AI ออกแบบชิ้นส่วนของ "จุลินทรีย์ที่ผลิตยา" เพิ่มปริมาณการผลิตได้สูงสุดประมาณ 3 เท่า

AI ออกแบบชิ้นส่วนของ "โรงงานผลิตยา"

เมื่อค้นหายาใหม่ การค้นหาสารที่มีศักยภาพและการผลิตสารนั้นในปริมาณที่เพียงพอเป็นปัญหาที่แยกจากกัน

สารธรรมชาติที่ผลิตโดยจุลินทรีย์สามารถนำไปสู่การพัฒนายาได้ อย่างไรก็ตาม การปรับปรุงสารที่พบในธรรมชาติให้เหมาะสมกับการรักษาของมนุษย์หรือการผลิตในปริมาณที่ต้องการสำหรับการวิจัยไม่ใช่เรื่องง่าย เนื่องจากกลไกภายในเซลล์ที่ผลิตสารนั้นมีความซับซ้อนมาก

การวิจัยเพื่อออกแบบใหม่บางส่วนของเครื่องผลิตด้วยปัญญาประดิษฐ์กำลังดำเนินการอยู่

ทีมวิจัยจากสถาบันวิจัยยาเฮล์มโฮลทซ์ซาร์ลันด์ (HIPS) ในเยอรมนีได้ออกแบบชิ้นส่วนโปรตีนที่ทำงานภายในเอนไซม์ขนาดใหญ่ที่ประกอบสารธรรมชาติด้วย AI และทดลองในเซลล์ที่มีชีวิต พบว่าบางส่วนทำงานได้ ในระบบเอนไซม์เฉพาะ การใช้ชิ้นส่วนที่มาจากธรรมชาติสามารถเพิ่มปริมาณการผลิตได้สูงสุดประมาณ 3 เท่า

นี่ไม่ใช่เรื่องของ AI ที่สร้างยาสำเร็จรูป แต่เป็นการวิจัยที่แสดงให้เห็นถึงความเป็นไปได้ในการปรับปรุง "กลไกการผลิต" ที่จุลินทรีย์มีเพื่อค้นหายาที่เป็นไปได้

"สายการประกอบโมเลกุล" ที่แม่นยำภายในจุลินทรีย์

การวิจัยมุ่งเน้นไปที่กลุ่มเอนไซม์ขนาดใหญ่ที่เรียกว่า "เอนไซม์สังเคราะห์เปปไทด์ที่ไม่ใช่ไรโบโซม" หรือย่อว่า NRPS

แม้ว่าอาจจะเข้าใจยากด้วยคำศัพท์เฉพาะ แต่การทำงานของมันสามารถเปรียบเทียบได้กับสายการประกอบในโรงงาน ชิ้นส่วนหลายชิ้นแบ่งหน้าที่ รับวัสดุ แปรรูป และส่งต่อไปยังขั้นตอนถัดไป การทำงานร่วมกันของพวกมันทำให้เกิดสารประกอบที่มีลักษณะเฉพาะ

สารธรรมชาติที่ผลิตโดย NRPS เป็นพื้นฐานสำหรับการพัฒนายาปฏิชีวนะ ยากดภูมิคุ้มกัน และยาต้านมะเร็ง ดังนั้นหากสามารถปรับเปลี่ยนกลไกนี้ได้อย่างอิสระ อาจสามารถสร้างสารที่มีคุณสมบัติแตกต่างจากเดิมได้

อย่างไรก็ตาม สายการประกอบของสิ่งมีชีวิตไม่สามารถเปลี่ยนได้ง่ายเหมือนบล็อกที่มีขายทั่วไป

เมื่อเปลี่ยนการออกแบบบางส่วน การทำงานร่วมกับส่วนที่อยู่ข้างเคียงอาจพังทลาย การส่งต่อวัสดุอาจหยุดลง และเอนไซม์ทั้งหมดอาจไม่ทำงาน แม้ว่ารูปทรงของชิ้นส่วนเดี่ยวจะถูกต้อง ก็ไม่ได้หมายความว่าจะทำงานได้ในเครื่องผลิต

AI ออกแบบ "ผู้ขนส่ง" สำหรับการส่งต่อวัสดุ

ทีมของ Dr. Kenan Bozhüyük มุ่งเน้นไปที่ "โดเมนไทโอเลชัน" หรือที่เรียกว่า T โดเมนภายใน NRPS

มันมีหน้าที่รับโมเลกุลที่อยู่ระหว่างการผลิตและส่งต่อไปยังตำแหน่งการประมวลผลถัดไป ในโรงงาน มันคล้ายกับแขนขนส่งที่เคลื่อนที่ได้ซึ่งเชื่อมต่อขั้นตอนต่างๆ

ทีมวิจัยได้ออกแบบ T โดเมนใหม่ 76 ชนิดโดยใช้แบบจำลอง AI ที่เรียนรู้แล้วหลายแบบและการทดลอง จากนั้นนำชิ้นส่วนเหล่านั้นไปประกอบใน NRPS ต่างๆ และตรวจสอบความหลากหลายของเอนไซม์หลายร้อยชนิดในเซลล์ที่มีชีวิต

จุดสำคัญคือการออกแบบที่ AI เสนอไม่ได้จบลงเพียงแค่การประเมินทางคำนวณ แต่ได้สร้างและประกอบจริงเพื่อตรวจสอบว่าสามารถผลิตสารได้หรือไม่

ผลลัพธ์คือบางส่วนของชิ้นส่วนที่ AI ออกแบบทำงานได้ มีบางส่วนที่ทำให้ระบบเอนไซม์ที่ประกอบขึ้นใหม่สามารถผลิตสารได้ และบางส่วนก็เพิ่มปริมาณการผลิตได้ นอกจากนี้ยังพบว่าโปรตีนที่ออกแบบบางชนิดละลายได้ง่ายกว่าและเสถียรกว่าต่อความร้อนเมื่อเทียบกับของธรรมชาติที่สอดคล้องกัน

"สูงสุดประมาณ 3 เท่า" หมายถึงอะไร

สิ่งที่ดึงดูดความสนใจในผลลัพธ์นี้คือจำนวนการผลิตที่เพิ่มขึ้นสูงสุดประมาณ 3 เท่า

อย่างไรก็ตาม นี่ไม่ใช่ผลลัพธ์ที่ได้จากทุกชิ้นส่วนที่ออกแบบหรือทุกสารที่ทดสอบ เป็นการปรับปรุงที่ยืนยันได้ในระบบเอนไซม์และเงื่อนไขเฉพาะ ไม่ได้หมายความว่าประสิทธิภาพของยาจะเพิ่มขึ้น 3 เท่าหรือเวลาที่ใช้ในการพัฒนายาจะลดลงเหลือหนึ่งในสาม

ถึงกระนั้น การปรับปรุงปริมาณการผลิตก็มีความหมายในการวิจัย

แม้ว่าจะมีสารใหม่เกิดขึ้น แต่ถ้าปริมาณน้อยเกินไป การตรวจสอบโครงสร้างและคุณสมบัติอย่างละเอียดจะเป็นเรื่องยาก หากสามารถผลิตได้ในปริมาณที่เพียงพอ จะทำให้การตรวจสอบลักษณะโมเลกุลและการทำงานของมันง่ายขึ้น

ดังนั้น เทคโนโลยีที่เพิ่มประสิทธิภาพการผลิตไม่ได้เกี่ยวข้องเพียงกับการผลิตจำนวนมากในอนาคต แต่ยังสำคัญสำหรับการทำให้สารที่เป็นไปได้สามารถตรวจสอบได้อย่างละเอียดในขั้นตอนแรกของการพัฒนายา

กุญแจสู่ความสำเร็จคือ "ความเข้ากันได้กับส่วนข้างเคียง" มากกว่าประสิทธิภาพของชิ้นส่วน

สิ่งสำคัญในการทำความเข้าใจการวิจัยครั้งนี้คือการออกแบบชิ้นส่วนให้เหมาะสมกับสภาพแวดล้อมรอบข้าง

แม้ว่าผู้ขนส่งจะมีความเสถียรในตัวเอง แต่ถ้าไม่สามารถติดต่อกับผู้รับหรือผู้ส่งวัสดุได้ดี สายการประกอบจะไม่ทำงาน จำเป็นต้องส่งต่อโมเลกุลที่อยู่ระหว่างการผลิตไปยังตำแหน่งที่เหมาะสม

ทีมวิจัยไม่ได้เพียงแค่พิจารณา T โดเมนเป็นโปรตีนอิสระ แต่ยังให้ความสำคัญกับการที่มันมีปฏิสัมพันธ์กับพื้นที่ที่อยู่ติดกันในเอนไซม์ที่มันถูกประกอบเข้าไป

นี่แสดงถึงความยากลำบากในการใช้ AI ในการออกแบบสิ่งมีชีวิต การสร้าง "ชิ้นส่วนที่ดูเหมือนจริง" และการสร้าง "ชิ้นส่วนที่ทำงานในเครื่องมือที่ซับซ้อน" มีระยะห่างกัน

Dr. Bozhüyük อธิบายว่า AI ไม่ได้มาแทนที่การทดลอง แต่ช่วยในการเลือกสิ่งที่มีศักยภาพจากตัวเลือกจำนวนมากได้อย่างมีประสิทธิภาพ การพัฒนาในการวิจัยคือการทำซ้ำการออกแบบและการทดลอง

ใน SNS ผู้เกี่ยวข้องกับการวิจัยแสดงความคาดหวัง แต่ก็เน้นถึงความสำเร็จที่มีเงื่อนไข

การโพสต์ที่เกี่ยวข้องกับการวิจัยนี้ที่สามารถตรวจสอบได้ใน SNS ส่วนใหญ่เป็นการโพสต์บน LinkedIn โดยนักวิจัยเองหรือองค์กรวิจัยที่เกี่ยวข้อง ไม่พบข้อมูลที่สามารถสรุปได้ว่ามีการพูดคุยกันอย่างกว้างขวางในหมู่ผู้ใช้ทั่วไป ดังนั้นจึงแนะนำเฉพาะโพสต์ที่เกี่ยวข้องโดยตรงกับการวิจัย

Dr. Bozhüyük แนะนำผลลัพธ์ในขั้นตอนก่อนการตรวจสอบโดยเพื่อน โดยอธิบายว่าได้ออกแบบ T โดเมน 76 ชนิด และสร้างและทดสอบ NRPS ที่ปรับเปลี่ยน 578 ชนิดในเซลล์ เขายังระบุว่าการปรับปรุงการผลิตสูงสุดประมาณ 3 เท่านั้นขึ้นอยู่กับโครงสร้างรอบข้าง

นอกจากนี้ เขายังขอความคิดเห็นเกี่ยวกับการออกแบบที่พิจารณาจุดเชื่อมต่อของชิ้นส่วนและคู่ที่มีปฏิสัมพันธ์ ไม่ได้เพียงแค่โปรโมทความสำเร็จ แต่พยายามที่จะอภิปรายถึงเงื่อนไขที่การออกแบบจะทำงาน

องค์กรวิจัยที่เกี่ยวข้องอย่าง PharmaScienceHub ก็ได้แชร์การวิจัยนี้อีกครั้งและแสดงความคาดหวังต่อการพัฒนาในอนาคต

สิ่งเหล่านี้ไม่ใช่ความคิดเห็นจากผู้อ่านทั่วไปที่รวบรวมหลังจากการเผยแพร่ข่าวในเดือนตุลาคม 2026 แต่เป็นการสื่อสารภายในชุมชนวิจัยตั้งแต่ขั้นตอนก่อนการพิมพ์ เมื่อพิจารณาถึงขอบเขตนี้ จุดที่น่าสนใจอยู่ที่การเพิ่มวิธีการปรับปรุงเอนไซม์ที่ซับซ้อนมากกว่าความคาดหวังว่า "AI เพียงอย่างเดียวสามารถสร้างยาได้"

สิ่งที่สำคัญสำหรับการพัฒนายาในญี่ปุ่นคืออะไร

เมื่อพิจารณาถึงผลลัพธ์นี้สำหรับญี่ปุ่น สิ่งที่ควรให้ความสนใจคือส่วนที่เชื่อมโยงเทคโนโลยีที่คาดการณ์สารที่เป็นไปได้กับเทคโนโลยีที่ผลิตสารนั้นจริงๆ

แม้ว่าสารจะดูน่าสนใจในทางคำนวณ แต่ถ้าไม่สามารถผลิตได้ในปริมาณที่เพียงพอ การประเมินต่อไปจะเป็นเรื่องยาก หากสามารถปรับปรุงด้านเครื่องผลิตได้เหมือนในครั้งนี้ อาจสามารถนำสารที่เคยยากต่อการผลิตมาเป็นเป้าหมายการวิจัยได้

นอกจากนี้ หากสามารถผลิตสารที่มีโครงสร้างแตกต่างกันเล็กน้อยจากสารธรรมชาติได้ ก็จะขยายขอบเขตของสารที่สามารถเปรียบเทียบและตรวจสอบได้ อย่างไรก็ตาม ผลลัพธ์นี้เพียงอย่างเดียวไม่ได้พิสูจน์ว่าการพัฒนาเช่นนี้จะเกิดขึ้นอย่างกว้างขวาง

เมื่อมหาวิทยาลัยหรือบริษัทเภสัชกรรมในญี่ปุ่นพิจารณาการประยุกต์ใช้ ความสามารถในการเสนอของ AI เพียงอย่างเดียวไม่เพียงพอ การเชื่อมโยงเทคโนโลยีการจัดการจุลินทรีย์ การประเมินโปรตีน และการวิเคราะห์สารที่ผลิตได้เป็นสิ่งสำคัญ

การวิจัยนี้แสดงให้เห็นว่าค่าของ AI สุดท้ายจะถูกตรวจสอบในห้องปฏิบัติการด้วย

เส้นทางสู่ยาตัวใหม่ยังคงดำเนินต่อไป แต่การลด "กำแพงการผลิต" มีค่า

รายงานนี้เป็นการวิจัยพื้นฐานเพื่อปรับปรุงเครื่องผลิตของสิ่งมีชีวิต ไม่ได้ยืนยันประสิทธิภาพหรือความปลอดภัยของยารักษาใหม่ในมนุษย์

ในอนาคต ความท้าทายจะอยู่ที่การตรวจสอบว่าวิธีเดียวกันนี้สามารถใช้ได้กับระบบเอนไซม์อื่นๆ หรือไม่ ชิ้นส่วนใดที่สามารถทำงานร่วมกันได้ และสามารถนำไปสู่การผลิตที่เสถียรได้หรือไม่ หากสารที่ผลิตขึ้นกลายเป็นผู้สมัครยา จะต้องตรวจสอบการทำงานและความปลอดภัยอย่างละเอียดเพิ่มเติม

ถึงกระนั้น ความหมายของการมีทางเลือกมากขึ้นนอกเหนือจากการใช้เครื่องผลิตที่พบในธรรมชาติยังคงมีความสำคัญ

การออกแบบชิ้นส่วนขนส่งขนาดเล็กโดย AI เพื่อให้ได้โมเลกุลที่ซับซ้อนที่ผลิตโดยจุลินทรีย์ในปริมาณที่ยืดหยุ่นและตรวจสอบได้ง่ายขึ้น

อนาคตของการพัฒนายาอาจเปลี่ยนไปไม่เพียงแค่การค้นพบ "ผู้สมัครยาตัวใหม่" ที่โดดเด่น แต่ยังรวมถึงการปรับปรุงชิ้นส่วนเหล่านี้เพื่อให้สามารถผลิตผู้สมัครได้จริง

แหล่งที่มา

1. Phys.org:
   เผยแพร่เมื่อ 21 ตุลาคม 2026 แนะนำการออกแบบ T โดเมนโดย HIPS การตรวจสอบในเซลล์ การปรับปรุงปริมาณการผลิต และคำอธิบายของนักวิจัย
   https://phys.org/news/2026-10-ai-functional-enzyme-components-drug.html

2. Nature Communications: ข้อมูลการตีพิมพ์งานวิจัย
   Emre F. Bülbül และคณะ "Generative AI designs functional thiolation domains for reprogramming non-ribosomal peptide synthetases" เผยแพร่เมื่อ 22 กันยายน 2026 ไม่ตรงกับวันที่เผยแพร่บทความแนะนำการวิจัยNature Communications
   https://doi.org/10.1038/s41467-026-77963-6

3. โพสต์ LinkedIn ของ Kenan Bozhüyük: การสื่อสารผ่าน SNS โดยนักวิจัยเอง
   แนะนำผลลัพธ์ในขั้นตอนก่อนการพิมพ์ ออกแบบ 76 ชนิด ทดสอบ 578 ชนิดของ NRPS ที่ปรับเปลี่ยน การปรับปรุงปริมาณการผลิตที่ขึ้นอยู่กับเงื่อนไข และขอความคิดเห็นเกี่ยวกับการออกแบบKenan Bozhüyük
   https://www.linkedin.com/posts/kenan-bozh%C3%BCy%C3%BCk-16a29924b_proteindesign-syntheticbiology-nrps-activity-7435231632892207104-qbGo

##HTML_TAG