स्टॅनफोर्डच्या संशोधकांनी जवळजवळ ३०० नवीन बॅक्टेरिओफेजेस (bacteriophages) तयार करण्यासाठी आणि संश्लेषित करण्यासाठी Evo 2 जनरेटिव्ह-AI मॉडेलचा वापर केला. प्रयोगशाळेतील चाचण्यांनी पुष्टी केली की त्यातील १६ विषाणू E. coli ला प्रभावीपणे मारतात. हे कार्य दर्शवते की 'डी नोवो' (de novo) जैविक डिझाइन कोडच्या एका ओळीपासून जिवंत अँटीमायक्रोबियल एजंटपर्यंत पोहोचू शकते.

डिजिटल सिक्वेन्सपासून खऱ्या विषाणू पर्यंत

असिस्टंट प्रोफेसर ब्रायन हाय (Brian Hie), डिएटर श्वार्झ फाउंडेशन स्टॅनफोर्ड डेटा सायन्स इन्स्टिट्यूटच्या (Dieter Schwarz Foundation Stanford Data Science Institute) सहकार्याने, Evo 2 मध्ये चांगल्या प्रकारे अभ्यासलेल्या ΦX174 फेजचा जीनोम फीड केला. Evo 2 DNA ला एका भाषेप्रमाणे हाताळते, जे सिक्वेन्स कार्यात्मक प्रथिने (functional proteins) तयार करतील आणि एका सक्षम विषाणूमध्ये रूपांतरित होतील, याचे भाकीत करते. मॉडेलने शेकडो वेगळ्या DNA स्ट्रिंग्स तयार केल्या; रासायनिक संश्लेषणाने (chemical synthesis) त्यांचे रूपांतर जवळजवळ ३०० फेज पार्टिकल्सच्या लायब्ररीमध्ये केले.

संगणकाद्वारे तयार केलेली स्ट्रिंग भौतिक विषाणूमध्ये रूपांतरित करण्यासाठी केवळ प्रिंटरसारख्या प्रक्रियेपेक्षा अधिक गोष्टींची आवश्यकता होती. टीमने कस्टम DNA ओलिगोन्यूक्लिओटाइड्स (oligonucleotides) ऑर्डर केले, पूर्ण जीनोम एकत्र केले आणि प्रत्येक रचना अशा बॅक्टेरियल होस्टमध्ये आणली जी फेजला “boot up” करू शकेल. ही कार्यप्रणाली—डिझाइन, संश्लेषण, असेंब्ली आणि रेस्क्यू—नैसर्गिक फेज आयसोलेट्ससाठी दीर्घकाळापासून मानक राहिली आहे, परंतु पूर्णपणे AI-निर्मित जीनोम्ससाठी ती क्वचितच वापरली गेली आहे.

अँटीबॅक्टेरियल क्रियाशीलतेसाठी स्क्रीनिंग

खरी परीक्षा ही होती की AI-डिझाइन केलेले फेज एखाद्या बॅक्टेरियल टार्गेटला संक्रमित करून नष्ट करू शकतात का. संशोधकांनी ३०० उमेदवारांना E. coli च्या प्रयोगशाळा स्ट्रेनसह आव्हान दिले, जे मूत्रमार्गाच्या संसर्गाचे (urinary-tract infections) सामान्य कारण आहे आणि अँटीबायोटिक-प्रतिरोध अभ्यासासाठी एक मॉडेल आहे. प्लाक असेस (plaque assays) आणि ग्रोथ-इनहिबिशन (growth-inhibition) मोजमापांनंतर, १६ फेज बॅक्टेरियल कल्चरचे जलद लायसिस (lysis) आणि उच्च बर्स्ट साईज (एका संक्रमित पेशीतून बाहेर पडणाऱ्या नवीन फेज पार्टिकल्सची संख्या) साठी उठून दिसले.

ते १६ यशस्वी फेज केवळ स्क्रीनमध्ये टिकून राहिले नाहीत; तर त्यांनी मारण्याच्या कार्यक्षमतेमध्ये अनेक नैसर्गिक ΦX174 नातेवाईकांपेक्षाही सरस कामगिरी केली. डेटा असे सुचवतो की Evo 2 ज्ञात व्हायरल फंक्शन्सची पुनरावृत्ती करू शकते आणि तसेच अशा सिक्वेन्स स्पेसचा शोध घेऊ शकते ज्याचा जीवशास्त्रानुसार कधीही नमुना घेतला गेलेला नाही, ज्यामुळे सक्षम आणि प्रभावी उपाय मिळतात.

अँटीमायक्रोबियल संशोधनासाठी हे का महत्त्वाचे आहे

फेज थेरपी—बॅक्टेरियावर हल्ला करणाऱ्या विषाणूंचा वापर करणे—अँटीबायोटिक-प्रतिरोधक संसर्गाच्या जागतिक वाढीसाठी एक संभाव्य उत्तर म्हणून पुन्हा समोर आली आहे. पारंपारिक शोध सांडपाणी, माती किंवा प्राण्यांच्या मायक्रोबायोममध्ये फेज शोधण्यावर अवलंबून असतो, ही एक अशी प्रक्रिया आहे ज्याला महिने लागू शकतात आणि ज्याचे निकाल अनिश्चित असतात. Evo 2 एक 'कंप्युट-फर्स्ट' (compute-first) पर्याय देते: शास्त्रज्ञ बॅक्टेरियल टार्गेट निश्चित करतात, मॉडेलला उमेदवार जीनोम तयार करू देतात आणि नंतर प्रयोगशाळेत एका केंद्रित संचाची चाचणी घेतात.

जर ही पाइपलाइन मोठ्या प्रमाणावर विस्तारली, तर ती पर्यावरणातील नमुने घेण्याच्या वर्षांच्या प्रक्रियेला काही आठवड्यांच्या इन-सिलिको (in-silico) डिझाइन आणि हाय-थ्रूपुट संश्लेषणात रूपांतरित करू शकते. मागणीनुसार फेज जीनोम तयार करणे हे अतिरिक्त वैशिष्ट्ये, जसे की व्यापक होस्ट रेंज किंवा बॅक्टेरियल अँटी-फेज बचावांना प्रतिकार करणे, इंजिनिअरिंग करण्यासाठी देखील मार्ग मोकळा करते.

जोखीम आणि उघडे प्रश्न

हा breakthrough अजून सुरुवातीच्या टप्प्यात आहे. सर्व प्रयोग पेट्री डिशमध्ये मर्यादित आहेत; कोणतेही प्राणी मॉडेल किंवा क्लिनिकल ट्रायल्स केलेले नाहीत. सुरक्षिततेच्या चिंता कायम आहेत—संश्लेषित विषाणू रुग्णांमध्ये किंवा पर्यावरणात सोडल्यास अनपेक्षित पर्यावरणीय परिणाम होऊ शकतात. जनुकीय इंजिनिअरिंग केलेल्या फेजसाठी नियामक आराखडे (regulatory frameworks) अजूनही विकसित होत आहेत आणि प्रयोगशाळेतील परिणामकारकतेपासून मंजूर थेरपीपर्यंतचा मार्ग मोठा असू शकतो.

शिवाय, जरी Evo 2 ने ΦX174 सारख्या तुलनेसा साध्या, चांगल्या प्रकारे वैशिष्ट्यीकृत फेजसह यश मिळवले असले तरी, हे मॉडेल मोठ्या, अधिक जटिल व्हायरल जीनोम्स हाताळू शकेल का किंवा in vivo मध्ये बॅक्टेरियल इम्युन सिस्टममधून मार्ग काढणारे फेज डिझाइन करू शकेल का, हे पाहायचे आहे. सध्याचे यश हे कोणत्याही विषाणूची शून्यातून निर्मिती करण्याच्या सार्वत्रिक क्षमतेपेक्षा ΦX174 च्या मुबलक डेटावरील मॉडेलच्या प्रशिक्षणाचे प्रतिबिंब असू शकते.

पुढे काय?

स्टॅनफोर्डची टीम १६ प्रमुख फेजची क्लिनिकली संबंधित E. coli स्ट्रेन्स विरुद्ध चाचणी करेल, ज्यामध्ये अनेक अँटीबायोटिक्सना प्रतिरोधक असलेल्या स्ट्रेन्सचा समावेश आहे. समांतर काम हे शोधून काढेल की Evo 2 ला Klebsiella किंवा Pseudomonas सारख्या इतर समस्याग्रस्त बॅक्टेरियासाठी फेज डिझाइन करण्यास प्रवृत्त करता येईल का. संश्लेषणाचे प्रमाण वाढवणे—काही शेकडो उमेदवारांपासून हजारोपर्यंत—हे देखील एक प्राधान्य असेल, कारण मोठ्या लायब्ररीमुळे अधिक प्रभावी किंवा व्यापकपणे कार्य करणारे विषाणू समोर येऊ शकतात.

फेज थेरपीच्या पलीकडे, ही पद्धत इतर बायो-इंजिनिअरिंग उद्दिष्टांसाठी वापरली जाऊ शकते: औद्योगिक रसायनशास्त्रासाठी एन्झाइम्स डिझाइन करणे, कृत्रिम चयापचय मार्ग (metabolic pathways) तयार करणे किंवा अगदी नवीन व्हॅक्सीन व्हेक्टर्स तयार करणे. कार्यात्मक DNA सिक्वेन्स तयार करण्याची Evo 2 ची क्षमता अशा भविष्याकडे निर्देश करते जिथे "कोड" हे जिवंत प्रणालींसाठी एक सार्वत्रिक डिझाइन लँग्वेज बनेल.

मुख्य निष्कर्ष

स्टॅनफोर्डच्या Evo 2 मॉडेलने एका संगणकीय अंदाजाचे रूपांतर एका जिवंत सूक्ष्मजीवविरोधी (antimicrobial) साधनात केले आहे, ज्याद्वारे हे सिद्ध होते की AI-चालित 'de novo' जीवशास्त्र एका प्रमुख रोगजनकाला (pathogen) नष्ट करण्यास सक्षम असे कार्यात्मक विषाणू तयार करू शकते. ही 'प्रूफ-ऑफ-कॉन्सेप्ट' डिजिटल डिझाइन आणि वास्तविक जगातील उपचार पद्धती (therapeutics) यांच्यातील अंतर कमी करते, परंतु कृत्रिम फेज (synthetic phages) सूक्ष्मजीवविरोधी शस्त्रास्त्रांचा नियमित भाग बनण्यापूर्वी सुरक्षा, नियामक आणि स्केलेबिलिटीची आव्हाने सोडवावी लागतील.