دانشمند هوش مصنوعی آزمایشگاه زیست شناسی را خودکار می کند

آزمایشگاهی را تصور کنید که برای خودش فکر می‌کند: پرسش‌هایی تازه مطرح می‌کند، طرح آزمایش‌ها را می‌کشد، به بازوهای رباتیک می‌گوید چه کاری انجام دهند، نتایج را می‌خواند و بعد نظر خود را تغییر می‌دهد. هیچ انسانی این چرخه را قدم به قدم تکرار نمی‌کند. این ماشین است که چنین کاری را انجام می‌دهد.

پژوهشگران در سوئد مدل‌های زبانی بزرگ، پایگاه‌های عظیم داده‌های آزمایشی و دستکاری‌گرهای رباتیک فیزیکی را در قالب یک سامانه حلقه‌بسته کنار هم قرار داده‌اند؛ سامانه‌ای که می‌تواند یک پژوهش علمی را از ایده تا شواهد، با حداقل مداخله انسانی پیش ببرد. شبیه داستان‌های علمی تخیلی به نظر می‌رسد، اما در عمل مثل یک پژوهشگر جوان و خستگی‌ناپذیر رفتار می‌کند که هرگز نمی‌خوابد.

این تیم حدود ۶۰ هزار ارتباط ثبت‌شده میان ویژگی‌های فنوتیپی، وضعیت‌های فیزیولوژیک و نشانگرهای متابولیکی را در مخمر نانوایی، یعنی ساکارومایسس سرویزیه، به سامانه داد. هوش مصنوعی از دل این شبکه فشرده از روابط، نزدیک به ۲ هزار پیش‌بینی قابل آزمایش درباره اثر مواد مغذی بر رشد سلولی و مقاومت در برابر تنش تولید کرد. فرضیه‌هایی کوتاه و دقیق از دل مجموعه‌داده‌هایی طولانی و آشفته بیرون آمدند.

این چرخه در عمل چگونه پیش می‌رود؟ ابتدا هوش مصنوعی پرسش‌های زیستی امیدبخش را پیشنهاد می‌کند. سپس آزمایش‌ها را طراحی می‌کند و آن طرح‌ها را به دستورالعمل‌های مرحله‌به‌مرحله‌ای تبدیل می‌کند که یک سکوی رباتیک قادر به اجرای آن است. ربات‌ها آزمون‌ها را انجام می‌دهند. هوش مصنوعی خروجی را تحلیل می‌کند، بررسی می‌کند کدام پیش‌بینی‌ها تأیید شده‌اند و فرضیه‌های ناکام را برای دور بعدی بازنویسی می‌کند. به این ترتیب، تکرار به جای رخدادی مقطعی، به فرایندی پیوسته تبدیل می‌شود.

این دانشمند هوش مصنوعی فقط کمک نمی‌کند، بلکه ادعاهای علمی تازه تولید می‌کند و آن‌ها را بر پایه شواهد آزمایشی جدید بازنگری می‌کند.

اوگنیا تیوکووا، پژوهشگر دانشگاه فناوری چالمرز و یکی از نویسندگان این مطالعه، می‌گوید این مجموعه‌داده آن‌قدر بزرگ بود که انسان‌ها نمی‌توانستند آن را به طور کامل و exhaustively بررسی کنند. به گفته او، سامانه از میان نویزها عبور کرد تا پرسش‌های زیستی معنادار را آشکار کند، آزمون‌هایی پیشنهاد دهد و سپس نتایج را ارزیابی کند تا درک خود را گام به گام دقیق‌تر کند.

راس کینگ، نویسنده ارشد مقاله از دانشگاه گوتنبرگ، این پیشرفت را بخشی از یک تغییر گسترده‌تر به سوی خودکارسازی در فرایند کشف علمی می‌داند. او و همکارانش معتقدند سکوهای مبتنی بر هوش مصنوعی که در کنار پژوهشگران انسانی کار می‌کنند، می‌توانند با کوتاه کردن زمان لازم برای پیگیری و اعتبارسنجی فرضیه‌های پیچیده و با استفاده بهتر از منابع محدود آزمایشگاهی، پیشرفت در زیست‌شناسی، پزشکی و زیست‌فناوری را شتاب دهند.

مزایا کاملا عملی هستند. خط لوله‌های خودکار می‌توانند خطای انسانی را کاهش دهند، سوگیری آزمایشگر را محدود کنند و پروتکل‌ها را سازگارتر سازند؛ در نتیجه، بازتولیدپذیری پژوهش‌ها بهتر می‌شود. با این حال، پژوهشگران با دقت تأکید می‌کنند که ماشین‌ها جای دانشمندان را نخواهند گرفت. قضاوت انسانی همچنان برای تعیین اولویت‌ها، تفسیر نتایج در زمینه‌های گسترده‌تر و نظارت بر مرزهای اخلاقی ضروری است.

آنچه این کار نشان می‌دهد، نوعی هم‌رقصی تازه میان سیلیکون و کنجکاوی انسانی است: ربات‌ها و مدل‌ها کار طاقت‌فرسای آزمون‌های گسترده را انجام می‌دهند و انسان‌ها جهت حرکت را تعیین می‌کنند. اگر یک آزمایشگاه بتواند پس از هر آزمایش، پرسش‌های خود را بازنگری کند، این چابکی چه گونه‌های تازه‌ای از علم را آزاد خواهد کرد؟