સ્ટેનફોર્ડના સંશોધકોએ લગભગ 300 નવા બેક્ટેરિયોફેજ (bacteriophages) ડિઝાઇન કરવા અને સંશ્લેષિત કરવા માટે Evo 2 જનરેટિવ-AI મોડેલનો ઉપયોગ કર્યો. પ્રયોગશાળાના પરીક્ષણોએ પુષ્ટિ કરી છે કે તેમાંથી 16 વાયરસ E. coli ને અસરકારક રીતે મારી નાખે છે. આ કાર્ય દર્શાવે છે કે de novo જૈવિક ડિઝાઇન કોડની એક લાઇનથી જીવંત એન્ટિમાઇક્રોબાયલ એજન્ટ (antimicrobial agent) સુધી પહોંચી શકે છે.
ડિજિટલ સિક્વન્સથી વાસ્તવિક વાયરસ સુધી
આસિસ્ટન્ટ પ્રોફેસર બ્રાયન હીએ, Dieter Schwarz Foundation Stanford Data Science Institute સાથે મળીને, Evo 2 ને સારી રીતે અભ્યાસ કરાયેલા ફેજ ΦX174 નું જીનોમ આપ્યું. Evo 2 DNA ને એક ભાષા તરીકે જુએ છે, જે એવી સિક્વન્સનું અનુમાન લગાવે છે જે કાર્યરત પ્રોટીનમાં ફોલ્ડ થઈ શકે અને એક જીવંત વાયરસમાં સંગઠિત થઈ શકે. મોડેલે સેંકડો અલગ-અલગ DNA સ્ટ્રિંગ્સ તૈયાર કર્યા; રાસાયણિક સંશ્લેષણ દ્વારા તેને લગભગ 300 ફેજ કણોની લાઇબ્રેરીમાં રૂપાંતરિત કરવામાં આવ્યા.
કોમ્પ્યુટર દ્વારા જનરેટ થયેલ સ્ટ્રિંગને ભૌતિક વાયરસમાં બદલવા માટે માત્ર પ્રિન્ટર જેવું સ્ટેપ પૂરતું નહોતું. ટીમે કસ્ટમ DNA ઓલિગોન્યુક્લિયોટાઇડ્સ મંગાવ્યા, સંપૂર્ણ જીનોમનું સંયોજન કર્યું અને દરેક કન્સ્ટ્રક્ટને એવા બેક્ટેરિયલ હોસ્ટમાં દાખલ કર્યો જે ફેજને “boot up” કરી શકે. તે વર્કફ્લો—ડિઝાઇન, સંશ્લેષણ, એસેમ્બલી અને રેસ્ક્યુ—લાંબા સમયથી કુદરતી ફેજ આઇસોલેટ્સ માટે પ્રમાણભૂત રહ્યો છે પરંતુ સંપૂર્ણપણે AI દ્વારા તૈયાર કરાયેલા જીનોમ્સ માટે તેનો ઉપયોગ ભાગ્યે જ કરવામાં આવ્યો છે.
એન્ટિબેક્ટેરિયલ પ્રવૃત્તિ માટે સ્ક્રીનિંગ
સાચી કસોટી એ હતી કે શું AI દ્વારા ડિઝાઇન કરાયેલા ફેજ કોઈ બેક્ટેરિયલ લક્ષ્યને ચેપિત કરી શકે છે અને તેનો નાશ કરી શકે છે. સંશોધકોએ 300 ઉમેદવારોને E. coli ના લેબોરેટરી સ્ટ્રેઇન સાથે પડકાર આપ્યો, જે યુરિનરી ટ્રેક્ટ ઇન્ફેક્શનનું સામાન્ય કારણ છે અને એન્ટિબાયોટિક-રેઝિસ્ટન્સ અભ્યાસ માટે એક મોડેલ છે. પ્લેક એસે (plaque assays) અને ગ્રોથ-ઇન્હિબિશન માપન પછી, 16 ફેજ બેક્ટેરિયલ કલ્ચર્સના ઝડપી લાયસિસ (lysis) અને ઉચ્ચ બર્સ્ટ સાઇઝ (ચેપગ્રસ્ત કોષ દીઠ મુક્ત થતા નવા ફેજ કણોની સંખ્યા) માટે અલગ તરી આવ્યા.
તે 16 સફળતા માત્ર સ્ક્રીનિંગમાં ટકી જ નહીં; તેઓહું મારી નાખવાની કાર્યક્ષમતામાં ઘણા કુદરતી ΦX174 સગાઓ કરતા પણ શ્રેષ્ઠ સાબિત થયા. ડેટા સૂચવે છે કે Evo 2 જાણીતી વાયરસ Функશન્સને પુનઃઉત્પાદિત કરી શકે છે અને એવા સિક્વન્સ સ્પેસને પણ શોધી શકે છે જેનું જીવવિજ્ઞાન દ્વારા ક્યારેય પરીક્ષણ કરવામાં આવ્યું નથી, જેનાથી એવા ઉકેલો મળે છે જે વ્યવહારુ અને શક્તિશાળી બંને છે.
એન્ટિમાઇક્રોબાયલ સંશોધન માટે આ શા માટે મહત્વનું છે
ફેજ થેરાપી—બેક્ટેરિયાનો શિકાર કરતા વાયરસનો ઉપયોગ—એન્ટિબાયોટિક-રેઝિસ્ટન્ટ ઇન્ફેક્શનમાં વૈશ્વિક વધારાના સંભવિત જવાબ તરીકે ફરી સામે આવી છે. પરંપરાગત શોધ ગટર, જમીન અથવા પ્રાણીઓના માઇક્રોબાયોમ્સમાં ફેજ શોધવા પર આધારિત છે, જે પ્રક્રિયામાં મહિનાઓ લાગી શકે છે અને અનિશ્ચિત પરિણામો આપે છે. Evo 2 કમ્પ્યુટ-ફર્સ્ટ (compute-first) વિકલ્પ આપે છે: વૈજ્ઞાનિકો બેક્ટેરિયલ લક્ષ્ય નક્કી કરે છે, મોડેલને ઉમેદવાર જીનોમ્સ જનરેટ કરવા દે છે, અને પછી લેબમાં એક કેન્દ્રિત સેટનું પરીક્ષણ કરે છે.
જો આ પાઇપલાઇન વિસ્તરે, તો તે વર્ષોના પર્યાવરણીય સેમ્પલિંગને અઠવાડિયાના in-silico ડિઝાઇન અને હાઇ-થ્રુપુટ સંશ્લેષણમાં સંકુચિત કરી શકે છે. માંગ મુજબ ફેજ જીનોમ્સને તૈયાર કરવાથી વધારાના લક્ષણો એન્જિનિયરિંગ માટે પણ દરવાજા ખુલે છે, જેમ કે વ્યાપક હોસ્ટ રેન્જ અથવા બેક્ટેરિયલ એન્ટી-ફેજ સંરક્ષણ સામે પ્રતિકાર.
જોખમો અને ખુલ્લા પ્રશ્નો
આ સફળતા હજુ પ્રારંભિક તબક્કે છે. તમામ પ્રયોગો પેટ્રી ડિશ સુધી મર્યાદિત છે; કોઈ પ્રાણી મોડેલ અથવા ક્લિનિકલ ટ્રાયલ્સ કરવામાં આવ્યા નથી. સુરક્ષા અંગેની ચિંતાઓ યથાવત છે—દર્દીઓમાં અથવા પર્યાવરણમાં કૃત્રિમ વાયરસ દાખલ કરવાથી અણધાર્યા ઇકોલોજીકલ પ્રભાવ પડી શકે છે. આનુવંશિક રીતે એન્જિનિયર્ડ ફેજ માટેના નિયમનકારી માળખા હજુ વિકસી રહ્યા છે, અને પ્રયોગશાળાની અસરકારકતાથી મંજૂર થેરાપી સુધીનો માર્ગ લાંબો હોઈ શકે છે.
તદુપરાંત, જોકે Evo 2 ΦX174 જેવા પ્રમાણમાં સરળ અને સારી રીતે વર્ગીકૃત ફેજ સાથે સફળ રહ્યું છે, પરંતુ મોડેલ મોટા અને વધુ જટિલ વાયરસ જીનોમ્સને સંભાળી શકશે કે in vivo બેક્ટેરિયલ ઇમ્યુન સિસ્ટમમાં કામ કરી શકે તેવા ફેજ ડિઝાઇન કરી શકશે કે નહીં તે જોવાનું બાકી છે. વર્તમાન સફળતા કોઈપણ વાયરસને શૂન્યથી જનરેટ કરવાની સાર્વત્રિક ક્ષમતાને બદલે પુષ્કળ ΦX174 ડેટા પર મોડેલના તાલીમ (training) ને પ્રતિબિંબિત કરી શકે છે.
હવે આગળ શું
સ્ટેનફોર્ડની ટીમ 16 મુખ્ય ફેજનું ક્લિનિકલ રીતે સુસંગત E. coli સ્ટ્રેઇન્સ સામે પરીક્ષણ કરશે, જેમાં મલ્ટીપલ એન્ટિબાયોટિક્સ સામે પ્રતિકાર ધરાવતા સ્ટ્રેઇન્સનો પણ સમાવેશ થાય છે. સમાંતર કાર્ય એ શોધશે કે શું Evo 2 ને Klebsiella અથવા Pseudomonas જેવા અન્ય સમસ્યાજનક બેક્ટેરિયા માટે ફેજ ડિઝાઇન કરવા માટે પ્રોમ્પ્ટ કરી શકાય છે. સંશ્લેષણનું સ્કેલિંગ વધારવું—કેટલાક સો ઉમેદવારોથી હજારો સુધી—તે પણ પ્રાથમિકતા રહેશે, કારણ કે મોટી લાઇબ્રેરીઓ વધુ શક્તિશાળી અથવા વ્યાપક રીતે કાર્ય કરતા વાયરસ પ્રગટ કરી શકે છે.
ફેજ થેરાપી ઉપરાંત, આ પદ્ધતિનો ઉપયોગ અન્ય બાયો-એન્જિનિયરિંગ લક્ષ્યો માટે કરી શકાય છે: ઇન્ડસ્ટ્રિયલ કેમિસ્ટ્રી માટે એન્ઝાઇમ્સ ડિઝાઇન કરવા, કૃત્રિમ મેટાબોલિક પાથવે બનાવવા અથવા નવા વેક્સિન વેક્ટર્સનું નિર્માણ કરવું. કાર્યરત DNA સિક્વન્સ જનરેટ કરવાની Evo 2 ની ક્ષમતા એવા ભવિષ્ય તરફ નિર્દેશ કરે છે જ્યાં “કોડ” જીવંત પ્રણાલીઓ માટે એક સાર્વત્રિક ડિઝાઇન ભાષા બની જાય છે.
Takeaway
Stanford ના Evo 2 મોડેલે એક કમ્પ્યુટેશનલ અનુમાનને જીવંત એન્ટિમાઇક્રોબાયલ સાધનમાં પરિવર્તિત કર્યું છે, જે દર્શાવે છે કે AI-સંચાલિત de novo બાયોલોજી મુખ્ય રોગકારક જીવાણુઓને મારવા સક્ષમ કાર્યરત વાયરસનું નિર્માણ કરી શકે છે. આ પ્રૂફ-ઓફ-કન્સેપ્ટ ડિજિટલ ડિઝાઇન અને વાસ્તવિક દુનિયાની ઉપચાર પદ્ધતિઓ વચ્ચેના અંતરને ઘટાડે છે, પરંતુ સિન્થેટિક ફેજ (phages) એન્ટિમાઇક્રોબાયલ શસ્ત્રાગારનો નિયમિત ભાગ બને તે પહેલાં સુરક્ષા, નિયમનકારી અને સ્કેલેબિલિટીના પડકારો ઉકેલવા અનિવાર્ય છે.