سيساعد الذكاء الاصطناعي العلماء على طرح أسئلة أكثر قوة

يمكن لأنظمة التعلم الذاتي اكتشاف الأنماط الخفية في مجموعات البيانات الهائلة ، لتتجاوز ما يمكن أن يجده البشر بمفردهم

Credit: Eduard Muzhevskyi Getty Images

إن التقدم العلمي على مدى القرون العديدة الماضية لم يؤد فقط إلى فهم أكبر للكون ؛ لقد رفع مستوى المعيشة لكثير من الناس في جميع أنحاء العالم. ومع ذلك ، لا تزال هناك تحديات هائلة لم نكن مجهزين لمواجهتها ، كما يتضح من تغير المناخ ووباء COVID-19 ، والتي أظهرت أننا لم نفهم بعد تعقيد الطبيعة. من أجل معالجة حجم المشاكل التي تواجه البشرية الآن ، هناك حاجة إلى حلول جذرية - وستكون الاختراقات العلمية محورية في هذه العملية. يعد الذكاء الاصطناعي بتسريع الاكتشافات الأساسية من خلال تعميق طبيعة الأسئلة التي يمكن للباحثين طرحها.

تنبأ المهندس الأمريكي البارز وداعية العلوم فانيفار بوش Vannevar Bush في مقاله التنبئي "كما قد نفكر" ، المنشور عام 1945 ، بأن الناس سيحتاجون قريبًا إلى الاعتماد على الأجهزة الخارجية لزيادة عقولهم. حتى ذلك الحين ، كان يرى أن معدل الاكتشاف العلمي كان كبيرًا جدًا لدرجة أن الحاجة إلى تخزين المعلومات ومعالجتها وفهمها تجاوزت بالفعل القدرة البيولوجية للأشخاص.

تبدو ملاحظته الواضحة أكثر صحة من أي وقت مضى: أحد تحديات العلم الحديث هو فهم الكمية الهائلة من المعلومات التي جمعناها حول العالم. بالنظر إلى حجم البيانات التي يولدها العلم - من مصادم هادرون الكبير Large Hadron Collider إلى مشاريع الجينوم الضخمة - من المستحيل لأي شخص تحليلها بالكامل. يساعدنا الذكاء الاصطناعي على تحويل وفرة المعلومات هذه إلى فهم - مما يمكننا من طرح أسئلة يمكن حلها للأفراد.

لطالما استخدم العلماء الحوسبة لتطوير العلوم ، باستخدام برامج الكمبيوتر لنمذجة ومحاكاة النظم الطبيعية لشرح وفهم الظواهر العلمية. كان هذا النهج مثمرًا بشكل لا يصدق للعلم ، وأحدث تقدمًا يتراوح من محاكاة الذرات إلى نماذج الكون. ومع ذلك ، فإن هذا النموذج الكلاسيكي محدود باعتماده على المبرمجين البشريين الذين يجب عليهم أولاً استخلاص القواعد من النظريات والملاحظات ، ثم استخدام هذه القواعد لتشفير سلوكيات البرنامج. أملنا هو استخدام أنظمة الذكاء الاصطناعي لاستنتاج هذه القواعد مباشرة من البيانات أو الخبرة ، وربما تتجاوز ما قد يفككه الباحثون الأفراد. يمكن لأنظمة التعلم الذاتي هذه استكشاف الحلول والاستراتيجيات المحتملة من خلال اكتشاف الخصائص المخفية للهيكل الأساسي لمجموعات البيانات الضخمة ، وبالتالي قد تزيد من فهم الإنسان ، بدلاً من أن تقتصر عليه.

ومن ثم ، فإن النقطة الحاسمة هي إيجاد المشاكل المناسبة لهذه الأنظمة لاستكشافها. على الرغم من أنه يتم تنفيذ قدر كبير من العمل لتطبيق الذكاء الاصطناعي على العلوم ، فليس من الضروري أن يؤدي التطبيق المباشر لهذه التقنيات (أو ينبغي) إلى حدوث اختراق في كل مشكلة علمية. سيأتي التقدم الأكثر تأثيرًا من تطبيق تقنيات الذكاء الاصطناعي على الأسئلة التي تهم المجتمع حقًا ، والتي تتطلب قدرات منطقية وتحليلية معقدة. يكمن جزء كبير من فن حل المشكلة في اختيار السؤال الصحيح في المقام الأول ، ومن ثم ، فإن النقطة الحاسمة هي إيجاد المشاكل المناسبة لهذه الأنظمة لاستكشافها.

على سبيل المثال ، أحد أهم الأسئلة المفتوحة في علم الأحياء هو فهم كيف تأخذ البروتينات أشكالها. البروتينات ضرورية لعملية الجسم الصحية ، وتعمل كآلات مصغرة داخل الخلايا للقيام بالعديد من مهام الحياة. يملي شكل البروتين وظيفته ، وهذا هو السبب في أن العديد من المجموعات البحثية مكرسة لاكتشاف بنية البروتينات المختلفة ؛ بمجرد معرفة شكل البروتين ، يمكن للباحثين فهم كيفية عمله بشكل أفضل ، وفحص الأدوية التي تتفاعل معه عند حدوث خلل في الأمراض. يمكن أن يكون هذا تطبيقا مثالي للذكاء الاصطناعي ، لأن لدينا مجموعات بيانات كبيرة نسبيًا من هياكل البروتين المعروفة لتدريب الأنظمة عليها ، وهذه مشكلة يمكننا من خلالها قياس التقدم.

قد يقضي العلماء سنوات في العمل على شكل بروتين واحد باستخدام طرق تجريبية تستغرق وقتًا طويلاً مثل علم البلورات crystallography. بدلاً من تحديد شكل بروتين واحد في كل مرة ، ماذا لو كان بإمكاننا استخدام البيانات الموجودة لتعليم نظام الذكاء الاصطناعي كيفية التنبؤ بشكل أي بروتين يحدث بشكل طبيعي أو حتى ممكن نظريًا فقط من وصف تسلسل الأحماض الأمينية. استنادًا إلى تقنيات التعلم المستوحاة من علم الأعصاب ، يمكن أن يتدرب نموذج AlphaFold الذي نشرناه مؤخرًا على مجموعات بيانات كبيرة من تراكيب البروتين المعروفة للتنبؤ بكيفية انثناء سلسلة أحادية البعد من الأحماض الأمينية في شكل ثلاثي الأبعاد.

باستخدام هذا النظام ، أنشأنا مؤخرًا تنبؤات لأشكال ستة بروتينات تشمل SARS-CoV-2 ، الفيروس الذي يسبب COVID-19. في حين أن الهياكل التي تنبأت بها طريقتنا لا تؤدي مباشرة إلى علاج ، فقد توفر تلميحات مفيدة للباحثين الذين يعملون على الأدوية والأجسام المضادة التي يمكن أن تعمل ضد الفيروس ، وقد تضيف إلى فهمنا لهذا التهديد الصحي العالمي.

أحرزت العديد من المجموعات الأكاديمية تقدمًا ثابتًا بشأن مشكلة الطي لسنوات ، كما يتضح من التحسينات الدقيقة في CASP ، وهي مسابقة توقع طي البروتين نصف السنوية. في عام 2018 ، حاز AlphaFold على مرتبة الشرف الأولى في CASP13 ، وهو ما يمثل تحسنًا بنسبة 40 بالمائة في الدقة مقارنة بأفضل نموذج للمنافسة السابقة. في المستقبل ، يمكن أن يساعد هذا النهج العلماء في التركيز على أكثر المؤشرات الواعدة ، مما يوفر الوقت والمال ، على سبيل المثال ، في عملية تطوير الأدوية باهظة الثمن. من خلال المحاكاة التي تعتمد على الذكاء الاصطناعي ، قد يكون من الممكن تصميم بروتينات جديدة في السليكو ، ثم اختبارها في العالم الحقيقي - مساعدة الباحثين على توجيه جهود البحث والتمويل بشكل أكثر كفاءة.

هذا هو جمال الذكاء الاصطناعي: فهو سيمكّن من التجريد من المبادئ الخاصة إلى العامة ، وترشيح المبادئ الموحدة من الخبرة. إنه يعمق طبيعة الأسئلة التي يمكن للعلماء طرحها: ليس ببساطة "ما هو شكل البروتين X؟" ولكن ، بشكل أساسي أكثر ، "ما يملي شكل أي بروتين؟" لا يسهم البحث عن سؤال مثل هذا في إجابة واحدة ، ولكن الكثير ، يفتح مجالات جديدة كاملة للاستفسار.

إذا تمكنا من إحراز تقدم كافٍ في التنبؤ بكيفية أخذ البروتينات لأشكالها ، فقد نجعل من السهل تصميم عقاقير وإنزيمات جديدة ولقاحات شاملة ، مما يؤدي إلى فوائد اجتماعية لا حصر لها. وبالمثل ، إذا تمكنا من استخدام الذكاء الاصطناعي لمحاكاة مجموعات الذرات بأمانة ، فقد يكون من الممكن تصميم مواد جديدة بشكل عقلاني للبطاريات وتكنولوجيا الطاقة الشمسية واحتجاز الكربون والمزيد. بالنظر إلى السؤال الصحيح ، وبيانات التدريب الصحيحة والقدرة على قياس التعلم ، فإن أنظمة الذكاء الاصطناعي قادرة على تعميق فهمنا العلمي وتسريع الاختراقات التكنولوجية الجديدة. الذكاء الاصطناعي هو أكثر بكثير من أتمتة تصنيف الصور أو تنضىيم سلاسل التوريد supply chains ؛ نريد استخدامه لاكتشاف معرفة جديدة عن الكون ، واستخدام هذا الفهم لتحسين العالم.

ترجمة: الحجوي محمد عالي

مصدر القصة:

المواد المقدمة من مجلة Scientific American بقلم بوشميت كوهلي Pushmeet Kohli

https://blogs.scientificamerican.com/observations/ai-will-help-scientists-ask-more-powerful-questions/