ببینید چگونه OpenAI، PerturbAI و Scripps Research هزاران عامل هوش مصنوعی را به صورت موازی مستقر کردند تا اتصالات زیستی امیدوارکننده را در داده‌های پیچیده حاصل از میلیون‌ها سلول مغزی شناسایی کنند.
منبع ویدیو: PerturbAI.
اگر دانشمندان می‌توانستند سرنخ‌های جدیدی درباره آلزایمر و پارکینسون را در عرض چند دقیقه به جای ماه‌ها کشف کنند چه؟ OpenAI، PerturbAI و Scripps Research با همکاری یکدیگر از هزاران عامل هوش مصنوعی مجهز به GPT-Rosalind استفاده کردند تا داده‌های آزمایشی موجود از میلیون‌ها سلول مغزی موش را تنها در ۳۲ دقیقه تحلیل و تفسیر کنند. این عوامل اثرات اختلال ژن‌ها را با یافته‌های ادبیات علمی مرتبط ساختند و اتصالات زیستی غیرمنتظره‌ای را آشکار کردند که می‌تواند به دانشمندان کمک کند بیماری را درک کرده و مسیرهای پژوهشی برای درمان‌های جدید را شناسایی کنند. این کار نشان می‌دهد که چگونه هوش مصنوعی می‌تواند به محققان کمک کند تا بخش بیشتری از آنچه آزمایش‌های بزرگ زیستی آشکار می‌کنند را کاوش کنند.
آزمایش‌های مدرن داده‌های بسیار بیشتری نسبت به آنچه دانشمندان می‌توانند به طور کامل بررسی کنند، تولید می‌کنند. اکنون محققان می‌توانند هزاران ژن را تغییر دهند و اثرات آن‌ها را در میلیون‌ها سلول اندازه‌گیری کنند. اما درک معنای این نتایج برای بیماری‌های انسانی نیازمند اتصال یافته‌های پیچیده آزمایشگاهی با دهه‌ها دانش علمی پراکنده است. اینجا همان جایی است که هوش مصنوعی می‌تواند به دانشمندان کمک کند تا سرنخ‌های امیدوارکننده‌ای را که در غیر این صورت نادیده گرفته می‌شدند، کشف کنند.
«ما اطلس‌های سلولی را می‌سازیم تا سایر دانشمندان بتوانند کشف‌هایی انجام دهند که ما هنوز تصور نکرده‌ایم. هوش مصنوعی می‌تواند به محققان بیشتری کمک کند تا این منابع را کاوش کرده و مشاهدات غیرمنتظره را به سؤالات جدیدی برای آزمون تبدیل کنند.»
—سارا تایچمان، دکترای پزشکی، رئیس صندلی پزشکی سلول‌های بنیادی در دانشگاه کمبریج و بنیان‌گذار مشترک اطلس سلول‌های انسانی
تیم تحقیقاتی تحلیل را بین هزاران عامل هوش مصنوعی مجهز به GPT-Rosalind تقسیم کرد؛ رویکردی که ما آن را «استدلال زیستی توزیع‌شده» می‌نامیم. این عوامل یک اطلس CRISPR کل مغز را بررسی کردند؛ مجموعه‌داده‌ای که نشان می‌دهد اختلال ژن‌ها چگونه بر انواع مختلف سلول‌ها در سراسر مغز موش تأثیر می‌گذارد. هر عامل یک اختلال ژنی را بررسی کرد، پاسخ‌های سلولی را تحلیل نمود، ادبیات علمی را جستجو کرد و توضیحاتی برای نتایج پیشنهاد داد. گزارش‌های آن‌ها در یک اطلس استدلالی ترکیب شد که ژن‌ها، اثرات سلولی، انتشارات مرتبط و مکانیسم‌های بیولوژیکی احتمالی را به هم متصل می‌کند.
تیم تحقیقاتی تخمین زد که تحلیل و مرور ادبیات مشابه توسط انسان، اگر یکی پس از دیگری انجام شود، ماه‌ها تا یک سال طول می‌کشید. عوامل هوش مصنوعی ضمن بازتولید یافته‌های تحلیل‌های انسانی، سرنخ‌های اضافی را نیز کشف کردند. ارزیابی‌های آن‌ها از نوآوری و ارزش علمی نیز با قضاوت‌های متخصصان انسانی نابینا (Blinded) همسو بود. این یافته‌ها به اولویت‌بندی آزمایش‌های بیشتر مورد نیاز برای آزمون مکانیسم‌های بیولوژیکی پیشنهادی کمک می‌کنند.
برخی از این بینش‌ها به سرنخ‌های جدیدی برای درک بیماری‌های مغزی اشاره دارند. عوامل هوش مصنوعی تفاوت‌های غیرمنتظره‌ای را در نحوه تأثیر دو ژن مرتبط با بیماری بر سلول‌های مغزی شناسایی کردند، همچنین ارتباط احتمالی بین تنظیم کلسترول و تخریب عصبی را کشف نمودند. این یافته‌ها می‌توانند به دانشمندان کمک کنند تا نحوه پیشرفت بیماری و نقاط مداخله برای درمان‌های آینده را بررسی کنند.
«گاهی اوقات سرنخ‌ها از قبل وجود دارند، فقط در حوزه‌های مختلف پراکنده‌اند و ما آن‌ها را به هم متصل نکرده‌ایم. ارتباط احتمالی بین عملکرد نورونی و متابولیسم کلسترول نشان می‌دهد که چگونه این قطعات، وقتی کنار هم قرار گیرند، می‌توانند راه جدیدی برای تفکر درباره زیست‌شناسی بیماری به ما بدهند.»
—توماس نوواکوفسکی، دکترای علوم اعصاب، استاد انجمن جراحی مغز و اعصاب در دانشگاه کالیفرنیا سان‌فرانسیسکو (UCSF)
محققان می‌توانند از همین امروز شروع به کاوش این یافته‌ها کنند. اطلس استدلالی در دسترس است و به دانشمندان اجازه می‌دهد ژن‌های مرتبط را مقایسه کنند، پاسخ‌های غیرمنتظره را بررسی نمایند و سرنخ‌های امیدوارکننده‌ای را برای پیگیری شناسایی کنند. کشفیات جدید اغلب زمانی ظاهر می‌شوند که محققان از حوزه‌های مختلف تخصص خود را جمع می‌کنند و ایده‌های آشنا را به روش‌های غیرمنتظره به هم متصل می‌سازند. هوش مصنوعی می‌تواند این اتصالات را با پیوند دادن داده‌های جدید به دانش پراکنده در رشته‌های مختلف به طور چشمگیری گسترش دهد. این فرصت فراتر از تحلیل سریع‌تر داده‌هاست. با ترکیب هوش مصنوعی با زیست‌شناسی آزمایشگاهی، تخصص انسانی و ادبیات علمی، می‌توانیم به دانشمندان کمک کنیم تا بخش بیشتری از داده‌های خود را به ایده‌های قابل آزمون تبدیل کنند.
آزمایش‌های بزرگ، سرنخ‌های غیرمنتظره
برخی از جذاب‌ترین سرنخ‌های یک آزمایش خارج از داستانی هستند که دانشمندان قصد داشتند آن را بررسی کنند. در مجموعه‌داده‌ای که شامل هزاران اختلال است، یافتن این سرنخ‌ها می‌تواند دشوار باشد.
عوامل هوش مصنوعی تفاوت غیرمنتظره‌ای بین Tsc1 و Tsc2 شناسایی کردند؛ دو ژن که با هم برای کنترل mTOR، تنظیم‌کننده اصلی رشد سلول، متابولیسم و پیری، کار می‌کنند. اختلال در هر کدام از این ژن‌ها در چندین گروه از نورون‌ها اثرات مشابهی داشت. اما در مخچه، که به هماهنگی حرکات کمک می‌کند، اختلال در Tsc2 فعالیت ده‌ها ژن درگیر در ارتباط نورونی را تغییر داد، در حالی که اختلال در Tsc1 تغییر کمی ایجاد کرد.
این تفاوت ممکن است برای بیماری‌های انسانی مرتبط باشد. در افراد مبتلا به اسکلروز توبروز (Tuberous Sclerosis)، ناهنجاری‌های مخچه به شدت با جهش‌های TSC2 مرتبط است. اگرچه داروهایی که فعالیت mTOR را کاهش می‌دهند می‌توانند برخی تومورهای مغزی و تشنج‌ها را درمان کنند، اما مشکلات یادگیری و رفتاری مرتبط با این بیماری همچنان چالش‌برانگیز باقی مانده‌اند. عوامل هوش مصنوعی یک گروه خاص از نورون‌ها و تغییرات سلولی را مشخص کردند که ارزش بررسی دارد: کدام تغییرات ممکن است توسط داروهای موجود اصلاح شوند و کدام‌یک ممکن است به رویکردهای درمانی جدید اشاره داشته باشند؟ این امر به محققان مجموعه‌ای دقیق‌تر از سؤالات برای آزمون در آزمایشگاه می‌دهد.
تقسیم کار، عمیق‌تر کردن استدلال
آیا یک عامل واحد که کل مجموعه‌داده را دریافت می‌کند می‌تواند به همان خوبی هزاران عاملی که به صورت موازی کار می‌کنند عمل کند؟ ما این موضوع را با ثابت نگه داشتن مدل و منابع آزمایش کردیم. با افزایش حجم کاری، عامل واحد ادبیات کمتری را جستجو کرد و تنها ۱۱ مرجع را در بزرگ‌ترین حجم کاری ذکر کرد، در حالی که عوامل توزیع‌شده بیش از ۷۰۰ مرجع را ذکر کردند. متخصصان انسانی نیز تفسیرهای عوامل توزیع‌شده را ترجیح دادند.
دانشمندان زمان محدودی دارند و اغلب بر قوی‌ترین سیگنال‌ها در داده‌های خود تمرکز می‌کنند. عوامل توزیع‌شده می‌توانند به بررسی طیف وسیع‌تری از پاسخ‌ها، از جمله پاسخ‌های ظریف یا غیرمنتظره، کمک کنند و آن‌ها را با ادبیات علمی مرتبط متصل سازند. اجرای موازی عوامل امکان بررسی همزمان بسیاری از اختلالات را فراهم می‌کند. این امر به دانشمندان کمک می‌کند تا بخش بیشتری از محتوای یک آزمایش را کاوش کنند و سرنخ‌های امیدوارکننده‌ای را که در غیر این صورت نادیده گرفته می‌شدند، شناسایی کنند.
در بزرگ‌ترین حجم کاری، عوامل توزیع‌شده بیش از ۷۰۰ مرجع را ذکر کردند، در مقایسه با ۱۱ مرجع برای یک عامل واحد.
یافتن آزمایش بعدی ارزشمند
یک یافته زمانی ارزشمندتر می‌شود که به آزمایشی ارزشمند اشاره کند. عوامل هوش مصنوعی چنین سرنخی را در DCTN1 یافتند؛ ژنی که جهش‌های آن باعث سندرم پری (Perry Syndrome) می‌شود، یک بیماری تخریب عصبی با علائم شبیه به پارکینسون.
DCTN1 در حمل بار داخل نورون‌ها نقش دارد. در اطلس CRISPR کل مغز، اختلال در Dctn1 بیان ژن‌های درگیر در ساخت کلسترول را افزایش داد. عوامل هوش مصنوعی این مشاهده را با تحقیقاتی مرتبط ساختند که نشان می‌دهد مشکلات انتقال کلسترول ممکن است باعث شود سلول‌ها کلسترول بیشتری بسازند. این موضوع سؤالی را برای آزمایش‌های پیگیری مطرح کرد: آیا اختلال در DCTN1 می‌تواند نحوه توزیع کلسترول در داخل نورون‌ها را تغییر دهد و آیا این تغییرات می‌توانند به تخریب عصبی کمک کنند؟ اگر چنین است، آیا بازگرداندن توزیع طبیعی کلسترول می‌تواند به محافظت از نورون‌ها کمک کند؟
متخصصان انسانی نیز این فرضیه را نوآورانه، مهم و شایان پیگیری دانستند. این مثال نشان می‌دهد که چگونه اتصال یک نتیجه غیرمنتظره به دانش موجود می‌تواند یک سرنخ را به ایده‌ای قابل آزمون و احتمالاً جهت جدیدی برای درمان بیماری تبدیل کند.
در مقایسه‌های نابینا (Blinded)، متخصصان انسانی گزارش‌های عوامل توزیع‌شده را ۷۵ درصد مواقع به گزارش‌های عامل واحد ترجیح دادند.
دانشمندان همچنان در مرکز کشف قرار دارند. با کشف سرنخ‌های امیدوارکننده بیشتر، هوش مصنوعی می‌تواند به محققان کمک کند تصمیم بگیرند کدام ایده‌ها را دنبال کنند، آزمایش‌ها را طراحی نمایند و نتایج را تفسیر کنند. هدف این است که بخش بیشتری از اطلاعات موجود در آزمایش‌های زیستی به دانشی تبدیل شود که در طول زمان می‌تواند به راهنمایی توسعه داروهای بهتر کمک کند.