένων. Δημιούργησαν αυτά τα δεδομένα εκπαίδευσης δοκιμάζοντας περίπου 39.000 ενώσεις για αντιβιοτική δράση έναντι του βακτηρίου MRSA και στη συνέχεια τροφοδότησαν αυτά τα δεδομένα, καθώς και πληροφορίες σχετικά με τις χημικές δομές των ενώσεων, στο μοντέλο.
Για να καταλάβουν πώς το μοντέλο έκανε τις προβλέψεις του, οι ερευνητές προσάρμοσαν έναν αλγόριθμο που είναι γνωστός ως «αναζήτηση Monte Carlo», ο οποίος έχει χρησιμοποιηθεί για να βοηθήσει να γίνουν πιο κατανοητά άλλα μοντέλα βαθιάς μάθησης, όπως το AlphaGo. Αυτός ο αλγόριθμος αναζήτησης επιτρέπει στο μοντέλο να παράγει, όχι μόνο μια εκτίμηση της αντιμικροβιακής δραστικότητας κάθε μορίου, αλλά και μια πρόβλεψη για το ποιες υποδομές του μορίου πιθανώς ευθύνονται για αυτή τη δραστικότητα.
Νέα φάρμακα με λιγότερες παρενέργειες για τον άνθρωπο
Παράλληλα, για να περιορίσουν περαιτέρω τη δεξαμενή των υποψήφιων φαρμάκων, οι ερευνητές εκπαίδευσαν τρία επιπλέον μοντέλα βαθιάς μάθησης για να προβλέψουν εάν οι ενώσεις ήταν τοξικές σε τρεις διαφορετικούς τύπους ανθρώπινων κυττάρων. Συνδυάζοντας αυτές τις πληροφορίες με τις προβλέψεις της αντιμικροβιακής δράσης, οι ερευνητές ανακάλυψαν ενώσεις που θα μπορούσαν να σκοτώσουν τα μικρόβια, έχοντας παράλληλα ελάχιστες αρνητικές επιπτώσεις στον ανθρώπινο οργανισμό.
Χρησιμοποιώντας αυτή τη συλλογή μοντέλων, οι ερευνητές εξέτασαν περίπου 12 εκατομμύρια ενώσεις, οι οποίες είναι όλες διαθέσιμες στο εμπόριο. Από αυτή τη συλλογή, τα μοντέλα εντόπισαν ενώσεις από πέντε διαφορετικές κατηγορίες, με βάση τις χημικές υποδομές εντός των μορίων, οι οποίες προβλέφθηκε ότι θα ήταν δραστικές κατά του MRSA.
Οι ερευνητές αγόρασαν περίπου 280 ενώσεις και τις δοκίμασαν έναντι του MRSA που αναπτύχθηκε σε εργαστηριακό περιβάλλον, επιτρέποντάς τους να εντοπίσουν δύο, από την ίδια κατηγορία, που φάνηκαν να είναι πολύ υποσχόμενοι υποψήφιοι αντιβιοτικοί παράγοντες. Σε δοκιμές σε δύο μοντέλα ποντικιών, ένα με δερματική λοίμωξη από MRSA και ένα με συστηματική λοίμωξη από MRSA, κάθε μία από αυτές τις ενώσεις μείωσε τον πληθυσμό του MRSA κατά 10 φορές.
Τα πειράματα αποκάλυψαν ότι οι ενώσεις φαίνεται να σκοτώνουν τα βακτήρια διαταράσσοντας την ικανότητά τους να διατηρούν μια ηλεκτροχημική βαθμίδα στις κυτταρικές τους μεμβράνες. Αυτή η κλίση είναι απαραίτητη για πολλές κρίσιμες κυτταρικές λειτουργίες, συμπεριλαμβανομένης της ικανότητας παραγωγής ΑΤΡ (μόρια που χρησιμοποιούν τα κύτταρα για την αποθήκευση ενέργειας). Ένα υποψήφιο αντιβιοτικό που ανακάλυψε το εργαστήριο του Κόλινς το 2020, η αλοϊκίνη, φαίνεται να λειτουργεί με παρόμοιο μηχανισμό, αλλά είναι ειδικό για τα αρνητικά κατά Gram βακτήρια (βακτήρια με λεπτά κυτταρικά τοιχώματα). Το MRSA είναι ένα θετικό κατά Gram βακτήριο, με παχύτερα κυτταρικά τοιχώματα.
Οι ερευνητές μοιράστηκαν τα ευρήματά τους με τη Phare Bio, μια μη κερδοσκοπική εταιρεία που ξεκίνησε από τον Κόλινς και άλλους ως μέρος του Antibiotics-AI Project. Ο μη κερδοσκοπικός οργανισμός σχεδιάζει τώρα να κάνει πιο λεπτομερή ανάλυση των χημικών ιδιοτήτων και της πιθανής κλινικής χρήσης αυτών των ενώσεων. Εν τω μεταξύ, το εργαστήριο του Κόλινς εργάζεται για τον σχεδιασμό πρόσθετων υποψήφιων φαρμάκων με βάση τα ευρήματα της νέας μελέτης, καθώς και για τη χρήση των μοντέλων για την αναζήτηση ενώσεων που μπορούν να σκοτώσουν άλλους τύπους βακτηρίων.
Εκτός από το ΜΙΤ, το Χάρβαρντ και το Ινστιτούτο Broad, τα ιδρύματα που συνεισφέρουν στην εργασία είναι η Integrated Biosciences, Inc., το Ινστιτούτο Wyss για τη Μηχανική που Εμπνέεται από τη Βιολογία και το Ινστιτούτο Leibniz για την Έρευνα των Πολυμερών στη Δρέσδη της Γερμανίας. Η έρευνα χρηματοδοτήθηκε από το Ίδρυμα James S. McDonnell, το Εθνικό Ινστιτούτο Αλλεργιών και Λοιμωδών Νοσημάτων των ΗΠΑ, το Εθνικό Ίδρυμα Επιστημών της Ελβετίας, το Πρόγραμμα Υποτροφιών Banting, το Ίδρυμα Volkswagen, την Υπηρεσία Μείωσης Αμυντικών Απειλών, τα Εθνικά Ινστιτούτα Υγείας των ΗΠΑ και το Ινστιτούτο Broad. Το έργο Antibiotics-AI Project χρηματοδοτείται από το Audacious Project, το Flu Lab, το Sea Grape Foundation, το Wyss Foundation και έναν ανώνυμο δωρητή.
*Λουδίτες: Λουδισμός ή Λουδιτισμός (αγγλ. Luddism) είναι κίνημα που ξεκίνησε τον 19o αιώνα στην Αγγλία, από υφαντουργούς οι οποίοι εξεγέρθηκαν κατά των νεοκατασκευασθέντων μηχανημάτων της βιομηχανικής επανάστασης, που σκοπό είχαν τη μείωση του εργατικού προσωπικού και κατά συνέπεια την έκλειψη της εργασίας τους ως τεχνίτες. Οι Λουδίτες μπροστά στον κίνδυνο να χάσουν τη δουλειά τους από, χαμηλόμισθους και χαμηλής κατάρτισης, εργάτες που χειρίζονταν τους ηλεκτροκίνητους αργαλειούς, τις μηχανές ραψίματος και τις μηχανές γνεσίματος, κατέφυγαν σε εχθροπραξίες με την κυβέρνηση της Βρετανίας και τον βρετανικό στρατό, κυρίως από το 1811 μέχρι το 1813. Η ακριβής προέλευση του ονόματος Λουδισμός και Λουδίτες είναι ασαφής, αλλά κυρίαρχη άποψη είναι ότι ονομάστηκαν έτσι από τον Νεντ Λουντ (Ned Ludd), ο οποίος λέγεται ότι έσπασε δυο μηχανές γνεσίματος το 1779. Το όνομά του έγινε εμβληματικό της καταστροφής μηχανών και εξελίχθηκε στον φανταστικό ‘Στρατηγό Λουντ’ ή ‘Βασιλιά Νεντ Λουντ’, μια μυθική φιγούρα που, ως άλλος Ρομπέν των Δασών, ζούσε στο Δάσος του Σέργουντ στο Νότιγχαμ και φερόταν ως ηγέτης της εξέγερσης.
** Για το «μαύρο κουτί» της Τεχνητής Νοημοσύνης βλ. άρθρο Liberal «Ερμηνεύοντας την Τεχνητή Νοημοσύνη: Η ΑΙ «εξηγείται», οι άνθρωποι την καταλαβαίνουν;».
