AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems

في معظم الأوقات، عندما نستخدم الذكاء الاصطناعي لفهم البيولوجيا، فإننا نطلب منه التطلع إلى الأمام. نحن نغذي الحاسوب بصورة عن الحالة الصحية الحالية لمريض أو لقطة لانتشار فيروس عبر مدينة ما، ونطلب من الآلة التنبؤ بما سيحدث بعد ذلك. هل سيرتفع سكر الدم لدى هذا الشخص غداً؟ هل سيزداد عدد الإصابات في الشهر المقبل؟ لقد أصبح هذا النهج المتطلع للمستقبل هو المعيار القياسي للطب الحديث والصحة العامة. وهي طريقة قوية للتنبؤ بالمخاطر، لكنها تترك سؤالاً جوهرياً دون إجابة. فنادراً ما يحتاج الطبيب أو صانع السياسات إلى معرفة ما سيحدث فحسب؛ بل يحتاجون إلى معرفة ما يجب فعله لإحداث تغيير ما. إنهم بحاجة إلى معرفة كمية الأنسولين الدقيقة التي يجب إعطاؤها، أو مدى صرامة الإغلاق، لتحريك نظام ما نحو نتيجة محددة ومرغوبة.

هذا هو الفرق بين مشاهدة نهر يتدفق ومعرفة أي الصخور يجب تحريكها لتغيير مساره. لعقود من الزمن، حاول العلماء بناء "توائم رقمية" — نسخ افتراضية من المرضى أو المجموعات السكانية تحاكي الحياة الواقعية بدقة شديدة بحيث يمكن اختبارها بعلاجات مختلفة. ومع ذلك، غالباً ما تفشل هذه التوائم الرقمية لأنها مبنية على المتوسطات. فهي تصف كيف يتفاعل الشخص النموذجي، وليس كيف يتفاعل فرد معين تجاه إجراء معين. إذا لم يكن النموذج قد رأى دواءً معيناً في بيانات التدريب الخاصة به، فلا يمكنه إخبارك بشكل موثوق بما سيفعله ذلك الدواء لمريض محدد، حتى لو قدم إجابة تبدو واثقة. والنتيجة هي نظام قد يتنبأ جيداً، لكنه لا يستطيع توجيه العمل بأمان.

تقترح دراسة جديدة لـ موريس أنتوني يوينج طريقة مختلفة للتفكير في هذه النماذج الحاسوبية. فبدلاً من بناء توأم يحاكي شخصاً ما، يعامل المؤلف نموذج الذكاء الاصطناعي المدرب كـ "بدائية بيولوجية" (biological primitive). هذا مفهوم أبسط: النموذج ليس نسخة من تاريخ الشخص الكامل، بل هو سجل متعلم لكيفية استجابة النظام فعلياً للأشياء التي فُعلت به في الماضي. إذا أظهرت البيانات أن كمية معينة من التمارين الرياضية خفضت مستويات السكر في الدم لدى مجموعة من الناس، فإن النموذج يتعلم هذه العلاقة المحددة. ثم يقوم الباحث بقلب عملية عمل النموذج؛ فبدلاً من السؤال: "ماذا يحدث إذا فعلت هذا؟"، يُسأل النموذج: "ما مقدار هذا الإجراء الذي سيوصلنا إلى ذلك الهدف؟". هذه العملية، التي تسمى "الانعكاس المستهدف" (targeted inversion)، تبحث عن المستويات الدقيقة للتدخل اللازمة لتحريك النظام نحو حالة مستهدفة، ولكن باستخدام الرافعات التي تدعمها البيانات بالفعل فقط.

لاختبار ما إذا كانت هذه الفكرة تنجح في العالم الحقيقي، طبقت الدراسة هذه الطريقة على ثلاثة أنظمة بيولوجية مختلفة تماماً: الفسيولوجيا الفردية لمرضى السكري من النوع الأول، والديناميكيات السكانية لجائحة كوفيد-19، والاستجابات المجهرية للخلايا العصبية في الدماغ. بدأ الباحثون بتدريب نماذج ذكاء اصطناعي قياسية للتنبؤ بالحالات المستقبلية في كل من هذه المجالات. بالنسبة لبيانات السكري، تعلمت النماذج التنبؤ بمستويات الجلوكوز في الدم المستقبلية بناءً على الأنسولين والطعام والنشاط السابق. وبالنسبة لبيانات الجائحة، تعلمت التنبؤ بأعداد الحالات المستقبلية بناءً على سياسات مثل الإغلاق ومعدلات الفحص. وبالنسبة لبيانات الدماغ، تعلمت كيف تطلق الخلايا العصبية نبضاتها استجابة لمحفزات بصرية معينة. كانت هذه النماذج الأمامية دقيقة للغاية، مما أثبت أنها تعلمت الأنماط الكامنة في البيانات.

بمجرد تدريب النماذج، طلب الباحثون منها العمل بشكل عكسي. وضعوا هدفاً — على سبيل المثال، مستوى آمن لسكر الدم لمريض السكري أو انخفاض عدد الإصابات في مدينة ما — وطلبوا من النموذج إيجاد المزيج المحدد من الإجراءات الذي سيؤدي إلى ذلك. في مجموعة السكري، والتي شملت 400 حالة عالية الخطورة، كانت الطريقة فعالة بشكل ملحوظ. فعندما طلب الباحثون من النموذج إيجاد الكمية المناسبة من النشاط البدني وحده، قلل الفجوة بين الحالة الحالية للمريض والهدف بنسبة 76.5 بالمئة. وعندما طلبوا الكمية المناسبة من الأنسولين وحده، تقلصت الفجوة بنسبة 60.6 بالمئة. وعندما سمحوا للنموذج بالجمع بين النشاط والأنسولين معاً، مع إبقاء الاقتراحات ضمن الحدود السريرية الآمنة، تقلصت الفجوة بنسبة 87.8 بالمئة. وإذا أزالوا حدود السلامة تلك وتركوا النموذج يبحث بحرية، فقد وجد حلولاً قللت الفجوة بنسبة 96.4 بالمئة. في كل حالة تقريباً، وجد النموذج طريقة لتحريك النظام نحو الهدف.

كانت النتائج أقل تواضعاً قليلاً ولكنها ظلت متسقة عند تطبيقها على النطاق الأكبر لجائحة كوفيد-19. هنا، كان الهدف هو تقليل عبء الحالات المستقبلية. وعندما بحث النموذج عن المستوى الصحيح من إجراءات الإغلاق، قلل الفجوة المتوقعة بنسبة 17.9 بالمئة. ساعد الفحص وحده بنسبة 5.8 بالمئة، والتطعيم بنسبة 3.8 بالمئة. ومع ذلك، عندما دمج النموذج هذه الاستراتيجيات الثلاث، قلل الفجوة بنسبة 25.1 بالمئة. يسلط هذا الفرق الضوء على نتيجة رئيسية: بينما يمكن للإجراء الواحد أن يساعد، فإن الديناميكيات المعقدة للجائحة تتشكل من خلال مزيج من العوامل التي تعمل معاً. أظهرت الطريقة أن المشكلات على مستوى السكان تتطلب مزيجاً من التدخلات بدلاً من حل واحد سحري.

ربما كان الجزء الأكثر إثارة للدهشة في الدراسة هو مدى قدرة الباحثين على تحقيق الكثير دون البحث في كل التوليفات الممكنة من الإجراءات. في العالم الحقيقي، هناك آلاف العلاجات أو السياسات المحتملة، ولكن الكثير منها لا تدعمه البيانات المتاحة. اختبرت الدراسة نهجاً "موجزاً" (compact)، حيث تم تقييد النموذج بالبحث فقط من خلال قائمة منسقة وصغيرة من التدخلات المعروفة بأنها معقولة ومسجلة فعلياً في البيانات. بالنسبة لحالات السكري، استعاد هذا النموذج الموجز 79.0 بالمئة من التحسن الممكن نحو الهدف. أما البحث الكامل غير المقيد فلم يضف سوى 2.2 بالمئة أخرى من التحسن. وبالنسبة لبيانات الجائحة، استعاد النموذج الموجز 85.9 بالمئة من التحسن، بينما لم يضف البحث الكامل سوى 0.5 بالمئة. يشير هذا إلى أننا لسنا بحاجة إلى التخمين العشوائي أو البحث في ملايين الخيارات المستحيلة لإيجاد حلول فعالة. نحن بحاجة فقط إلى النظر في الإجراءات التي نعلم وجودها ولدينا بيانات عنها.

كما أظهرت الدراسة ميزة سلامة حاسمة لهذا النهج: فالنموذج يرفض ابتكار حلول لا يمكنه دعمها. في مجموعة السكري، حاول الباحثون طلب حلول تتضمن أدوية معينة، مثل الميتفورمين أو أدوية GLP-1. ولأن البيانات الأصلية لهؤلاء المرضى لم تتضمن سجلات لتلك الأدوية المحددة، قام النموذج ببساطة بتجاوزها. لم يقم بتأليف نتيجة أو التظاهر بمعرفة ما سيحدث. بل أعطى إجابة مسطحة، تشير إلى أنه لا يمكنه استهداف تلك الرافعات المحددة. وهذا يتناقض بشدة مع العديد من أنظمة الذكاء الاصطناعي الحالية، التي قد تقترح بثقة علاجاً حتى لو لم تكن قد رأت بيانات عنه من قبل. إن نهج "الالتبعية" (primitive) هذا متجذر فيما تحتويه البيانات فعلياً، مما يجعله أداة أكثر أماناً لاتخاذ القرار.

طُبق المنطق نفسه على الدماغ. باستخدام بيانات من مرصد ألين للدماغ (Allen Brain Observatory)، والذي يحتوي على أكثر من 1.2 مليون ملاحظة لكيفية استجابة الخلايا العصبية للضوء، بنى الباحثون "بدائية" تعلمت كيف تتفاعل خلايا معينة مع المحفزات. تمكنوا من سؤال النموذج عن مستوى التحفيز الذي من شأنه أن ينقل خلية عصبية نحو نمط إطلاق معين. أظهر هذا أن الطريقة لا تعمل فقط مع البشر أو المجموعات السكانية بأكملها، بل أيضاً مع أصغر الوحدات البيولوجية. فالخلية العصبية، والمريض، والمدينة، كلها تُعامل كأنظمة تستجيب للمدخلات، والنموذج يتعلم خريطة تلك الاستجابات.

يحرص المؤلف على التأكيد على أن هذه طريقة للاستقصاء، وليست وصفة نهائية. النتائج تأتي من النظر إلى الماضي في البيانات التاريخية، وليس من إجراء تجارب سريرية جديدة. يحدد النموذج مستويات التدخل التي من شأنها تحريك نظام ما نحو هدف بناءً على السلوك السابق، لكنه لا يثبت أن تلك التدخلات ستنجح في بيئة واقعية جديدة. إنها وسيلة لتضييق الاحتمالات وإيجاد المسارات الأكثر واعدة لاستكشافها. وتجادل الدراسة بأنه من خلال معاملة الذكاء الاصطناعي كبدائية بيولوجية يمكن استجوابها بشكل عكسي، يمكن للعلماء تجاوز مجرد التنبؤ البسيط. فبدلاً من مجرد السؤال عما سيحدث، يمكنهم السؤال عن مستوى الإجراء المطلوب لإحداث شيء ما، بشرط الالتزام بالرافعات التي تدعمها البيانات. هذا التحول من التخمين للمستقبل إلى استهداف الحاضر يقدم طريقة أكثر واقعية وعملية لاستخدام الذكاء الاصطناعي في الطب والصحة العامة.