چرا داشتن یک دوقلوی دیجیتال از یک سلول اهمیت دارد

کشف دارو امروزه یک قمار است. پژوهشگران سال‌ها صرف تغییر و اصلاح مولکول‌ها می‌کنند و سپس آن‌ها را در سلول‌ها، حیوانات و در نهایت در انسان‌ها آزمایش می‌کنند. اکثر کاندیداها هرگز از مراحل اولیه آزمایش‌های انسانی عبور نمی‌کنند. یک مدل محاسباتی قابل اعتماد که بتواند پاسخ سلولی را پیش‌بینی کند، به دانشمندان اجازه می‌دهد تا ترکیبات بی‌ثمر را زودتر کنار بگذارند و منابع خود را بر روی نویدبخش‌ترین گزینه‌ها متمرکز کنند.

Arc با سلول به عنوان سیستمی برخورد می‌کند که می‌توان آن را به‌صورت in silico (در محیط شبیه‌سازی کامپیوتری) مدل‌سازی کرد؛ درست همان‌طور که مهندسان یک هواپیما را پیش از آنکه حتی از زمین بلند شود، مدل‌سازی می‌کنند. اگر شبیه‌سازی بتواند تغییرات بیان ژنی را که یک سلول واقعی تحت یک اختلال (perturbation) مشخص نشان می‌دهد بازسازی کند، نیاز به آزمایش‌های پرهزینه و زمان‌بر به‌شدت کاهش می‌یابد.

مدل «State» – یک ترنسفورمر آموزش‌دیده بر روی ۱۰۰ میلیون سلول

در قلب این پلتفرم، یک شبکه عصبی از نوع ترنسفورمر قرار دارد که تیم آن را State می‌نامد. ترنسفورمرها قدرت مدل‌های زبانی بزرگ را تأمین می‌کنند؛ اما در اینجا، آن‌ها به جای متن، داده‌های بیولوژیکی را دریافت می‌کنند. State از مجموعه‌ای منتخب از ۱۰۰ میلیون اندازه‌گیری تک‌سلولی یاد گرفته است و روابط آماری بین اختلالات ژنتیکی و الگوهای بیان پایین‌دست را شناسایی کرده است.

Arc می‌گوید State از مدل‌های قبلی که بر تکنیک‌های آماری ساده‌تر متکی بودند، عملکرد بهتری دارد. این تیم همچنین به یک محدودیت کلیدی اعتراف می‌کند: وقتی مدل با نوع سلولی مواجه می‌شود که هرگز در طول آموزش ندیده است، دقت پیش‌بینی‌های آن کاهش می‌یابد. پژوهشگران تخمین می‌زنند که رسیدن به یک مدل «کامل» — مدلی که بتواند در تمام انواع سلول‌های انسانی تعمیم یابد — حدود یک دهه زمان می‌برد.

به چالش کشیدن مدل: چالش سلول مجازی (Virtual Cell Challenge)

برای سنجش میزان موفقیت State و سایر رویکردها در شرایط واقعی، Arc یک مسابقه عمومی تحت عنوان Virtual Cell Challenge سازماندهی کرد. شرکت‌کنندگان یک مجموعه داده دشوار دریافت کردند و از آن‌ها خواسته شد تا نتایج بیان ژن را برای اختلالات مشاهده‌نشده پیش‌بینی کنند. نتایج تکان‌دهنده بود: بسیاری از تیم‌های هوش مصنوعی عملکردی ضعیف‌تر از میانگین ریاضی ساده‌ی داده‌های آموزشی داشتند.

این نتیجه بر نکته گسترده‌تری تأکید می‌کند که این حوزه همواره با آن دست‌وپنجه نرم کرده است: مدل‌های یادگیری عمیق خالص، حتی مدل‌های بزرگ، زمانی که داده‌های ورودی دارای نویز، پراکندگی یا ناهمگونی بیولوژیکی باشند، دچار مشکل می‌شوند. شرکت‌کنندگان موفق، شبکه‌های عصبی را با روش‌های آماری کلاسیک ترکیب کردند، که نشان می‌دهد یک گردش کار ترکیبی (hybrid workflow) ممکن است مسیر پیشروی در کوتاه‌مدت باشد.

پاکسازی آشفتگی‌ها: خط لوله داده scBaseCount

یکی از بزرگترین موانع در ساخت مدلی مانند State، کیفیت داده‌ها است. اندازه‌گیری‌های خام تک‌سلولی مملو از اثرات دسته‌ای (batch effects)، مقادیر مفقود و یادداشت‌های ناسازگار هستند. Arc با طراحی مجموعه‌ای از عوامل هوش مصنوعی (AI agents) که مدیریت داده‌ها را خودکار می‌کنند، به این مشکل پاسخ داد که مجموعاً scBaseCount نامیده می‌شوند.

  • Finder agents مخازن عمومی را جستجو کرده و فایل‌های خام را دانلود می‌کنند.
  • Organizer agents فرمت‌ها را استانداردسازی کرده، متادیتاها را هم‌تراز می‌کنند و تداخل‌های نام‌گذاری را برطرف می‌سازند.
  • یک supervisor agent خروجی را بازرسی کرده و موارد غیرعادی را برای بررسی انسانی علامت‌گذاری می‌کند.

این خط لوله، مخزنی شامل تقریباً ۵۰۰ میلیون سلول ایجاد کرده است که چهار برابر بزرگتر از بزرگترین مجموعه عمومی قبلی است. حجم عظیم داده‌ها، همراه با پاکسازی سیستماتیک، بستری غنی‌تر و قابل‌اعتمادتر برای آموزش State نسبت به تلاش‌های قبلی فراهم می‌کند.

یادگیری از طریق انجام دادن: حلقه بازخورد

Arc صرفاً به داده‌های تاریخی تکیه نمی‌کند. این پلتفرم یک چرخه یادگیری فعال (active-learning) را اجرا می‌کند: هوش مصنوعی آزمایش‌های جدیدی را پیشنهاد می‌دهد، آزمایشگاه آن‌ها را اجرا می‌کند و نتایج دوباره به مدل بازمی‌گردند. در عمل، یک عامل هوش مصنوعی ژنی را برای حذف (knock out) یا دارویی را برای استفاده انتخاب می‌کند، آزمایش روی سلول‌های واقعی انجام می‌شود و تغییرات بیان مشاهده‌شده، پارامترهای State را اصلاح می‌کنند.

این حلقه دو هدف را دنبال می‌کند. اول، مجموعه آموزشی را به‌طور مداوم با نقاط داده‌ای که نقاط کور فعلی مدل هستند، گسترش می‌دهد. دوم، یک مرحله تأیید داخلی فراهم می‌کند و اطمینان حاصل می‌کند که پیش‌بینی‌ها به جای پذیرش سطحی، بر پایه شواهد تجربی استوار هستند.

این موضوع برای مهندسان هوش مصنوعی و شرکت‌های بیوتکنولوژی چه معنایی دارد

افشاهای عمومی Arc به دو درس کاربردی خلاصه می‌شود:

  1. کیفیت داده بر پیچیدگی مدل برتری دارد. یک transformer پیشرفته که بر روی داده‌های نویزدار و ناقص آموزش دیده باشد، عملکرد ضعیف‌تری نسبت به یک الگوریتم ساده‌تر با ورودی‌های با دقت انتخاب‌شده خواهد داشت. خط لوله scBaseCount به ما یادآوری می‌کند که سرمایه‌گذاری در مهندسی داده می‌تواند نسبت به دنبال کردن مدل‌هایی با اندازه‌های بزرگ‌تر و بزرگ‌تر، دستاوردهای بیشتری به همراه داشته باشد.
  2. حلقه‌های تأیید ضروری هستند. اعتماد به خروجی یک مدل بدون بررسی‌های خارجی پرخطر است، به‌ویژه در زیست‌شناسی که عوامل مخدوش‌کننده ناشناخته در آن فراوان است. گنجاندن عامل‌هایی (agents) که یکدیگر را بازبینی متقابل می‌کنند — یا پیش‌بینی‌ها را با آزمایش‌های دنیای واقعی مقایسه می‌کنند — یک شبکه ایمنی ایجاد می‌کند که خطاهای سیستماتیک را در مراحل اولیه شناسایی می‌کند.

مسیر پیش رو و تردیدکنندگان

اگرچه نویدبخش بودن این فناوری روشن است، اما این تکنولوژی با یک راهکار آماده و بی‌نقص فاصله زیادی دارد. دشواری State در مواجهه با انواع سلول‌های دیده‌نشده نشان می‌دهد که مدل هنوز فاقد درک واقعی از زیست‌شناسی زیربنایی است. نتایج Virtual Cell Challenge نشان می‌دهد که حتی تیم‌های هوش مصنوعی با بودجه‌های بالا نیز زمانی که مسئله بدتعریف (ill-posed) باشد، ممکن است توسط مدل‌های پایه (baselines) ساده‌تر شکست بخورند.