General Purpose AI for Public Data Analysis and Experimental Hypothesis Generation

دخل علم الأحياء حقبة لا تكمن فيها أهم الاكتشافات في التجارب الجديدة، بل في الأرشيفات الضخمة من البيانات التي جُمعت بالفعل. لسنوات طويلة، أنتج العلماء مكتبات هائلة من المعلومات الجزيئية، مسجلين نشاط الجينات والبروتينات في الأنسجة السليمة والمصابة. هذه السجلات تشبه خرائط مفصلة لآليات عمل الجسم البشري، ومع ذلك، غالبًا ما وُضعت للإجابة على أسئلة محددة وضيقة النطاق. ويتمثل التحدي الذي يواجه العلم الحديث في النظر إلى هذه الخرائط الموجودة وطرح أسئلة جديدة لم يفكر المستكشفون الأصليون في طرحها. وهنا يدخل الذكاء الاصطناعي في الصورة، ليس كبديل للباحثين البشر، بل كأداة قادرة على مسح هذه المجموعات الهائلة من البيانات لإيجام الأنماط الخفية واقتراح مسارات جديدة للبحث. والهدف هو معرفة ما إذا كان بإمكان الكمبيوتر أن يعمل كشريك لعالم الأحياء، عبر تمحيص السجلات العامة لاقتراح أفكار قابلة للاختبار حول كيفية سلوك الخلايا، وكيفية تطور الأمراض، وما الذي قد يوقفها.

استكشفت دراسة حديثة هذا الإمكان تحديدًا عبر اختبار كيف يمكن للذكاء الاصطناعي العام أن يساعد العلماء في توليد واستقصاء أسئلة بيولوجية جديدة باستخدام البيانات العامة. لم يكتفِ الباحثون بسؤال الكمبيوتر عن إجابة واحدة، بل وضعوا سلسلة من التحقيقات المتكاملة لمعرفة مدى قدرة الذكاء الاصطناعي على التنقل في المشاهد البيولوجية المعقدة. في أحد خطوط البحث، استخدم الفريق أدوات تفاعلية لتحليل بيانات من خلايا فردية، آملين في العثء على إشارات تساعد الخلايا الجذعية البشرية على التحول إلى أنواع محددة من الأنسجة. وأشار الذكاء الاصطناعي نحو مسار إشارات محدد يتضمن جزيئًا يسمى "أبيلين" (Apelin) كمرشح محتمل لتوجيه هذا التحول. ومع ذلك، عندما أخذ العلماء هذا الاقتراح واختبروه في المختبر تحت الظروف التي اختاروها، لم يظهر التأثير المتوقع. وقد سلطت هذه النتيجة الضوء على تمييز جوهري: العثور على نمط في البيانات لا يعني إثبات وجود تأثير بيولوجي في العالم الحقيقي.

ثم نقل الباحثون تركيزهم إلى السرطان، حيث طلبوا من الذكاء الاصطناعي البحث في بيانات الخلايا الفردية العامة عن أهداف محتملة على الخلايا الورمية يمكن مهاجمتها بواسطة خلايا مناعية مهندسة. أجروا التحليل على بيانات مرضى مصابين بالورم النخاعي المتعدد، وهو نوع من سرطان الدم، ووجدوا أن ثلاث عمليات تحليل منفصلة حددت باستمرار نفس الخمسين هدفًا مرشحًا. ومن بين هذه الأهداف، ظهر علامتان معروفتان جيدًا، وهما BCMA وCD38، بشكل متكرر، مما أكد قدرة الذكاء الاصطناعي على استعادة المعرفة الراسخة. وعند تطبيق العملية نفسها على سرطان غدة البنكرياس القنوي، وهو نوع من سرطان البنكرياس، كانت النتائج أقل اتساقًا؛ إذ أنتجت عمليات التحليل الثلاث نتائج استكشافية مختلفة وفشلت في ترشيح هدف واحد يستوفي معايير الاختيار الصارمة لديهم، مما يوضح أن نجاح الذكاء الاصطناعي يمكن أن يتفاوت اعتمادًا على تعقيد وطبيعة بيانات المرض.

ولاختبار ما إذا كان بإمكان الذكاء الاصطناعي الكشف عن رؤى دون تحيز بشري، أجرى الفريق تحليلين منفصلين على بيانات رئة مجهولة المصدر دون إخبار الكمبيوتر في البداية بنوع النسيج الذي يبحث فيه أو المرض الذي يعاني منه المرضى. وحتى بدون هذا السياق، نجح الذكاء الاصطناعي في تحديد أنواع الخلايا المختلفة التي يتكون منها الرئة واستنتج أن النسيج قد تعرض لعملية إعادة تشكيل مرتبطة بالمرض. وعندما زود الباحثون الذكاء الاصطناعي لاحقًا بمعلومات النسيج والمرض، قام بتوليد قائمة بأسئلة بيولوجية جديدة. وأظهرت ثمانية من هذه الأسئلة دعمًا إحصائيًا عند فحصها مقابل مجموعة مستقلة من بيانات المرضى. وشمل ذلك ملاحظات حول كيفية تنسيق أنواع الخلايا المختلفة لدفاعاتها المضادة للأكسدة وزيادة محددة في بروتين يسمى CRYM داخل خلايا الأرومة الليفية (fibroblast)، مما يشير إلى أن هذه علاقات بيولوجية حقيقية تستحق المزيد من الدراسة.

وفي جهد أخير وأوسع نطاقًا، دمج الفريق أنواعًا متعددة من البيانات لتحديد أولويات العلاجات المحتملة لسرطان البنكرياس. فقد جمعوا معلومات عن تعبير الحمض النووي الريبوزي (RNA)، الذي يوضح أي الجينات نشطة، مع بيانات عن البروتينات، ونتائج فحوصات وظيفية تختبر ما يحدث عند تعطيل الجينات، وقياسات لكيفية ظهور هذه الجزيئات في الأنسجة الطبيعية السليمة. ساعد هذا النهج متعدد الطبقات في تقليص قائمة طويلة من الاحتمالات إلى 213 هدفًا علاجيًا محتملاً. ومن خلال النظر في جميع هذه القياسات معًا، تمكن العلماء من التمييز بين المرشحين الذين يبدون متشابهين بناءً على الحمض النووي الريبوزي وحده، وتقييم ما إذا كانوا ذوي صلة وظيفية وآمنين للاستهداف في الأنسجة الطبيعية. وبينما نجح هذا العمل في تحديد قائمة منقحة من المرشحين، أشار الباحثون إلى أن مسألة ما إذا كانت هذه الأهداف ستنجح فعليًا كعلاجات لا تزال بحاجة إلى إثبات.

تثبت هذه التحقيقات مجتمعة كيف يمكن للذكاء الاصطناعي العام أن يوسع نطاق وصول علماء الأحياء التجريبيين، مما يسمح لهم باستخراج فرضيات جديدة وتحديد العلاقات البيولوجية من البيانات العامة التي قد تمر دون ملاحظة لولا ذلك. كما تعد الدراسة تذكيرًا واضحًا بأن إتمام تحليل ما وإيجاد نمط قابل للتكرار في مجموعة بيانات يختلفان تمامًا عن إثبات تأثير تجريبي أو علاجي في العالم الحقيقي. لقد أثبت الذكاء الاصطناعي قدرته على اقتراح الاتجاهات وتسليط الضوء على الروابط، لكن التحقق النهائي من تلك الأفكية لا يزال يتطلب العمل الدقيق والميداني للعلماء البشر في المختبر.