ژنوم هایی که با استفاده از هوش مصنوعی ساخته شده اند

این روزها دیگر تشخیص چهره انسان معمولی از چهره‌ای که توسط هوش مصنوعی تولید شده، دشوار است. برخی علائم از جمله حالت چشمان زیر عینک، لکه‌های روی پوست و حالت موها می‌تواند کمک کند تا در این تشخیص موفق‌تر عمل کنیم. اما اگر تفاوت‌ها دیگر منحصر به پوست نباشند چه ؟ اگر هوش مصنوعی موفق به ساخت ژنوم شده باشد چه؟ اگر انسان‌هایی که توسط رایانه خلق شده‌اند در سطح ژنتیکی توصیف شوند، چه می‌شود؟

بر اساس مقاله‌ای که در مجله PLOS Genetics منتشر شده تیمی از متخصصان ژنتیک و دانشمندان کامپیوتر از شبکه های عصبی برای ساختن بخش‌های جدیدی از ژنوم‌های انسانی استفاده کرده‌اند. این پژوهش می‌تواند به رعایت حریم خصوصی انسان‌ها کمک کند، زیرا به طور طبیعی حساسیت زیادی در مورد کار با DNA واقعی انسانی وجود دارد.

بوراک یلمن، متخصص ژنتیک در دانشگاه تارتو در استونی و نویسنده اصلی مقاله می‌گوید بسیاری از بانک‌های زیستی، از جمله بانک زیستی استونی، برای دسترسی پژوهشگران به DNA‌های موجود در این بانک از آن‌ها درخواست مجوزهای اخلاقی و گذراندن فرایند آن می‌کنند. این مراحل بسیار حیاتی هستند، زیرا داده‌های مربوط به ژنوم داده‌های حساسی هستند و حفظ حریم خصوصی اهدا کنندگان بسیار مهم است. از طرف دیگر، این موضوع همچون مانعی بر سر راه تحقیقات علمی عمل می‌کند.

وی در ادامه می‌گوید ژنوم مصنوعی ممکن است در آینده نقش مهمی ایفا کنند. این ژنوم‌ها می‌توانند جایگزینی با کیفیت در پایگاه‌های اطلاعاتی ژنوم واقعی شوند، در نتیجه این باعث می‌شود محققان در سراسر جهان به راحتی به این ژنوم مصنوعی دسترسی داشته باشند زیرا نگرانی‌ای در مورد حفظ حریم خصوصی وجود نخواهد داشت.

به دلیل محدودیت‌های محاسباتی و الگوریتمی این تیم نمی‌توانست کل ژنوم‌های مصنوعی را تولید کند اما آن‌ها پیشنهاد کردند که چندین بخش از ژنوم‌های مختلف را به متصل کنند تا ایده ژنومیک کامل را برای یک فرد مصنوعی بدست آورند.

گلوگاه این روش، آموزش مدل است. یلمن می‌گوید اگر موفق شویم مدل را آموزش دهیم، می‌توانیم در چندین ثانیه هر مقدار که بخواهیم ژنوم مصنوعی تولید کنیم. آموزش یک قطعه ژنوم که از ۱۰ هزار موقعیت تشکیل شده است بسته به عوامل مختلف می‌تواند به طور چشمگیری متفاوت باشد. موقعیت اشاره به جایگاه یک جفت‌باز دارد که در کد ژنتیکی رخ می‌دهد.

در مدل های یادگیری عمیقی که در این تحقیق درگیر بودند، از دو رویکرد متفاوت استفاده کرده‌‎اند. رویکرد اول شامل شبکه‌های مولد تخاصمی است که از دو شبکه عصبی در روند کار خود استفاده می‌کنند.

شبکه اول یا همان ژنراتور نمونه‌های ممکن یا مجموعه‌ای از داده‌ها را ایجاد می‌کند که مدل می‌تواند از آن یاد بگیرد. در این حالت، مجموعه داده‌ها به طور تصادفی از خطوط کد ژنتیکی تولید شده‌اند. شبکه دیگر تفکیک‌کننده نام داشت که وظیفه آن ارزیابی اعتبار شبکه اول بود. این شبکه، خروجی دریافتی از شبکه اول را تجزیه و تحلیل می‌کند. اگر تفکیک کننده تشخیص دهد که خروجی از ژنراتور است آن را باز پس می‌فرستد. سپس الگوریتم اول با به کارگیری آموزش‌هایی که دیده است تلاش می‌کند تا خروجی قانع کننده‌تری ایجاد کند. با گذشت زمان، شبکه اول در ایجاد خروجی‌های جعلی تبحر زیادی پیدا می‌کند به طوری که شبکه دوم دیگر نمی‌تواند آن‌ها را از داده‌های آموزشی تفکیک کند.

رویکرد دوم یک ماشین محدود Boltzmann بود که یک شبکه عصبی دو لایه است و با گذشت زمان ساختارها را یاد می‌گیرد تا در آینده به نتایج بهتری برسد. در بیشتر موارد، شبکه‌های مولد تخاصمی ترجیح داده می‌شوند.

یلمن می‌گوید دو روز طول کشید تا شبکه های مولد تخاصمی با استفاده از GPU آموزش ببیند. GPU پردازنده‌های سنگینی هستند که برای کارهای مختلفی از خروجی‌های دقیق ۳D گرفته تا یادگیری عمیق استفاده می‌شوند.

لوکا پاگانی از نویسندگان این مقاله و محقق ژنتیک در دانشگاه تارتو می‌گوید :«ژنوم مصنوعی ما از ژنوم موجود در بانک زیستی که ما برای آموزش الگوریتم خود استفاده کردیم قابل تشخیص نیست، به جز در یک مورد؛ این ژنوم به هیچ اهداکننده ژنی تعلق ندارد.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید