Vještačka inteligencija otišla je korak dalje.
Naučni časopisi, a zatim i svi svjetski mediji raspisali su se o prekretnici - AI je uspio stvoriti virus! Bombastična vijest odmah je podstakla novi talas strahova od vještačke inteligencije i njenih rastućih sposobnosti.
Ali, šta se zapravo dogodilo? Naučnici su prvi put uz pomoć generativne vještačke inteligencije dizajnirali čitave virusne genome. Zatim su ih proizveli u laboratoriji. I oni su se pokazali funkcionalnim. Stvorili su bakteriofage, viruse koji napadaju bakterije. Rezultati istraživanja objavljeni su još u septembru prošle godine, u međuvremenu su prošli recenziju i zvanično su objavljeni u jednom od vodećih svjetskih naučnih časopisa, Science.
Kako je AI dizajnirao viruse
Tim je predvodio dr Brajan Haj (Brian Hie) sa Univerziteta Stanford. Koristili su AI modele Evo 1 i Evo 2, svojevrsne jezičke modele za genetički kod. Dok veliki jezički modeli poput onih iza AI chatbotova uče odnose između riječi, ovakvi modeli uče obrasce u sekvencama DNK. Guardian navodi da su osnovni modeli trenirani na genetičkim podacima više od dva miliona bakteriofaga, a istraživači su ih zatim dodatno usmjerili na 14.466 sekvenci iz porodice Microviridae, malih virusa koji napadaju bakterije, kako bi mogli stvarati genome slične tačno određenom bakteriofagu. On se zove ΦX174 (phiX174).
Zašto je izabran baš ΦX174
Upravo je ΦX174 odabran zbog svoje veličine, ali i posebnog mjesta u istoriji genetike. Dovoljno je mali da je njegova laboratorijska sinteza izvodljiva, ali je istovremeno dovoljno složen da predstavlja ozbiljan test. ΦX174 je 1977. godine postao prvi organizam čiji je cijeli genom sekvenciran, a 2003. i prvi čiji je cijeli genom hemijski sintetizovan. Istraživači su to slikovito saželi tvrdnjom da je nauka najprije naučila "čitati" DNK, zatim je "pisati", a sada i "dizajnirati".
Od hiljada prijedloga uspjelo samo 16
Sada je vještačka inteligencija generisala hiljade potencijalnih genoma, nakon čega su istraživači odabrali 285 dizajna za laboratorijsko testiranje, navodi Arc Institute. Samo 16 kandidata pokazalo se funkcionalnim, odnosno moglo se reprodukovati i napadati ciljane bakterije. Proces je, dakle, još daleko od nepogrešivog: velika većina AI prijedloga nije funkcionisala. Ali, upravo tih 16 uspješnih virusa dokazalo je da model može predložiti cijeli novi genom koji nakon fizičke izrade zaista obavlja biološku funkciju.
AI virusi uspjeli tamo gdje prirodni nije
Posebno zanimljiv rezultat dobijen je kada su naučnici bakterije učinili otpornim na prirodni ΦX174. Arc Institute piše da je stvoreno nekoliko sojeva E. coli otpornih na njega te da ih sam prirodni ΦX174 više nije mogao uspješno napasti. AI dizajnirani kokteli ipak su uspjeli da prevladaju njihovu otpornost. The Guardian, izvještavajući o konačnom radu u Scienceu, takođe navodi da su kombinacije novih uspjele da savladaju otpornost kod testiranih sojeva E. coli.
Šta ovo znači za fagoterapiju
Tu je, međutim, važna razlika. U ovom eksperimentu nije dokazano da su korištene bakterije bile otporne na antibiotike. Bile su otporne na prirodni bakteriofag. Potencijal tehnologije za liječenje infekcija otpornih na antibiotike proizlazi iz šire ideje fagoterapije, a ne iz toga da je u ovom eksperimentu izliječena infekcija otporna na antibiotike. Sami autori pišu da bi mogućnost "brzog dizajniranja" genoma, njihovog prilagođavanja određenim bakterijama i prevladavanja otpornosti mogla "transformisati fagoterapiju" i proširiti biotehnološke mogućnosti.
Upravo su tvrdokorne bakterijske infekcije razlog zbog kojeg se fagoterapija ponovo nalazi u centru interesa medicine. Bakteriofagi su virusi specijalizovani za napad na bakterije. Vežu se za bakterijsku ćeliju, koriste njene mehanizme za sopstveno umnožavanje i mogu je na kraju razoriti. Profesor Stiven Abedon (Stephen Abedon) sa Univerziteta Ohio State u velikom stručnom pregledu objavljenom u časopisu Advanced Drug Delivery Reviews navodi da se fagoterapija već gotovo jedan vijek koristi kao antibakterijski pristup, a posebno je zanimljiva kod dugotrajnih, upornih i hroničnih infekcija koje prethodno liječenje antibioticima nije uspjelo ukloniti.
Zašto su biofilmovi poseban problem
Pod "tvrdokornim infekcijama" pritom se ne misli samo na bakteriju koja je stekla klasičnu otpornost na određeni antibiotik. Problem mogu biti i hronične rane, infekcije povezane sa vještačkim zglobovima i drugim implantatima te infekcije u kojima bakterije stvaraju biofilm. Biofilm dodatno otežava liječenje. Riječ je o zajednici bakterija obavijenoj zaštitnom vanćelijskom matricom koja se može razviti na hroničnoj rani, kateteru, vještačkom zglobu ili drugoj površini. Pregled objavljen u časopisu Current Opinion in Virology navodi da su bakterijski biofilmovi uključeni u brojne hronične i teško izlječive infekcije te da obećavajući laboratorijski rezultati fagoterapije ne znače automatski da će terapija jednako dobro djelovati u ljudskom organizmu. Interakcija između virusa, bakterije i biofilma mnogo je složenija u stvarnim kliničkim uslovima.
Gdje bi AI mogao napraviti razliku
Upravo bi tu vještačka inteligencija jednog dana mogla ponuditi nešto novo. Umjesto dugotrajnog traženja prirodnog bakteriofaga koji napada baš određeni bakterijski soj, moglo bi se pokušati projektovati različite "neprijatelje" prilagođene određenoj bakteriji. Arc Institute navodi da je jedan od ciljeva njegovog istraživanja bio provjeriti mogu li se jednog dana stvarati fagoterapije koje bi bile otpornije na bakterijsku evoluciju. Raznolikost koju AI može generisati potencijalno bi omogućila stvaranje većeg broja kandidata i otežala bakteriji da razvije odbranu protiv svih njih.
Najveći strah je biosigurnost
Mogućnost da AI pređe iz analiziranja postojećeg života u projektovanje novih funkcionalnih genoma izaziva i najveći strah. Autori istraživanja u Scienceu sami upozoravaju da njihov rad otvara "važna pitanja biosigurnosti, biološkog obuzdavanja i biozaštite" te preporučuju istraživačima koji se bave dizajnom cijelih genoma da tokom projekta sarađuju sa stručnjacima za bezbjednost, prenosi Guardian.
Prilikom istraživanja vodilo se računa o sigurnosnim preprekama
Tim je zato ugradio određene sigurnosne prepreke. Genetički kod virusa koji mogu zaraziti ljude, životinje ili biljke namjerno je isključen iz podataka korištenih za treniranje modela kako bi se smanjio rizik stvaranja opasnih virusa. Arc Institute dodaje da su korištene nepatogene laboratorijske bakterije E. coli te da su eksperimenti sprovođeni uz posebna ograničenja. Svih 16 funkcionalnih virusa zadržalo je i veoma uzak raspon domaćina: mogli su se reprodukovati na E. coli C i srodnom soju E. coli W, ali ne i na šest drugih testiranih sojeva.
"Tehnologija je stigla prije pravila"
Ipak, upozoravaju stručnjaci, ni to ne rješava širi problem. Profesor Tom Inglesbi (Tom Inglesby) i dr Moric Hanke (Moritz Hanke) iz Centra za zdravstvenu sigurnost Univerziteta Džons Hopkins u komentaru objavljenom uz istraživanje u Scienceu upozorili su da je tehnologija stigla prije pravila koja bi trebalo da upravljaju njome.
"Iako ovo mnogo obećava za primjene u naukama o životu, istovremeno otvara hitna pitanja biosigurnosti i biozaštite. Mogućnost sastavljanja virusnih genoma uz pomoć generativne vještačke inteligencije sada postoji; upravljanje kojim bi se ona sigurno usmjeravala ne postoji", upozorili su Inglesbi i Hanke.
Potrebna je višeslojna zaštita
Njihova zabrinutost nije usmjerena na 16 konkretnih bakteriofaga iz ovog eksperimenta. Oni ne mogu zaraziti ljude. Pitanje je šta će se dogoditi kada modeli postanu snažniji ili kada ih neko trenira na drugačijim podacima.
Dr Filipa Lencos (Filippa Lentzos), stručnjakinja za nauku i međunarodnu bezbjednost sa King's Collegea u Londonu, smatra da se zbog toga ne treba koncentrisati samo na zabrane samih AI modela.
"Važno je sagledati širu sliku upravljanja i ne usredsrediti regulaciju isključivo na AI model", rekla je Lencos.
Prema njenom mišljenju, potrebna je višeslojna zaštita: sigurnosne mjere tokom razvoja modela i kontrole pristupa, odgovorna procjena istraživanja, provjera sekvenci prije sinteze te postojeća laboratorijska pravila biosigurnosti i biozaštite.
Drugim riječima, čak i ako AI na računaru osmisli potencijalno problematičan genom, za njegov prelazak u fizički svijet neko još mora proizvesti odgovarajuću DNK. Zato bi provjera narudžbi sintetičke DNK mogla biti jedna od ključnih sigurnosnih barijera.
Može li AI napraviti pandemijski virus?
Profesor Tom Elis (Tom Ellis), stručnjak za sintetičko genomsko inženjerstvo sa Imperijal koledža u Londonu, ipak upozorava da rezultate ne treba pretvarati u scenario prema kojem AI već sada može jednostavno osmisliti novi pandemijski virus.
"Ovo je doslovno najmanji i najjednostavniji genom koji se može napraviti", rekao je Elis za Guardian, dodajući da istraživanje istovremeno pokazuje koliko bi izrada složenijih genoma bila teška.
Smatra da bi AI treniran na genetičkom kodu opasnih mikroorganizama u teoriji mogao biti iskorišten za dizajniranje štetnijih virusa te podržava ograničavanje pristupa rizičnim podacima i kontrolu proizvodnje sumnjivih genoma.
Smatra i da se opasnost od potpuno novog virusa koji AI dizajnira od nule trenutno preuveličava. Objašnjava kako je mnogo jednostavnije uzeti već postojeći patogen i napraviti promjene njegovog genoma nego uz pomoć AI osmisliti cijeli novi funkcionalni patogen. Upravo zato, prema njegovom mišljenju, postojeće metode modifikovanja opasnih mikroorganizama zasad predstavljaju neposredniji sigurnosni problem.
Granica je ipak pređena
Ipak, eksperiment predstavlja jasnu granicu koja je upravo pređena. Nauka je 1977. prvi put pročitala cijeli genom ΦX174. Godine 2003. pokazala je da se takav genom može hemijski sastaviti. Arc Institute sada ističe da je vještačka inteligencija pokazala i treću sposobnost - može predložiti nove genetičke nacrte koji nakon laboratorijske izrade mogu postati funkcionalni biološki sistemi.
Današnjih 16 AI dizajniranih bakteriofaga ne predstavlja prijetnju ljudima, a tehnologija bi dugoročno mogla pomoći u razvoju novih načina borbe protiv hroničnih i teško izlječivih bakterijskih infekcija. Istovremeno, eksperiment pokazuje zašto će pitanja ko smije koristiti biološke AI modele, na kojim ih podacima smije trenirati, koje genome smije stvarati i, na kraju, ko sve kontroliše, postajati sve važnija.