AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development

في السعي لعلاج الأمراض المعقدة، اعتمد الطب لفترة طويلة على استراتيجية المتوسطات. يدرس الأطباء والباحثون مجموعات كبيرة من الناس لإيجاد أنماط، ثم يطبقون تلك القواعد العامة على المرضى الأفراد. هذا النهج يعمل جيداً عندما يستجيب الجميع بشكل مماثل، لكنه يتعثر عندما تكون بيولوجيا الشخص فريدة أو عندما يفشل علاج قياسي. ولتجسير هذه الفجوة، بدأ العلماء في تطوير "التوائم الرقمية" — وهي نماذج افتراضية لشخص محدد يمكن اختبارها بأنواع مختلفة من العلاجات قبل تجربة أي شيء على الجسد الحقيقي. ومع ذلك، فإن هذه النماذج تُبنى تقليدياً عبر أخذ بيانات سكان واسع وتعديلها لتناسب شخصاً واحداً؛ فهي تبدأ من "العديد" وتحاول التضييق للوصول إلى "الواحد".

يتحدى خط جديد من الأبحاث هذا الاتجاه. فبدلاً من البدء بجمهور ثم تقليصه، يتساءل هذا النهج عما إذا كان تاريخ الشخص التفصيلي الخاص كافياً لبناء نموذج عامل لنفسه. إذا كان لدى الطبيب سجلات كافية حول كيفية تفاعل جسم المريض مع الطعام، والدواء، والحياة اليومية، فهل يمكن لتلك السجلات وحدها أن تخلق محاكاة موثوقة؟ هذا السؤال ينقل التركيز من البحث عن مريض يناسب نموذجاً سكانياً إلى بناء نموذج يناسب تاريخ المريض الفريد. إنه يشير إلى أنه مع الملاحظة الكافية، لا يحتاج المرء إلى مقارنة نفسه بالآخرين لكي يُفهم؛ بل يمكن لأفعاله الماضية أن تصبح هي المختبر لرعايته المستقبلية.

اختبر موريس أنتوني يوينج، وهو باحث في "كونكر ميديكال هيلث" (Conquer Medical Health)، هذه الفكرة باستخدام مجموعة بيانات لاثني عشر شخصاً يعيشون مع مرض السكري من النوع الأول. تمت مراقبة هؤلاء الأفراد عن كثب لمدة ثمانية أسابيع، مما أنتج ما يقرب من 200,000 لقطة لمستويات السكر في الدم، واستخدام الأنسولين، والأنشطة اليومية. كان الهدف هو معرفة ما إذا كان بإمكان الكمبيوتر تعلم نموذج لكل شخص باستخدام بياناته الخاصة فقط، دون الاعتماد على الاستجابات المتوسطة للأحد عشر شخصاً الآخرين أو أي مجموعة أكبر. لقد أنشأ الباحثون ما يسمونه "الأصل البيولوجي الاصطناعي" (artificial biological primitive). فكر في هذا ليس كملف تعريف ثابت، بل كنسخة رقمية حية تتنفس للمريض، تعلمت قواعد سلوكها الخاصة من تاريخها الخاص.

اختبر الفريق أولاً ما إذا كان هذا النموذج المبني ذاتياً يمكنه تحديد مسارات قابلة للتطبيق نحو حالة صحية. أخذوا لحظات كان فيها سكر الدم مرتفعاً بشكل خطير وسألوا النموذج: "إذا قمت بإجراء معين، مثل جرعة أنسولين أو القليل من التمرين، هل يمكن لهذا أن ينقل سكر الدم نحو هدف معين؟". نجح النموذج في تحديد التدخلات التي من شأنها تقليل الفجوة بين الحالة المرتفبة الحالية والهدف الصحي بنسبة تقارب 97% في أكثر الاختبارات مرونة. أثبت هذا أن النموذج يمكنه رسم العلاقات المحددة بين الأفعال والنتائج لهذا الفرد، مولداً تدخلات مرشحة بدلاً من تأكيد آثار علاجية سببية.

ومع ذلك، كان الاختبار الأكثر أهمية هو معرفة ما إذا كان هذا النموذج الفردي يختلف حقاً عن نموذج مبني على متوسط المجموعة. قارن الباحثون بين النصيحة المقدمة من تاريخ الفرد نفسه وبين النصيحة المقدمة من نموذج تم تدريبه على الاثني عشر شخصاً مجتمعين. كانت النتائج مذهلة: نادراً ما اتفق النموذجان. في الواقع، لم يقترحا نفس خطة العلاج إلا في حوالي ربع الحالات فقط. كان شكل الاستجابة — الطريقة التي يتفاعل بها الجسم مع التغيير — فريداً جداً لكل شخص، لدرجة أن متوسط المجموعة كان دليلاً سيئاً للفرد. هذه النتيجة تنفي فكرة إمكانية تمثيل المريض بدقة بمجرد تعديل نموذج سكاني؛ فالتاريخ الخاص للفرد يحتوي على هندسة استجابة لا يراها المجتمع ببساطة.

ولضمان أن هذه النماذج الرقمية لم تكن مجرد تخمين، نظر الباحثون فيما يحدث في العالم الحقيقي عندما يتناول هؤلاء الأشخاص الأنسولين أو يمارسون الرياضة فعلياً. قاموا بقياس مدى تغير مسار سكر الدم لدى الشخص بعد تدخل حقيقي مقارنة بالأوقات التي لم يحدث فيها شيء. أظهرت البيانات أن العلاجات الحقيقية تسببت في تحول ملموس وكبير في مسار الجسم، وهو "تشويه" (deformation) كان أكبر بمرتين تقريباً من التمايلات الطبيعية التي تحدث خلال الفترات المستقرة. أكد هذا أن تاريخ الجسم يحمل إشارة واضحة لكيفية تفاعله مع التغيير، مما يوفر المادة الخام اللازمة لبناء محاكاة موثوقة.

ثم انتقلت الدراسة إلى تطبيق عملي: استخدام التوأم الرقمي لاختبار أفكار جديدة قبل تجربتها على الشخص. اقترح الكمبيوتر آلاف التغييرات المحتملة في العلاج، مثل تعديل جرعات الأنسولين أو توقيتها. ثم فحص النظام هذه المقترحات مقابل تاريخ الشخص نفسه. إذا لم يكن الشخص قد جرب تعديلاً معيناً من قبل، أو إذا أظهر تاريخه أن حركة مماثلة أدت سابقاً إلى نتائج سيئة، فإن النظام يصنفها كخطيرة أو غير مدعومة. ومن المثير للاهتمام أن حوالي 78% من التغييرات المقترحة كان لها سابقة في تاريخ الشخص، ومن بين تلك السوابق، نجحت حوالي ثلثي الحالات بشكل جيد. خلق هذا شبكة أمان حيث يمكن للكمبيوتر أن يقول: "لقد جربنا هذا من قبل، وقد نجح"، أو "لقد جربنا هذا، وقد فشل"، دون الحاجة أبداً لتجربة ذلك على المريض مرة أخرى.

والأهم من ذلك، أن النموذج لم يكن ثابتاً. فمع تغير حالة الشخص من ساعة إلى أخرى، تغيرت أفضل اقتراحات العلاج معه. عندما طلب الباحثون نصيحة من النموذج في أوقات مختلفة أو مع أهداف مختلفة، قدم إجابات مختلفة في أكثر من ثلثي الحالات. وهذا يثبت أن النموذج لا يقوم بمجرد تصنيف الشخص ضمن فئة ثابتة، مثل "مريض سكري من النوع (أ)"، بل يعمل كشريك تجريبي ديناميكي يتطور مع المريض.

كما اختبر الباحثون ما إذا كانت هذه الطريقة تعمل خارج نطاق السكري. طبقوا نفس المنطق على بيانات على مستوى السكان تتعلق بالسياسات الحكومية خلال الجائحة، وعلى بيانات حول كيفية استجابة خلايا دماغية فردية للمحفزات البصرية. في كلتا الحالتين، استطاع النظام التعلم من التاريخ المحدد لذلك النظام — سواء كان دولة أو خلية عصبية — ومحاكاة كيفية استجابته للمدخلات الجديدة. يشير هذا إلى أن النهج لا يقتصر على نوع واحد من البيولوجيا، بل هو طريقة عامة لاستخدام الملاحظة العميقة لفهم كيفية سلوك أي نظام.

تخلص الدراسة إلى أنه بالنسبة للرعاية الشخصية وتطوير الأدوية، قد لا تكون الأداة الأكثر قوة هي قاعدة بيانات أكبر لأشخاص آخرين، بل سجل أعمق للفرد. من خلال التعامل مع تاريخ الشخص كأنه المصدر الأساسي للحقيقة، يمكن للأطباء والباحثين بناء مختبر افتراضي خاص بهذا الشخص. يتيح ذلك لهم فحص العلاجات، ورفض تلك التي يشير التاريخ إلى فشلها، وإعطاء الأولوية لتلك التي يشير التاريخ إلى نجاحها، كل ذلك قبل ابتلاع حبة واحدة أو حقن حقنة واحدة. لا يدعي العمل أنه حل مشكلة المرض، ولكنه يقدم طريقة جديدة للتفكير فيه: وهي أن الإجابة على مشكلة المريض الفريدة قد توجد تماماً داخل ماضيه، بانتظار أن تقرأه آلة تعرف كيف تنصت.