Codex és ChatGPT segíti az új antimikrobiális molekulák keresését

A rezisztens kórokozók miatt gyorsabb keresésre van szükség

Az OpenAI 2026. szeptember 10-én megjelent írása szerint a gyógyszerrezisztens mikrobák, köztük baktériumok, gombák, paraziták és vírusok, növekvő globális fenyegetést jelentenek. A forrás szerint 2021-ben körülbelül ötmillió haláleset volt összefüggésben a bakteriális antimikrobiális rezisztenciával, és ez az éves szám 2050-re nagyjából megduplázódhat.

Az új antimikrobiális jelöltek megtalálása éveket vehet igénybe, ezért kutatók mesterséges intelligenciát használnak a felfedezés legkorábbi szakaszának gyorsítására. César de la Fuente biomérnök, aki több tudományterületet összekapcsoló laborban keres antimikrobiális jelölteket, az OpenAI-nak így fogalmazott: „Az antimikrobiális rezisztencia véleményem szerint az emberiség egyik legnagyobb egzisztenciális fenyegetése.” Hozzátette: „És mégis, 50 éve nem volt új antibiotikum-osztályunk.”

A modern antimikrobiális fejlesztés jelentős része meglévő gyógyszerek módosítására vagy ismert vegyületosztályok keresésére épül. De la Fuente laborja más kiindulópontot választ: az élet kódját vizsgálja. A kutató szerint a biológia információs rendszerként is felfogható. Mint mondta: „A DNS-t alkotó nukleotidok, valamint a fehérjéket és peptideket alkotó aminosavak bizonyos értelemben olyanok, mint egy ábécé.”

A genomokból órák alatt szűkítenék a jelöltek körét

A labor mélytanulási modelljeit arra tanítják, hogy mintákat ismerjenek fel biológiai szekvenciákban. Ezekkel hatalmas genom- és fehérje-adatkészletekben kutatnak olyan lehetséges antimikrobiális molekulák után, amelyeket később laboratóriumban lehet vizsgálni. Az OpenAI szerint ez a megközelítés az első jelöltkeresést évekről órákra csökkentheti.

A feladat azért nehéz, mert egy genomnak csak egy része rendelkezik világosan ismert funkcióval, és még kevesebb olyan szakasz van, amely fertőző mikrobák ellen ható molekulákat kódolhat. A kutatóknak először azt kell azonosítaniuk, milyen minták tesznek egy molekulát működőképessé vagy biológiailag aktívvá, majd azt, hogy ezek közül melyek lehetnek alkalmasak fertőző mikrobák elleni fellépésre.

A digitális genom- és fehérje-adatbázisok ma már lehetővé teszik, hogy a tudósok az élővilág széles körében keressenek új vegyületeket. Ez ugyan nagyobb kutatási teret ad, de óriási számú lehetőségből kell kiszűrni a releváns jeleket. Az AI ebben segíthet: nagy adatkészleteket pásztáz, mintákat keres, és kezelhető számú jelöltet rangsorolhat kísérleti tesztelésre.

Az OpenAI cikke ugyanakkor hangsúlyozza, hogy egy ígéretes jelölt még nem jelent hatékony gyógyszert. A tudósoknak igazolniuk kell, hogy a molekula elpusztítja a célzott mikrobát, meg kell határozniuk a hatásos mennyiséget, és vizsgálniuk kell az emberi sejtekre gyakorolt hatást. Ezután kémiai optimalizálás, toxicitási vizsgálatok, rezisztenciakockázat-elemzés, szervezeten belüli viselkedés vizsgálata, gyártási eljárás, hatósági elbírálás és klinikai vizsgálatok következhetnek.

Mire használják a Codexet és a ChatGPT-t a laborban

De la Fuente laborja saját AI-modelljei mellett a ChatGPT-t és a Codexet is használja. A forrás szerint ezek az eszközök hipotézisek ötletelésében, kód írásában és finomításában, adatkészletek feldolgozásában, eredmények elemzésében, valamint különböző tudományterületek közötti kapcsolatok felismerésében segítenek.

A csoport élő és kihalt szervezetek genomjait is vizsgálja jelöltmolekulák után kutatva. Ehhez biológiai, kémiai, informatikai és mérnöki tudásra van szükség. De la Fuente szerint: „Nagyon transzdiszciplináris csoport vagyunk, így vannak nálunk emberek a biológia, a kémia, az informatika és a mérnöki terület felől.”

A Codex és a ChatGPT az OpenAI leírása alapján a tudományterületek közötti akadályok csökkentésében is szerepet kap. A biológusok programokat készíthetnek, a programozók pedig biológiai problémákhoz nyúlhatnak hozzá könnyebben. A labor tagjai ismeretlen témák áttekintésére, szakkifejezések tisztázására, módszerek összevetésére, ötletek rendszerezésére, valamint nagy genomadat-készletek letöltésére, szervezésére és előfeldolgozására is használják az AI-t.

A ChatGPT nyelvi oldalon is segít: a labor tagjai az anyanyelvükön dolgozhatnak vele, ami a forrás szerint csökkenti a munkafolyamatok akadályait. De la Fuente a ChatGPT-t ötletelő partnerként használja. A kutató ugyanakkor óvatosságra intett: „Nyilvánvalóan mindig kétszer is ellenőrizni kell a pontosságot.”

Mit jelent ez a felhasználóknak és a kutatási piacnak

A hír a felhasználók számára elsősorban azt jelzi, hogy a ChatGPT-hez és a Codexhez hasonló eszközök nem X, hanem Y módon, vagyis nem kész gyógyszerek előállítóiként, hanem kutatási munkafolyamatok gyorsítóiként jelennek meg ebben a példában. Az OpenAI forrása szerint a modellek a jelöltek megtalálását, az adatok kezelését és az interdiszciplináris együttműködést támogathatják.

A piac szempontjából a hangsúly azon van, hogy az AI a gyógyszerkutatás korai, nagy adatmennyiséget kezelő szakaszában adhat előnyt. A laboratóriumi validáció azonban továbbra is központi. De la Fuente megfogalmazása szerint: „A valós kísérletek elengedhetetlenek az AI-előrejelzések validálásához.”

Ez azt is jelenti, hogy az AI szerepe a forrás alapján nem váltja ki a kísérletes biológiát, a kémiai optimalizálást, a biztonsági vizsgálatokat, a gyártási tervezést és a klinikai utat. A kutatók számára inkább abban lehet fontos, hogy nagyobb keresési térből gyorsabban válasszanak ki vizsgálható jelölteket, miközben az eredményeket laborban kell ellenőrizni.