این هوش مصنوعی جدید رازهای “ماده تاریک” ژنتیکی در سلول‌های انسانی را فاش می‌کند!

پژوهشگران دانشکده پزشکان و جراحان واگلوس در دانشگاه کلمبیا مدلی جدید از هوش مصنوعی توسعه داده‌اند که فعالیت ژن‌ها را در هر سلول انسانی با دقت پیش‌بینی کرده و عملاً مکانیزم‌های درونی سلول را آشکار می‌کند. این سیستم که در آخرین شماره مجله “نیچر” معرفی شده است، پتانسیل انقلاب در نحوه مطالعه سرطان، اختلالات ژنتیکی و سایر بیماری‌ها را دارد.

رائول رابادان، استاد زیست‌شناسی سیستمی و نویسنده ارشد این مقاله می‌گوید:

مدل‌های محاسباتی پیش‌بینی‌کننده و عمومی‌سازی‌شده می‌توانند فرآیندهای زیستی را به شکلی سریع و دقیق کشف کنند. این روش‌ها می‌توانند آزمایش‌های محاسباتی در مقیاس بزرگ را به صورت موثر انجام دهند و رویکردهای آزمایشی سنتی را تقویت و هدایت کنند.

روش‌های تحقیق سنتی در زیست‌شناسی در آشکارسازی نحوه عملکرد سلول‌ها یا واکنش آن‌ها به اختلالات موثر هستند، اما نمی‌توانند پیش‌بینی کنند که سلول‌ها چگونه عمل می‌کنند یا چگونه به تغییراتی مانند جهش‌های سرطان‌زا واکنش نشان می‌دهند.

رابادان می‌گوید:

داشتن توانایی پیش‌بینی دقیق فعالیت‌های یک سلول، درک ما از فرآیندهای بنیادی زیستی را دگرگون می‌کند. این موضوع زیست‌شناسی را از علمی که فرآیندهای ظاهراً تصادفی را توصیف می‌کند به علمی که سیستم‌های زیرین کنترل‌کننده رفتار سلولی را پیش‌بینی می‌کند، تبدیل خواهد کرد.

در سال‌های اخیر، انباشت داده‌های عظیم از سلول‌ها و مدل‌های هوش مصنوعی قدرتمندتر شروع به تبدیل زیست‌شناسی به یک علم پیش‌بینی‌کننده کرده‌اند. جایزه نوبل شیمی ۲۰۲۴ به پژوهشگرانی اعطا شد که کارهای پیشگامانه‌ای در استفاده از هوش مصنوعی برای پیش‌بینی ساختار پروتئین انجام دادند. اما استفاده از روش‌های هوش مصنوعی برای پیش‌بینی فعالیت ژن‌ها و پروتئین‌ها درون سلول‌ها سخت‌تر بوده است.

روش جدید هوش مصنوعی، بیان ژن را در هر سلول پیش‌بینی می‌کند

در مطالعه جدید، رابادان و همکارانش تلاش کردند از هوش مصنوعی برای پیش‌بینی اینکه کدام ژن‌ها در سلول‌های خاص فعال هستند استفاده کنند. چنین اطلاعاتی در مورد بیان ژن می‌تواند به محققان نشان دهد که هویت سلول چیست و سلول چگونه وظایف خود را انجام می‌دهد.

رابادان می‌گوید:

مدل‌های قبلی بر اساس داده‌های مربوط به انواع خاصی از سلول‌ها آموزش داده شده بودند، معمولاً خطوط سلولی سرطانی یا چیزهایی که شباهت کمی به سلول‌های طبیعی دارند.

شی فو، همکار پژوهشی در آزمایشگاه رابادان، تصمیم گرفت رویکردی متفاوت در پیش گیرد و یک مدل یادگیری ماشین را با داده‌های بیان ژن از میلیون‌ها سلول به‌دست‌آمده از بافت‌های طبیعی انسان آموزش دهد. ورودی‌ها شامل توالی‌های ژنوم و داده‌هایی بودند که نشان می‌داد کدام قسمت‌های ژنوم قابل دسترسی و بیان هستند.

رویکرد کلی شبیه به نحوه کار ChatGPT و سایر مدل‌های “پایه” محبوب است. این سیستم‌ها از یک مجموعه داده‌های آموزشی برای شناسایی قوانین زیرین، گرامر زبان، استفاده می‌کنند و سپس این قوانین استنباط شده را در موقعیت‌های جدید به کار می‌برند.

رابادان می‌گوید:

در اینجا دقیقاً همان کار انجام می‌شود: ما گرامر را در بسیاری از حالات مختلف سلولی یاد می‌گیریم و سپس به یک وضعیت خاص وارد می‌شویم (می‌تواند یک نوع سلول بیمار یا طبیعی باشد) و سعی می‌کنیم ببینیم الگوها را چقدر خوب از این اطلاعات پیش‌بینی می‌کنیم.

فو و رابادان به‌زودی تیمی از همکاران، از جمله نویسندگان همکار اول، الخاندرو بوئندیا، اکنون دانشجوی دکتری در استنفورد و سابقاً در آزمایشگاه رابادان، و شنتونگ مو از دانشگاه کارنگی ملون، را برای آموزش و آزمایش مدل جدید به کار گرفتند.

پس از آموزش بر روی داده‌های بیش از ۱.۳ میلیون سلول انسانی، این سیستم به اندازه‌ای دقیق شد که بتواند بیان ژن را در انواع سلول‌هایی که قبلاً ندیده بود پیش‌بینی کند و نتایجی ارائه دهد که به طور نزدیک با داده‌های آزمایشی مطابقت داشت.

روش‌های جدید هوش مصنوعی، عوامل یک سرطان کودکان را آشکار می‌کنند

در مرحله بعد، محققان قدرت سیستم هوش مصنوعی خود را نشان دادند وقتی از آن خواستند زیست‌شناسی پنهان سلول‌های بیمار، در این مورد، نوعی ارثی از لوکیمیا در کودکان را کشف کند.

رابادان که همچنین مدیر مشترک برنامه تحقیقاتی ژنومیک سرطان و اپی‌ژنومیک در مرکز جامع سرطان هربرت ایروینگ دانشگاه کلمبیا است، می‌گوید:

این کودکان ژنی را به ارث می‌برند که جهش‌یافته است و مشخص نبود دقیقاً این جهش‌ها چه کاری انجام می‌دهند.

با استفاده از هوش مصنوعی، محققان پیش‌بینی کردند که جهش‌ها تعامل بین دو عامل رونویسی مختلف که سرنوشت سلول‌های دارای لوکیمیا را تعیین می‌کنند، مختل می‌کنند. آزمایش‌های آزمایشگاهی پیش‌بینی هوش مصنوعی را تأیید کرد. درک اثر این جهش‌ها مکانیزم‌های خاصی را که این بیماری را تحریک می‌کنند آشکار می‌کند.

هوش مصنوعی می‌تواند “ماده تاریک” در ژنوم را آشکار کند

روش‌های محاسباتی جدید همچنین باید به محققان اجازه دهد نقش “ماده تاریک” ژنوم را در سرطان و سایر بیماری‌ها بررسی کنند (اصطلاحی که از کیهان‌شناسی وام گرفته شده و به بخش عمده‌ای از ژنوم اشاره دارد که ژن‌های شناخته‌شده‌ای را رمزگذاری نمی‌کند).

رابادان می‌گوید:

اکثریت عمده جهش‌های یافت‌شده در بیماران سرطانی در مناطق به‌اصطلاح تاریک ژنوم قرار دارند. این جهش‌ها بر عملکرد پروتئین تأثیر نمی‌گذارند و عمدتاً بدون بررسی باقی مانده‌اند. ایده این است که با استفاده از این مدل‌ها، می‌توانیم به جهش‌ها نگاه کنیم و آن بخش از ژنوم را روشن کنیم.

رابادان هم‌اکنون با محققان دانشگاه کلمبیا و دیگر دانشگاه‌ها بر روی انواع مختلف سرطان‌ها، از سرطان‌های مغز تا خون، کار می‌کند و گرامر تنظیم در سلول‌های طبیعی و نحوه تغییر سلول‌ها در فرآیند توسعه سرطان را یاد می‌گیرد.

این کار همچنین مسیرهای جدیدی برای درک بسیاری از بیماری‌ها فراتر از سرطان و احتمالاً شناسایی اهداف برای درمان‌های جدید باز می‌کند. با ارائه جهش‌های جدید به مدل کامپیوتری، محققان اکنون می‌توانند بینش‌های عمیق و پیش‌بینی‌هایی در مورد اینکه این جهش‌ها دقیقاً چگونه بر یک سلول تأثیر می‌گذارند به دست آورند.

پس از دیگر پیشرفت‌های اخیر در هوش مصنوعی برای زیست‌شناسی، رابادان این کار را بخشی از یک روند عمده می‌بیند:

این واقعاً یک عصر جدید در زیست‌شناسی است که بسیار هیجان‌انگیز است؛ تبدیل زیست‌شناسی به یک علم پیش‌بینی‌کننده.

منبع: Scitechdaily