Hogyan fogjuk legyőzni ezt az új koronavírust? Legjobb eszközeink segítségével: ami a tudomány és a technológia. Laboratóriumunkban a mesterséges intelligenciát és a szintetikus biológiát használjuk, hogy felgyorsítsuk e járvány elleni harcot. Munkánkat eredetileg az antibiotikum-rezisztencia kezelésére terveztük. Projektünk a gépi tanulás erejének hasznosítására törekszik, újratölteni antibiotikum-arzenálunkat, hogy elkerüljünk egy globálisan pusztító, antibiotikum utáni korszakot. Lényeges, hogy ugyanaz a technológia használható vírusellenes vegyületek kutatására, ami segíthet bennünket a jelenlegi járvány elleni harcban. A gépi tanulás a feje tetejére állította a gyógyszerkutatás hagyományos modelljét. Ezzel a megközelítéssel ahelyett, hogy egyesével, kínkeservvel tesztelnénk a már létező molekulák ezreinek hatékonyságát, betaníthatunk egy számítógépet arra, hogy vizsgálja végig lényegében az összes szintetizálható molekulának a nagyságrendekkel nagyobb halmazát. Így, ahelyett, hogy egy tűt keresnénk a szénakazalban, a számítástechnika erejének gigantikus mágnesét használjuk sok tű egyidejű keresésére számos szénakazalban. Van már néhány kezdeti sikerünk. Nemrég a gépi tanulást olyan új antibiotikumok felfedezésére használtuk, amelyek segíthetnek legyőzni a SARS-CoV-2 járványt kísérő bakteriális fertőzéseket. Két hónapja elnyertük a TED's Audacious Project támogatását munkánk széles körben történő kiterjesztéséhez, azzal a céllal, hogy a következő hét év során hét antibiotikum-osztályt találjunk hét halálos baktérium ellen. A könnyebb megértés kedvéért: Az elmúlt három évtizedben felfedezett új antibiotikum-osztályok száma: nulla. Amíg az új antibiotikumok felkutatása a jövő középtávú feladata, az új koronavírus azonnali halálos fenyegetést jelent, és örömmel közölhetem, hogy úgy gondoljuk, ugyanezt a technológiát felhasználhatjuk a vírus elleni gyógyszerkutatásra is. Hogyan tesszük ezt? Létrehozzuk a vegyületek egy tanító könyvtárát, és munkatársaink SARS-CoV-2 fertőzte sejteken próbálják ki a molekulákat, hogy lássuk, melyik mutat tényleges aktivitást. Ezeket az adatokat felhasználjuk egy gépi tanuló modell betanítására, hogy majd a gépben szimulált könyvtár több milliárd molekulájára alkalmazzuk új, lehetséges vírusellenes vegyületeket keresve. Szintetizáljuk és teszteljük a legjobb javaslatokat, és kifejlesztjük a legígéretesebb jelölteket klinikai használatra. Túl szépnek hangzik, hogy igaz legyen? Pedig az! Az Antibiotikum MI Project kutatási témánk bizonyítékán alapul, amely egy új széles spektrumú antibiotikum, a Halocin felfedezéséhez vezetett. A Halocin erős antibakteriális tevékenységet fejt ki majdnem minden antibiotikum-rezisztens baktérium ellen, beleértve a kezelhetetlen pánrezisztens fertőzéseket is. Fontos, hogy a jelenlegi antibiotikumokkal ellentétben a Halocin elleni baktériumrezisztencia kifejlődésének gyakorisága figyelemreméltóan alacsony. Laboratóriumban teszteltük, hogy mennyire válnak rezisztenssé a baktériumok a Halocinra, illetve a Cipróra. A Ciprónál már egy nap után kialakult a rezisztencia. A Halicon esetében egy nap múlva nem láttunk rezisztenciát. Bámulatos, hogy 30 nap után sem láttunk semmilyen rezisztenciát a Halocin irányában. Ebben a próbaprojektben először kb. 2500 vegyületet teszteltünk E. coli ellen. Ez a betanító készlet ismert antibiotikumokat tartalmazott, mint például a Cipro és a penicillin, és sok gyógyszert is, melyek nem voltak antibiotikumok. Ezeket az adatokat egy modell betanítására használtuk, hogy megtanulja a molekulák antibakteriális tulajdonságait. A modellt egy pár ezer molekulából álló könyvtárra alkalmaztuk, ami gyógyszereket tartalmazott, melyeknek új felhasználást kerestünk. Olyan molekulákat kellett találnia, melyeknek várhatóan lesz antibakteriális hatásuk, de nem úgy néznek ki, mint a meglévő antibiotikumok. Érdekes, hogy csak egy molekula felelt meg a feltételeknek, és kiderült, hogy az a molekula a Halocin. Tekintve, hogy a Halocin nem hasonlít egy ismert antibiotikumra sem, lehetetlen lett volna, hogy egy ember – beleértve az antibiotikum-szakértőket is – azonosítsa a Halocint ezen a módon. Most képzeljék el, mire juthatunk ezzel a technológiával a SARS-CoV-2 ellen! Ez nem minden. A szintetikus biológia eszközeit is használjuk, DNS-sel és egyéb sejtszerkezettel babrálva, emberi célokat szolgálunk, mint a COVID-19 elleni küzdelem, és megjegyezném, hogy dolgozunk egy olyan védőmaszk kifejlesztésén, amely gyors diagnosztizálást is végez. Vajon hogyan működik? Nos, nemrég bemutattuk, hogy kivehetjük a sejtszerkezetet egy élő sejtből, és liofilizálhatjuk az RNS-sel együtt papíron azért, hogy olcsón diagnosztizáljuk az ebolát és a Zika-vírust. A szenzorok aktiválódnak, amikor a beteg mintája újból hidratálja őket, ami lehet például vér vagy nyál. Kiderült, hogy ez a technológia nem korlátozódik a papírra, egyéb anyagokra is alkalmazható, pl. ruhára. A COVID-19 járványhoz RNS-szenzorokat tervezünk a vírus kimutatására, és liofilizáljuk ezeket a szükséges sejtszerkezetekkel együtt az arcmaszk szövetébe, ahol maga a lélegzés, a lecsapódó párával együtt, képes aktiválni a tesztet. Így ha a beteg SARS-CoV-2-vel fertőzött, A maszk fluoreszkáló jelet hoz létre, amit egy egyszerű, olcsó kézi eszköz is képes észlelni. Így egy-két órán belül diagnosztizálható a beteg – biztonságosan, távolról és pontosan. A szintetikus biológiát arra is használjuk, hogy a COVID-19 ellen oltóanyagot tervezzünk. Újrahasznosítjuk a BCG-oltást, amit már majdnem egy évszázada használunk a TBC ellen. Ez élő, legyengített oltóanyag. Átszerkesztjük a SARS-CoV-2 antigénjeinek megfelelően, hogy az immunrendszert védő antitestek termelésére késztesse. Fontos, hogy a BCG nagy mértékben szabályozható, és biztonságos profilja van, az egyik legjobb az ismert oltóanyagok közül. A szintetikus biológia és a mesterséges intelligencia eszközeivel megnyerhetjük a harcot az új koronavírus ellen. Ez a munka nagyon korai stádiumban van, de igen ígéretes. A tudomány és a technológia jelentős előnyt adhat számunkra az emberi értelem és a szuperbaktériumok génjei között zajló küzdelemben, amelyet megnyerhetünk. Köszönöm.