پژوهشگران با هوش مصنوعی ویروس‌های جدید باکتری‌خوار ساختند

به گزارش خبرگزاری آنا؛ بر اساس مقاله‌ای منتشرشده در مجله علمی Science، پژوهشگران با استفاده از مدل‌های هوش مصنوعی Evo ۱ و Evo ۲ موفق شدند توالی‌های ژنتیکی جدیدی برای ساخت ویروس‌های باکتری‌خوار طراحی کنند. این مدل‌ها با تکیه بر حجم بسیار بزرگی از داده‌های ژنتیکی آموزش دیده‌اند و عملکرد آن‌ها از برخی جهات به مدل‌های زبانی بزرگ مانند چت‌جی‌پی‌تی شباهت دارد، با این تفاوت که به جای پردازش واژه‌ها و جمله‌ها، الگو‌ها و روابط موجود در توالی‌های ژنتیکی را یاد می‌گیرند و بر اساس آن‌ها توالی‌های جدید تولید می‌کنند.

جزئیات آزمایش و نحوه عملکرد مدل‌های Evo

فرآیند آموزش مدل‌های زبانی ژنوم از نظر مفهومی شباهت زیادی به آموزش مدل‌های زبانی دارد. دی‌ان‌ای از چهار باز آلی A ،C ،G و T تشکیل شده و ترتیب این واحد‌ها اطلاعات لازم برای ساخت پروتئین‌ها و عملکرد سلول را در خود جای می‌دهد. مدل Evo با بررسی حدود ۹ تریلیون نوکلئوتید از طیف گسترده‌ای از موجودات زنده، ابتدا الگو‌های موجود در ژن‌ها و توالی‌های ژنتیکی را یاد گرفت و سپس توانایی طراحی توالی‌های طولانی‌تر و در نهایت ژنوم‌های کامل را به دست آورد. از آنجا که ژنوم انسان بیش از ۳ میلیارد جفت‌باز دارد و طراحی و آزمایش مستقیم چنین ساختار پیچیده‌ای دشوار است، پژوهشگران برای این آزمایش به سراغ ویروس‌هایی با ژنوم بسیار کوچک‌تر رفتند.

تیم تحقیقاتی برای محدود کردن خطر‌های احتمالی، مدل را به خانواده باکتریوفاژ Phi X-۱۷۴ محدود کرد. این ویروس تنها باکتری‌ها را آلوده می‌کند و میزبان اصلی آن باکتری E.coli است. پژوهشگران پس از آموزش مدل با استفاده از حدود ۱۵ هزار ویروس هم‌خانواده، نزدیک به ۷۰۰ هزار توالی ژنتیکی جدید تولید کردند و از میان آن‌ها ۲۸۵ نمونه را برای ساخت و آزمایش در محیط آزمایشگاهی انتخاب کردند. این توالی‌ها به‌صورت سنتزی ساخته شدند و عملکرد آن‌ها پس از ورود به باکتری‌ها مورد بررسی قرار گرفت.

در نهایت، ۱۶ ویروس طراحی‌شده با هوش مصنوعی توانستند در باکتری‌ها رشد کنند، تکثیر شوند و سلول‌های میزبان را از بین ببرند. بررسی‌های بیشتر نشان داد که این ویروس‌ها صرفاً نمونه‌هایی مشابه ویروس طبیعی نیستند و برخی از آن‌ها توانایی تکثیر بیشتری نسبت به سویه طبیعی Phi X-۱۷۴ داشتند. این نتیجه اهمیت مدل‌های زبانی ژنوم را در طراحی و بررسی ساختار‌های زیستی جدید نشان می‌دهد، هرچند کاربرد عملی چنین ویروس‌هایی همچنان به مطالعات و آزمایش‌های بیشتری نیاز دارد.

کاربرد‌های احتمالی در پزشکی و زیست‌فناوری

طراحی ویروس‌ها با کمک هوش مصنوعی می‌تواند در آینده به توسعه ابزار‌های تازه‌ای برای پزشکی و زیست‌فناوری منجر شود. در برخی روش‌های ژن‌درمانی، از ویروس‌های مهندسی‌شده به‌عنوان ناقل برای انتقال مواد ژنتیکی به سلول‌های مشخص استفاده می‌شود و یکی از چالش‌های اصلی، طراحی ناقل‌هایی است که بتوانند محموله مورد نظر را با دقت بالا به سلول هدف برسانند و در عین حال واکنش نامطلوب سیستم ایمنی را به حداقل برسانند. مدل‌هایی مانند Evo می‌توانند با بررسی حجم بزرگی از توالی‌های ژنتیکی، گزینه‌های جدیدی را برای طراحی این ناقل‌ها پیشنهاد کنند.

کاربرد احتمالی دیگر به مقابله با مقاومت فزاینده باکتری‌ها در برابر آنتی‌بیوتیک‌ها مربوط می‌شود. باکتریوفاژ‌ها به‌طور طبیعی باکتری‌ها را هدف قرار می‌دهند و به همین دلیل در سال‌های اخیر به‌عنوان یکی از گزینه‌های مورد توجه برای درمان برخی عفونت‌های مقاوم به دارو بررسی شده‌اند. توانایی مدل‌های هوش مصنوعی در طراحی باکتریوفاژ‌های جدید می‌تواند در آینده به پژوهشگران کمک کند تا ویروس‌هایی با ویژگی‌های مناسب برای هدف قرار دادن گونه‌های خاصی از باکتری‌ها تولید کنند. البته چنین کاربرد‌هایی هنوز در مرحله پژوهش قرار دارند و نمی‌توان نتایج این آزمایش را به معنای آماده بودن یک روش درمانی دانست.

نگرانی‌های ایمنی زیستی و چالش‌های نظارتی

در کنار این ظرفیت‌های علمی، توانایی مدل‌های هوش مصنوعی در تولید توالی‌های ژنتیکی جدید نگرانی‌هایی را درباره ایمنی زیستی ایجاد کرده است. در این پژوهش تلاش شد با محدود کردن داده‌های آموزشی و تمرکز بر ویروس‌هایی که برای انسان، حیوانات و گیاهان بیماری‌زا نیستند، خطر‌های احتمالی کاهش پیدا کند. با این حال، موفقیت مدل در تولید ویروس‌هایی که در شرایط آزمایشگاهی توانایی تکثیر داشتند، نشان می‌دهد مدل‌های هوش مصنوعی ژنومی می‌توانند از مرحله تحلیل داده‌های زیستی فراتر بروند و در طراحی ساختار‌های ژنتیکی جدید نیز نقش داشته باشند.

همین موضوع ضرورت ایجاد سازوکار‌های نظارتی متناسب با پیشرفت این فناوری را بیشتر می‌کند. یکی از چالش‌های اصلی، کنترل دسترسی مدل‌های هوش مصنوعی به داده‌های حساس ژنتیکی و همچنین نظارت بر فرایند سفارش و سنتز توالی‌های جدید در شرکت‌های فعال در حوزه زیست‌فناوری است. تقویت سامانه‌های غربالگری توالی‌های دی‌ان‌ای، محدود کردن دسترسی به داده‌های حساس و ایجاد استاندارد‌های مشترک برای توسعه مدل‌های زبانی ژنوم می‌تواند از جمله اقداماتی باشد که هم‌زمان با گسترش این فناوری مورد توجه قرار می‌گیرد. پژوهش حاضر در همین زمینه نمونه‌ای از ظرفیت بالای هوش مصنوعی در زیست‌شناسی را به نمایش می‌گذارد، اما در کنار فرصت‌های علمی، ضرورت توجه جدی به پیامد‌های ایمنی و نظارتی این فناوری را نیز برجسته می‌کند.