Modele genomowe zaprojektowały nowe wirusy. Pora zacząć się bać

👁 135 przeczytań

Przez lata AI w biologii koncentrowała się na białkach - i był to wybór racjonalny. Białka wykonują właściwą robotę życia: katalizują reakcje, budują struktury komórkowe, przenoszą sygnały. Wiedzieliśmy, do czego zmierzamy, gdy projektowaliśmy nowe sekwencje aminokwasów. DNA wydawało się trudniejszym materiałem, bo między kodem genetycznym a funkcją leży gruba warstwa abstrakcji. A jednak ktoś postanowił zbudować duże modele genomowe - i wyszło z tego coś, nad czym warto się zatrzymać dłużej niż na chwilę.

Od białek do genomów

Modele językowe uczą się przewidywać kolejny token w ciągu. Duże modele genomowe robią dokładnie to samo, tyle że zamiast słów przetwarzają cztery litery alfabetu DNA: A, T, C i G. Brzmi prosto, ale biologia nie jest prosta. W genomie są miejsca, gdzie każda zmiana jednej zasady niszczy funkcję białka, i są regiony, gdzie dosłownie cokolwiek pasuje. Model musi rozumieć kontekst biologiczny sekwencji - w miejscach, gdzie my sami go jeszcze nie rozumiemy. Mimo to, jeśli nakarmić taki model wystarczającą ilością genomów, zaczyna sobie z tym radzić.

Efektem tej logiki są modele Evo 1 i Evo 2, opracowane przez badaczy z Uniwersytetu Stanforda. Wcześniejsze testy pokazały, że jeśli zasili się je fragmentem klastra genów bakteryjnych, potrafią dokończyć sekwencję w sposób kodujący funkcjonalne białka - w tym białka, które nie przypominają niczego dotąd zidentyfikowanego. To już samo w sobie jest osobliwe. Ale nowe zastosowanie idzie dalej: zespół postanowił sprawdzić, czy modele potrafią wygenerować kompletny genom wirusa.

Test case: wirus z nazwą jak wzór matematyczny

Obiektem eksperymentu stał się bakteriofag ΦX174 - wirus infekujący E. coli, należący do szerszej rodziny wirusów atakujących wyłącznie bakterie. To istotny wybór: wirusy bakteriofagowe nie są zdolne do infekowania ludzi. Badacze świadomie trzymali się tej granicy. Co więcej, podczas trenowania Evo 1 i Evo 2 celowo wykluczyli z danych sekwencje wirusów atakujących komórki eukariotyczne - czyli komórki złożone, takie jak nasze. Powód: gdyby model zaczął generować coś, czego nie rozumiemy, ale co jest potencjalnie niebezpieczne, chcielibyśmy przynajmniej ograniczyć prawdopodobieństwo, że trafi na właściwy cel.

I tu zaczyna się ta część historii, która powinna przykuć uwagę osób myślących o bezpieczeństwie biologicznym. Wygenerowane wirusy były blisko spokrewnione z ΦX174 - to nie były twory z innej galaktyki. Ale miały cechy odrębne, takie, które byłoby trudno uzyskać drogą ewolucji. Model nie przeklejał istniejących genomów. Wytworzył coś nowego, funkcjonalnego i nieco egzotycznego - po raz pierwszy w historii, jeśli chodzi o kompletny genom wirusa.

Granica, której jeszcze nie przekroczyliśmy - ale możemy

Stanford nie zaprojektował broni biologicznej. Podkreślam to wyraźnie, bo łatwo jest nadinterpretować tego rodzaju wyniki w kierunku sensacji. Bakteriofagi są przedmiotem intensywnych badań jako alternatywa dla antybiotyków, jako narzędzia inżynierii genetycznej, jako modele do zrozumienia ewolucji wirusów. To jest legalna i pożyteczna nauka.

Ale sami autorzy formułują pytanie, którego nikt nie powinien zbywać: czy za jakiś czas pojawi się pokrewny model, który będzie umiał zaprojektować wirusa atakującego kręgowce? I czy mamy jakikolwiek plan na ten moment?

Różnica między bakteriofagiem a wirusem kręgowców jest biologicznie ogromna - inne mechanizmy wnikania do komórki, inne białka otoczki, inny kontekst immunologiczny. Ale różnica między modelem, który rozumie genomy bakteriofagów, a modelem, który rozumie genomy ludzkich patogenów, jest już tylko kwestią danych treningowych i celów optymalizacji. To nie jest bariera konceptualna. To jest bariera zasobów i intencji.

Ostrożność jako projektowanie z wyprzedzeniem

Decyzja, żeby nie trenować Evo na wirusach eukariotycznych, jest wzorcowym przykładem myślenia z wyprzedzeniem - precyzyjnie tego rodzaju, jakiego zazwyczaj brakuje w wyścigu o lepsze modele. Ale jest to też decyzja oparta na założeniu, że inni gracze - laboratoria mniej skrupulatne, państwa o innych priorytetach, aktorzy niepaństwowi z dostępem do obliczeń - będą przestrzegać tych samych samoograniczeń. Historia biosecurity nie daje powodów do optymizmu.

Paradoks tej historii jest taki: im bardziej rozumiemy biologię poprzez modele genomowe, tym skuteczniej możemy leczyć choroby, projektować terapie genowe, walczyć z antybiotykoopornością. I tym samym budujemy wiedzę oraz narzędzia, które - w innych rękach i z innymi intencjami - mogłyby posłużyć do czegoś dokładnie odwrotnego. Autorzy ze Stanford nie twierdzą, że to się stanie jutro. Mówią, że teraz, a nie po fakcie, jest właściwy moment na rozmowę o tym, jak na to odpowiedzieć.

Mają rację. I jest to jedna z tych rozmów, którą branża AI chętnie odkłada na później.

// czytaj dalejElevenLabs: co to jest, ceny w zł, modele i jak zacząćArtykułyChatGPT Space i Pages: co to jest i jak zacząćArtykułyModele Nemotron nauczyły się greckiego - RAG dla prawa, energetyki i medycynyNewsy