เวนอม เปปไทด์ คืออะไร และทำไม AI ถึงกลายเป็นตัวเอก
เวนอม เปปไทด์ คือชิ้นส่วนโปรตีนสายสั้นที่ถูกเข้ารหัสอยู่ในโปรตีนพิษของสัตว์ เช่น งู แมงมุม หรือหอยกรวย ซึ่งมีศักยภาพด้านการต้านเชื้อแบคทีเรียสูง แต่กระจายตัวอยู่ในรูปแบบลำดับกรดอะมิโนจำนวนนับสิบล้านลำดับ ทำให้นักวิทยาศาสตร์ยากจะคัดเลือกและทดสอบด้วยวิธีการปกติ การนำปัญญาประดิษฐ์มาวิเคราะห์ลำดับเหล่านี้ ทำให้เราคัดกรองโมเลกุลที่มีแนวโน้มเป็นยาปฏิชีวนะรุ่นใหม่ได้ในเวลาอันสั้น เปลี่ยนคลังพิษธรรมชาติให้กลายเป็นห้องสมุดสูตรเคมีชีววิทยาพร้อมใช้สำหรับการออกแบบยายุคใหม่
หัวใจของเรื่องนี้คือโมเดล APEX จากมหาวิทยาลัยเพนซิลเวเนียที่ใช้ดีปเลิร์นนิงสแกนลำดับเวนอม เปปไทด์กว่า 40,626,260 ลำดับในเวลาเพียงไม่กี่ชั่วโมง ก่อนลดเหลือผู้สมัคร 386 ตัวที่ทั้งใหม่และสังเคราะห์ได้ ในโลกที่ความต้านทานแอนติไบโอติกคร่าชีวิตคนอย่างน้อย 1.14 ล้านคนต่อปี การที่ AI ค้นพบยาได้เร็วขึ้นไม่ใช่เรื่องหรู แต่เป็นการแข่งกับนาฬิกาชีวิต
จาก 40.6 ล้านสู่ 53 ตัวเต็งใหม่: AI เปลี่ยนงานที่เป็นไปไม่ได้ให้เป็นงานที่ทำได้
จุดแข็งของ APEX ไม่ใช่แค่ความฉลาด แต่คือการรู้จักตัดทอนโลกของความเป็นไปได้ ทีมวิจัยเริ่มจากโปรตีนพิษ 16,123 ชนิดจากฐานข้อมูลสี่แหล่ง ครอบคลุมสัตว์มีพิษหลากหลายกลุ่ม ตั้งแต่สัตว์ทะเลไปจนถึงแมลง จากนั้นใช้ซอฟต์แวร์เลื่อนหน้าต่างไปตามลำดับโปรตีน ตัดสายกรดอะมิโนความยาว 8 ถึง 50 ตัวออกมาเป็นเวนอม เปปไทด์เสมือน ผลคือห้องสมุดลำดับ 40,626,260 รายการที่ไม่มีทางทดลองได้ครบในห้องแล็บใดบนโลกนี้
APEX ถูกฝึกจากฐานข้อมูลเปปไทด์ต้านจุลชีพทั้งภายในและสาธารณะ เพื่อทำนายค่า MIC ต่อเชื้อแบคทีเรีย 34 สายพันธุ์ เมื่อรันผ่านเวนอม เปปไทด์ทั้งคลัง โมเดลเลือกออกมา 7,379 ลำดับที่มีค่า MIC ทำนายกลางอยู่ที่ไม่เกิน 32 ไมโครโมลต่อลิตร จากนั้นทีมจึงคัดอีกชั้นด้วยเกณฑ์ความใหม่ของลำดับ ความเป็นไปได้ในการสังเคราะห์ และแนวโน้มการจับตัวกัน ก่อนเหลือ 386 ตัวเต็งสุดท้าย นี่คือการใช้ AI เพื่อลำดับความสำคัญ เปลี่ยน “เข็มในกองหญ้า” เป็นรายชื่อผู้ต้องสงสัยที่แล็บสามารถตามตรวจได้ทัน
53 จาก 58: เมื่อการทำนายของ AI ชนะการทดลองในหลอดแก้ว
ความน่าตื่นเต้นของงานนี้ไม่ได้จบที่คอมพิวเตอร์ แต่เกิดขึ้นเมื่อก้าวเข้าสู่หลอดทดลอง จากเวนอม เปปไทด์ผู้สมัคร 386 ตัว ทีมวิจัยเลือกสั่งสังเคราะห์เพียง 58 ลำดับเพื่อทดสอบด้วยวิธี broth microdilution กับเชื้อดื้อยาหลายชนิด ตั้งแต่ Acinetobacter baumannii และ Klebsiella pneumoniae ไปจนถึง Staphylococcus aureus ที่ดื้อเมทิซิลลิน รวมถึง Escherichia coli ที่ดื้อโคลิสติน และเชื้อ enterococci ที่ดื้อต่อแวนโคไมซิน
ผลคือ 53 จาก 58 เปปไทด์สามารถยับยั้งการเติบโตของเชื้อก่อโรคได้อย่างมีนัยสำคัญ คิดเป็นอัตราการพบตัวที่ออกฤทธิ์ประมาณ 91 เปอร์เซ็นต์ในชุดผู้สมัครที่ผ่านการคัดกรองหลายชั้น นี่ไม่ใช่การสุ่มหยิบจาก 40 ล้านลำดับ แต่คือข้อพิสูจน์ว่า AI ค้นพบยาได้แม่นยำเมื่อใช้ร่วมกับการออกแบบการทดลองที่ดี ประโยคที่ควรจดคือ AI ไม่ได้หายาปฏิชีวนะพร้อมใช้ 53 ตัวในบ่ายเดียว แต่ค้นพบโมเลกุลที่มีฤทธิ์ในห้องแล็บ 53 ตัวจาก 58 การทดลองที่เลือกมาอย่างมีเหตุผล
เวนอมเป็นห้องสมุดธรรมชาติ และ AI คือบรรณารักษ์ยุคใหม่
แนวคิดสำคัญของงานนี้คือการมองเวนอมไม่ใช่แค่พิษ แต่เป็นห้องสมุดธรรมชาติของโมเลกุลที่ถูกปรับแต่งโดยวิวัฒนาการเพื่อโจมตีระบบชีวภาพของเหยื่อ เวนอม เปปไทด์จำนวนมหาศาลที่ถูกสร้างขึ้นจากโปรตีนพิษเหล่านี้ คล้ายประโยคย่อยนับล้านที่ซ่อนอยู่ในประโยคยาวของชีววิทยา ทีมวิจัยตั้งคำถามว่าเมื่อแยกประโยคย่อยเหล่านี้ออกมา บางส่วนจะมีบทบาทการต้านเชื้อแบคทีเรียได้เองหรือไม่ คำตอบจากทั้ง APEX และการทดลองคือ “มี และมากกว่าที่เราคาด”
ในอีกด้าน นักชีววิทยาที่มหาวิทยาลัยออริกอนก็ใช้กลยุทธ์คล้ายกันกับเวลา พวกเขาฟื้นฟูโปรตีนโบราณอายุสูงสุดถึง 160 ล้านปีที่มีคุณสมบัติการต้านจุลชีพ โดยเฉพาะเปปไทด์จากโปรตีน lactoferrin ที่สามารถเจาะผนังเซลล์แบคทีเรียได้ การตามรอยวิวัฒนาการของเปปไทด์ต้านจุลชีพเหล่านี้ แม้จะสลายตัวในร่างกายได้ง่ายกว่าแอนติไบโอติกทั่วไป แต่ช่วยให้เราเห็นแบบแผนที่อาจนำไปสู่สูตรเคมีชีววิทยาใหม่ที่เชื้อโรคโจมตีได้ยากขึ้น เมื่อเชื่อมงานแบบนี้เข้ากับ AI ภาพอนาคตของเวนอมและโปรตีนโบราณในฐานะแหล่งยายุคใหม่จึงเริ่มชัดเจน
วิกฤตความต้านทานแอนติไบโอติก และสิ่งที่ต้องทำต่อจาก 53 โมเลกุลในหลอดทดลอง
ความต้านทานแอนติไบโอติกไม่ใช่คำเตือนที่เลื่อนออกไปได้อีก การประเมินภาระโรคทั่วโลกพบว่าความต้านทานต่อยาต้านแบคทีเรียเป็นสาเหตุการเสียชีวิตโดยตรง 1.14 ล้านรายในปี 2021 และเกี่ยวข้องกับการเสียชีวิตอีก 4.71 ล้านราย ในขณะที่การทบทวนสายการพัฒนายาต้านแบคทีเรียล่าสุดชี้ว่ายังมีช่องว่างขนาดใหญ่ในยารุ่นใหม่ ท่ามกลางฉากหลังนี้ 53 โมเลกุลจากเวนอมจึงเป็นมากกว่าเรื่องวิทยาศาสตร์น่าสนใจ แต่เป็นตัวอย่างว่าการเร่งกระบวนการวิจัยด้วย AI อาจช่วยอุดช่องว่างนี้ได้อย่างไร
อย่างไรก็ตาม เส้นทางจากหลอดทดลองสู่คลินิกยังยาวไกล เปปไทด์เหล่านี้ยังต้องผ่านการทดสอบไฟฟิสยศาสตร์โดยตรง และการปรับแต่งทางเคมีเพื่อแก้ปัญหาเสถียรภาพ ความสามารถในการคงอยู่ในร่างกาย และการเลือกทำลายเฉพาะเชื้อ ไม่กระทบเซลล์เจ้าบ้าน นักวิจัยเตือนชัดว่าเปปไทด์ต้องเผชิญอุปสรรคเหมือนยาทั่วไป ตั้งแต่การถูกเอนไซม์ย่อยไปจนถึงปฏิกิริยาภูมิคุ้มกันที่ไม่ต้องการ คุณค่าที่แท้จริงของ APEX และงานแนวเดียวกันจึงอยู่ที่การเชื่อมช่องว่างระหว่างการสกรีนด้วยคอมพิวเตอร์กับการทดสอบในแล็บ ให้เคมีและจุลชีววิทยามุ่งพลังไปที่ผู้สมัครไม่กี่ร้อยตัว แทนการสุ่มทดลองกับโมเลกุลนับล้าน
