هوش مصنوعی و زیست‌شناسی سرانجام امکان طراحی و ساخت ارگانیسم و موجودات زنده از صفر را فراهم خواهند کرد

بیست سال پیش، نشریه اکونومیست مطلبی درباره کارخانه‌ای منتشر کرد که می‌توانست اژدها بسازد. این مطلب دروغ اول آوریل بود و بر این ایده استوار بود که می‌توان سلول‌های زنده را با دقت درون رایانه‌ها مدل‌سازی کرد. در آن زمان، این ایده چیزی جز خیال‌پردازی نبود. اما به نظر می‌رسد شکوفایی هوش مصنوعی در دهه‌های پس از آن، این ایده را به واقعیت نزدیک‌تر کرده است. نشانه‌ای از این پیشرفت در ۷ اکتبر پدیدار شد؛ زمانی که «طرح ابتکاری زیست‌شناسی مجازی» (Virtual Biology Initiative) یا VBI، پروژه‌ای برای گردآوری داده‌های موردنیاز به‌منظور ایجاد مدل‌های پیش‌بینی‌کننده از چگونگی رفتار و تغییر سلول‌ها، اعلام کرد که از زمان آغاز فعالیت خود در آوریل، تعهداتی به ارزش ۸۰۰ میلیون دلار دریافت کرده است.

هوش مصنوعی در پزشکی: کاربردها، مزایا و چالش‌های بالینی

هوش مصنوعی در زیست‌شناسی

نقش هوش مصنوعی در حفاظت از محیط‌زیست

اهداف VBI ماهیتی پزشکی دارند. مدل‌های پیش‌بینی‌کننده به پژوهشگران امکان خواهند داد داروهای مؤثرتری طراحی کنند که احتمال موفقیت آن‌ها در مراحل مختلف کارآزمایی‌های بالینی بیشتر باشد. اما اگر این رویکرد موفقیت‌آمیز باشد، نسل‌های آینده این مدل‌ها ممکن است برای طراحی نسخه‌های اصلاح‌شده موجودات زنده فعلی مانند گیاهان زراعی به کار گرفته شوند و شاید در نهایت، امکان طراحی و ساخت موجودات زنده کاملاً جدید را نیز فراهم کنند.

چه می‌شود اگر هوش مصنوعی کنترل علم را به دست بگیرد؟

فناوری‌ای که چنین پیشرفت‌هایی را قابل‌تصور کرده، یادگیری عمیق است؛ روشی که در آن شبکه‌های عصبی بزرگ برای حل مسائل پیچیده آموزش داده می‌شوند. همین تکنیک زیربنای مدل‌های پایه‌ای و بنیادینی است که چت‌بات‌های عرضه‌شده از سوی شرکت‌هایی مانند آنتروپیک، گوگل و OpenAI مبتنی بر آن‌ها هستند.

از دید این مدل‌ها، مولکول‌های زنجیره‌ای بلندی که در قلب زیست‌شناسی قرار دارند، یعنی همان اسیدهای نوکلئیک و پروتئین‌ها؛ تفاوتی با زنجیره‌های واژگان در نوشته‌های انسانی ندارند. بنابراین، به‌کارگیری مدل‌های پایه برای تحلیل این مولکول‌ها ایده‌ای بدیهی به نظر می‌رسید؛ ایده‌ای که در عمل نیز بهره‌وری چشمگیری از خود نشان داده است.

هوش مصنوعی ویروس‌هایی ساخت که در طبیعت یافت نمی‌شوند

چگونه ابزارهای هوش مصنوعی می‌توانند زمینه‌ساز بیوتروریسم شوند

هوش مصنوعی روش ساخت سلاح‌های بیولوژیکی را به دانشمندان آموزش می‌دهد

به گفته «آدریان وولفسون»، مغز متفکر تجاری شرکت نوپای زیست‌فناوری Genyro در سن‌دیگو، «زیست‌شناسی اکنون محاسبه‌پذیر، پیش‌بینی‌پذیر و در نتیجه طراحی‌پذیر شده است.» افزون بر این، می‌توان طرح‌های زیستی را در عمل نیز پیاده‌سازی کرد. برای مثال، مدل پایه Evo 2 که برای توسعه آن تا حدی «برایان هی»، از مؤسسه آرک (Arc Institute) در پالو آلتو مشارکت داشته است، می‌تواند قطعاتی از DNA را با طول حداکثر یک میلیون جفت‌باز تحلیل کند؛ طولی در اندازه ژنوم یک باکتری کوچک.

Evo 2: DNA Foundation Model

این مدل با بررسی ترتیب بازهای شیمیایی جفت‌شده در مارپیچ دوگانه DNA می‌تواند پیش‌بینی کند که تغییر در این ترتیب چه تأثیری بر ارگانیسمی خواهد داشت که DNA به آن تعلق دارد. توانایی انجام این کار از آنجا ناشی می‌شود که مدل با توالی‌های DNA گردآوری‌شده از بیش از ۱۰۰ هزار گونه آموزش دیده است؛ درست همان‌طور که چت‌بات‌ها با متن آموزش می‌بینند.

کارخانه داروسازی مبتنی بر هوش مصنوعی

رؤیای خط تولید AI-pilled

در ژانویه سال جاری میلادی، همکاران علمی وولفسون، «کایهانگ وانگ» و «نوآ رابینسون» از مؤسسه فناوری کالیفرنیا، سامانه‌ای برای مونتاژ DNA با دقت و کارایی بالا به نام Sidewinder را معرفی کردند. این سامانه می‌تواند قطعات طولانی DNA را با دقت بالا به یکدیگر متصل کند؛ طول این قطعات در حال حاضر به ۱۲۵۰۰ جفت‌باز (Base Pair) می‌رسد. همین توانایی به‌تنهایی برای سنتز ژنوم ویروس‌های کوچک کافی است. این سامانه همچنین ساخت قطعات طولانی‌تر، مانند ژنوم باکتری‌ها و کروموزوم‌های مصنوعی کوچک را ساده‌تر می‌کند.

شرکت Genyro با ترکیب این فناوری با Evo 2 که برایان هی یکی دیگر از بنیان‌گذاران آن است؛ اکنون ابزارهای لازم را در اختیار دارد تا وولفسون بتواند به وعده‌های خود جامه عمل بپوشاند. او امیدوار است از این ابزارها برای سنتز موارد مختلف از جمله یک کروموزوم مصنوعی گندم حامل ژن‌های مقاوم به گرما و خشکسالی استفاده کند.

داده‌های ژنتیکی ارزشمند و بالقوه خطرناک هستند

آیا هوش مصنوعی می‌تواند یک همه‌گیری را مهندسی کند؟

 آیا باید نگران باشیم که هوش مصنوعی سلاح‌های بیولوژیکی مرگبار بسازد؟

Evo 2 به‌هیچ‌وجه تنها مدل پایه ژنومی موجود نیست. دیپ‌مایند، آزمایشگاه هوش مصنوعی گوگل، مدلی به نام آلفاژنوم (AlphaGenome) ساخته است که در مقایسه با Evo 2 تخصصی‌تر است. آلفاژنوم تقریباً به طور انحصاری با ژنوم‌های انسانی آموزش دیده است. مدل Genos که شرکت BGI Research در شنژن چین ارائه کرده نیز به همین ترتیب بر ژنوم‌های انسانی متکی است.

AlphaGenome

مدل‌های یادگیری عمیق برای پژوهشگرانی که گروه‌های مشخصی از گونه‌های غیرانسانی را مطالعه می‌کنند نیز در دسترس هستند. برای گیاهان، قارچ‌ها، باکتری‌ها، ویروس‌ها و جانوران مهره‌دار نیز مدل‌هایی از این نوع توسعه یافته‌اند. در مقابل، شرکت Basecamp Research در لندن دامنه فعالیت خود را گسترده‌تر کرده است. مدل این شرکت با نمونه‌هایی آموزش می‌بیند که هدفشان ثبت تمام DNA موجود در یک نمونه، برای مثال نمونه آبی از مکانی مشخص است. هدف از این کار مطالعه جنگ شیمیایی میان میکروب‌های موجود در آن نمونه و در نهایت، کمک به ساخت آنتی‌بیوتیک‌های جدید است.

البته این امر تنها به ژنومیک محدود نمی‌شود. انواع مختلف مدل‌های یادگیری عمیق می‌توانند مولکول‌های زیستی دیگری به‌ویژه پروتئین‌ها را نیز تحلیل کنند. این مدل‌ها قادرند نحوه تاخوردگی پروتئین‌های طبیعی را مشخص کنند. پروتئین‌ها زنجیره‌های بلندی از پیوندهای شیمیایی موسوم به اسیدآمینه هستند و شکل‌گیری ساختار سه‌بعدی آن‌ها برای درک عملکردشان اهمیت اساسی دارد. مدل‌ها همچنین می‌توانند پیش‌بینی کنند که تغییر اسیدهای آمینه مشخص چه پیامدهایی خواهد داشت و حتی پروتئین‌هایی را از ابتدا طراحی کنند که برای اهداف خاصی ساخته شده‌اند؛ از پادزهرهای مؤثرتر برای زهرمار گرفته تا آنزیم‌های سفارشی برای انجام واکنش‌های شیمیایی جدید.

DeepMind نیز مدلی از این نوع دارد که آلفافولد ۳ (AlphaFold 3) نامیده می‌شود. شرکت ایزومورفیک لبز (Isomorphic Labs) که یکی از زیرشاخه‌ها و شرکت‌های تابعه DeepMind است؛ مأموریت بلندپروازانه خود را با عبارت «حل تمام بیماری‌ها» (Solve all disease) بیان می‌کند. این شرکت قصد دارد از AlphaFold 3 و AlphaGenome در همکاری‌های کشف دارو با سه شرکت داروسازی بزرگ و باسابقه، یعنی Novartis، Eli Lilly و  Johnson & Johnson استفاده کند. شرکت‌های داروسازی اهداف موردنظر را تعیین خواهند کرد و Isomorphic Labs با استفاده از مدل هوش مصنوعی خود، نامزدهای دارویی را پیشنهاد خواهد داد و سپس شرکت‌های داروسازی پیشنهادهای این شرکت را به‌صورت تجربی آزمایش خواهند کرد.

سایر شرکت‌های باسابقه صنعت داروسازی نیز فعالیت‌های مشابهی در زمینه هوش مصنوعی انجام می‌دهند. Roche، Novo،  GSKو آسترازنکا همگی ابررایانه‌هایی در اختیار دارند یا سهام‌دار آن هستند تا از این فناوری برای اهداف خود استفاده کنند. حتی شرکت Eli Lilly نیز با ساخت ابررایانه‌ای مستقل به نام لی‌لی‌پاد (LillyPod) را خارج از چارچوب همکاری خود با ایزومورفیک به‌عنوان راهبردی برای پوشش ریسک انتخاب کرده است. این ابررایانه رویکرد یادگیری عمیق را بر داده‌های موجود در آرشیو ۱۵۰ساله شرکت اعمال خواهد کرد؛ آرشیوی که علاوه بر نتایج موفق منتشرشده، سرشار از تلاش‌های ناموفقی است که هرگز منتشر نشده‌اند. این کار باید به بینش‌هایی منجر شود که برای شرکت‌هایی که صرفاً به ادبیات علمی منتشرشده اتکا می‌کنند، دسترس‌پذیر نیستند؛ زیرا این ادبیات به طور طبیعی به سمت نتایج موفق سوگیری دارد.

بهترین ابزارهای هوش مصنوعی برای خواندن نسخه پزشکی + پرامپت
چگونه با هوش مصنوعی نسخه پزشک را بخوانیم؟ از خواندن نسخه‌های پزشکی تا تشخیص دارو و دوز مصرف با هوش مصنوعی

در حوزه کشاورزی نیز هوش مصنوعی برای حل چندین مسئله به کار گرفته می‌شود که تاکنون حل آن‌ها بسیار دشوار یا عملاً ناممکن بوده است. یکی از این مسائل، مسئله پلی‌پلوئیدی است؛ پدیده‌ای رایج در گیاهان که در آن یک ارگانیسم چند مجموعه از کروموزوم‌های مشابه را در اختیار دارد. چند محصول کشاورزی مهم از جمله گندم، پنبه و سیب‌زمینی، پلی‌پلوئید هستند. این ویژگی تشخیص ژن‌های مسئول هر اثر را دشوار می‌کند و در نتیجه، مشخص‌کردن محل مناسب برای اعمال ویرایش‌های ژنتیکی سودمند را نیز با مشکل مواجه می‌کند.

کاربردهای هوش مصنوعی در کشاورزی و دامپروری

هوش مصنوعی مناسب می‌تواند این پیچیدگی‌ها را برطرف کند. این فناوری همچنین می‌تواند به درک بهتر سامانه‌های ایمنی گیاهان کمک کند؛ سامانه‌هایی که مستقل از سامانه‌های ایمنی جانوران تکامل یافته‌اند، اما به همان اندازه پیچیده هستند. چنین درکی می‌تواند امکان اصلاح این سامانه‌ها را به‌گونه‌ای فراهم کند که به سود کشاورزان باشد. حتی تلاش‌هایی برای استفاده از هوش مصنوعی به‌منظور دست‌کاری بنیان‌های فرایند فتوسنتز و افزایش کارایی آن در جریان است. این هدف با احتمال موفقیت اندکی همراه است، زیرا فرایند تکامل طی چندین میلیارد سال فرصت داشته است تا فتوسنتز را بهینه کند؛ اما اگر این اقدامات برای افزایش بازده محصولات کشاورزی به نتیجه برسند، ارزش آن‌ها غیرقابل‌محاسبه خواهد بود.

بااین‌حال، بزرگ‌ترین دستاورد احتمالی زمانی حاصل خواهد شد که رویکردهای مختلف زیست‌شناسی مبتنی بر هوش مصنوعی با یکدیگر ترکیب شوند تا مدل‌های رایانه‌ای از نحوه عملکرد سلول‌ها ساخته شوند. ابتکار زیست‌شناسی مجازی گامی در همین مسیر است.

این طرح ابتکاری، ائتلافی از سازمان‌های پژوهشی دولتی، دانشگاهی و خصوصی است که هدایت آن را بایوهاب (Biohub) بر عهده دارد؛ سازمانی مستقر در سان‌فرانسیسکو که «مارک زاکربرگ»، مدیر شرکت متا و همسرش «پریسیلا چان» آن را تأسیس کرده‌اند. دیپ‌مایند، ایزومورفیک لبز و مؤسسه آرک از جمله اعضای این ائتلاف هستند. هدف آن‌ها گردآوری حجم عظیمی از داده‌های زیستی جدید در قالبی سازگار با هوش مصنوعی است؛ داده‌هایی که برای ایجاد مدل‌های پیش‌بینی‌کننده ضرورت دارند. این مدل‌ها تمام جنبه‌های رفتار سلولی را بازتولید نخواهند کرد؛ اما در شبیه‌سازی بیماری و درمان، واکنش‌هایی مشابه سلول‌های واقعی نشان خواهند داد.

چنین قابلیتی می‌تواند پژوهش‌های پزشکی و آزمایش داروها را به طور چشمگیری سرعت ببخشد. برای مثال، سلول‌های مجازی با ژنوم‌های متفاوت ممکن است حتی پیش از آغاز کارآزمایی‌های بالینی نشان دهند که کدام‌یک از این ژنوم‌ها احتمالاً به یک داروی مشخص پاسخ مناسبی خواهند داد. در این صورت، کارآزمایی‌های بالینی بیشتر به تشریفاتی برای تأیید نتایج تبدیل می‌شوند، نه فرایندی چندساله و اضطراب‌آور که در حال حاضر با آن مواجه هستیم.

برای دستیابی به درک زیستی کافی جهت ساخت چنین سلول مجازی‌ای، باید بسیار فراتر از ترکیب مولکول‌های منفرد DNA و پروتئین رفت و مدل‌هایی ساخت که بتوانند حجم بسیار بیشتری از اطلاعات را پردازش کنند. این مدل‌های جدید باید بدانند این مولکول‌ها در کجا قرار دارند، چگونه با یکدیگر و با سایر مولکول‌های زیست‌شیمیایی، مانند لیپیدها و قندها تعامل می‌کنند و کل این شبکه چگونه به مولکول‌های پیام‌رسان مانند هورمون‌ها پاسخ می‌دهد.

بایوهاب از توسعه ابزارهایی برای تحقق این هدف حمایت خواهد کرد؛ از جمله «توموگرافی کرایوالکترونی» (Cryo-electron Tomography) که می‌تواند رویدادهای درون سلول را با جزئیاتی نزدیک به مقیاس اتمی آشکار کند. هم‌زمان، وزارت انرژی ایالات متحده (DoE) و مؤسسه ملی سلامت (NIH) نیز در قالب همکاری‌ای که در ۷ اکتبر اعلام شد، به این پروژه خواهند پیوست. مؤسسه ملی سلامت داده‌هایی به ارزش ۵۰۰ میلیون دلار را که پیش‌تر گردآوری شده‌اند، در اختیار این طرح قرار خواهد داد تا Biohub برای استانداردسازی آن‌ها تلاش کند. وزارت انرژی نیز مبلغی مشابه را صرف تأمین توان محاسباتی و سایر منابع موردنیاز این پروژه خواهد کرد.

سلول‌های مجازی همچنان صرفاً مدل‌های رایانه‌ای خواهند بود. شاهکار «زیست‌شناسی مصنوعی» (Synthetic Biology)، اگر این واژه را در معنای اصلی آن یعنی اثری که برای اثبات تسلط سازنده بر یک فن یا دانش خلق می‌شود به کار ببریم، ساخت ارگانیسم و موجودات زنده کاملاً جدید از صفر خواهد بود.

بسته به تعریفی که از واژه‌های «ارگانیسم» و «جدید»ارائه می‌کنیم، شاید این اتفاق پیش‌تر رخ داده باشد. در سپتامبر ۲۰۲۵، برایان هی و شماری از همکارانش در مؤسسه آرک اعلام کردند که با استفاده از Evo 2 و نسخه پیشین آن یعنی Evo 1، توانسته‌اند ۱۶ ویروس زنده و دارای قابلیت تکثیر طراحی و سنتز کنند. این ویروس‌ها بر اساس یک باکتریوفاژ به نام Phi-X174 ساخته شده بودند، اما تفاوت‌های قابل‌توجهی با آن داشتند. Phi-X174 یکی از ویروس‌های پرکاربرد در پژوهش‌های ویروس‌شناسی است. باکتریوفاژها همان‌طور که از نامشان پیداست، باکتری‌ها را آلوده می‌کنند و از آن‌ها بهره می‌برند.

نکته جالب این است که برخی از ویروس‌های جدید طراحی‌شده توسط هی، برازش تکاملی بیشتری از همتایان طبیعی خود داشتند. ترکیب‌هایی از این ویروس‌ها توانستند بر مقاومت طبیعی سه سویه متفاوت از باکتری E. coli غلبه کنند. این باکتری که در روده زندگی می‌کند، از دیگر ارگانیسم‌های پرکاربرد در پژوهش‌های زیستی است. این یافته اهمیت ویژه‌ای دارد، زیرا فاژهای طراحی‌شده به‌صورت سفارشی ممکن است کاربردهای پزشکی داشته باشند. فاژدرمانی، روشی که در آن از ویروس‌ها به‌جای آنتی‌بیوتیک‌های شیمیایی برای مهار باکتری‌های بیماری‌زا استفاده می‌شود، زمانی رویکردی نامتعارف و حتی عجیب تلقی می‌شد؛ اما اکنون به‌طورجدی در دست بررسی است.

در شرکت Genyro هیچ‌کس نمی‌تواند وولفسون را به کوچک‌اندیشی متهم کند. او امیدوار است ترکیب مدل‌های پایه زیستی با سنتز ارزان‌قیمت و در مقیاس بزرگ DNA، امکان کاوش در انبوهی از احتمالاتی را فراهم کند که انتخاب طبیعی هنوز آن‌ها را کشف نکرده است؛ گستره‌ای که او از آن با عنوان «تمام فضای DNA» یاد می‌کند.

احتمالاً این مسیر با ساخت موجوداتی آغاز خواهد شد که با وجود جدید بودن، همچنان شباهتی قابل‌تشخیص به موجودات طبیعی دارند؛ درست مانند فاژهای طراحی‌شده توسط برایان هی. اما همان‌طور که انتخاب طبیعی با پیشروی گام‌به‌گام از میکروب‌ها به انسان‌ها رسید و در این مسیر از ماهی‌ها، دوزیستان، خزندگان پستاندارمانند و میمون‌ها گذشت؛ تغییرات تدریجی مبتنی بر هوش مصنوعی نیز ممکن است به کاربردهایی منجر شوند که امروزه چیزی جز خیال‌پردازی به نظر نمی‌رسند. برای مثال:
آیا ممکن است به‌جای ساخت‌وساز ساختمان‌ها، آن‌ها را پرورش دهیم؟
آیا پهپادهای تحویل کالا می‌توانند به‌جای ملخ، بال داشته باشند؟
آیا خودروهای مخصوص مسیرهای ناهموار می‌توانند به‌جای چرخ، پا داشته باشند؟

حتی ممکن است فضای DNA بسیار گسترده‌تر از آن چیزی باشد که در نگاه نخست به نظر می‌رسد. سلول‌های مصنوعی طراحی‌شده با هوش مصنوعی می‌توانند با بازنویسی خود کد ژنتیکی، به گسترش زیست‌شیمی و در نتیجه زیست‌شناسی مصنوعی کمک کنند. پروتئین‌های طبیعی تنها از ۲۰ نوع اسیدآمینه استفاده می‌کنند، اما اگر بتوان سازوکار سنتز پروتئین را به‌گونه‌ای بازطراحی کرد که موارد تکراری حذف شوند، DNA از نظر نظری قادر خواهد بود تعداد انواع اسیدهای آمینه قابل کدگذاری را به سه برابر این مقدار برساند. چنین تغییری می‌تواند امکان انجام طیف گسترده‌ای از واکنش‌های شیمیایی سودمند را فراهم کند که در حال حاضر در طبیعت مشاهده نمی‌شوند.

بااین‌حال، این فناوری می‌تواند هیولاهایی ناخواسته نیز به وجود آورد. هی و همکارانش، بخشی از دلایل انتخاب باکتریوفاژها برای پژوهش درباره ویروس‌های مصنوعی را این می‌دانستند که این ویروس‌ها هیچ تهدید قابل‌تصوری از نظر تبدیل‌شدن به عوامل بیماری‌زا ایجاد نمی‌کنند. سازندگان Evo 2 نیز هنگام آموزش مدل اطمینان حاصل کردند که هیچ‌یک از ویروس‌های موجود در پایگاه‌های داده مورداستفاده بیماری‌زا نباشند؛ تا مبادا مدل به طور تصادفی یاد بگیرد چگونه کاری خطرناک انجام دهد. اما به هر جال، با گسترش این فناوری خطرات سوءاستفاده از آن نیز افزایش خواهند یافت.

بنابراین، نوعی از زیست‌شناسی که هوش مصنوعی امکان توسعه آن را فراهم می‌کند، درست مانند خود هوش مصنوعی، جهان‌هایی بالقوه را پیش روی ما می‌گذارد که هم شگفت‌انگیزند و هم هراس‌آور. دفعه بعد که در یکی از شماره‌های اکونومیست مطلبی درباره کارخانه‌ای برای ساخت اژدها خواندید، چندان مطمئن نباشید که با یک شوخی روبه‌رو هستید.

گزارش حاضر در نسخه October 17th 2026 نشریه The Economist منتشر شده است.