ปัญหาเชื้อดื้อยาคือหนึ่งในความท้าทายด้านสาธารณสุขที่ใหญ่ที่สุดของโลก แต่ในปัจจุบัน การผสมผสานระหว่างเครื่องมือปัญญาประดิษฐ์ (AI) ที่ทันสมัย กับการรวบรวมข้อมูลจากสิ่งมีชีวิตโบราณที่แปลกประหลาด อาจช่วยเร่งงานวิจัยเพื่อหาทางรักษาโรคแบบใหม่ให้เร็วขึ้นได้

ในโลกที่เชื้อแบคทีเรียกำลังวิวัฒนาการอย่างไม่หยุดยั้ง ยาปฏิชีวนะที่มนุษย์เคยพึ่งพากลับเริ่มเอาไม่อยู่ ประสิทธิภาพของยาลดลงเรื่อย ๆ ขณะที่เชื้อโรคปรับตัวได้รวดเร็วกว่าการพัฒนายารุ่นใหม่ สถานการณ์นี้อาจนำไปสู่วิกฤตด้านสาธารณสุขครั้งใหญ่ โดยมีการคาดการณ์ว่า ภายในปี 2050 การดื้อยาปฏิชีวนะอาจคร่าชีวิตผู้คนทั่วโลกมากถึง 39 ล้านคน วงการวิทยาศาสตร์จึงกำลังเผชิญคำถามสำคัญว่า เราจะหาอาวุธใหม่จากที่ใด มาต่อกรกับศัตรูที่มองไม่เห็นเหล่านี้ ซึ่งคำตอบอาจไม่ได้อยู่ในห้องปฏิบัติการ เคมีแบบเดิมๆ แต่อยู่ลึกลงไปในรหัสพันธุกรรมของสิ่งมีชีวิตที่สูญพันธุ์ไปแล้วนับล้านปี

ทีมนักวิจัยจากมหาวิทยาลัยเพนซิลเวเนีย นำโดย เซซาร์ เดอ ลา ฟูเอนเต (César de la Fuente) ได้บุกเบิกแนวคิดใหม่ที่เรียกว่า Molecular De-extinction หรือการคืนชีพโมเลกุลที่สูญพันธุ์ไปแล้ว พวกเขาไม่ได้พยายามชุบชีวิตช้างแมมมอธขึ้นมาเดินได้เหมือนในภาพยนตร์ แต่ใช้ปัญญาประดิษฐ์ (AI) เจาะลึกเข้าไปในรหัสพันธุกรรมของสิ่งมีชีวิตโบราณ ตั้งแต่แมมมอธขนยาว เพนกวินยุคดึกดำบรรพ์ สลอธยักษ์ ไปจนถึงมนุษย์นีแอนเดอร์ทัลและเดนิโซวัน 

สิ่งที่ AI ค้นพบคือ ลำดับโปรตีนจำนวนมหาศาลที่ไม่พบในสิ่งมีชีวิตปัจจุบัน แต่กลับมีฤทธิ์ในการสังหารแบคทีเรียได้อย่างทรงพลัง หนึ่งในนั้นคือโมเลกุลจากแมมมอธที่มีชื่อว่า Mammuthusin-2 ซึ่งสามารถกำจัดเชื้อแบคทีเรียได้จริงในสัตว์ทดลอง การค้นพบนี้ชี้ให้เห็นว่า ซากดึกดำบรรพ์ไม่ใช่เพียงหินไร้ชีวิต หากแต่เป็นคลังความรู้ที่บันทึกกลยุทธ์การเอาตัวรอดของสิ่งมีชีวิตในอดีตเอาไว้ 

นอกจากสิ่งมีชีวิตที่สูญพันธุ์แล้ว ทีมวิจัยยังหันไปสำรวจพิษสัตว์ หรือ venoms ซึ่งผ่านการคัดเลือกทางวิวัฒนาการมานับล้านปีเพื่อโจมตีเป้าหมายทางชีวภาพอย่างแม่นยำ พวกเขาพบว่า พิษจำนวนมากสามารถทำลายผนังเซลล์ของแบคทีเรียได้โดยตรง ซึ่งเป็นกลไกที่เชื้อโรคพัฒนาการดื้อยาได้ยากกว่ายาปฏิชีวนะแบบเดิม ล่าสุดในเดือนสิงหาคม  2025 งานวิจัยยังขยายไปถึง อาร์เคีย (Archaea) สิ่งมีชีวิตเซลล์เดียวโบราณที่อาศัยอยู่ในสภาพแวดล้อมสุดขั้ว เช่น ปล่องภูเขาไฟหรือแหล่งน้ำร้อนจัด ด้วยความช่วยเหลือของ AI นักวิทยาศาสตร์สามารถระบุโมเลกุลต้านจุลชีพชนิดใหม่ได้มากกว่า 12,000 ชนิด ทั้งที่ในอดีตยาปฏิชีวนะเกือบทั้งหมดที่มนุษย์ใช้มาจากราและแบคทีเรีย ขณะที่อาร์เคียกลับถูกมองข้ามมาโดยตลอด นี่จึงถือเป็นก้าวแรกของการเปิดพื้นที่ใหม่ในการค้นหายา

สิ่งที่น่าตื่นเต้นที่สุดของงานวิจัยนี้ ไม่ใช่แค่การได้ตัวยาใหม่ แต่คือวิธีการที่เราใช้ค้นพบมัน ในอดีต การพัฒนายาปฏิชีวนะต้องอาศัยการลองผิดลองถูกเป็นเวลาหลายปี พร้อมงบประมาณมหาศาล แต่ด้วยเทคโนโลยี Generative AI และระบบ Deep Learning นักวิทยาศาสตร์สามารถประมวลผลข้อมูลชีวภาพขนาดใหญ่ได้ในเวลาเพียงชั่วอึดใจ AI ไม่เพียงช่วยค้นหาโมเลกุลที่เคยมีอยู่จริงในอดีต แต่ยังสามารถออกแบบโมเลกุลใหม่จากศูนย์ สร้างลำดับต้นแบบได้มากถึง 50,000 แบบ ก่อนคัดกรองจนพบตัวที่มีประสิทธิภาพสูงในการทำให้เกิดการสูญเสียศักย์ไฟฟ้าที่เยื่อหุ้มเซลล์ชั้นในของแบคทีเรียดื้อยา (Depolarizing the cytoplasmic membrane) ซึ่งเป็นจุดอ่อนที่เชื้อเหล่านี้ยังไม่เคยเผชิญมาก่อน

เซซาร์ เดอ ลา ฟูเอนเต กล่าวทิ้งท้ายด้วยความหวังว่า “ในอดีต เราต้องใช้เวลาหลายปีกว่าจะเจอโมเลกุลที่เหมาะสมผ่านการลองผิดลองถูก แต่วันนี้ เราสามารถค้นหายาปฏิชีวนะได้ภายในเวลาไม่กี่นาที เรากำลังทำวิทยาศาสตร์ด้วยความเร็วระดับดิจิทัล”

ท่ามกลางวิกฤตสุขภาพที่ถาโถมเข้ามา ความสำเร็จในการเปลี่ยนรหัสพันธุกรรมจากอดีตให้กลายเป็นยารักษาโรคในปัจจุบัน คือแสงสว่างที่ปลายอุโมงค์ของมนุษยชาติ มันแสดงให้เห็นว่ามนุษย์เราไม่ได้สู้เพียงลำพัง แต่เรามีทั้งเทคโนโลยีที่ล้ำสมัย และมรดกทางชีวภาพจากโลกยุคโบราณที่พร้อมจะส่งต่อความแข็งแกร่งมาให้เรา นี่คือชัยชนะของสติปัญญาที่ช่วยให้เราก้าวข้ามขีดจำกัดของกาลเวลา และตอกย้ำว่าตราบใดที่เทคโนโลยียังไม่หยุดยั้ง และเรายังคงไม่หยุดที่จะสำรวจความลับของธรรมชาติ ความหวังที่จะพิชิตโรคภัยไข้เจ็บที่ยากที่สุดก็ยังคงอยู่ในมือของเราทุกคน
 

ภาพประกอบ

ที่มาภาพ https://doi.org/10.1038/s41564-025-02061-0
a นักวิจัยใช้ระบบ AI สแกนโปรตีนของอาร์เคียอย่างเป็นระบบ เพื่อค้นหาเปปไทด์ (EPs) ที่มีศักยภาพต้านจุลชีพ แถบวงกลมแสดงจำนวนเปปไทด์ที่คาดว่ามีฤทธิ์ (สีแดง) และไม่มีฤทธิ์ (สีน้ำเงิน) ซึ่งผ่านการแปลงค่าเป็น log10 เปปไทด์จะถูกจัดว่ามีฤทธิ์ หากค่าความเข้มข้นต่ำสุดที่ยับยั้งการเจริญของแบคทีเรีย (MIC) ที่คาดการณ์ไว้มีค่าไม่เกิน 100 ไมโครโมลาร์ ข้อมูลทั้งหมดถูกปรับตามจำนวนโปรตีนที่สแกนในแต่ละสิ่งมีชีวิต อาร์เคียที่มีการสังเคราะห์เปปไทด์แสดงด้วยสี่เหลี่ยมสีแดงอ่อน และชนิดที่ได้รับการยืนยันทางการทดลองว่าออกฤทธิ์จริง แสดงด้วยสีแดงเข้ม
b การสำรวจพื้นที่ลำดับกรดอะมิโนของเปปไทด์ โดยใช้เมทริกซ์ความคล้ายคลึงของลำดับ แผนภาพแสดงการกระจายตัวแบบสองมิติของเปปไทด์ต้านจุลชีพที่ค้นพบโดย AI จากอาร์เคีย เทียบกับเปปไทด์ต้านจุลชีพที่มีอยู่ในฐานข้อมูล DBAASP การจัดแนวลำดับกรดอะมิโนถูกนำมาใช้สร้างเมทริกซ์ความคล้ายคลึง ก่อนลดมิติข้อมูลด้วยเทคนิค UMAP เพื่อให้เห็นความสัมพันธ์ของเปปไทด์ได้ชัดเจน
c การเปรียบเทียบสัดส่วนกรดอะมิโนในเปปไทด์จากอาร์เคีย กับเปปไทด์ต้านจุลชีพที่เคยรู้จักแล้ว จากฐานข้อมูล DBAASP, APD3 และ DRAMP 3.0 พบว่าองค์ประกอบกรดอะมิโนมีความแตกต่างอย่างมีนัยสำคัญ
d และ e การเปรียบเทียบคุณสมบัติทางฟิสิกส์–เคมีของเปปไทด์ที่คาดว่ามีฤทธิ์ต้านจุลชีพ ได้แก่
•    ประจุสุทธิ (d) ซึ่งมีผลต่อแรงดึงดูดทางไฟฟ้าระหว่างเปปไทด์กับเยื่อหุ้มแบคทีเรีย
•    ความชอบน้ำมันหรือไฮโดรโฟบิก (e) ซึ่งมีผลต่อการแทรกตัวเข้าไปในชั้นไขมันของเยื่อหุ้มเซลล์

 
ที่มาภาพ https://doi.org/10.1038/s41564-025-02061-0
เพื่อประเมินว่าเปปไทด์ต้านจุลชีพจากอาร์เคียออกฤทธิ์ต่อเยื่อหุ้มเซลล์แบคทีเรียหรือไม่ นักวิจัยนำเปปไทด์ที่มีฤทธิ์ต่อ Acinetobacter baumannii สายพันธุ์ ATCC 19606 มาทดสอบความสามารถในการทำให้เยื่อหุ้มชั้นนอกซึมผ่านได้ และการรบกวนศักย์ไฟฟ้าของเยื่อหุ้มเซลล์ชั้นใน
a, b แสดงเปปไทด์จากอาร์เคียที่มีประสิทธิภาพสูงสุดในการทำลายเยื่อหุ้มและทำให้เยื่อหุ้มสูญเสียศักย์ไฟฟ้า การซึมผ่านของเยื่อหุ้มชั้นนอกวัดด้วยสารเรืองแสง NPN (a) และการสูญเสียศักย์ไฟฟ้าของเยื่อหุ้มชั้นในวัดด้วย DiSC3-5 (b) โดยเปรียบเทียบกับกลุ่มควบคุมที่ไม่ผ่านการรักษา และใช้ยาปฏิชีวนะ polymyxin B และ levofloxacin เป็นตัวอ้างอิง
c การเปลี่ยนแปลงโครงสร้างไขมันของเยื่อหุ้มเซลล์ A. baumannii ตามเวลา หลังได้รับเปปไทด์จากอาร์เคีย ค่า generalized polarization ที่สูงขึ้นบ่งชี้ว่าเยื่อหุ้มแข็งตัวมากขึ้น ขณะที่ค่าที่ลดลงหมายถึงความยืดหยุ่นของเยื่อหุ้มเพิ่มขึ้น โดยใช้ benzyl alcohol เป็นตัวควบคุมเชิงบวก และเซลล์ที่ไม่ได้รับการรักษาเป็นตัวควบคุมเชิงลบ
d การประเมินความเป็นพิษต่อเซลล์ โดยวัดความเข้มข้นที่ทำให้เม็ดเลือดแดงและเซลล์มนุษย์ HEK293T แตกสลาย 50% (HC50 และ CC50) จากเส้นโค้งการตอบสนองต่อขนาดยา การทดลองทั้งหมดทำซ้ำอย่างอิสระ 3 ครั้ง
โครงสร้างโปรตีนและเปปไทด์ในภาพ (a) และ (b) สร้างด้วยโปรแกรม PyMOL

อ้างอิง
STEVE RANGER. (2026, January). How woolly mammoths, ancient penguins and AI are helping the hunt for new antibiotics. Retrieved February 5, 2026 from https://www.soci.org/chemistry-and-industry/cni-data/2025/12/the-hunt-for-antibiotics-is-getting-help-from-ai-and-ancient-animals 
Torres, M.D.T., Wan, F. & de la Fuente-Nunez, C. Deep learning reveals antibiotics in the archaeal proteome. Nat Microbiol 10, 2153–2167 (2025). https://doi.org/10.1038/s41564-025-02061-0