A rendszerbiológia egy új tudományterület, így biztos nem akartál kis korodban rendszerbiológus lenni.
Gyerekkorom óta érdekeltek mind a fizikai jelenségek, mind az élővilág működése. Körülbelül középiskolás koromig a fizika talán jobban is izgatott, mint a biológia. Emellett hobbi szinten programozni tanultam, ahogy azt sok korombeli srác is tette. Akkor még nem sejtettem, hogy ezt az ismeretet később közvetlenül is hasznosítom majd a munkám során. Ami a pályaválasztást illeti, a természettudományos érdeklődésem után mentem, amikor a Debreceni Egyetem biológia-fizika szakjára jelentkeztem. Felvételizőként persze még nem volt egyértelmű, hogy később kutatással foglalkozom majd. Megjegyzem, ahogy a legtöbb gimnazistának, úgy nekem sem volt világos képem arról hogyan működik valójában a tudomány és mivel telnek egy kutató napjai. Erről kevés szó esik az iskolákban, de néha még az egyetemeken is.
Biológia és fizika szakon végeztél. Ez azt is jelenti, hogy az egyetemre való jelentkezéskor sem tudtad még, hogy melyik irányba szeretnél elmozdulni?
Igyekeztem minél később leszűkíteni az érdeklődésemet, emiatt választottam két szakot. Azonban már az egyetemi évek elején eldőlt számomra, hogy leginkább a biológia nyitott kérdései érdekelnek. Ebben döntő szerepe volt az evolúcióbiológiával történt találkozásomnak. Egyrészt egy nagyon izgalmas speciál kollégiumot hallgattam az állati viselkedés evolúciós kérdéseiről Barta Zoltántól, másrészt akkoriban jelent meg Szathmáry Eörs és Maynard Smith közös könyve a nagy evolúciós átmenetekről. A könyvben taglalt genetikai rendszerek evolúciója annyira felkeltette az érdeklődésemet, hogy hamarosan szakdolgozónak jelentkeztem Szathmáry Eörsnél és a vele együtt dolgozó Pál Csabánál. Abban az időben többek között azt vizsgáltuk, milyen tényezők befolyásolják a gének evolúciós sebességét. Pár év külföldi tanulmányút után ma újra szorosan együttműködöm Pál Csabával, aki nemrég szintén a Szegedi Biológiai Központban hozott létre kutatócsoportot.
A Lendület programhoz új kutatási témát választottál: gyógyszerhatóanyagok kölcsönhatásaival foglalkozol.
A genetikával kapcsolatos kutatásaink mellett most leginkább az antibiotikumok kölcsönhatásaival foglalkozunk, ezek a szerek a baktériumok elleni küzdelem fontos eszközei. Sajnos azonban a legígéretesebb antibiotikumok hatása is gyengül idővel, mert a kórokozók gyors evolúciójuk révén hamar ellenállóvá válnak a szerekkel szemben. A baktériumok ugyanis rendkívül gyorsan képesek szaporodni, így akár napok leforgása alatt is képesek evolúciós változáson átesni. Mivel az új antibiotikumok kifejlesztése lassú és költséges folyamat, ezért felmerül a kérdés, vajon a meglévő szerek újszerű kombinációi („koktéljai") segíthetnek-e a kórokozók elleni küzdelemben? Ismertek olyan eseteket, amikor két, egyenként gyenge hatású antibiotikum együttesen képes elpusztítani egy kórokozót, vagyis erősítő kölcsönhatásban áll egymással. A kérdés, hogy miként lehetne új összetételű antibiotikumkoktélokat felfedezni? Mivel rengeteg lehetséges módon keverhetünk össze különféle antibiotikumat, ezért az összes kombinációt képtelenség laborban megvizsgálni. Ehelyett informatikusokkal karöltve a mesterséges intelligencia tudományterületéről kölcsönzött módszerekre támaszkodunk, és megpróbáljuk "okosan" és automatizáltan kiválasztani a vizsgálandó antibiotikum-kombinációkat. Fontos hangsúlyoznom, hogy eljárásunkkal nem egyszerűen csak új koktélokat keresünk, hanem fel kívánjuk tárni az antibiotikumok között fellépő kölcsönhatások törvényszerűségeit is. Úgy véljük, hogy a gyógyszerkölcsönhatások sokat elárulnak a sejt működéséről, ezért megértésük alapkutatási szempontból is lényeges.
Milyen eredményre számít ennek kapcsán a sejt működést illetően?
Képzeljük el például, hogy a baktériumsejtnek van két alrendszere, és mindegyikre hat egy-egy antibiotikum. Az, hogy a két alrendszerre ható különböző antibiotikum milyen kölcsönhatást mutat egymással – vagyis, hogy erősítik vagy gyengítik egymás hatását –, fontos információt árul el a két alrendszer viszonyáról is, elektronikai analógiával élve arról, hogy sorosan vagy párhuzamosan kapcsoltak-e ezek az alrendszerek. Az ilyen típusú információk kiegészítik a genetikai vizsgálatokat.
A mesterséges intelligencia kapcsán, vagy a robotok kapcsán az emberekben főleg a sci-fi filmek felvázolta rémképek jönnek elő.
A mesterséges intelligencia kapcsán elsőre tényleg inkább a tudományos-fantasztikum ugrik be az embernek, pedig manapság ennek a tudományterületnek számtalan hétköznapi alkalmazása van. Gondoljunk például az arcfelismerő rendszerekre, a kéretlen elektronikus levelek (spam) kiszűrésére, vagy az intelligens mosógépekre, amelyek érzékelik a ruha mennyiségét és szennyeződését. Kutatásainkban a mesterséges intelligencia és a robotika több eredményére is támaszkodunk. Például a laborunkban használt pipettázó robot nagy pontossággal és fáradhatatlanul képes összemérni parányi folyadékmennyiségeket. De a legfontosabb alkalmazásunk egy intelligens, tanulni képes számítógépes eljárás lesz, amely a meglévő kísérleti adatok birtokában új kísérleteket javasol és közben a biológiai valóságnak egy matematikai elméletét építi fel. A kísérletek tervezése nagyon fontos lépése a természettudományos kutatásoknak, hiszen ezáltal tudunk új információt begyűjteni és az elméleteinket tesztelni. Egyáltalán nem mindegy tehát, hogy a költséges és időigényes kísérletek mennyi új információt szolgáltatnak. Célunk, hogy a kísérlettervezés és az elméletalkotás folyamatát automatizáljuk. Természetesen ez nem jelenti azt, hogy a számítógép teljesen új kutatási kérdésekkel tudna előállni, csupán azt, hogy segít egy jól körülhatárolt kutatási problémát hatékonyan megoldani. A jó tudományos kérdések felvetése és az ezek megoldásához szükséges módszerek helyes megválasztása azonban továbbra is a kutatók feladata marad.
A „kutatórobot" esetében mit jelent a jóslás és a következtetés?
A számítógépes eljárásunk először az adatok alapján következtet bizonyos szabályszerűségekre, például hogy melyik antibiotikum melyik másik szer hatását mennyire gátolja. Majd ezeket a megtanult szabályszerűségeket felhasználva új, még végre nem hajtott kísérletek kimenetelét próbálja megjósolni. Egy ilyen jóslat például így néz ki: ha az 1. antibiotikumból veszünk három egységet, majd a második antibiotikumból hozzáadunk 10 egységet, akkor ez a keverék 70%-ban kell, hogy gátolja a baktérium szaporodását. Ezután következik a harmadik lépés, a jóslatok kísérletes ellenőrzése. Egy-egy körben több száz ilyen típusú jóslatot tudunk ellenőrizni. Természetesen ezek a lépések folyamatosan ismétlődnek és így egyre pontosabb képet kapunk a gyógyszerkölcsönhatásokat leíró szabályokról.
(Az interjút Kőhegyi Ilona készítette)
