هوش مصنوعی در زیست شناسی و نگاهی به کارکردهای این حوزه

در حال حاضر استفاده گسترده از برنامه‌های کاربردی فناوری هوش مصنوعی، پیشرفت‌ها در این زمینه و تأثیرات بنیادین آن بر روی ابزارهای مبتنی بر فناوری از جمله دستگاه‌های یادگیری ماشین، روباتیک و غیره مورد توجه قرار گرفته است. هوش مصنوعی یکی از شناخته‌شده‌ترین فناوری‌های پیشرفته در دنیا است که به دلیل اهمیت آن در نشان دادن نوع رفتار هوش انسانی، مورد استقبال زیادی واقع شده است. بر این اساس تقریبا همه زمینه‌ها برای پیاده‌سازی و استفاده از سیستم‌های مبتنی بر هوش مصنوعی آماده و مهیا شده‌اند. این فناوری باعث می‌شود که هر دستگاه عملیاتی به اندازه کافی مجهز باشد تا رفتار انسان را با توانایی و درک خود در تصمیم‌گیری نشان دهد و بر این اساس مسائل را در مقابل ما قرار دهد. به دنبال تطبیق‌پذیری گسترده این فناوری پیشرفته بخش‌های مبتنی بر مراقبت‌های بهداشتی مرتبط با رشته‌های پزشکی و زیست‌شناسی نیز سعی در پیاده‌سازی و استفاده از هوش مصنوعی در توسعه فرآیندهای حوزه خود داشته‌اند. زیست‌شناسی موضوع گسترده‌ای است و بنابراین امکانات بی‌شماری برای کاربرد هوش مصنوعی دارد. در ادامه، ما مفصل‌تر هوش مصنوعی در زیست‌شناسی را مورد مطالعه قرار می‌دهیم.

نحوه کار هوش مصنوعی در زیست‌شناسی و تحقیقات بیولوژیکی

یکی از دستاوردهای مهم هوش مصنوعی در زیست‌شناسی، به‌کارگیری آن در زمینه پزشکی دقیق (Precision Medicine) و ژنومیک بالینی است. باتوجه‌به پیچیدگی و حجم بالای داده‌های ژنتیکی، تحلیل دقیق و همزمان از این اطلاعات بدون کمک ابزارهای محاسباتی پیشرفته امکان‌پذیر نیست.

در حال حاضر، مدل‌های هوش مصنوعی می‌توانند واریانت‌های ژنتیکی نادر و پنهان را شناسایی و تاثیر آن‌ها را بر سلامت افراد ارزیابی کنند. این الگوریتم‌ها از داده‌های ژنومی، سوابق بالینی و ویژگی‌های فردی استفاده می‌کنند تا درمان‌های شخصی‌سازی‌شده را طراحی و تشخیص بیماری را در مراحل اولیه ممکن سازند.

در همین راستا، ابزارهای مبتنی بر یادگیری عمیق برای ارتقا تکنیک‌های ویرایش ژن مانند CRISPR نیز توسعه یافته‌اند. این ابزارها در انتخاب اهداف ژنی دقت بالایی دارند و اثربخشی و ایمنی فرایند ویرایش را بهبود می‌بخشند. همچنین شبکه‌های عصبی کانولوشنی (CNN) برای تحلیل داده‌های اُمیکس پیچیده به کار گرفته می‌شوند و می‌توانند روابط پنهان میان ژن‌ها، پروتئین‌ها و مسیرهای زیستی را شناسایی کنند. این تحول به پژوهشگران اجازه می‌دهد مکانیزم‌های بیماری‌ها را با وضوح بیشتری درک کنند و راهکارهایی نوین برای درمان آن‌ها ارائه دهند.

پیش‌بینی ساختار پروتئین‌ با به‌کارگیری هوش‌ مصنوعی در زیست‌شناسی

از کاربردهای هوش مصنوعی در زیست‌شناسی برای پیش بینی ساختار بیش از 20000 پروتئین انسانی و تقریبا تمام پروتئین‌های شناخته شده و تولید شده توسط 20 مدل استفاده شده است. موجوداتی مانند اشریشیا کلی، مگس میوه و مخمر، و همچنین دانه سویا و برنج آسیایی. این مجموعه حدود 365000 پیش‌بینی را شامل می‌شود.
محققان DeepMind، یک شرکت هوش مصنوعی مستقر در لندن، ابزار یادگیری ماشینی به نام AlphaFold را توسعه داده‌ است. محققان این برنامه را بر روی توالی‌های  DNA، از جمله تاریخچه تکاملی آن‌ها، و شکل‌های شناخته‌شده ده‌ها هزار پروتئین موجود در پایگاه داده‌هایی با دسترسی باز که توسط محققان EBI EMBL تغذیه شده بود، آموزش دادند. تیم DeepMind این شرکت همچنین کد منبع AlphaFold را منتشر کرده و نحوه ساخت آن را شرح داده است.

زیست شناسان ساختاری و سایر محققان در حال حاضر شروع به استفاده از AlphaFold برای به دست آوردن مدل‌های دقیق تر برای پروتئین هایی کرده‌اند که شناسایی آنها با روش‌های تجربی فعلی دشوار یا غیرممکن است. یکی از مهم‌ترین کاربرد‌های هوش مصنوعی در زیست‌شناسی افزایش سرعت پیش بینی ساختار پروتئین‌  است.
از زمان کشف ساختار DNA  در سال 1953، پیش‌بینی شکل سه بعدی که پروتئین‌ها به آن تبدیل می‌شوند، یکی از چالش‌های بزرگ زیست‌شناسی بوده است. پیش از ورود هوش مصنوعی در زیست‌شناسی، پیش‌بینی ساختار از روی توالی، فرآیندی بسیار زمان‌بر بود که ضمانتی هم برای گرفتن نتیجه دقیق نداشت. داده‌های جدید همچنان نیاز به تأیید تجربی داشتند. اما ابزارهای هوش مصنوعی مثل یادگیری ماشینی می‌توانند ساختار پروتئین را طی چند دقیقه تا چند ساعت به دقت پیش‌بینی کنند (در مقایسه با ماه‌ها یا سال‌ها که برای تعیین ساختار فقط یک یا دو پروتئین طول می‌کشید) و این مسئله می‌تواند راه را برای کاربردهای مختلف باز کند. به عنوان مثال در مهندسی آنزیم‌ها برای تجزیه آلاینده‌های محیطی مانند میکروپلاستیک‌ها.

پیشرفت‌های هوش مصنوعی در حوزه بیوانفورماتیک

هوش مصنوعی در زیست‌شناسی کاربرد‌های دیگری هم دارد و در حوزه‌ بیوانفورماتیک برای پیش بینی توالی DNA  و RNA با استفاده از فرآیندهای بیولوژیکی مانند رشد Generiam و داده ها Machine Learning  استفاده می‌شود. اما می‌توان گفت که آخرین پیشرفت‌ها در هوش مصنوعی تا حد زیادی با حوزه بیوانفورماتیک مرتبط بوده‌ است.

در دو دهه گذشته مجموعه‌ای از داده‌های توالی‌یابی عظیم دیده شده است. داده‌های توالی‌یابی ژنوم و داده‌های توالی پروتئین به دقت توسط گروه‌های تحقیقاتی مختلف جمع‌آوری و حاشیه‌نویسی می‌شوند. این داده‌ها در پیوند با مدل‌های هوش مصنوعی برای اهداف مختلف تحلیلی و پیش‌بینی استفاده می‌شوند. به عنوان مثال، پیش‌بینی ایمنی زایی یک آنتی ژن خاص بر اساس توالی ارائه شده است.

تصویربرداری و تشخیص به کمک هوش مصنوعی

بهداشت و درمان نمونه‌ای از بخش مراقبت‌های بهداشتی است که از هوش مصنوعی در زیست شناسی به طور قابل‌ توجهی استفاده می‌کند.
یکی از موارد استفاده عمده از هوش مصنوعی در زیست شناسی را می‌توان در مراقبت‌های بهداشتی مشاهده کرد. تشخیص‌های چندگانه به تکنیک‌های تصویربرداری مختلف مانند ام‌آر‌آی، سی‌تی‌اسکن، اسکن PET، اشعه ایکس و غیره متکی هستند. اکنون با استفاده از هوش مصنوعی، مدل‌ها با تعداد زیادی داده مشروح آموزش داده می‌شوند (جایی که بیماری مربوطه قبلا شناخته شده است). پس از آموزش مناسب با تنوع کافی از داده‌ها، این مدل می‌تواند بیماری یا مشکل را در حد یک متخصص انسانی (یا حتی بهتر) پیش بینی کند. یکی از نمونه‌های رایج، تشخیص ذات‌الریه از اسکن ریه‌ها با اشعه ایکس یا تصاویر سی تی اسکن ریه است. این نوع اتوماسیون به ویژه در گسترش مزایای سلامتی در کشورهای در حال توسعه که نسبت پزشک به بیمار به طور قابل توجهی کمتر است مفید بوده است. براساس در دسترس بودن داده‌ها، طبقه‌بندی می‌تواند دودویی ساده (مانند سؤال بله/خیر یا وجود/ عدم وجود تومورها) یا طبقه‌بندی چند پله‌ای بسیار پیچیده (تشخیص و فهرست‌نویسی مورفولوژی‌های سلولی مختلف از یک تصویر میکروسکوپی، که معمولا به یک ناظر انسانی نیاز دارد) باشد.
به غیر از تشخیص و اسکن و تصویربرداری مرتبط با سلامت، هوش مصنوعی به طور فزاینده‌ای در سایر مطالعات تحقیقاتی مبتنی بر تصویربرداری استفاده می‌شود. کامپیوترها قادر به جذب و پردازش حجم زیادی از داده‌ها هستند و اکنون با استفاده از هوش مصنوعی می‌توان از آن‌ها برای جستجوی الگوهای پیچیده استفاده کرد. برای مثال، تعداد کمی از آزمایشگاه‌های تحقیقاتی در تلاش هستند تا به دنبال ارتباط بین پیشرفت بیماری آلزایمر و داده‌های MRIو  fMRI( عملکردی) برای برخی اعمال رفتاری در مقایسه با حالت استراحت باشند.

هوش مصنوعی در کشف و توسعه دارو

روند سنتی کشف دارو، یک فرآیند پرهزینه، زمان‌بر و با نرخ موفقیت پایین است که احتمالا بیش از یک دهه به طول می‌انجامد. یکی دیگر از دستاوردهای بسیار عالی هوش مصنوعی در زمینه زیست شناسی این است که توانسته روند کشف دارو را متحول کند.

در واقع مدل‌های یادگیری ماشین و یادگیری عمیق، با غربالگری سریع هزاران ترکیب شیمیایی، پیش‌بینی اثربخشی داروها و شبیه‌سازی اتصال مولکولی، به شناسایی ترکیبات دارویی مؤثر سرعت می‌بخشند. به‌عنوان‌مثال، مدل AtomNet برای پیش‌بینی تعامل داروها با اهداف زیستی توسعه یافته و در بیماری‌هایی مانند ابولا و کووید-۱۹ نتایج قابل توجهی ارائه کرده است. همچنین الگوریتم‌های هوشمند در طراحی de novo مولکول‌های دارویی نقش دارند. در واقع این الگوریتم‌ها بدون وابستگی به ساختارهای موجود، می‌توانند ترکیبات کاملاً جدید و بالقوه درمانی تولید کنند.

از سوی دیگر، با استفاده از هوش مصنوعی، پیش‌بینی سمیت و عوارض جانبی داروها پیش از ورود به مراحل بالینی امکان‌پذیر شده است. این قابلیت موجب کاهش هزینه‌ها، حذف مراحل غیرضروری و کاهش شکست‌های پرهزینه در آزمایش‌های انسانی می‌شود. کاربرد هوش مصنوعی در بازطراحی داروهای موجود برای درمان بیماری‌های نوظهور، نیز از دیگر مزایای آن است.

هوش مصنوعی در تحقیقات و درمان سرطان

سرطان از آن دسته بیماری‌های پیچیده به‌حساب می‌آید که به دلیل تنوع مولکولی و تعاملات چندلایه سلولی، نیازمند روش‌های تحلیلی پیشرفته برای درک دقیق آن است. هوش مصنوعی با تحلیل داده‌های اُمیکس شامل ژنوم، پروتئوم و متابولوم، بستری را فراهم می‌کند تا تصویر جامع‌تری از زیست‌شناسی سرطان به دست بیاید.

این داده‌ها که از لحاظ حجم و تنوع برای روش‌های سنتی غیرقابل پردازش هستند، توسط الگوریتم‌های یادگیری ماشین دسته‌بندی و الگوهای پنهان در تومورها کشف می‌شوند. این امر منجر به شناسایی زیرگونه‌های مولکولی سرطان و طراحی درمان‌های هدفمند متناسب با مشخصات بیمار شده است.

از طرفی دیگر، مدل‌های یادگیری عمیق در حوزه تصویربرداری پزشکی مانند اسکن‌های رادیولوژی و لام‌های پاتولوژی به تشخیص دقیق و زودهنگام انواع سرطان‌ها کمک می‌کنند. این مدل‌ها در بسیاری از موارد، عملکردی در سطح متخصصان انسانی یا حتی بالاتر از آن از خود نشان داده‌اند.

هوش مصنوعی در پیش‌بینی واکنش بیماران به درمان‌هایی نظیر شیمی‌درمانی و ایمونوتراپی نیز کاربرد دارد و به پزشکان این امکان را می‌دهد که پروتکل‌های درمانی را به‌صورت پویا و شخصی‌سازی‌شده تنظیم کنند. پیش‌بینی مقاومت دارویی هم به‌عنوان یکی از دستاوردهای مهم در افزایش اثربخشی درمان‌های سرطانی محسوب می‌شود.

هوش مصنوعی در پیش‌بینی و پیشگیری از بیماری‌ها

کاربرد هوش مصنوعی در پیش‌بینی بیماری‌ها و طراحی برنامه‌های مراقبتی پیشگیرانه، توانسته دستاوردهای مهمی را به حوزه زیست‌شناسی سلامت‌محور اضافه کند. این فناوری می‌تواند با تحلیل داده‌های ژنتیکی، سبک زندگی، سوابق بالینی و عوامل محیطی، افرادی که در معرض خطر ابتلا به بیماری‌هایی مانند دیابت، بیماری‌های قلبی و اختلالات عصبی هستند را شناسایی کند.

در واقع الگوریتم‌های پیش‌بینی‌کننده با بهره‌گیری از داده‌های پرونده الکترونیک سلامت (EHRs) و اطلاعات چندمنبعی، امکان مداخله زودهنگام و تصمیم‌گیری دقیق‌تر در خصوص مسیر درمان را فراهم می‌کنند.

از جمله نوآوری‌های مهم در این حوزه، می‌توان به استفاده از گراف‌های دانشی (Knowledge Graphs) برای مدل‌سازی روابط پیچیده بین ژن‌ها، بیماری‌ها و داروها اشاره کرد. این گراف‌ها ساختاری منسجم و قابل تحلیل به داده‌های پراکنده زیستی می‌دهند و موجب شناسایی الگوهای جدید در روند بیماری می‌شوند.

به‌عنوان مثال، در سرطان ریه غیرسلولی، این ابزارها به پزشکان کمک می‌کنند تا با پیش‌بینی احتمال بقای بیماران، استراتژی‌های درمانی متناسب‌تری اتخاذ کنند. همچنین در اپیدمی‌هایی مانند کووید-۱۹، مدل‌های پیش‌بینی مبتنی بر AI نقش موثری در تخصیص منابع، پایش گسترش بیماری و سیاست‌گذاری سلامت عمومی ایفا کرده‌اند.

هوش مصنوعی در پزشکی شخصی‌سازی‌شده

یکی دیگر از پیشرفت‌های قابل توجه هوش مصنوعی در زیست‌شناسی، امکان ارائه درمان‌های شخصی‌سازی‌شده بر اساس تحلیل داده‌های فردی بیماران است. سیستم‌های هوشمند با بررسی ترکیبی از اطلاعات ژنتیکی، سوابق پزشکی، داده‌های فیزیولوژیکی و عوامل محیطی، می‌توانند الگوهای پیچیده را شناسایی کنند و تشخیص دهند که کدام روش درمانی برای هر فرد موثرتر است.

به‌عنوان‌مثال، درحال‌حاضر از الگوریتم‌های یادگیری ماشینی برای تعیین دوز دقیق داروهای خاص مانند وارفارین بر اساس تغییرات ژنتیکی هر بیمار استفاده می‌شود. در حوزه سرطان نیز، ابزارهایی مانند Oncotype DX با تحلیل بیان ژن‌های تومور (Gene Expression Analysis)، به پزشکان کمک می‌کنند تا موثرترین روش درمانی را انتخاب کنند.

شرکت‌های فناوری سلامت مانند Tempus، در حال توسعه سیستم‌هایی هستند که با ادغام داده‌های ژنومیک، تصویربرداری و سوابق بالینی، راهکارهای درمانی سفارشی‌سازی شده ارائه دهند. همچنین اخیرا سازمان‌های نظارتی مانند FDA، چند ابزار تشخیصی و پیش‌بینی مبتنی بر هوش مصنوعی را برای بیماری‌هایی مانند بیماری قلبی و اختلالات عصبی تایید کرده‌اند.

هوش‌ مصنوعی در پیش‌بینی و طراحی واکسن‌ها

پیشرفت‌های چشمگیر هوش مصنوعی در زیست‌شناسی، باعث تسریع فرآیند طراحی واکسن‌ها هم شده است. در واقع سیستم‌های مبتنی بر یادگیری عمیق مانند AlphaFold و RoseTTAFold، توانسته‌اند ساختار پروتئین‌های ویروسی را با دقت بالا پیش‌بینی کنند. این فناوری در طول همه‌گیری کووید-۱۹ نقش حیاتی ایفا کرد و محققان توانستند با استفاده از آن، در عرض چند روز ساختار پروتئین اسپایک ویروس کرونا را تحلیل کنند.

شرکت‌هایی مانند Moderna و BioNTech از الگوریتم‌های هوش مصنوعی برای طراحی واکسن‌های mRNA استفاده کرده‌اند. این سیستم‌ها می‌توانند توالی‌های بهینه برای تحریک سیستم ایمنی را شناسایی و حتی واریانت‌های جدید ویروس‌ها را پیش‌بینی کنند.

در سال ۲۰۲۳، پژوهشگران دانشگاه MIT از یک مدل هوش مصنوعی به نام EVEscape رونمایی کردند. این مدل می‌تواند جهش‌های احتمالی ویروس‌ها (اینکه کدام جهش‌های ویروسی ممکن است در آینده ظاهر شوند) را پیش‌بینی کند و زمان طراحی واکسن را از سال‌ها به چند ماه کاهش دهد

نتیجه‌گیری

هوش مصنوعی در زیست‌شناسی کاربرد‌های مختلفی دارد که از اکولوژی گرفته تا اپیدمیولوژی، زیست شناسی مولکولی تا زیست شناسی سیستم و بسیاری موارد دیگر را شامل می‌شود. هر روز هوش مصنوعی بیشتر از قبل مورد استقبال واقع می‌شود و گروه‌های تحقیقاتی بیشتری مدل‌های هوش مصنوعی را برای اهداف مختلف تطبیق می‌دهند. امیدواریم این مقاله نگاهی اجمالی به مجموعه متنوعی از برنامه‌هایی که هوش مصنوعی می‌تواند برای آنها استفاده شود، ارائه کرده باشد.

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید