ในช่วงไม่กี่ปีที่ผ่านมา การพัฒนาอย่างรวดเร็วของเทคโนโลยีปัญญาประดิษฐ์ (AI) ไม่เพียงแต่เปลี่ยนแปลงวิถีชีวิตของเราเท่านั้น แต่ยังนำมาซึ่งการเปลี่ยนแปลงอย่างไม่เคยปรากฏมาก่อนในสาขาการวิจัยทางวิทยาศาสตร์ต่างๆ อีกด้วย ในด้านวิทยาศาสตร์ชีวภาพ การประยุกต์ใช้ AI ได้แสดงให้เห็นถึงศักยภาพอันน่าทึ่ง OpenAI ร่วมมือกับ Retro Biosciences ใช้แบบจำลอง AI เฉพาะ GPT-4b micro เพื่อออกแบบ "Yamada Factors" เวอร์ชันที่ปรับแต่งแล้วได้สำเร็จ ซึ่งช่วยเพิ่มประสิทธิภาพในการเปลี่ยนเซลล์ผู้ใหญ่ให้เป็นเซลล์ต้นกำเนิดพลูริโพเทนต์ได้อย่างมีนัยสำคัญ ความก้าวหน้าครั้งนี้ไม่เพียงแต่ช่วยพัฒนาเทคโนโลยีวิศวกรรมเซลล์เท่านั้น แต่ยังแสดงให้เห็นถึงกระบวนทัศน์ใหม่สำหรับการวิจัยวิทยาศาสตร์ชีวภาพที่ขับเคลื่อนด้วย AI ซึ่งนำไปสู่ยุคใหม่ของการวิจัยทางวิทยาศาสตร์ที่เร่งรัดมากขึ้น
การรีโปรแกรมเซลล์: จอกศักดิ์สิทธิ์ของวิทยาศาสตร์ชีวภาพ
ในสาขาวิทยาศาสตร์ชีวภาพ การย้อนสภาพเซลล์ผู้ใหญ่ให้กลับคืนสู่เซลล์ต้นกำเนิดพหุศักยภาพได้อย่างมีประสิทธิภาพเป็นเป้าหมายที่นักวิทยาศาสตร์ใฝ่ฝันมานาน วิธีการแบบดั้งเดิมอาศัยการผสมผสานโปรตีนที่เรียกว่า "ปัจจัยยามาดะ" การผสมผสานโปรตีนนี้ซึ่งประกอบด้วยปัจจัยสำคัญ 4 ประการ ได้แก่ OCT4, SOX2, KLF4 และ MYC สามารถ "รีโปรแกรม" เซลล์ผู้ใหญ่ให้กลับคืนสู่เซลล์ต้นกำเนิดพหุศักยภาพที่ถูกเหนี่ยวนำ (induced pluripotent stem cells หรือ iPSC) ได้ iPSC มีคุณสมบัติคล้ายคลึงกับเซลล์ต้นกำเนิดจากตัวอ่อน และสามารถเปลี่ยนแปลงสภาพเป็นเซลล์ได้หลากหลายชนิด จึงมอบศักยภาพมหาศาลสำหรับการแพทย์ฟื้นฟู
อย่างไรก็ตาม แม้จะมีการค้นพบปัจจัยยามานากะครั้งสำคัญ แต่การประยุกต์ใช้จริงยังคงเผชิญกับความท้าทายมากมาย ปัญหาที่สำคัญที่สุดคือประสิทธิภาพต่ำ โดยทั่วไปแล้ว เซลล์ที่สามารถเปลี่ยนสภาพได้สำเร็จมีน้อยกว่า 0.1% และกระบวนการทั้งหมดใช้เวลานานกว่าสามสัปดาห์ สำหรับเซลล์จากผู้บริจาคสูงอายุหรือผู้ป่วย ประสิทธิภาพในการเปลี่ยนสภาพจะลดลงอีก ปัญหาคอขวดนี้จำกัดการประยุกต์ใช้เทคโนโลยี iPSC ทางคลินิกอย่างมาก
AI รุ่น GPT-4b micro: เครื่องมือปฏิวัติวงการสำหรับการออกแบบโปรตีน
เมื่อเผชิญกับข้อจำกัดของวิธีการแบบดั้งเดิม OpenAI จึงร่วมมือกับ Retro Biosciences เพื่อค้นหาความก้าวหน้าทางเทคโนโลยี AI พวกเขาได้ออกแบบและฝึกฝนแบบจำลอง GPT-4b micro ขึ้นมาโดยเฉพาะ แบบจำลองนี้เป็น "เวอร์ชันทดลองขนาดจิ๋ว" ของตระกูล GPT-4 ซึ่งได้รับการปรับแต่งให้เหมาะสมสำหรับงานออกแบบโปรตีนโดยเฉพาะ
GPT-4b micro ได้รับการเริ่มต้นด้วยโมเดล GPT-4 เวอร์ชันย่อส่วน โดยใช้ประโยชน์จากฐานความรู้ที่มีอยู่ของตระกูล GPT จากนั้นทีมวิจัยได้ฝึกฝน GPT-4b micro อย่างละเอียดในชุดข้อมูลเฉพาะทางที่ประกอบด้วยลำดับโปรตีนเป็นหลัก เสริมด้วยข้อความทางชีววิทยาและข้อมูลโครงสร้างสามมิติแบบโทเค็น องค์ประกอบเหล่านี้มักถูกมองข้ามโดยโมเดลภาษาโปรตีนส่วนใหญ่ แต่มีความสำคัญอย่างยิ่งต่อการทำความเข้าใจหน้าที่และปฏิสัมพันธ์ของโปรตีน
GPT-4b micro ซึ่งฝึกฝนจากข้อมูลโปรตีนที่อุดมไปด้วยบริบทเชิงวิวัฒนาการและการทำงาน สามารถสร้างลำดับที่มีคุณสมบัติเฉพาะเจาะจงตามคำแนะนำ เนื่องจากข้อมูลส่วนใหญ่ขาดข้อมูลเชิงโครงสร้าง โมเดลนี้จึงทำงานได้ดีพอๆ กันกับโปรตีนที่มีบริเวณที่มีลักษณะผิดปกติภายในและโปรตีนที่มีโครงสร้างเสถียร ซึ่งมีความสำคัญอย่างยิ่งสำหรับโปรตีนเป้าหมายอย่างปัจจัยยามานากะ ซึ่งกิจกรรมของปัจจัยเหล่านี้ไม่ได้ขึ้นอยู่กับการก่อตัวของโครงสร้างเสถียรเพียงโครงสร้างเดียว แต่ขึ้นอยู่กับปฏิสัมพันธ์ชั่วคราวจำนวนมากกับคู่จับหลายตัว
การตรวจสอบเชิงทดลอง: โปรตีนที่ออกแบบโดย AI ช่วยปรับปรุงประสิทธิภาพการรีโปรแกรมอย่างมีนัยสำคัญ
เพื่อพิสูจน์ประสิทธิภาพของไมโครอาร์เอ็นเอ GPT-4b ทีมวิจัยได้ร่วมมือกับนักวิทยาศาสตร์ที่ Retro และใช้แบบจำลองนี้เพื่อออกแบบโปรตีนสำคัญที่เกี่ยวข้องกับการวิจัยการรีโปรแกรมเซลล์ใหม่ โดยเริ่มจากการปรับให้เหมาะสมกับ SOX2 ผลการคัดกรองแสดงให้เห็นว่าลำดับเบสมากกว่า 30% ที่แบบจำลองแนะนำมีประสิทธิภาพสูงกว่า SOX2 ชนิดป่าในการแสดงเครื่องหมายพหุศักยภาพที่สำคัญ แม้ว่าจะมีกรดอะมิโนที่แตกต่างจากชนิดป่าโดยเฉลี่ยมากกว่า 100 ตัว เมื่อเปรียบเทียบกันแล้ว การตรวจคัดกรองแบบดั้งเดิมมักให้ผลบวกน้อยกว่า 10%
จากนั้น ทีมวิจัยจึงหันมาสนใจ KLF4 ซึ่งเป็นโมเลกุลขนาดใหญ่ที่สุด พวกเขากระตุ้นให้แบบจำลองสร้างชุดตัวแปร RetroKLF ที่ได้รับการปรับปรุง ในที่สุด ตัวแปรที่สร้างขึ้นจากแบบจำลอง 14 ตัวมีประสิทธิภาพเหนือกว่าชุดผสมที่มีประสิทธิภาพดีที่สุดจากการคัดกรองครั้งก่อน โดยมีอัตราการตรวจพบผลบวกเกือบ 50% การรวมตัวแปร RetroSOX และ RetroKLF ชั้นนำเข้าด้วยกันทำให้ประสิทธิภาพดีขึ้นมากที่สุด
จากการทดลองอิสระสามครั้ง พบว่าระดับของตัวบ่งชี้ทั้งในระยะเริ่มต้นและระยะท้ายในไฟโบรบลาสต์เพิ่มขึ้นอย่างมาก โดยพบตัวบ่งชี้ระยะท้ายปรากฏขึ้นเร็วกว่าการใช้ OSKM แบบไวลด์ไทป์หลายวัน ทีมวิจัยยังได้ทดสอบวิธีการนำส่งแบบใหม่ (โดยใช้ mRNA แทนเวกเตอร์ไวรัส) และเซลล์อีกประเภทหนึ่ง คือ เซลล์สโตรมัลมีเซนไคมอลของมนุษย์ (MSC) ซึ่งได้มาจากผู้บริจาควัยกลางคน ผลการทดลองแสดงให้เห็นว่าภายในเวลาเพียงเจ็ดวัน เซลล์มากกว่า 30% เริ่มแสดงตัวบ่งชี้ความสามารถในการแปรสภาพของเซลล์ที่สำคัญ
การฟื้นฟูเซลล์: ตัวแปร AI แสดงให้เห็นความสามารถในการซ่อมแซมที่แข็งแกร่งยิ่งขึ้น
นอกจากการปรับปรุงประสิทธิภาพการรีโปรแกรมแล้ว ทีมวิจัยยังได้ศึกษาเพิ่มเติมเกี่ยวกับศักยภาพในการฟื้นฟูเซลล์ของตัวแปรที่สร้างขึ้นใหม่เหล่านี้ งานวิจัยที่มีอยู่แสดงให้เห็นว่าปัจจัยยามานากะสามารถกำจัดเครื่องหมายความชราที่เกี่ยวข้องกับความเสียหายของดีเอ็นเอในเซลล์หนูได้โดยไม่ทำให้อัตลักษณ์ของเซลล์เปลี่ยนแปลงไปอย่างสิ้นเชิง ดังนั้น เมื่อเปรียบเทียบกับ OSKM มาตรฐาน ตัวแปรที่สร้างโดย OpenAI จะแสดงความสามารถในการฟื้นฟูเซลล์ที่แข็งแกร่งยิ่งขึ้นหรือไม่
ผลการทดลองแสดงให้เห็นว่าเมื่อเปรียบเทียบกับกลุ่มควบคุมเชิงลบและเชิงบวก เซลล์ที่ได้รับยีน Retro variant พบว่าสัญญาณของ γ-H2AX ซึ่งเป็นตัวบ่งชี้ความเสียหายของดีเอ็นเอลดลงอย่างมีนัยสำคัญหลังจากผ่านการทดสอบความเป็นพิษทางพันธุกรรมแบบเดียวกัน ซึ่งหมายความว่าการผสมผสานยีน RetroSOX/KLF มีประสิทธิภาพในการลดความเสียหายของดีเอ็นเอมากกว่ายีน Yamanaka factor ดั้งเดิม ซึ่งแสดงให้เห็นถึงความสามารถในการซ่อมแซมความเสียหายของดีเอ็นเอที่แข็งแกร่งขึ้น
มองไปสู่อนาคต: AI เร่งยุคใหม่ของการวิจัยทางวิทยาศาสตร์
ความสำเร็จนี้ไม่เพียงแต่แสดงให้เห็นถึงการสร้างโปรตีนที่มีประสิทธิภาพมากขึ้นด้วย AI เท่านั้น แต่ยังแสดงให้เห็นถึงกระบวนทัศน์การวิจัยทางวิทยาศาสตร์แบบใหม่ที่ใช้ AI เพื่อทำความเข้าใจปัญหาทางวิทยาศาสตร์ที่ซับซ้อนอย่างลึกซึ้งและนำเสนอแนวทางแก้ไขที่เป็นนวัตกรรม เมื่อข้อมูลเชิงลึกของนักวิจัยในภาคสนามผสานกับพลังการประมวลผลอันน่าทึ่งของ AI ปัญหาที่ครั้งหนึ่งเคยต้องใช้เวลาหลายปีในการแก้ไข ตอนนี้สามารถแก้ไขได้ภายในไม่กี่วัน
ตั้งแต่การค้นพบวิธีการรักษาชะลอวัยไปจนถึงการออกแบบยาใหม่ ๆ และการจัดการวิกฤตการณ์อาหาร การผสมผสานระหว่างสติปัญญาของมนุษย์และพลังการประมวลผลอันน่าทึ่งของ AI จะปฏิวัติความเร็วในการแก้ไขปัญหาทางวิทยาศาสตร์ ยุคใหม่ของการวิจัยทางวิทยาศาสตร์ที่เร่งตัวขึ้นด้วย AI กำลังมาถึงเรา ในอนาคต เรามีเหตุผลที่จะเชื่อว่า AI จะมีบทบาทสำคัญยิ่งขึ้นในสาขาวิทยาศาสตร์ชีวภาพ ซึ่งจะนำมาซึ่งความเป็นไปได้มากมายในการพัฒนาสุขภาพและคุณภาพชีวิตของมนุษย์
