Как ИИ может помочь ученым находить вирусы для борьбы с инфекциями, устойчивыми к лекарствам

Инфекции, устойчивые к лекарственным препаратам, представляют собой серьезную угрозу для глобального здравоохранения, что стимулирует срочный поиск методов лечения в тех случаях, когда антибиотики перестают действовать. Бактериофаги, или фаги, — это вирусы, поражающие бактерии, которые можно использовать в качестве средства борьбы с устойчивыми к лекарствам микробами. Хотя фаги широко распространены в окружающей среде, поиск подходящих фагов для лечения конкретной бактериальной инфекции — сложная задача. Эффективность зависит от генетики фага, антифаговых защитных механизмов бактерий и динамики инфекции.

Мы использовали приложение Microsoft Discovery, чтобы помочь ученым разработать принципиальный биоинформатический рабочий процесс для поиска полезных фагов против бактериальных патогенов в больших наборах данных об окружающей среде. Конвейер должен был предоставлять пояснительную статистику с использованием общепринятых методологий, чтобы ученые могли принимать обоснованные решения о том, какие фаги следует тестировать в лаборатории против конкретной инфекции.

Как специалист по анализу данных, сотрудничающий с исследователями в разработке биоинформатических рабочих процессов, я видел, сколько усилий требуется для превращения многообещающих научных вопросов в строгие вычислительные процессы. Задача состоит не просто в определении правильных методов анализа, а требует объединения данных, инструментов, критериев валидации и научного суждения таким образом, чтобы ученые могли проверять, доверять и повторно использовать результаты.

В этом упражнении наша междисциплинарная команда исследовала, как взаимодействие человека и агента может помочь в разработке сложного и развертываемого в облаке биоинформатического конвейера для фаговой терапии. Опираясь на опыт в области геномики, биоинформатики и облачных архитектур, мы совместно с агентами в приложении Microsoft Discovery проектировали рабочий процесс, оценивали их рекомендации и проверяли результаты на каждом этапе. Наша цель заключалась не в заявлении о получении результата лечения, а в разработке воспроизводимого вычислительного подхода, который ученые могли бы использовать для руководства своей работой.

Используя приложение Microsoft Discovery, мы превратили процесс разработки конвейера в план исследования, который ученые могли проверять и уточнять. Приложение помогло систематизировать научную литературу, источники мультиомиксных данных, аналитические инструменты, методологические рекомендации и рекомендуемые тестовые примеры, а также создало этапы валидации на общедоступных биологических данных. Этот процесс был итеративным и направлялся экспертной оценкой.

Мы попросили приложение помочь спроектировать вычислительный конвейер со следующими требованиями:

• принимать геном бактериального патогена в качестве входных данных
• проверять маркеры устойчивости к антибиотикам и создавать профиль устойчивости
• оценивать типы антифаговых защитных механизмов, которые могут присутствовать
• искать в данных об окружающей среде новые фаги, которые могут заражать бактерии
• предлагать смесь из одного или нескольких терапевтических фагов
• объяснять конкретные вычислительные шаги и доказательства, ведущие к выводу
• и рекомендовать последующие лабораторные эксперименты

Приложение Discovery перевело эти требования в набор исследовательских задач, создало проверяемые методы на каждом этапе исследования и связало результаты исследований каждого шага с входными данными следующего шага в прослеживаемую цепочку. Люди и агенты совместно проанализировали исследования фаговой терапии и биоинформатические методологии, прежде чем перейти к написанию сложного кода.

Мы описали научную цель на стандартном научном языке, и приложение Discovery преобразовало это описание в исследовательского помощника с определенной ролью (называемой «целью»), ожидаемыми техническими результатами и проверяемым деревом «задач». Дерево задач фиксировало последовательность исследовательских задач для команды «человек-агент», и ученые имели детальный контроль над этими задачами и общим подходом к исследованию.

Рисунок 1: Приложение Microsoft Discovery создает проверяемую иерархию рабочих процессов. Эта структура дерева задач позволяет ученым проверять и уточнять каждый шаг предложенного рабочего процесса.

Представление в виде дерева задач сделало наше сотрудничество прозрачным, показав, как была декомпозирована исходная проблема и какие доказательства и инструменты поддерживали каждый шаг. Затем мы могли перенаправить рабочий процесс, когда суждение требовало иного подхода, что позволило нам итеративно направлять исследование, а не просто выступать в роли рецензента его окончательных выводов.

Хотя агенты могут широко искать информацию в Интернете, мы сосредоточили исследовательский процесс на тщательно отобранной коллекции статей, выбранных учеными. Функция Microsoft Discovery Bookshelf предоставляет специальное место для хранения, индексации и поиска доверенных справочных материалов отдельно от более широкого Интернета.

По мере того как агент совместно выполнял свои задачи, мы постепенно расширяли его доступ к репозиториям GitHub для других инструментов и источников данных, которые мы хотели включить. Агент разработал и интегрировал адаптеры на основе MCP в рабочий процесс, расширив доступ к таким ресурсам, как PubMed, Europe PMC, NCBI BLAST, Semantic Scholar, ClinicalTrials.gov, AlphaFold и базам данных биомаркеров, доступным для исследования. Это значительно упростило интеграцию пользовательских инструментов: процесс занял минуты и позволил избежать того, что в противном случае потребовало бы значительных инженерных усилий.

Рисунок 2: Шесть локальных серверов протокола контекста модели (MCP) предоставляют агентам доступ к геномным записям, научной литературе, предсказанным структурам белков, записям клинических испытаний и данным об устойчивости к антибиотикам.

Приложение Discovery соединило эти внешние источники с курируемой «Книжной полкой» (Bookshelf) и деревом задач, позволяя рабочему процессу и агентам при необходимости использовать дополнительные знания и данные. По мере того как наша команда взаимодействовала с системой, агенты Discovery уточняли подход к исследованию в ответ на новые доказательства и отзывы экспертов. Например, был предложен пересмотренный план, объединяющий поиск литературы, анализ генома и предсказание структуры белка, который команда рассмотрела и одобрила до того, как соответствующие исследовательские задачи были выполнены.

Рисунок 3: Приложение Microsoft Discovery организует проект в задачи с определенными результатами. Первая задача рассматривает первоначальную курируемую научную книжную полку, содержащую 170 статей из коллекции ученых, прежде чем расширяться до других источников знаний и данных.

Менее чем за четыре часа проект прошел путь от создания дерева задач до чернового отчета. Значительная часть этого времени ушла на поиск геномных ссылок и запуск нетривиальных биоинформатических рабочих процессов, созданных в результате сотрудничества человека и агента.

Приложение предложило шестимодульную вычислительную архитектуру с определенными входными и выходными данными, проверками качества и безопасности, альтернативными подходами, наборами данных для положительного и отрицательного контроля биоинформатического рабочего процесса, планом лабораторной валидации и подтверждающими научными ссылками. Эти артефакты обеспечили конкретную основу для проверки и дали рекомендации о том, где потребуется экспериментальная валидация.

Предложенный конвейер основан на простой идее: начать с конкретной лекарственно-устойчивой бактерии, найти в данных об окружающей среде фаги, которые могут ее атаковать, сузить список с помощью множества источников научных данных и передать кандидатов, приоритизированных для дальнейшей оценки, на лабораторные испытания.

Мы использовали прототип API, созданный приложением, чтобы подтвердить, что предложенный вычислительный конвейер может работать должным образом. Тесно сотрудничая с экспертами по биоинформатике в нашей команде, мы проанализировали каждый этап рабочего процесса, изучили его входные и выходные данные и подтвердили, что информация последовательно передается между этапами.

Эта экспертная оценка была необходима для того, чтобы отличить научно обоснованные результаты от правдоподобно звучащих, но не подтвержденных выводов ИИ, а также для выявления областей, требующих доработки, прежде чем конвейеру можно будет доверять и использовать его повторно.

Рисунок 4: Слева: Схема вычислительного конвейера фаговой терапии (слева); Справа: Список проверяемых артефактов, создаваемых конвейером на каждом этапе.

Изучение целевой бактерии

Рабочий процесс начинается с чтения генетического чертежа бактерии. Он ищет маркеры устойчивости к антибиотикам, возможные точки входа, которые мог бы использовать фаг, и механизмы защиты, которые могли бы помешать работе фага. Это создает профиль того, что на самом деле потребуется успешному фагу для преодоления защиты.

Поиск в сточных водах и других данных об окружающей среде

Затем конвейер ищет ДНК фагов в метагеномных данных, запрашивая NCBI и Europe PMC для получения существующих записей геномов фагов, литературы по выделению фагов и сточным водам, а также выбранных метаданных. Конвейер реконструирует возможные геномы фагов, удаляет неполные или потенциально небезопасные варианты и собирает данные о том, какие бактерии может заразить каждый фаг.

Прогнозирование наиболее подходящих фагов

Ни один отдельный предиктор не является достаточным для того, чтобы показать, что фаг будет работать. Поэтому конвейер объединяет данные о сходстве ДНК, известные взаимоотношения «фаг-бактерия», прогнозируемую совместимость с поверхностью бактерии и внутренние защитные механизмы бактерии для ранжирования кандидатов для дальнейшего рассмотрения. Эти объединенные сигналы могут помочь составить более обоснованный шорт-лист, но они не гарантируют эффективность без экспертной оценки и лабораторных испытаний.

Ранжирование кандидатов по эффективности и безопасности

Каждый кандидат ранжируется по прогнозируемой способности заражать и уничтожать цель, его безопасности и практичности для производства. При ранжировании также учитывается, может ли уход фага через изменения бактериальных рецепторов восстановить чувствительность к антибиотикам. Умеренные или лизогенные кандидаты исключаются, поскольку интеграция может вызвать лизогенную конверсию и горизонтальный перенос генов.

Рассмотрение инженерных решений только при необходимости

Если ни один природный фаг не соответствует требованиям, рабочий процесс может предложить тщательно ограниченные изменения, чтобы помочь хорошо изученному фагу распознать целевую бактерию. Любой инженерный вариант должен пройти строгие проверки на безопасность, стабильность и непредвиденные эффекты, прежде чем он будет принят в работу.

Подтверждение результатов в лаборатории

Вычислительные прогнозы — это только начало. Ученые должны подтвердить с помощью лабораторных экспериментов, что фаг может заражать и уничтожать целевую бактерию, измерить скорость развития устойчивости, проверить, хорошо ли он работает с антибиотиками, а также оценить безопасность, стабильность и производство. Эти результаты затем будут использованы в качестве обратной связи для улучшения будущих прогнозов.

В совокупности эти этапы позволяют сосредоточить детальный анализ и лабораторные ресурсы на наиболее сильных кандидатах, обеспечивая при этом безопасность и экспертный контроль на протяжении всего процесса.

Организуя доказательства, инструменты и вычислительные этапы в воспроизводимый и проверяемый рабочий процесс, приложение Microsoft Discovery помогло нашей команде перейти от широкого научного вопроса к готовому к реализации исследовательскому конвейеру.

Результатом не стал валидированный терапевтический продукт. Это был структурированный план, рабочая облачная реализация и более четкое понимание пробелов в доказательствах, которые все еще требуют экспертной оценки и лабораторной валидации.

Моя предыдущая работа с исследователями в области биоинформатики показала мне, что перевод научных вопросов в надежные вычислительные рабочие процессы требует как глубоких знаний в предметной области, так и значительных инженерных усилий. В этом проекте приложение Discovery усилило этот опыт, а не заменило его, помогая нашей команде создать детерминированный, многоразовый конвейер, сохраняя при этом человеческое суждение в каждой важной точке принятия решений.