استفاده از هزاران عامل هوش مصنوعی برای یافتن سرنخ‌های تازه در داده‌های زیستی

اگر دانشمندان می‌توانستند به‌جای چند ماه، ظرف چند دقیقه سرنخ‌های تازه‌ای دربارهٔ آلزایمر و پارکینسون پیدا کنند، چه می‌شد؟ OpenAI، PerturbAI⁠(در یک پنجره جدید باز می‌شود) و مؤسسهٔ پژوهشی اسکریپس⁠(در یک پنجره جدید باز می‌شود) با همکاری یکدیگر از هزاران عامل هوش مصنوعی مبتنی بر GPT‑Rosalind⁠(در یک پنجره جدید باز می‌شود) استفاده کردند تا داده‌های آزمایشی موجود از میلیون‌ها سلول مغز موش⁠(در یک پنجره جدید باز می‌شود) را تنها در ۳۲ دقیقه تحلیل و تفسیر کنند. عامل‌ها اثرات اختلال در ژن‌ها را با یافته‌های منابع علمی پیوند دادند و ارتباطات زیستی غیرمنتظره‌ای را آشکار کردند که می‌تواند به دانشمندان در شناخت بیماری و شناسایی مسیرهای پژوهشی برای درمان‌های تازه کمک کند. این کار نشان می‌دهد که هوش مصنوعی چگونه می‌تواند به پژوهشگران کمک کند بخش بیشتری از یافته‌های آزمایش‌های بزرگ زیستی را بررسی کنند.

آزمایش‌های امروزی بسیار بیشتر از آنچه دانشمندان توان بررسی کامل آن را دارند، داده تولید می‌کنند. پژوهشگران اکنون می‌توانند هزاران ژن را تغییر دهند و اثرات آن‌ها را در میلیون‌ها سلول اندازه‌گیری کنند. اما درک معنای این نتایج برای بیماری‌های انسانی مستلزم پیوند دادن یافته‌های پیچیدهٔ آزمایشی با دانش علمی پراکنده‌ای است که طی دهه‌ها گرد آمده است. اینجاست که هوش مصنوعی می‌تواند به دانشمندان در یافتن سرنخ‌های امیدبخشی کمک کند که در غیر این صورت ممکن بود از نظر دور بمانند.

تیم پژوهش، تحلیل را میان هزاران عامل هوش مصنوعی مبتنی بر GPT‑Rosalind تقسیم کرد؛ رویکردی که آن را «استدلال زیستی توزیع‌شده» می‌نامیم. عامل‌ها یک اطلس کریسپرِ کل مغز⁠(در یک پنجره جدید باز می‌شود) را بررسی کردند؛ مجموعه‌داده‌ای که نشان می‌دهد اختلال در ژن‌ها چگونه بر انواع مختلف سلول‌ها در سراسر مغز موش اثر می‌گذارد. هر عامل اختلال در یک ژن را بررسی کرد، پاسخ‌های سلولی را تحلیل کرد، منابع علمی را جست‌وجو کرد و توضیحاتی برای نتایج پیشنهاد داد. گزارش‌های آن‌ها در قالب یک اطلس استدلال گردآوری شد که ژن‌ها، اثرات سلولی، مقالات مرتبط و سازوکارهای زیستی احتمالی را به هم پیوند می‌دهد.

تیم پژوهش برآورد کرد که انجام تحلیل و مرور منابع علمی مشابه به‌دست انسان، با بررسی جداگانهٔ هر دست‌کاری، چند ماه تا یک سال زمان می‌برد. عامل‌ها ضمن یافتن سرنخ‌های بیشتر، یافته‌های تحلیل‌های انسانی را نیز بازتولید کردند. ارزیابی آن‌ها از تازگی و ارزش علمی یافته‌ها نیز با قضاوت متخصصان انسانی که از منشأ گزارش‌ها بی‌اطلاع بودند، همخوانی داشت. این یافته‌ها به اولویت‌بندی آزمایش‌های تکمیلی لازم برای آزمودن سازوکارهای زیستی پیشنهادی کمک می‌کنند.

برخی از این بینش‌ها سرنخ‌های تازه‌ای برای شناخت بیماری‌های مغزی به دست می‌دهند. عامل‌ها تفاوت‌های غیرمنتظره‌ای در نحوهٔ تأثیر دو ژن مرتبط با بیماری بر سلول‌های مغز شناسایی کردند و همچنین به ارتباطی احتمالی میان تنظیم کلسترول و تحلیل عصبی پی بردند. این یافته‌ها می‌توانند به دانشمندان کمک کنند چگونگی شکل‌گیری بیماری و نقاط مداخلهٔ احتمالی درمان‌های آینده را بررسی کنند.

پژوهشگران می‌توانند از همین امروز بررسی این یافته‌ها را آغاز کنند. اطلس استدلال در دسترس است⁠(در یک پنجره جدید باز می‌شود) و به دانشمندان امکان می‌دهد ژن‌های مرتبط را مقایسه کنند، پاسخ‌های غیرمنتظره را بررسی کنند و سرنخ‌های امیدبخش را برای پیگیری بیابند. کشف‌های تازه اغلب زمانی رخ می‌دهند که پژوهشگران رشته‌های مختلف تخصص‌های خود را کنار هم می‌گذارند و ایده‌های آشنا را به شیوه‌هایی غیرمنتظره به هم پیوند می‌دهند. هوش مصنوعی می‌تواند با پیوند دادن داده‌های تازه به دانش پراکنده در رشته‌های مختلف، دامنهٔ این ارتباطات را به‌طور چشمگیری گسترش دهد. این فرصت فراتر از تحلیل سریع‌تر داده‌هاست. با ترکیب هوش مصنوعی با زیست‌شناسی تجربی، تخصص انسانی و منابع علمی، می‌توانیم به دانشمندان کمک کنیم بخش بیشتری از داده‌هایشان را به ایده‌های آزمون‌پذیر تبدیل کنند.

برخی از جالب‌ترین سرنخ‌های یک آزمایش، خارج از موضوعی قرار دارند که دانشمندان از ابتدا قصد بررسی آن را داشته‌اند. در مجموعه‌داده‌ای که هزاران دست‌کاری را در بر می‌گیرد، این سرنخ‌ها ممکن است به‌راحتی نادیده بمانند.

عامل‌ها تفاوتی غیرمنتظره میان Tsc1 و Tsc2 شناسایی کردند؛ دو ژن که با همکاری هم mTOR را کنترل می‌کنند، تنظیم‌کننده‌ای مهم در رشد سلول، سوخت‌وساز و پیری. مختل کردن هر یک از این دو ژن، در چند گروه از نورون‌ها اثرات مشابهی داشت. اما در مخچه، که به هماهنگی حرکت کمک می‌کند، اختلال در Tsc2 فعالیت ده‌ها ژن دخیل در ارتباط میان نورون‌ها را تغییر داد، در حالی که اختلال در Tsc1 تغییر اندکی ایجاد کرد.

این تفاوت ممکن است با بیماری در انسان ارتباط داشته باشد. در افراد مبتلا به توبروس اسکلروزیس، ناهنجاری‌های مخچه ارتباط قوی‌ای با جهش‌های TSC2 دارند. اگرچه داروهای کاهندهٔ فعالیت mTOR می‌توانند برخی تومورهای مغزی و تشنج‌ها را درمان کنند، برطرف کردن مشکلات یادگیری و رفتاری ناشی از این بیماری همچنان چالش‌برانگیز است. عامل‌ها گروه مشخصی از نورون‌ها و تغییرات سلولی را که ارزش بررسی دارند، شناسایی کردند: کدام تغییرات ممکن است با داروهای موجود اصلاح شوند و کدام‌یک می‌توانند راه را به‌سوی رویکردهای درمانی تازه نشان دهند؟ این کار مجموعهٔ مشخص‌تری از پرسش‌ها را برای آزمودن در آزمایشگاه در اختیار پژوهشگران می‌گذارد.

آیا یک عامل که کل مجموعه‌داده در اختیارش قرار گرفته، می‌تواند به‌اندازهٔ هزاران عامل که به‌صورت موازی کار می‌کنند، خوب عمل کند؟ این پرسش را با ثابت نگه‌داشتن مدل و منابع آزمودیم. با افزایش حجم کار، عامل منفرد منابع علمی کمتری را جست‌وجو کرد و در بیشترین حجم کار تنها به ۱۱ منبع استناد کرد، در حالی که عامل‌های توزیع‌شده به بیش از ۷۰۰ منبع استناد کردند. متخصصان انسانی نیز تفسیرهای عامل‌های توزیع‌شده را ترجیح دادند.

دانشمندان زمان محدودی دارند و اغلب بر برجسته‌ترین نشانه‌های موجود در داده‌های خود تمرکز می‌کنند. عامل‌های توزیع‌شده می‌توانند به بررسی طیف گسترده‌تری از پاسخ‌ها، از جمله پاسخ‌های ظریف یا غیرمنتظره، و پیوند دادن آن‌ها با منابع علمی مرتبط کمک کنند. اجرای موازی عامل‌ها امکان بررسی هم‌زمان تعداد زیادی از دست‌کاری‌ها را فراهم می‌کند. این کار به دانشمندان کمک می‌کند بخش بیشتری از اطلاعات نهفته در یک آزمایش را بررسی کنند و سرنخ‌های امیدبخشی را بیابند که در غیر این صورت ممکن بود از نظر دور بمانند.

یک یافته زمانی ارزش بیشتری پیدا می‌کند که راه را به‌سوی آزمایشی ارزشمند نشان دهد. عامل‌ها یکی از این سرنخ‌ها را در DCTN1 یافتند؛ ژنی که جهش‌های آن باعث سندرم پری، نوعی بیماری تحلیل‌برندهٔ عصبی با علائمی شبیه پارکینسون، می‌شود.

DCTN1 در جابه‌جایی محموله‌ها درون نورون‌ها نقش دارد. در اطلس کریسپرِ کل مغز، مختل کردن Dctn1 بیان ژن‌های دخیل در ساخت کلسترول را افزایش داد. عامل‌ها این مشاهده را به پژوهش‌هایی پیوند دادند که نشان می‌دهند مشکلات انتقال کلسترول ممکن است سلول‌ها را به ساخت کلسترول بیشتر وادارد. این موضوع پرسشی را برای آزمایش‌های بعدی مطرح کرد: آیا اختلال در DCTN1 می‌تواند نحوهٔ توزیع کلسترول درون نورون‌ها را تغییر دهد و آیا این تغییرات می‌توانند در تحلیل عصبی نقش داشته باشند؟ اگر چنین باشد، آیا بازگرداندن توزیع طبیعی کلسترول می‌تواند به محافظت از نورون‌ها کمک کند؟

متخصصان انسانی نیز این فرضیه را نو، مهم و شایستهٔ پیگیری دانستند. این مثال نشان می‌دهد که پیوند دادن یک نتیجهٔ غیرمنتظره با دانش موجود چگونه می‌تواند یک سرنخ را به ایده‌ای آزمون‌پذیر و شاید مسیری تازه برای درمان بیماری تبدیل کند.

دانشمندان همچنان در کانون فرایند کشف قرار دارند. هوش مصنوعی با آشکار کردن سرنخ‌های امیدبخش بیشتر می‌تواند به پژوهشگران در انتخاب ایده‌هایی برای پیگیری، طراحی آزمایش‌ها و تفسیر نتایج کمک کند. هدف این است که بخش بیشتری از اطلاعات آزمایش‌های زیستی به دانشی تبدیل شود که به‌مرور بتواند راهنمای توسعهٔ داروهای بهتر باشد.