محققان دانشگاه استنفورد و موسسه Arc با استفاده از یک مدل هوش مصنوعی مولد برای طراحی کامل ژنومهای ویروسی از صفر، به نقطه عطفی تاریخی دست یافتهاند. این پیشرفت نشاندهنده گذار از اکتشافات بیولوژیکی سنتی به عصر طراحی محاسباتی است، جایی که هوش مصنوعی معماری حیات را دیکته میکند.
Evo: مدل زبانی بزرگ برای ژنومیک
در قلب این تحقیق، Evo قرار دارد؛ یک مدل مولد تخصصی که مشابه یک مدل زبانی بزرگ (LLM) عمل میکند، اما بر روی «زبان» DNA کار میکند. برخلاف مدلهای مبتنی بر متن، Evo بر روی یک مجموعه داده عظیم شامل تقریباً نه تریلیون نوکلئوتید که از میلیونها موجود زنده از جمله حیوانات، گیاهان، میکروبها و ویروسها استخراج شده، آموزش دیده است.
برای افزایش دقت، محققان از یک فرآیند آموزشی دو مرحلهای استفاده کردند. پس از یادگیری الگوهای بنیادی درخت حیات، Evo تحت دور دوم آموزش تخصصی با استفاده از ۱۱ ژن باکتریوفاژ phiX174 و تقریباً ۱۵,۰۰۰ از نزدیکترین خویشاوندان آن قرار گرفت. این امر به مدل اجازه داد تا بر ظرافتهای خاص مورد نیاز برای طراحی موجودات بیولوژیکی عملکردی و تکثیرشونده مسلط شود.
از ۷۰۰,۰۰۰ پیشنهاد تا ویروسهای عملکردی
مقیاس قابلیتهای مولد Evo بسیار عظیم است. این مدل ۷۰۰,۰۰۰ ژنوم ویروسی بالقوه را پیشنهاد کرد. سپس تیم تحقیقاتی این موارد را از طریق انتخابهای دقیق محدود کرد و ۲۸۵ توالی را به صورت رشتههای DNA سنتز کرده و آنها را در باکتری E. coli وارد کرد.
نتایج بسیار موفقیتآمیز بود: ۱۶ مورد از توالیهای سنتز شده، ویروسهایی با قابلیت تکثیر تولید کردند. نکته قابل توجه این است که این ویروسهای تولید شده توسط هوش مصنوعی، صرفاً نسخههای «ضعیف» یا تضعیفشده از گونههای موجود نبودند؛ آنها به اندازه ویروسهای طبیعی قدرتمند بودند و برخی حتی سریعتر از phiX174 اصلی تکثیر میشدند. کارشناسان خاطرنشان کردند که هوش مصنوعی حتی تغییرات غیرمنتظرهای در ترتیب و آرایش ژنها ایجاد کرده است که دانشمندان انسانی پیش از این هرگز به آنها فکر نکرده بودند.
تیغ دو لبه: پیشرفتهای پزشکی در مقابل شکافهای ایمنی زیستی
پیامدهای این فناوری برای بیوتکنولوژی بسیار عمیق است. ویروسهای طراحی شده توسط هوش مصنوعی میتوانند فاژدرمانی (استفاده از ویروسها برای کشتن باکتریهای مقاوم به چند دارو) را متحول کنند و ژندرمانی را با ایجاد حاملهای کارآمدتر برای مواد ژنتیکی بهبود بخشند.
با این حال، این توسعه یک «گسست» حیاتی در مقررات جهانی ایمنی زیستی را برجسته کرده است. سیاستهای فعلی مؤسسات ملی سلامت ایالات متحده (NIH) بر ممنوعیت آزمایشهایی تمرکز دارد که پاتوژنهای شناختهشده را خطرناکتر میکنند، اما این سیاستها صراحتاً شامل کارهای صرفاً محاسباتی — یعنی طراحی DNA ویروسی روی کامپیوتر — نمیشود. این امر یک خلاء نظارتی برای ریسکهای «ناشناخته» ایجاد میکند: اگر یک هوش مصنوعی یک پاتوژن جدید و بسیار مسری را طراحی کند که هرگز در طبیعت وجود نداشته است، چارچوبهای حفاظتی موجود ممکن است در شناسایی این تهدید ناتوان باشند.
برای کاهش این خطر، تیم استنفورد با اطمینان از اینکه Evo هرگز بر روی پاتوژنهای انسانی یا ویروسهای مرتبط با حیوانات/گیاهان آموزش ندیده است، اقدامات ایمنی پیشگیرانهای را اجرا کرد تا از توانایی مدل در تولید ژنومهای عفونی برای انسان جلوگیری کند.
چرا این نتیجه برای پزشکی اهمیت دارد
فاژدرمانی که از ویروسها برای هدف قرار دادن باکتریهای مقاوم به آنتیبیوتیک استفاده میکند، مدتهاست که به دلیل محدودیت ابزارهای فاژهای طبیعی با مانع روبرو بوده است. هوش مصنوعی که میتواند کپسیدهای ویروسی جدید و کارآمد خلق کند، میتواند آن جعبه ابزار را به طرز چشمگیری گسترش دهد. به همین ترتیب، وکتورهای ژندرمانی — که اغلب ویروسهای مهندسیشده برای انتقال DNA درمانی به سلولها هستند — اگر به جای اصلاح سویههای موجود، از صفر طراحی شوند، ممکن است دقیقتر و دارای خاصیت ایمنیزایی کمتری باشند.
افشای نقطه کور نظارتی
آژانسهای تأمین بودجه در ایالات متحده در حال حاضر آزمایشهایی را که پاتوژنهای شناختهشده را خطرناکتر میکنند محدود میکنند، اما آنها صراحتاً به موضوع ایجاد پاتوژنهای جدید از طریق طراحی صرفاً محاسباتی نمیپردازند. کار Evo از این بند عبور کرد زیرا مدل در طول آموزش هرگز ویروسهای عفونی انسانی را ندیده بود؛ محققان عامدانه هر توالیای را که میتوانست منجر به پاتوژنهای انسانی شود، حذف کردند. با این وجود، این احتمال باقی میماند که یک هوش مصنوعی بتواند بدون چنین حفاظهایی، ویروسی بدون سابقه طبیعی ابداع کند — یک «ناشناخته مصنوعی» که هیئتهای بازبینی موجود ممکن است آن را شناسایی نکنند.
این شکاف صرفاً یک بحث تئوریک نیست. اگر به یک مدل اجازه داده شود تا بر روی مجموعه گستردهتری از دادههای ویروسی آموزش ببیند، ممکن است بلوکهای سازنده سرایتپذیری بالا یا فرار ایمنی را بیاموزد و سپس ژنومی را خروجی دهد که پس از سنتز شدن، میتواند تهدیدی در سطح یک پاندمی ایجاد کند. سازوکارهای نظارتی فعلی بر دستکاریهای آزمایشگاهی (wet-lab) تمرکز دارند؛ آنها فاقد مأموریت مشخصی برای ارزیابی خطرات طراحیهای in silico هستند که میتوانند از راه دور و در مقیاس وسیع انجام شوند.
ویروسهای تولید شده، باکتریوفاژ بودند؛ ویروسهایی که باکتریها را آلوده میکنند، نه انسانها را. کاربرد آنها عمدتاً به کنترل باکتریها و تحقیقات آزمایشگاهی محدود میشود که نگرانیهای فوری برای سلامت عمومی را کاهش میدهد.
خلاصه نهایی
Evo نشان میدهد که هوش مصنوعی میتواند از پیشبینی ساختارهای پروتئینی به سمت طراحی کامل و عملکردیِ ژنومهای ویروسی حرکت کند. این فناوری نویدبخش ابزارهای سریعتر و همهکارهتر برای مبارزه با باکتریهای مقاوم به دارو و ارائه ژندرمانیها است، اما در عین حال، نهادهای نظارتی را با کلاس جدیدی از ریسک روبرو میکند: نقشههای دیجیتالی برای حیات که هرگز در طبیعت وجود نداشتهاند.