ИИ научился создавать работающие бактериофаги с новыми геномами

Искусственный интеллект впервые спроектировал целые работающие вирусные геномы — и биология вступает в новую фазу

От проектирования белков искусственный интеллект перешел к проектированию геномов

Последние несколько лет искусственный интеллект быстро осваивал молекулярную биологию. Модели научились предсказывать структуры белков, предлагать новые белковые последовательности, проектировать отдельные гены и искать потенциальные антибиотики. Но целый геном — задача принципиально другого уровня.

Геном нельзя рассматривать как набор независимых деталей. Чтобы организм или вирус оставался функциональным, множество генов, регуляторных последовательностей и структурных элементов должны работать согласованно. Ошибка даже в одном участке иногда делает всю конструкцию нежизнеспособной.

Именно этот барьер преодолела группа Самуэля Кинга и Брайана Хая из Arc Institute и Стэнфордского университета. Исследователи использовали геномные языковые модели Evo 1 и Evo 2 для генерации полных последовательностей ДНК бактериофагов.

Бактериофаги — вирусы, которые заражают бактерии. Они не являются человеческими вирусами и в данном исследовании использовались именно как сравнительно небольшая и экспериментально удобная система, на которой можно проверить, способен ли алгоритм поддерживать функциональность целого генома.

В качестве отправной точки ученые выбрали хорошо изученный фаг ΦX174. Его геном содержит примерно 5400 пар оснований — очень мало по биологическим меркам, но даже такая последовательность должна одновременно обеспечивать образование вирусной частицы, распознавание бактериальной клетки, проникновение генетического материала, репликацию и сборку новых фагов.

Evo училась не копировать ΦX174, а воспроизводить правила его биологии

Принцип работы геномной языковой модели отчасти похож на принцип больших языковых моделей для текста. Текстовая модель учится статистическим связям между словами и символами, а геномная — закономерностям последовательностей ДНК.

Но аналогия имеет пределы. Генетическая последовательность должна удовлетворять физическим и биологическим ограничениям: белки должны складываться в работающие структуры, регуляторные участки — включаться в нужный момент, а различные элементы генома — оставаться совместимыми друг с другом.

Evo 2 представляет собой значительно более широкую модель генома. В опубликованной в журнале Nature работе, посвященной самой системе Evo 2, сообщается, что она обучалась на триллионах нуклеотидов из различных областей жизни и способна анализировать последовательности длиной до миллиона нуклеотидов.

Для задачи с бактериофагами модели дополнительно адаптировали на большом наборе фаговых геномов семейства Microviridae. Затем Evo предложила тысячи новых последовательностей, построенных вокруг биологических требований, характерных для ΦX174 и его взаимодействия с E. coli.

Важно, что речь не шла о простом копировании известного вируса с несколькими замененными буквами ДНК. Полученные жизнеспособные фаги содержали многочисленные отличия от природного ΦX174, включая новые комбинации мутаций, измененные регуляторные элементы и различия в длине генома.

Криоэлектронная микроскопия одного из искусственно созданных фагов дополнительно показала необычное структурное решение: в его капсиде использовался белок упаковки ДНК, родственный белку эволюционно довольно удаленных фагов.

Это один из наиболее интересных результатов работы. Он показывает, что модель не просто воспроизвела существующий природный образец, а смогла найти другую комбинацию элементов, совместимую с функционированием целого вируса.

Шестнадцать работающих фагов одновременно показывают силу и слабость метода

После компьютерного отбора исследователи синтезировали примерно 300 наиболее перспективных геномов и проверили их экспериментально.

Жизнеспособными оказались 16.

С одной стороны, это исторически важный результат: искусственный интеллект впервые сгенерировал полные вирусные геномы, которые после физического синтеза смогли образовать функциональные бактериофаги, размножающиеся в клетках хозяина.

С другой стороны, эксперимент показывает, насколько технология пока далека от надежного проектирования биологических систем по заданным характеристикам. Подавляющее большинство синтезированных вариантов не стало работающими фагами.

Поэтому результат не означает, что компьютер теперь может автоматически «нарисовать нужный вирус», после чего тот гарантированно заработает. Геномная модель предлагает кандидатов, но лабораторный эксперимент остается критически важным фильтром между математически правдоподобной последовательностью и настоящей биологией.

Именно это ограничение особенно важно учитывать при оценке масштаба открытия.

Устойчивые бактерии сделали эксперимент интересным для медицины

Исследователей интересовала не только принципиальная возможность получить работающий вирус. Они проверили, могут ли искусственно спроектированные фаги решить одну из главных проблем самой фаговой терапии — быстро возникающую бактериальную устойчивость.

Бактерии эволюционируют не только под действием антибиотиков. Они способны приобретать устойчивость и к бактериофагам. Рецептор на поверхности клетки может измениться, система защиты бактерии — усилиться, и фаг, который недавно эффективно ее заражал, перестает работать.

В эксперименте использовали штаммы E. coli, приобретшие устойчивость к природному ΦX174.

Отдельные созданные фаги демонстрировали различные характеристики роста и заражения бактерий. Особенно важным оказался результат с их комбинацией: смесь искусственно созданных бактериофагов быстро преодолела устойчивость бактерий, тогда как сопоставимая комбинация природных ΦX174-подобных фагов этого сделать не смогла.

Медицинское значение этого результата пока необходимо оценивать осторожно. Исследование проводилось в лабораторной системе, а не у пациентов, поэтому оно не доказывает клиническую эффективность созданных фагов.

Но оно демонстрирует принципиально новую стратегию: вместо поиска подходящего вируса только среди существующего природного разнообразия можно потенциально расширять пространство вариантов с помощью генеративных моделей.

Фаговая терапия может получить инструмент управляемого расширения разнообразия

Антибиотикорезистентность остается одной из крупнейших глобальных проблем здравоохранения. По мере распространения бактерий, устойчивых сразу к нескольким классам антибиотиков, растет интерес к альтернативным способам их уничтожения.

Фаговая терапия — один из таких подходов. Ее идея появилась задолго до современной молекулярной биологии: если определенный бактериофаг способен избирательно заражать болезнетворную бактерию, его можно попытаться использовать как противомикробное средство.

Главная привлекательность фагов одновременно является их ограничением. Они часто чрезвычайно специфичны. Вирус, эффективно заражающий один штамм бактерии, может оказаться практически бесполезным против близкородственного штамма.

Поэтому поиск подходящих фагов, создание их комбинаций и ответ на возникающую устойчивость требуют значительных экспериментальных ресурсов.

Генеративное проектирование потенциально меняет эту логику. Вместо исключительно природного поиска появляется возможность вычислительного создания разнообразных кандидатов, адаптированных к определенному бактериальному хозяину.

Пока исследование показывает только доказательство принципа. Чтобы превратить его в терапевтическую технологию, придется установить безопасность фагов, стабильность геномов, отсутствие нежелательных генов, характеристики распределения в организме, иммунные реакции и эффективность против клинически значимых бактерий.

Но направление важно именно потому, что оно объединяет две быстро развивающиеся области — фаговую терапию и генеративную биологию.

Настоящий поворот происходит на уровне целой биологической системы

До сих пор значительная часть наиболее впечатляющих достижений искусственного интеллекта в биологии относилась к отдельным компонентам: белку, ферменту, антителу или гену.

Полный геном означает другой уровень сложности.

Функция возникает здесь не из одной последовательности, а из взаимодействия множества элементов. Поэтому способность модели создать жизнеспособный геном предполагает, что она в некоторой степени усвоила ограничения, сформированные эволюцией на уровне всей системы.

Это не означает, что искусственный интеллект «понимает жизнь» в человеческом смысле. Более точная интерпретация состоит в другом: модель научилась воспроизводить достаточно сложную статистическую и функциональную структуру геномов, чтобы часть созданных ею комбинаций оказалась биологически жизнеспособной.

Именно поэтому работа представляет интерес далеко за пределами бактериофагов.

Теоретически аналогичные подходы могут использоваться при проектировании более сложных фагов, генетических конструкций, биотехнологических систем и некоторых вирусных платформ. Но увеличение размера генома резко увеличивает число взаимодействующих элементов и возможных ошибок.

Разница в масштабе огромна. Геном ΦX174 содержит около 5400 пар оснований. Даже минимальные клеточные геномы имеют уже сотни тысяч пар оснований, а геном человека — около трех миллиардов.

Поэтому переход от небольшого бактериофага к самостоятельной клетке нельзя считать простой задачей масштабирования.

Биобезопасность перестает быть вопросом далекого будущего

У работы есть вторая сторона, которую невозможно отделить от научного достижения.

Если генеративная модель способна создавать функциональные вирусные геномы, возникает очевидный вопрос: можно ли применять аналогичный принцип к вирусам растений, животных или человека?

Исследование этого не демонстрирует.

Авторы специально ограничивали эксперимент бактериофагами и предпринимали меры биобезопасности. В частности, при подготовке данных для задачи проектирования исключались последовательности вирусов, способных заражать сложные организмы. Эксперименты проводились с фагами, поражающими бактерии.

Но Том Инглсби и Мориц Ханке из Johns Hopkins Center for Health Security в сопровождающем публикацию в журнале Science комментарии обращают внимание на более широкий вывод: сама возможность генеративного проектирования функциональных вирусных геномов уже продемонстрирована.

Отсюда возникает проблема двойного назначения. Одна и та же технологическая способность может использоваться для создания лечебных бактериофагов или биотехнологических инструментов, но потенциально — и для разработки нежелательных биологических объектов.

Авторы комментария поэтому предлагают рассматривать контроль не как один технический запрет, а как систему нескольких барьеров. В нее могут входить правила доступа к определенным моделям и данным, оценка предлагаемых геномов, контроль синтеза ДНК, требования к лабораториям и профессиональная экспертиза потенциально опасных проектов.

Это принципиальное изменение дискуссии. Пока искусственный интеллект лишь предлагал молекулы на экране компьютера, риск оставался отделен от физической биологии несколькими технологическими ступенями. Генеративный дизайн генома начинает сокращать расстояние между цифровой последовательностью и функционирующим биологическим объектом.

От цифровой последовательности до лекарства остается длинная дорога

Для пациентов с устойчивыми бактериальными инфекциями эта работа пока ничего непосредственно не меняет. Созданные исследователями фаги не являются готовыми лекарственными препаратами и не проходили клинические исследования.

Однако для разработчиков противомикробных технологий появляется новое пространство поиска.

Если генеративные модели удастся научить надежно создавать фаги с заданным диапазоном бактериальных хозяев, способностью обходить определенные механизмы устойчивости и приемлемыми характеристиками безопасности, процесс разработки фаговых препаратов может стать значительно более управляемым.

Одновременно перед регуляторами возникнет непростой вопрос. Обычная фармацевтическая модель предполагает относительно стабильный препарат. Фаговые системы потенциально могут быть гораздо более динамичными: бактерия меняется, затем меняется комбинация фагов, используемая против нее.

Искусственный интеллект способен еще больше ускорить такой цикл.

Это приближает медицину к модели, в которой терапевтическая биологическая конструкция может проектироваться и адаптироваться существенно быстрее, чем традиционные лекарственные средства. Но именно поэтому требования к проверке безопасности, воспроизводимости производства и контролю генетической стабильности будут не менее важны, чем скорость проектирования.