دنیای طبیعی آنطور که ما میشناسیم، تنها بخش کوچکی از آنچه ممکن است وجود داشته باشد را نشان میدهد. بر اساس این ایده، AI BioDesign متولد شد: یک پروژه علمی که هوش مصنوعی و آزمایشهای آزمایشگاهی گسترده را برای طراحی و آزمایش مولکولها و عملکردهای بیولوژیکی جدیدی که در طبیعت یافت نمیشوند اما از نظر فیزیکی و شیمیایی ممکن هستند، ترکیب میکند.
با انجام این کار، پژوهشگران در تلاشاند تا پایگاههای داده، مدلها و ابزارهایی ایجاد کنند که بتوانند به عنوان «بذر» برای توسعه داروها و فناوریهای آینده خدمت کنند. نویسندگان، برای مثال، داروهای جدیدی برای درمان سرطان و بیماریهای تخریب عصبی یا آنزیمهایی قادر به تجزیه پلاستیک در اقیانوس را پیشبینی میکنند.
این ابتکار توسط مؤسسه آلن، یک سازمان غیرانتفاعی تحقیقات زیستپزشکی در سیاتل، همراه با دانشگاه واشنگتن و مرکز سرطان فرد هاچینسون هدایت میشود. در میان دانشمندانی که پیشتاز این حرکت هستند، دیوید بیکر قرار دارد که جایزه نوبل شیمی سال ۲۰۲۴ را برای کار خود در زمینه طراحی محاسباتی پروتئین به اشتراک گذاشت.
در بخش عمدهای از تاریخ زیستشناسی، دانشمندان راهحلهایی را مطالعه کردهاند که طی میلیاردها سال تکامل شکل گرفتهاند. کاوش در احتمالاتی که هرگز توسط طبیعت تولید نشدهاند، رویکردی بنیادین جدید است. و همانطور که فناوری این امر را اکنون ممکن میسازد، یکی از رهبران این حوزه حتی پتانسیل این روشها را با تحولات تاریخی مانند صنعتیسازی، برقرسانی و انقلاب دیجیتال مقایسه میکند.
با این حال، غور کردن در مناطق کاملاً جدید زیستشناسی نیز به طور اجتنابناپذیر منجر به سؤالات دشوار میشود. وایرد به زبان اسپانیایی با دیوید بیکر، مدیر ارشد علمی AI BioDesign، گفتگو کرد تا به این موضوع و سایر مسائل بپردازد.
این مصاحبه برای طول و وضوح ویرایش شده است.
خورخه گارای: AI BioDesign تلاش میکند تا مولکولها و عملکردهای بیولوژیکی ممکنی را که هرگز در طبیعت وجود نداشتهاند، کاوش کند. آیا خطرات خاصی در ورود به این قلمرو ناشناخته وجود دارد؟ دانشمندان چگونه میتوانند آن خطرات را پیشبینی کنند و چه مراحلی میتوانند قبل از خروج یک مولکول طراحیشده از آزمایشگاه برای به حداقل رساندن آنها بردارند؟
دیوید بیکر: آنچه در مورد زیستشناسی هیجانانگیز است این است که طبیعت تنها بخش کوچکی از آنچه از نظر فیزیکی و شیمیایی ممکن است را کاوش کرده است، که دنیایی از احتمالات را برای آنچه میتوانیم طراحی کنیم، باز میکند. وقتی ما آن احتمالات را کاوش میکنیم، خطرات اصلی تفاوت زیادی با آنهایی که با هر فناوری زیستی جدید مرتبط هستند، ندارند—تعاملات ناخواسته با سیستمهای زنده، اثرات غیرمنتظره محیط زیستی یا سوءاستفاده.
مزیتی که امروزه داریم این است که طراحی محاسباتی به ما امکان میدهد بسیاری از این خطرات را قبل از اینکه مولکولی هرگز سنتز شود، ارزیابی کنیم. ما میتوانیم طرحها را به صورت محاسباتی غربالگری کنیم، آنها را به طور گسترده در تنظیمات آزمایشگاهی مهارشده آزمایش کنیم و قبل از در نظر گرفتن هرگونه کاربرد واقعی، آنها را تحت اعتبارسنجیهای آزمایشی واقعگرایانهتر قرار دهیم.
پروژه از احتمالاتی ranging از داروهای جدید تا آنزیمهای تجزیهکننده پلاستیک و حتی رایانههای بیولوژیکی نام میبرد. اگر ما قدرت پیشبینی بیشتری هنگام طراحی مولکولها و عملکردهای بیولوژیکی جدید داشته باشیم، فکر میکنید این توانایی تا کجا میتواند ما را پیش ببرد؟
تیم من و من اهداف بلندی برای طراحی پروتئین داریم: ما در حال کار برای ساخت جهانی هستیم که در آن درمان یک بیماری جدید در چند هفته نه دههها ایجاد میشود. جایی که هوای ما، آب و خاک ما تمیز است زیرا آلایندهها را حذف کردهایم و فرآیندهایی که آنها را آلوده کرده بودند را بازطراحی کردهایم. جایی که محصولات زراعی در شرایطی شکوفا میشوند که زمانی آنها را میکشتند. جایی که ماشینهای مولکولی مواد معدنی حیاتی را از ضایعات استخراج میکنند و زیرساختهایی که به آنها وابستهایم را تعمیر میکنند.
پروتئینها ماشینهای مولکولی هستند که حیات برای ایجاد تمام ماده آلی که ما در اینجا روی زمین میشناسیم، توسعه داده است. آزادسازی پتانسیل کامل آنها مستلزم آن است که اصول مهندسی را استخراج کنیم که امکان تحقق ایدههای نوآورانه جدید، از جمله آنهایی که هنوز نمیتوانیم تصور کنیم، را فراهم میکند.
همانطور که این مدلها توانمندتر میشوند، آیا هوش مصنوعی در نهایت میتواند مولکولهای کارآمدی را طراحی کند که خود دانشمندان آنها را کاملاً درک نکنند؟ اگر چنین است، آیا کافی است که به طور تجربی ثابت شود که آنها کار میکنند و ایمن هستند، یا فکر میکنید ما همچنین باید مکانیسمها را درک کنیم؟
علم اغلب در مراحل پیشرفت کرده است و ما این را در نحوه پیشرفت یادگیری ماشین در طراحی پروتئین منعکس میبینیم. مرحله اول معمولاً مشاهده این است که چیزی کار میکند، و ما اغلب فقط بعداً درک میکنیم چرا. یادگیری ماشین واقعاً در آن مرحله اول خوب است—توانایی ما را برای مشاهده الگوهایی که میتوان برای طراحی زیستی از آنها بهره برد، به شدت بهبود بخشیده است. شواهد تجربی قوی میتواند پیش رفتن با پروژهها را توجیه کند، اما درک عمیقتر همچنان یک هدف مهم برای تحقیقات ما و پرسشگری علمی به طور کلی باقی میماند. بخش زیادی از آنچه امروز نمیتوانیم محقق کنیم، ناشی از کمبود درک یا دادههایی است که پارامترهای چگونگی کارکرد یا عدم کارکرد سیستمهای خاص را تعریف میکنند. این جوهر برنامه AI BioDesign است.
آیا مولکولها یا عملکردهای بیولوژیکی وجود دارند که به نظر شما نباید طراحی شوند، حتی اگر از نظر فنی امکان پذیر باشد؟ چه معیارهایی باید تعیین کنند که آن خط مرزی کجا کشیده میشود؟
تصمیمات باید توسط تعادلی از مزایای بالقوه و مضرات بالقوه راهنمایی شوند. کاربردهایی که به چالشهای بزرگ در سلامت، پایداری یا رفاه انسانی میپردازند، استدلال قویای برای توسعه دارند. در مقابل، طرحهایی که خطرات قابل توجهی برای ایمنی عمومی، امنیت یا محیط زیست ایجاد میکنند، شایسته بررسی دقیقتر و در برخی موارد، محدودیتهای روشن هستند.
همانطور که ما چارچوبهایی برای سایر فناوریهای قدرتمند توسعه دادهایم، به ساختارهای حکمرانی نیاز داریم که همگام با پیشرفتهای هوش مصنوعی و بیوتکنولوژی تکامل یابند. من استدلال کردهام که آن محدودیتها باید شامل نظارت و ثبت تمام DNA مصنوعی تولید شده برای ضبط توالی و خالق آن باشد. این مانع عملی برای سوءاستفاده و رکوردی از هرگونه تلاش بدخواهانه ایجاد میکند.
این داستان اصالتاً در WIRED en Español ظاهر شد و از اسپانیایی ترجمه شده است.