مدل‌های هوش مصنوعی مولد، ویروس‌های کارآمدی برای مبارزه با مقاومت آنتی‌بیوتیکی طراحی می‌کنند

دهه‌هاست که مقامات بهداشت عمومی در مورد نزدیک شدن به «عصر پس از آنتی‌بیوتیک» هشدار می‌دهند، دورانی که در آن عفونت‌های باکتریایی رایج دوباره کشنده خواهند شد. سازمان جهانی بهداشت پیش‌بینی می‌کند که مقاومت ضدمیکروبی (AMR) می‌تواند تا سال ۲۰۵۰ سالانه باعث مرگ ۱۰ میلیون نفر شود و اساس پزشکی مدرن را به خطر اندازد. اکنون، محققان دانشگاه استنفورد و مؤسسه آرک، یک پادزهر کاملاً جدید را به نمایش گذاشته‌اند: استفاده از هوش مصنوعی مولد برای طراحی ویروس‌های کاملاً کارآمد از پایه. این مطالعه مهم که در مجله «ساینس» منتشر شده است، جزئیات چگونگی تولید نقشه‌های ژنتیکی کامل باکتریوفاژها – ویروس‌های تخصصی که منحصراً باکتری‌ها را شکار کرده و از بین می‌برند – توسط یک مدل پیشرفته هوش مصنوعی را شرح می‌دهد. این باکتریوفاژها قادر به نابودی سویه‌های مقاوم به آنتی‌بیوتیک باکتری اشرشیا کُلی (E. coli) بودند. این دستاورد نقطه عطفی بزرگ در زیست‌شناسی ترکیبی است و ثابت می‌کند که هوش مصنوعی می‌تواند فراتر از پیش‌بینی ساختارهای پروتئینی، موجودات بیولوژیکی خودتکثیرشونده را مهندسی کند.[1][2][5]

مکانیسم پشت این پیشرفت متکی بر مدل‌های ژنوم بزرگ (Large Genome Models) است، به ویژه معماری‌هایی به نام‌های «ایوو ۱» و «ایوو ۲». درست مانند مدل‌های زبان بزرگ که دستور زبان و نحو متون انسانی را برای نوشتن مقاله می‌آموزند، این مدل‌های بیولوژیکی بر روی مجموعه داده عظیمی شامل بیش از دو میلیون ژنوم باکتریوفاژ شناخته شده آموزش دیدند تا «دستور زبان» پیچیده DNA ویروسی را بیاموزند. به جای صرفاً دستکاری توالی‌های ژنتیکی موجود یا کپی‌برداری از الگوهای طبیعی، از هوش مصنوعی خواسته شد تا هزاران طرح کاملاً جدید ویروسی تولید کند. سپس تیم تحقیقاتی ۳۰۲ مورد از این توالی‌های با پتانسیل بالا و تولیدشده توسط هوش مصنوعی را انتخاب کرده و آن‌ها را به صورت شیمیایی به DNA فیزیکی سنتز کردند و برای تعیین اینکه آیا طرح‌های دیجیتال در دنیای بیولوژیکی واقعی کار می‌کنند یا خیر، آن‌ها را به سلول‌های میزبان معرفی کردند.[1][3]

نتایج آزمایشگاهی تأیید کرد که طرح‌های هوش مصنوعی صرفاً تئوری نبودند. از میان دسته‌ای که مورد آزمایش قرار گرفتند، ۱۶ مورد از توالی‌های ترکیبی، ویروس‌های کاملاً کارآمد و قابل دوام تولید کردند. این باکتریوفاژهای طراحی‌شده توسط هوش مصنوعی با موفقیت، رقص بیولوژیکی پیچیده‌ای را که برای خنثی‌سازی یک تهدید لازم است، اجرا کردند: آن‌ها به غشاهای باکتریایی متصل شدند، مواد ژنتیکی ترکیبی خود را تزریق کردند، ماشین‌آلات میزبان را برای تکثیر ربودند و در نهایت باعث ترکیدن سلول‌های باکتریایی شدند. نکته حیاتی این است که برخی از این ویروس‌های ترکیبی ثابت کردند که قادر به کشتن سویه‌های خاصی از E. coli هستند که همتایان ویروسی طبیعی آن‌ها نمی‌توانستند به آن‌ها نفوذ کنند. داده‌ها نشان می‌دهد که هوش مصنوعی مولد صرفاً در حال تقلید از تکامل طبیعی نیست، بلکه فعالانه آن را برای غلبه بر دفاعیات ریشه‌دار باکتریایی بهینه‌سازی می‌کند.[1][2][3][6]

این قابلیت می‌تواند «فاژدرمانی» (phage therapy) را متحول کند؛ یک مفهوم پزشکی صد ساله که از ویروس‌ها برای درمان عفونت‌های باکتریایی شدید استفاده می‌کند. از نظر تاریخی، فاژدرمانی به دلیل فرآیند طاقت‌فرسا و آزمون و خطای یافتن ویروس طبیعی دقیق در محیط که باکتری‌های عفونی خاص بیمار را هدف قرار دهد، با مشکل مواجه بوده است. هوش مصنوعی مولد می‌تواند به پزشکان اجازه دهد تا به سرعت «کوکتل‌های ویروسی سفارشی» را که به طور خاص برای عفونت مقاوم به داروی منحصر به فرد بیمار طراحی شده‌اند، «چاپ» کنند. علاوه بر این، محققان خاطرنشان کردند که استفاده از ترکیبی از فاژهای طراحی‌شده توسط هوش مصنوعی با تمایز ژنتیکی، توسعه مقاومت در برابر درمان را برای باکتری‌ها به صورت تصاعدی دشوارتر می‌کند و عملاً عامل بیماری‌زا را به دام می‌اندازد.[3][5][6]

با وجود این موفقیت بی‌سابقه، شواهد همچنان کاملاً پیش‌بالینی باقی مانده‌اند و عدم قطعیت‌های قابل توجهی پابرجا هستند. ویروس‌های طراحی‌شده توسط هوش مصنوعی تنها در محیط‌های آزمایشگاهی بسیار کنترل‌شده و علیه سویه‌های خاص E. coli آزمایش شده‌اند، نه در مدل‌های حیوانی پیچیده یا آزمایش‌های بالینی انسانی. هنوز کاملاً مشخص نیست که این فاژهای ترکیبی چگونه با سیستم ایمنی انسان تعامل خواهند داشت، آیا می‌توانند با موفقیت به بیوفیلم‌های باکتریایی ضخیمی که اغلب در بافت زنده تشکیل می‌شوند نفوذ کنند، یا اینکه باکتری‌ها با چه سرعتی ممکن است اقدامات متقابل جدید و پیش‌بینی‌نشده‌ای را علیه آن‌ها تکامل دهند. علاوه بر این، مسیرهای نظارتی برای تأیید درمان‌های بیولوژیکی تکثیرشونده و تولیدشده توسط هوش مصنوعی هنوز وجود ندارند، که مانع بزرگی برای کاربرد بالینی آینده ایجاد می‌کند.[1][3][4][6]

توانایی نوشتن ژنوم‌های ویروسی کارآمد از پایه، هشدارهای فوری و جدی را از سوی جامعه امنیت زیستی نیز برانگیخته است. در مقاله‌ای همراه که در کنار این مطالعه در «ساینس» منتشر شد، محققان مرکز امنیت سلامت جانز هاپکینز هشدار دادند که حاکمیت مورد نیاز برای هدایت ایمن این فناوری به سادگی وجود ندارد. ماهیت دوگانه (Dual-use) زیست‌شناسی مولد به این معنی است که دقیقاً همان ابزارهای محاسباتی که برای طراحی باکتریوفاژهای نجات‌بخش استفاده می‌شوند، می‌توانند در تئوری توسط عوامل مخرب برای مهندسی عوامل بیماری‌زای انسانی تقویت‌شده و بسیار بیماری‌زا مورد استفاده قرار گیرند. کارشناسان هشدار می‌دهند که از هوش مصنوعی که قادر به بهینه‌سازی یک ویروس برای فرار از دفاعیات باکتریایی است، می‌توان اصولاً خواست که ویروسی را برای فرار از پاسخ‌های ایمنی انسان بهینه‌سازی کند.[1][2][4][7]

برای کاهش این خطرات در طول مطالعه، تیم استنفورد تدابیر حفاظتی داخلی سختگیرانه‌ای را اجرا کرد. آن‌ها عمداً هرگونه داده ژنتیکی از ویروس‌هایی که انسان، حیوانات، گیاهان یا قارچ‌ها را آلوده می‌کنند، از مجموعه داده‌های آموزشی هوش مصنوعی حذف کردند و اطمینان حاصل کردند که مدل‌ها صرفاً به باکتریوفاژها محدود شوند. با این حال، کارشناسان امنیت زیستی هشدار می‌دهند که با قدرتمندتر و در دسترس‌تر شدن مدل‌های زبان ژنوم، اتکا به پاکسازی داوطلبانه داده‌های آموزشی توسط آزمایشگاه‌های منفرد به شدت ناکافی خواهد بود. آن‌ها خواستار پروتکل‌های اجباری غربالگری سنتز DNA، نظارت دقیق آزمایشگاهی و چارچوب‌های بین‌المللی جدید برای نظارت بر توسعه و استقرار مدل‌های مولد بیولوژیکی، پیش از گسترش بیشتر آن‌ها هستند.[2][4][7]

تولید موفقیت‌آمیز ویروس‌های کارآمد، یک تغییر دائمی در مسیر زیست‌شناسی ترکیبی ایجاد می‌کند: حیات دیگر فقط در طبیعت کشف نمی‌شود، بلکه فعالانه از روی کد طراحی می‌شود. در حالی که محققان برای تبدیل این فاژهای ترکیبی به درمان‌های بالینی قابل اجرا جهت جلوگیری از بحران مقاومت آنتی‌بیوتیکی تلاش می‌کنند، سیاست‌گذاران جهانی با فرصتی که به سرعت در حال از دست رفتن است، برای ایجاد موانع حفاظتی مؤثر روبرو هستند. چالش نهایی این خواهد بود که چگونه مزایای عظیم و نجات‌بخش سلامت عمومی ناشی از طراحی بیولوژیکی مبتنی بر هوش مصنوعی را تضمین کنیم، بدون اینکه توانایی مهندسی تهدیدات بیولوژیکی فاجعه‌بار را عمومی‌سازی کنیم.[2][3][4][7]