17 თებერვალი, 2026

ხელოვნური ინტელექტი და ცილების წარმოება თანამედროვე მედიცინისა და ბიოტექნოლოგიების ერთ-ერთი ყველაზე აქტუალური და სწრაფად განვითარებადი მიმართულებაა, რომელიც გვპირდება, რომ რადიკალურად შეცვლის მედიკამენტების შექმნის ტრადიციულ მეთოდებს. მასაჩუსეტსის ტექნოლოგიური ინსტიტუტის (MIT) ქიმიური ინჟინერიის დეპარტამენტის მკვლევარებმა ახლახან წარმოადგინეს ინოვაციური კვლევა, რომელიც ნათლად აჩვენებს, თუ როგორ შეიძლება ხელოვნური ინტელექტის გამოყენება ახალი ცილების წარმოების პროცესების ოპტიმიზაციისთვის. ეს გარღვევა განსაკუთრებით მნიშვნელოვანია ვაქცინების, ბიოფარმაცევტული პრეპარატებისა და სხვა სასარგებლო ნაერთების წარმოების ხარჯების შესამცირებლად და ეფექტურობის გასაზრდელად.

აღნიშნულ კვლევაში, რომელიც მეცნიერებათა ეროვნული აკადემიის შრომებში (Proceedings of the National Academy of Sciences) გამოქვეყნდა, MIT-ის ჯგუფმა გამოიყენა დიდი ენობრივი მოდელი (LLM), რათა გაეანალიზებინა ინდუსტრიული საფუარის, კონკრეტულად კი Komagataella phaffii-ს გენეტიკური კოდი. კვლევის მთავარი მიზანი იყო იმის გაგება, თუ როგორ იყენებს ეს მიკროორგანიზმი კოდონებს ცილების სინთეზისთვის და როგორ შეიძლება ამ ცოდნის გამოყენება წარმოების პროცესის დასაჩქარებლად. ეს მიდგომა არა მხოლოდ ამცირებს გაურკვევლობას, არამედ ზოგავს დროსა და ფინანსურ რესურსებს, რაც კრიტიკულად მნიშვნელოვანია ახალი წამლების ბაზარზე გამოტანისთვის.

სარჩევი

ინდუსტრიული საფუარი: ბიოფარმაცევტიკის უხილავი ძრავა
კოდონების ოპტიმიზაციის პრობლემა და შესაძლებლობა
დიდი ენობრივი მოდელების როლი გენეტიკაში
ექსპერიმენტის შედეგები: ეფექტურობის მნიშვნელოვანი ზრდა
ცილების “ენის” შესწავლა და ბიოლოგიური პრინციპები
სამომავლო პერსპექტივები და ხელმისაწვდომობა
AI მედიცინა - სხვა სტატიები

ინდუსტრიული საფუარი: ბიოფარმაცევტიკის უხილავი ძრავა

სანამ უშუალოდ ტექნოლოგიურ ნოვაციებზე ვისაუბრებთ, მნიშვნელოვანია გავიგოთ იმ “სამუშაო ცხენების” როლი, რომლებზეც დღეს ფარმაცევტული ინდუსტრია დგას. ისეთი საფუარები, როგორიცაა Komagataella phaffii (ადრე ცნობილი როგორც Pichia pastoris) და Saccharomyces cerevisiae (იგივე პურის საფუარი), წარმოადგენენ ცილოვანი პრეპარატებისა და ვაქცინების წარმოების ხერხემალს. ყოველწლიურად, ეს მიკროორგანიზმები მილიარდობით დოლარის ღირებულების მედიკამენტებს აწარმოებენ, რითაც სასიცოცხლო მნიშვნელობის როლს ასრულებენ გლობალურ ჯანდაცვაში. მაგალითად, K. phaffii გამოიყენება ათობით კომერციული პროდუქტის დასამზადებლად, მათ შორის ინსულინის, B ჰეპატიტის ვაქცინებისა და ქრონიკული შაკიკის სამკურნალო მონოკლონური ანტისხეულების საწარმოებლად.

იმისათვის, რომ მეცნიერებმა საფუარი ინდუსტრიული მასშტაბით ცილების მწარმოებელ ქარხნად აქციონ, საჭიროა რთული გენეტიკური მანიპულაციები. მკვლევარები იღებენ გენს სხვა ორგანიზმიდან – მაგალითად, ადამიანის ინსულინის გენს – და ახდენენ მის მოდიფიცირებას ისე, რომ მიკროორგანიზმმა შეძლოს მისი დიდი რაოდენობით გამომუშავება. ეს პროცესი მოიცავს საფუარის უჯრედებისთვის ოპტიმალური დნმ-ის თანმიმდევრობის შემუშავებას, მის ინტეგრაციას საფუარის გენომში, ზრდისთვის ხელსაყრელი პირობების შექმნას და საბოლოო პროდუქტის გასუფთავებას.

ჯეი კრისტოფერ ლავი, MIT-ის ქიმიური ინჟინერიის პროფესორი და კვლევის უფროსი ავტორი, აღნიშნავს, რომ ახალი ბიოლოგიური პრეპარატებისთვის – რომლებიც ცოცხალი ორგანიზმების მიერ წარმოებულ დიდ და რთულ მოლეკულებს წარმოადგენენ – განვითარების ეს პროცესი შეიძლება შეადგენდეს წამლის კომერციალიზაციის მთლიანი ხარჯების 15-დან 20 პროცენტამდე. დღეისათვის ეს ნაბიჯები ძირითადად შესრულებულია შრომატევადი ექსპერიმენტული დავალებებით, რაც დროსა და ენერგიას მოითხოვს. სწორედ აქ შემოდის სცენაზე ხელოვნური ინტელექტი, რომელსაც შეუძლია ეს პროცესები უფრო პროგნოზირებადი და საიმედო გახადოს.

კოდონების ოპტიმიზაციის პრობლემა და შესაძლებლობა

ბიოლოგიური წარმოების ერთ-ერთი მთავარი გამოწვევა დნმ-ის კოდონების თანმიმდევრობის ოპტიმიზაციაა. ბუნებაში არსებობს 20 ამინომჟავა, რომელიც ცილების საშენ მასალას წარმოადგენს, თუმცა მათ კოდირებისთვის არსებობს 64 შესაძლო კოდონი (სამი ასოსგან შედგენილი დნმ-ის თანმიმდევრობა). ეს ნიშნავს, რომ ამინომჟავების უმეტესობა შეიძლება დაშიფრული იყოს ერთზე მეტი კოდონით. თითოეული კოდონი შეესაბამება უნიკალურ სატრანსპორტო რნმ-ს (tRNA), რომელსაც მოაქვს სწორი ამინომჟავა რიბოსომაში, სადაც ხდება ცილების აწყობა.

სხვადასხვა ორგანიზმი ამ კოდონებს განსხვავებული სიხშირით იყენებს. ტრადიციულად, ინჟინრები ცდილობდნენ ცილების წარმოების ოპტიმიზაციას იმ კოდონების არჩევით, რომლებიც მასპინძელ ორგანიზმში (ამ შემთხვევაში საფუარში) ყველაზე ხშირად გვხვდება. თუმცა, როგორც კვლევამ აჩვენა, ეს ყოველთვის არ იძლევა საუკეთესო შედეგს. მაგალითად, თუ ერთი და იგივე კოდონი მუდმივად გამოიყენება არგინინის კოდირებისთვის, უჯრედში შეიძლება ამოიწუროს ამ კოდონის შესაბამისი tRNA მოლეკულების მარაგი, რაც შეაფერხებს ცილის სინთეზს. საჭიროა უფრო ნიუანსირებული მიდგომა, რომელიც გაითვალისწინებს არა მხოლოდ სიხშირეს, არამედ კონტექსტსაც.

დიდი ენობრივი მოდელების როლი გენეტიკაში

სწორედ ამ ნიუანსირებული მიდგომისთვის გამოიყენა MIT-ის გუნდმა დიდი ენობრივი მოდელი, კონკრეტულად კი ენკოდერ-დეკოდერის ტიპის არქიტექტურა. ნაცვლად იმისა, რომ მოდელს გაეანალიზებინა ჩვეულებრივი ტექსტი, მკვლევარებმა ის გამოიყენეს დნმ-ის თანმიმდევრობების შესასწავლად და იმ ურთიერთკავშირების დასადგენად, რომლებიც არსებობს კონკრეტულ გენებში გამოყენებულ კოდონებს შორის. ეს მიდგომა რადიკალურად განსხვავდება სტანდარტული სტატისტიკური მეთოდებისგან, რადგან ის ეფუძნება “ენის” სტრუქტურის ღრმა გააზრებას.

საწვრთნელი მონაცემები აღებული იქნა ბიოტექნოლოგიური ინფორმაციის ეროვნული ცენტრის საჯაროდ ხელმისაწვდომი მონაცემთა ბაზიდან. ეს ბაზა შეიცავდა დაახლოებით 5,000 ცილის ამინომჟავების თანმიმდევრობას და მათ შესაბამის დნმ-ის თანმიმდევრობებს, რომლებიც ბუნებრივად იწარმოება Komagataella phaffii-ს მიერ. ჯეი კრისტოფერ ლავი განმარტავს, რომ მოდელი სწავლობს სინტაქსს ან ენას, თუ როგორ გამოიყენება ეს კოდონები. ის ითვალისწინებს არა მხოლოდ იმას, თუ როგორ არის განლაგებული კოდონები ერთმანეთის გვერდით, არამედ მათ შორის არსებულ შორ მანძილზე მოქმედ ურთიერთკავშირებსაც.

ექსპერიმენტის შედეგები: ეფექტურობის მნიშვნელოვანი ზრდა

მოდელის გაწვრთნის შემდეგ, მკვლევარებმა მას დაავალეს ექვსი განსხვავებული ცილის კოდონების თანმიმდევრობის ოპტიმიზაცია. შერჩეულ ცილებს შორის იყო ადამიანის ზრდის ჰორმონი, ადამიანის შრატის ალბუმინი და ტრასტუზუმაბი — მონოკლონური ანტისხეული, რომელიც კიბოს სამკურნალოდ გამოიყენება. შედარების მიზნით, მათ ასევე დააგენერირეს ამ ცილების ოპტიმიზებული თანმიმდევრობები ოთხი კომერციულად ხელმისაწვდომი ხელსაწყოს გამოყენებით, რათა შეეფასებინათ ახალი მეთოდის უპირატესობა.

შედეგები შთამბეჭდავი აღმოჩნდა. მკვლევარებმა თითოეული ეს თანმიმდევრობა შეიყვანეს K. phaffii-ს უჯრედებში და გაზომეს, თუ რა რაოდენობის სამიზნე ცილა გამოიმუშავა თითოეულმა მათგანმა. ექვსი ცილიდან ხუთის შემთხვევაში, MIT-ის ახალი მოდელის მიერ შექმნილმა თანმიმდევრობებმა საუკეთესო შედეგი აჩვენა, ხოლო მეექვსე ცილის შემთხვევაში — მეორე საუკეთესო შედეგი. კვლევის წამყვანი ავტორი, ჰარინი ნარაიანანი აღნიშნავს, რომ მათ შეადარეს კოდონების ოპტიმიზაციის სხვადასხვა ფილოსოფია და ექსპერიმენტულად დაადასტურეს, რომ მათი მიდგომა აღემატება არსებულ ალტერნატივებს.

ცილების “ენის” შესწავლა და ბიოლოგიური პრინციპები

კვლევის ერთ-ერთი ყველაზე საინტერესო ასპექტი არის ის, თუ რა ისწავლა მოდელმა დამოუკიდებლად. მოდელის შიდა მექანიზმების შესწავლისას, მკვლევარებმა აღმოაჩინეს, რომ მან აითვისა გენომის ფუნქციონირების გარკვეული ბიოლოგიური პრინციპები, მათ შორის ისეთი დეტალები, რომლებიც მკვლევარებს მისთვის სპეციალურად არ უსწავლებიათ. მაგალითად, ხელოვნურმა ინტელექტმა ისწავლა, რომ არ უნდა ჩაერთო უარყოფითი განმეორებადი ელემენტები — დნმ-ის ისეთი თანმიმდევრობები, რომლებმაც შეიძლება შეაფერხონ ახლომდებარე გენების ექსპრესია.

გარდა ამისა, მოდელმა ისწავლა ამინომჟავების კატეგორიზაცია ისეთი თვისებების მიხედვით, როგორიცაა ჰიდროფობულობა და ჰიდროფილურობა. პროფესორი ლავი ხაზს უსვამს, რომ მოდელი არა მხოლოდ სწავლობდა ენას, არამედ ახდენდა მის კონტექსტუალიზაციას ბიოფიზიკური და ბიოქიმიური მახასიათებლების მეშვეობით. ეს ფაქტი მეცნიერებს აძლევს დამატებით რწმენას, რომ მოდელი სწავლობს რაღაც რეალურად მნიშვნელოვანს და შინაარსობრივს, და არა მხოლოდ მექანიკურად აოპტიმიზებს მიცემულ დავალებას. ეს არის კრიტიკული ნაბიჯი ხელოვნური ინტელექტისადმი ნდობის გაზრდის კუთხით სამეცნიერო საზოგადოებაში.

სამომავლო პერსპექტივები და ხელმისაწვდომობა

MIT-ის ლაბორატორიის მკვლევარებმა უკვე დაიწყეს ახალი მოდელის აქტიური გამოყენება K. phaffii-სთვის საინტერესო ცილების ოპტიმიზაციისთვის. რაც ყველაზე მნიშვნელოვანია, მათ გახადეს კოდი ხელმისაწვდომი სხვა მკვლევარებისთვისაც, რომლებსაც სურთ გამოიყენონ ის K. phaffii-სთვის ან სხვა ორგანიზმებისთვის. ეს ღიაობის პრინციპი ხელს შეუწყობს დარგის უფრო სწრაფ განვითარებას და ინოვაციების გავრცელებას.

საინტერესოა, რომ მკვლევარებმა ეს მიდგომა გამოსცადეს სხვა ორგანიზმების, მათ შორის ადამიანებისა და ძროხების მონაცემთა ბაზებზეც. თითოეულმა მიღებულმა მოდელმა განსხვავებული პროგნოზები წარმოქმნა, რაც მიუთითებს იმაზე, რომ სამიზნე ცილების კოდონების ოპტიმიზაციისთვის საჭიროა სახეობებისთვის სპეციფიკური მოდელების შექმნა. ეს აღმოჩენა ხსნის ახალ გზებს პერსონალიზებული მედიცინისა და ვეტერინარიის მიმართულებით.

პროგნოზირებადი ინსტრუმენტების არსებობა, რომლებიც სტაბილურად კარგად მუშაობენ, უაღრესად მნიშვნელოვანია იდეიდან წარმოებამდე დროის შესამცირებლად. როგორც ჯეი კრისტოფერ ლავი აჯამებს, გაურკვევლობის აღმოფხვრა საბოლოო ჯამში ზოგავს დროსა და ფულს. ეს კვლევა, რომელიც დაფინანსებულია MIT-ის დანიელ ი.ც. ვანგის ფაკულტეტის კვლევითი ინოვაციების ფონდის, MIT AltHost კვლევითი კონსორციუმის და სხვა პრესტიჟული ორგანიზაციების მიერ, წარმოადგენს მნიშვნელოვან წინგადადგმულ ნაბიჯს ბიოფარმაცევტიკის ეპოქაში.

დასკვნის სახით შეიძლება ითქვას, რომ ხელოვნური ინტელექტი და ცილების წარმოება უკვე აღარ არის მხოლოდ თეორიული კონცეფცია, არამედ პრაქტიკული რეალობაა, რომელიც გვეხმარება უფრო სწრაფად და იაფად მივიღოთ სასიცოცხლო მნიშვნელობის მედიკამენტები. MIT-ის მეცნიერების მიერ შემუშავებული მეთოდოლოგია გზას უხსნის ახალ შესაძლებლობებს, სადაც ბიოლოგია და ინფორმაციული ტექნოლოგიები ერთიანდება კაცობრიობის ჯანმრთელობის სამსახურში.