طراحی جدیدی برای واکسن کووید ۱۹ با موفقیت بالا!

به گزارش مجله خبری نگار/ایسکانیوز؛ آزمایشگاه مجازی که محققان دانشگاه استنفورد درست کرده‌اند بر اساس ساختار یک گروه پژوهشی معتبر در دانشکده پزشکی دانشگاه استنفورد طراحی شده است و یک سرپرست هوش مصنوعی و چندین دانشمند باتجربه دارد.

«جیمز زو»، استاد داده‌پژوهی زیست‌پزشکی و نویسنده اصلی این مطالعه، می‌گوید: علم خوب زمانی شکل می‌گیرد که همکاری‌های عمیق میان‌رشته‌ای برقرار باشد و افراد با پیش‌زمینه‌های متفاوت با هم کار کنند؛ اما این دقیقاً یکی از گلوگاه‌ها و چالش‌های اصلی در پژوهش است.

او می‌افزاید: در عین حال، شاهد پیشرفت شگفت‌انگیز در عامل‌های هوش مصنوعی (AI agents) هستیم که به طور خلاصه، سیستم‌هایی مبتنی بر مدل‌های زبانی هستاند که توانایی انجام اقدامات پیش‌برنده را دارند.

اغلب مردم، مدل‌های زبانی بزرگ را—همان نوع هوش مصنوعی استفاده‌شده در این مطالعه—صرفاً نوعی ربات پرسش و پاسخ می‌دانند. اما زو عقیده دیگری دارد و می‌گوید: این سیستم‌ها می‌توانند داده بازیابی کنند، از ابزار‌های مختلف استفاده کنند و با ما و یکدیگر به زبان انسان ارتباط برقرار کنند. این نوع همکاری میان مدل‌های هوش مصنوعی نمونه‌ای از هوش مصنوعی عاملی یا agential AI است، که ساختاری برای حل مسائل پیچیده به‌شکل گروهی فراهم می‌کند.

این جهش توانمندی باعث شد زو به این فکر بیفتد که مدل‌ها را طوری آموزش دهد که همانند دانشمندان طراز اول فکر کنند: یعنی مسائل را نقادانه تحلیل کنند، درباره پرسش‌های خاص تحقیق کنند، براساس حوزه تخصصی راه‌حل‌های مختلف پیشنهاد دهند، و با تبادل ایده‌ها به فرضیه‌ای قابل آزمون برسند.

زو می‌گوید: هیچ کمبودی در چالش‌های علمی دنیا وجود ندارد و آزمایشگاه مجازی می‌تواند به شتاب توسعه راه‌حل آنها کمک کند.

در آزمایشی برای اثبات توانایی این مدل‌ها، تیم زو از این «آزمایشگاه مجازی» خواست روشی بهتر برای ساخت واکسن علیه سارس کووید ۲، ویروس عامل کووید ۱۹، طراحی کند؛ و این کار فقط چند روز طول کشید.

راه‌اندازی یک آزمایشگاه مجازی

این آزمایشگاه همانند یک گروه پژوهشی انسانی کار خود را آغاز می‌کند: با یک مساله علمی. پژوهشگر انسانی چالشی علمی را به رهبر پروژه—یعنی سرپرست هوش مصنوعی —اعلام می‌کند و از آن لحظه به بعد کار برعهده سیستم است.

زو می‌گوید: وظیفه سرپرست هوش مصنوعی این است که مشخص کند به چه عامل‌هایی و چه تخصص‌هایی برای پیشبرد پروژه نیاز است. برای مثال، در پروژه سارس کووید ۲، سرپرست عامل‌ها را این‌گونه سازمان‌دهی کرد: یک عامل ایمنی‌شناسی، یک عامل زیست‌شناسی محاسباتی و یک عامل یادگیری ماشین.

در هر پروژه، بدون توجه به موضوع، یک عامل نیز نقش منتقد (critic) را برعهده دارد. این عامل منتقد موظف است اشکالات را گوشزد کند، نسبت به خطا‌های رایج هشدار دهد و انتقادات سازنده به سایر عامل‌ها ارائه دهد.

تیم زو ابزار‌ها و نرم‌افزار‌هایی مانند سیستم مدل‌سازی پروتئین «آلفافولد» را در اختیار این دانشمندان مجازی قرار داد تا توانمندی «تفکر خلاقانه» آنها افزایش یابد. حتی گاهی خود عامل‌ها فهرستی از ابزار‌های مورد نیازشان تهیه کرده و درخواست دسترسی می‌کنند و تیم انسانی آنها را در مدل تعبیه می‌کند.

این تیم، مانند یک آزمایشگاه واقعی، جلسات منظم دارد که طی آن عامل‌ها ایده‌پردازی کرده و به‌صورت تعاملی تبادل نظر می‌کنند. همچنین، جلسات انفرادی میان اعضا و سرپرست برگزار می‌شود.

با این تفاوت که برخلاف جلسات انسانی، نشست‌های مجازی تنها چند ثانیه یا دقیقه طول می‌کشند. به علاوه، دانشمندان مجازی خسته نمی‌شوند، نیاز به خوراک یا استراحت ندارند و می‌توانند چندین جلسه را به صورت هم‌زمان برگزار کنند.

زو می‌گوید: تا زمانی که من قهوه صبحم را بنوشم، آنها صد‌ها جلسه علمی برگزار کرده‌اند.

این آزمایشگاه مجازی به طور مستقل عمل می‌کند. به جز دستور اولیه، تنها دستورالعمل ثابت برای عامل‌های هوش مصنوعی، محدودیت‌های بودجه‌ای است تا از ایده‌های غیرعملی و فانتزی جلوگیری شود. زو می‌گوید که خودش یا تیم انسانی فقط در یک درصد از مواقع دخالت می‌کنند.

او می‌گوید: من نمی‌خواهم به این دانشمندان مجازی بگویم دقیقاً چه کار کنند. این کار خلاقیت آنها را می‌کشد. من می‌خواهم آنها ایده‌هایی ارائه دهند که حتی به ذهن خودم هم نمی‌رسد.

با این حال، همه چیز تحت نظارت است: از هر جلسه و تعامل، نسخه کامل گفت‌و‌گو ثبت می‌شود و پژوهشگران انسانی می‌توانند روند پیشرفت را دنبال کرده یا پروژه را در صورت لزوم هدایت کنند.

سارس کووید ۲ و فراتر از آن

تیم زو از آزمایشگاه مجازی خواست مبنای جدیدی برای طراحی واکسن در برابر گونه‌های جدید کووید-۱۹ ارائه کند. برخلاف روش مرسوم استفاده از آنتی‌بادی‌ها، تیم هوش مصنوعی رویکردی متفاوت پیشنهاد کرد: استفاده از نانوبادی‌ها، که قطعات کوچک‌تر و ساده‌تری از آنتی‌بادی‌ها هستند.

زو می‌گوید: از همان ابتدای جلسات، دانشمندان مجازی تصمیم گرفتند نانوبادی‌ها نسبت به آنتی‌بادی‌ها استراتژی بهتری هستند و برای آن توضیح دادند. آنها گفتند نانوبادی‌ها معمولاً خیلی کوچک‌تر از آنتی‌بادی‌ها هستند، که این باعث می‌شود مدل‌سازی آنها برای عامل یادگیری ماشین ساده‌تر باشد، چون پروتئین‌های کوچک‌تر را می‌توان با دقت بیشتری مدل‌سازی کرد.

به نظر می‌رسد که این رویکرد نتیجه‌بخش بوده است. تیم جان پک، طراحی‌های ساختاری نانوبادی‌های ارائه شده توسط AI را در آزمایشگاه واقعی‌اش ساخته و آزمایش کرده است.

نتیجه چه بود؟ نانوبادی طراحی‌شده از نظر تجربی هم قابل تولید بود، هم پایدار. همچنین قدرت اتصال آن به یکی از گونه‌های جدید ویروس کرونا بسیار بالا بود؛ حتی بیشتر از آنتی‌بادی‌های طراحی‌شده در آزمایشگاه‌های انسانی.

همچنین، اثرات جانبی (اتصال به هدف‌های اشتباه) بررسی شد و مشخص شد نانوبادی تنها به پروتئین اسپایک ویروس متصل می‌شود.

زو در ادامه افزود: نکته امیدبخش دیگر این است که این نانوبادی‌ها نه‌تنها به گونه جدید کرونا متصل می‌شوند، بلکه به گونه اولیه ویروس از ووهان (در سال ۲۰۲۰) نیز خوب متصل می‌شوند.

این موضوع نشان می‌دهد که نانوبادی می‌تواند مبنایی برای ساخت واکسن‌هایی با اثربخشی گسترده باشد.

اکنون، تیم زو در حال بررسی توان نانوبادی‌ها برای ساخت نسل جدید واکسن است و داده‌های تجربی را دوباره به آزمایشگاه مجازی بازمی‌گرداند تا طراحی‌های مولکولی دقیق‌تر شوند.

این گروه پژوهشی مشتاق است که این آزمایشگاه مجازی را برای پرسش‌های علمی دیگر نیز به‌کار گیرد. آنها اخیراً عامل‌هایی طراحی کرده‌اند که به عنوان تحلیلگران داده عمل می‌کنند و می‌توانند مقالات منتشرشده قبلی را بازتحلیل کنند.

زو در پایان می‌گوید: داده‌هایی که در زیست‌شناسی و پزشکی جمع‌آوری می‌کنیم، بسیار پیچیده‌اند و ما تازه سطح آنها را خراش داده‌ایم. اغلب، عامل‌های هوش مصنوعی قادر به کشف یافته‌های تازه‌ای هستند که فراتر از چیز‌هایی است که پژوهشگران انسانی در مقالات منتشر کرده‌اند. این واقعاً هیجان‌انگیز است.