هوش مصنوعی اولین ویروس‌های فعال را تولید کرد؛ فشارها برای ایجاد تدابیر امنیتی زیستی جدید افزایش یافت

هوش مصنوعی در زیست‌شناسی مصنوعی از یک آستانه عمیق عبور کرده است و از تحلیل کدهای ژنتیکی موجود به سمت نوشتن موجودات زنده کاملاً جدید و فعال از پایه حرکت کرده است. محققان دانشگاه استنفورد و مؤسسه آرک (Arc Institute) با موفقیت از هوش مصنوعی مولد برای طراحی ژنوم‌های کامل ویروسی استفاده کردند که متعاقباً سنتز شده و در آزمایشگاه به حیات درآمدند. این دستاورد که در نشریه Science منتشر شده است، اولین باری است که مدل‌های یادگیری ماشینی موجودات بیولوژیکی قابل دوام را به صورت سرتاسری تولید کرده‌اند.[1][2]

موجودات خلق شده باکتریوفاژ هستند؛ ویروس‌هایی که منحصراً باکتری‌ها را آلوده کرده و از بین می‌برند و هیچ تهدیدی برای انسان، حیوانات یا گیاهان ندارند. تیم تحقیقاتی عمداً مدل‌های خود را محدود کردند تا پاتوژن‌های انسانی را شامل نشوند و در عوض بر مبارزه با بحران فزاینده جهانی عفونت‌های باکتریایی مقاوم به آنتی‌بیوتیک تمرکز کردند. در آزمایش‌های آزمایشگاهی، ویروس‌های طراحی شده توسط هوش مصنوعی با موفقیت سویه‌های اِشریشیا کُلی (E. coli) را آلوده و متلاشی کردند و ثابت کردند که طرح‌های دیجیتال می‌توانند به ماشین‌های بیولوژیکی فعال و تکثیرشونده تبدیل شوند.[2][4]

برای دستیابی به این هدف، دانشمندان از «مدل‌های زبان ژنوم» تخصصی موسوم به Evo 1 و Evo 2 استفاده کردند. این سیستم‌ها بر اساس همان معماری بنیادی مدل‌های زبان بزرگ (LLM) کار می‌کنند که چت‌بات‌های متنی محبوب را قدرت می‌بخشند، اما به جای پیش‌بینی کلمه بعدی در یک جمله، جفت باز بعدی را در یک توالی DNA پیش‌بینی می‌کنند. این مدل‌ها با یادگیری «دستور زبان» زیربنایی کد ژنتیکی، می‌توانند توالی‌های جدیدی تولید کنند که از قوانین پیچیده زیست‌پذیری پیروی می‌کنند.[1][3]

این مدل‌ها بر روی یک مجموعه داده عظیم شامل تقریباً ۲.۷ میلیون ژنوم پروکاریوتی و فاژ آموزش داده شدند. سپس محققان هوش مصنوعی را بر روی حدود ۱۵,۰۰۰ ژنوم از خانواده Microviridae (میکروویریده) – دسته‌ای خاص از ویروس‌های کوچک – تنظیم دقیق کردند. بر اساس این پایه، هوش مصنوعی صدها هزار طرح اولیه ویروسی جدید و بالقوه تولید کرد و ترکیب‌های ژنتیکی را که در طبیعت وجود ندارند، مورد کاوش قرار داد.[3]

از خروجی گسترده هوش مصنوعی، تیم حدود ۳۰۰ کاندیدای امیدوارکننده را برای سنتز فیزیکی انتخاب کرد. در نهایت، ۱۶ مورد از این طرح‌های تولید شده توسط هوش مصنوعی، هنگام معرفی به سلول‌های میزبان، قابلیت زیست‌پذیری خود را ثابت کردند. آنها نه تنها عملکرد داشتند، بلکه چندین فاژ مهندسی شده به طور قابل توجهی بهتر از نمونه‌های طبیعی خود عمل کردند. یک گونه خاص، هنگام رقابت برای میزبان‌های باکتریایی یکسان، مزیت تکثیر ۶۵ برابر بیشتری نسبت به الگوی طبیعی که بر اساس آن مدل‌سازی شده بود، نشان داد.[1][3]

پیامدهای پزشکی این قابلیت بسیار گسترده است. در حالی که آنتی‌بیوتیک‌های سنتی به طور فزاینده‌ای در برابر «ابرباکتری‌های» جهش‌یافته شکست می‌خورند، فاژدرمانی (استفاده از ویروس‌ها برای شکار باکتری‌های خاص) مورد توجه قرار گرفته است. با این حال، کشف و جداسازی فاژهای طبیعی مؤثر یک فرآیند کند و کار فشرده است. تحقیقات استنفورد و مؤسسه آرک آینده‌ای نزدیک را نشان می‌دهد که در آن پزشکان می‌توانند عفونت مقاوم به داروی بیمار را توالی‌یابی کرده و از هوش مصنوعی برای طراحی یک درمان ویروسی سفارشی و بسیار مؤثر در عرض چند ساعت استفاده کنند.[1][2]

با این حال، همین فناوری که نوید درمان‌های سفارشی را می‌دهد، به طور همزمان هشدارهای فوری را در جامعه امنیت زیستی جهانی برانگیخته است. گذار از ویرایش DNA موجود (با استفاده از ابزارهایی مانند CRISPR) به تولید ژنوم‌های کاملاً جدید از دستورات دیجیتال، نشان‌دهنده یک تغییر پارادایم در ریسک بیولوژیکی است. کارشناسان هشدار می‌دهند اگر بتوان به یک هوش مصنوعی دستور داد تا ویروسی بسیار کارآمد برای کشتن باکتری‌ها طراحی کند، مدل‌های مشابه می‌توانند از لحاظ نظری برای طراحی پاتوژن‌هایی که زیست‌شناسی انسان را هدف قرار می‌دهند، هدایت شوند.[2][6]

این معضل استفاده دوگانه با مانع «دیجیتال به فیزیکی» تشدید می‌شود. در حال حاضر، محققان نمی‌توانند به سادگی DNA را در دفاتر خود چاپ کنند؛ آنها باید توالی‌های دیجیتال را به شرکت‌های تجاری سنتز DNA ارسال کنند، که مواد ژنتیکی فیزیکی را تولید می‌کنند. این شرکت‌ها به عنوان گلوگاه اصلی امنیت زیستی عمل می‌کنند و از نرم‌افزارهای غربالگری برای بررسی سفارشات ورودی در برابر پایگاه‌های داده سموم و پاتوژن‌های شناخته شده استفاده می‌کنند تا از ساخت سلاح‌های بیولوژیکی جلوگیری شود.[2][5]

با این حال، یافته‌های اخیر مایکروسافت ریسرچ (Microsoft Research) یک آسیب‌پذیری حیاتی را در این حصار دفاعی آشکار کرده است. در یک تمرین جامع «تیم قرمز» (red-teaming)، دانشمندان مایکروسافت نشان دادند که هوش مصنوعی مولد می‌تواند با موفقیت سموم شناخته شده – مانند ریسین (ricin) – را بازطراحی کند تا بررسی‌های ایمنی استاندارد سنتز DNA را دور بزند. هوش مصنوعی به طور مؤثری کد ژنتیکی را «بازنویسی» می‌کند و توالی را به اندازه‌ای تغییر می‌دهد که از تشخیص توسط نرم‌افزارهای فعلی فرار کند، در حالی که ساختار سه‌بعدی و عملکرد کشنده پروتئین حفظ می‌شود.[5]

تحقیقات مایکروسافت نشان داد که تا ۱۰۰ درصد از پروتئین‌های خاص شبیه ریسین که توسط هوش مصنوعی تولید شده بودند، بدون شناسایی از تکنیک‌های غربالگری تجاری عبور کردند. از آنجایی که نرم‌افزار امنیت زیستی سنتی بر تطبیق سفارشات ورودی با یک کتابخانه ثابت از توالی‌های خطرناک شناخته شده متکی است، اساساً برای شناسایی تهدیدات جدید تولید شده توسط هوش مصنوعی که روی کاغذ متفاوت به نظر می‌رسند اما در یک سیستم بیولوژیکی عملکرد یکسانی دارند، مجهز نیست.[5]

در پاسخ به این آسیب‌پذیری «روز صفر» (zero-day) در امنیت زیستی جهانی، ائتلافی از دانشمندان، شرکت‌های سنتز و سیاست‌گذاران در حال رقابت برای استقرار روش‌های غربالگری پیشرفته هستند. راه‌حل پیشنهادی شامل تغییر از تطبیق ساده توالی به پیش‌بینی ساختاری و عملکردی است. با استفاده دفاعی از هوش مصنوعی، ابزارهای غربالگری جدید می‌توانند یک توالی DNA ناشناخته را تحلیل کنند، پیش‌بینی کنند که چگونه به یک پروتئین تا خواهد شد، و ارزیابی کنند که آیا آن شکل با مکانیسم یک سم شناخته شده مطابقت دارد یا خیر.[5]

این چرخش دفاعی توسط رهبران صنعت به عنوان یک «به‌روزرسانی ویندوز ضروری برای سیاره» توصیف می‌شود. آژانس‌های تأمین مالی فدرال و سازمان‌های بهداشت بین‌المللی به طور فزاینده‌ای فشار می‌آورند تا این پروتکل‌های غربالگری پیشرفته و پیش‌بینی‌کننده برای همه ارائه‌دهندگان تجاری سنتز DNA اجباری شود، با هدف بستن این شکاف قبل از اینکه ابزارهای زیست‌شناسی مولد به طور گسترده‌تری در دسترس قرار گیرند.[2][5]

چالش حاکمیتی اکنون بر نحوه تنظیم خود مدل‌های هوش مصنوعی متمرکز است. در حالی که تیم استنفورد عمداً پاتوژن‌های انسانی را از داده‌های آموزشی خود حذف کرد، ماهیت متن‌باز (open-source) بسیاری از پیشرفت‌های هوش مصنوعی به این معنی است که مدل‌های آینده با محدودیت‌های کمتر ممکن است ظهور کنند. سیاست‌گذاران در حال بحث هستند که آیا مدل‌های پیشرفته هوش مصنوعی بیولوژیکی باید مشمول ارزیابی‌های ایمنی اجباری و دسترسی محدود باشند یا خیر، و این امر را با نیاز به نوآوری سریع پزشکی در برابر خطر سوءاستفاده فاجعه‌بار موازنه می‌کنند.[1][2]

در نهایت، ساخت اولین ویروس‌های طراحی شده توسط هوش مصنوعی تأیید می‌کند که زیست‌شناسی مولد دیگر یک مفهوم نظری نیست – بلکه یک رشته مهندسی فعال و کاربردی است. با گسترش این فناوری، تمرکز جامعه علمی به سرعت از اثبات توانایی هوش مصنوعی در طراحی حیات، به سمت اطمینان از اینکه تدابیر امنیتی حاکم بر خلق فیزیکی آن به اندازه کافی قوی هستند تا بتوانند عصر زیست‌شناسی سفارشی‌نویسی شده را مدیریت کنند، در حال تغییر است.[2][4]