مقالات

این عامل ویروسی می شود | وبلاگ ویروس شناسی


توسط گرترود دبلیو ری

باکتریوفاژهای متصل به سطح سلول باکتریایی.

هوش مصنوعی (AI) به سرعت علوم زیستی را متحول می کند و به محققان کمک می کند تا داده های ژنتیکی را تجزیه و تحلیل کنند، ساختارهای پروتئینی را پیش بینی کنند و کشف دارو را تسریع کنند. دانشمندان قبلاً به یک نقطه عطف مهم دیگر رسیده اند: استفاده از هوش مصنوعی برای طراحی ویروس های جدید. یک مطالعه جدید از دانشگاه استنفورد و موسسه Arc نشان می‌دهد که الگوهای زبان ژنومی می‌توانند باکتریوفاژهای جدید (یعنی «فاژها»، ویروس‌هایی که باکتری‌ها را آلوده می‌کنند) تولید کنند و ویروس‌های زنده‌ای را تولید کنند که در طبیعت یافت نمی‌شوند. این دستاورد نشان دهنده پیشرفت قابل توجهی در زیست شناسی مصنوعی است، رشته ای که بر مهندسی سیستم های زنده برای کاربردهای مختلف از پزشکی تا کشاورزی متمرکز است.

فاژها برای این پروژه انتخاب شدند زیرا ژنوم های کوچک آنها و ناتوانی در آلوده کردن انسان ها آنها را به یک پلت فرم ایده آل و نسبتاً ایمن برای کاوش در طراحی ژنوم هدایت شده با هوش مصنوعی تبدیل می کند. تلاش ها با ΦX174، یک فاژ آلوده کننده که به خوبی مطالعه شده بود، آغاز شد E. coli. نویسندگان مطالعه از مدل های زبان ژنوم، Evo 1 و Evo 2 برای تولید هزاران ژنوم فاژ کامل با استفاده از ΦX174 به عنوان یک الگو استفاده کردند. Evo 1 و Evo 2 به طور مشابه با مدل های زبان بزرگ مانند ChatGPT کار می کنند، با این تفاوت که آنها الگوها را در DNA به جای کلمات یاد می گیرند. Evo 1 بر روی حدود 300 میلیارد نوکلئوتید از ژنوم باکتری ها و فاژها و Evo 2 بر روی تقریباً 9.3 تریلیون نوکلئوتید که بیش از 128000 گونه را پوشش می دهد آموزش دیده است. نکته مهم این است که این مدل‌ها که از این به بعد در مجموع به عنوان «Evo» نامیده می‌شوند، صرفاً بر روی داده‌های توالی ژنوم، بدون هیچ گونه اطلاعات مشتق‌شده تجربی که توالی‌ها را به عملکرد بیولوژیکی مرتبط می‌کند، آموزش داده شدند. به دلایل ایمنی، محققان توالی‌هایی را از ویروس‌هایی که موجودات یوکاریوتی از جمله انسان را آلوده می‌کنند، حذف کردند.

سپس نویسندگان نزدیک به 300 ژنوم فاژ مهندسی شده توسط Evo را سنتز و آزمایش کردند. در نهایت، تنها 16 ژنوم باکتریوفاژهای زنده را تولید کردند که قادر به عفونت و تکثیر در E. coli سویه C، میزبان طبیعی فاژ FH174. این میزان موفقیت کم، علی‌رغم دسترسی طراحی Evo به داده‌های آموزشی بسیار مرتبط، پیچیدگی شدید زیست‌شناسی ویروسی را نشان می‌دهد. علاوه بر این، این ایده را به چالش می کشد که ایجاد ویروس های جدید یک فرآیند ساده یا معمول است. جالب توجه است، اگرچه فاژهای موفق حاوی جهش‌های متعددی در ژنوم خود با توجه به ΦX174 بودند، اما هر طرح عملکردی یک منشا دست‌نخورده همانندسازی را حفظ کرد، یک توالی DNA ضروری برای همانندسازی ویروسی. این یافته نشان می دهد که Evo توانسته است تنوع ژنتیکی قابل توجهی ایجاد کند در حالی که یکی از اساسی ترین الزامات بیولوژیکی برای زنده ماندن ویروس را حفظ کرده است.

شاید هیجان انگیزترین جنبه کار پتانسیل آن برای پیشبرد فاژ درمانی و در نتیجه رفع نیازهای پزشکی برآورده نشده قابل توجه باشد. یکی از چالش های اصلی در زمینه فاژ درمانی مقاومت باکتریایی است. اگر حتی تعداد کمی از باکتری ها از درمان فاژی جان سالم به در ببرند، این سلول های مقاوم می توانند به سرعت تکثیر شوند و به ایجاد بیماری ادامه دهند. برای کشف پتانسیل درمانی فاژهای تولید شده توسط Evo، این مطالعه توانایی آنها را برای غلبه بر چنین مقاومت باکتریایی ارزیابی کرد. نویسندگان تولید می کنند E. coli سویه های C مقاوم به ΦX174، تقلید از وضعیتی است که در آن بیمار مبتلا به عفونت باکتریایی که فاژ درمانی دریافت می کند، می تواند باکتری های مقاوم به فاژ تولید کند. قابل ذکر است، مخلوطی از 16 فاژ موفق تولید شده توسط Evo قادر به آلوده کردن و کشتن آنهایی بود که به ΦX174 مقاوم بودند. E. coli باکتری C. بنابراین فاژهای تولید شده توسط تکامل یافته یک اصل اثبات هستند که فاژهای مهندسی شده با هوش مصنوعی می توانند بر مقاومت باکتریایی در برابر کشتن فاژ غلبه کنند و پتانسیل رویکرد هوش مصنوعی برای درمان ضد باکتریایی را برجسته می کند.

سرفصل‌های مربوط به ویروس‌های ایجاد شده توسط هوش مصنوعی نگرانی‌های ایمنی را به‌طور قابل‌توجهی برانگیخته‌اند، اما پیامدهای چنین تحقیقاتی بیش از آن چیزی است که در نگاه اول به نظر می‌رسد. مدل‌های زبان ژنوم الگوها را از توالی‌های DNA موجود می‌آموزند، اما این مدل‌ها مشخص نمی‌کنند که کدام ویژگی‌ها بر قابلیت انتقال، حدت یا بیماری‌زایی ویروسی حاکم است. در واقع، بسیاری از عوامل ژنتیکی و محیطی که زمینه ساز این صفات هستند برای دانشمندان نامشخص باقی مانده است. از آنجایی که Evo عمدتاً بر روی داده های توالی به جای عملکرد بیولوژیکی آموزش دیده است، نمی توان به سادگی به آن دستور داد تا “ویروس خطرناکی ایجاد کند.” اگرچه ویژگی‌های غیرمنتظره/خطرناک می‌توانند به طور تصادفی ظاهر شوند، درست همانطور که گاهی اوقات از طریق تکامل طبیعی انجام می‌دهند، این مطالعه چنین چیزی را نشان نمی‌دهد. در عوض، هم وعده طراحی ژنوم مبتنی بر هوش مصنوعی و هم اهمیت ایجاد چارچوب‌های ایمنی قوی را با ادامه تکامل این فناوری نشان می‌دهد. مهندسی ژنوم هدایت‌شده با هوش مصنوعی می‌تواند به ابزاری قدرتمند برای مبارزه با مقاومت آنتی‌بیوتیکی و پیشرفت بیوتکنولوژی به نفع بشریت تبدیل شود.

[The material in this post was also discussed on TWiV 1355.]


Source link

نوشته های مشابه

دیدگاهتان را بنویسید

همچنین ببینید
بستن
دکمه بازگشت به بالا