شرکت «جن‌بایو اِی‌آی» مدل بنیادی مجازی «آیدو سل» را برای شبیه‌سازی زیست‌شناسی انسان معرفی کرد

شرکت جن‌بایو اِی‌آی رسماً «آیدو سل» (AIDO Cell) را راه‌اندازی کرده است؛ یک «مدل جهانی» محاسباتی که برای شبیه‌سازی رفتار پیچیده یک سلول انسانی در کل سلسله مراتب زیستی آن طراحی شده است. این سیستم جدید، به جای صرفاً پیش‌بینی ساختارهای پروتئینی یا بیان ژن در بخش‌های جداگانه، DNA، RNA، پروتئین‌ها و مورفولوژی کل سلول را در یک شبیه‌سازی دیجیتالی واحد و پیوسته به هم متصل می‌کند. این پلتفرم یک نقطه عطف مهم در زیست‌شناسی محاسباتی محسوب می‌شود و به محققان این امکان را می‌دهد که مشاهده کنند چگونه یک تغییر مولکولی واحد در کل محیط سلولی تأثیر می‌گذارد. آیدو سل با ادغام چندین شیوه از داده‌های زیستی، قصد دارد شکاف بین پیش‌بینی‌های مولکولی ایستا و واقعیت پویا سیستم‌های زنده را پر کند.[1][2]

شرکت جن‌بایو اِی‌آی که توسط دیوید بیکر، برنده جایزه نوبل، و اریک شینگ، دانشمند برجسته هوش مصنوعی، تأسیس شده، با مأموریت جاه‌طلبانه «محاسبه‌پذیر کردن کامل زیست‌شناسی» بنا نهاده شد. آیدو سل به عنوان گام بنیادی این شرکت در جهت دستیابی به این هدف عمل می‌کند. این سیستم به محققان اجازه می‌دهد تا یک اختلال مجازی (مانند حذف یک ژن خاص، تغییر یک توالی تنظیم‌کننده یا اعمال یک داروی شیمیایی) را وارد کنند و تأثیرات آبشاری بعدی آن را در تمام سطوح ماشین‌آلات سلول مشاهده کنند. این رویکرد کل‌نگر تضاد شدیدی با روش‌های سنتی دارد که در آن‌ها دانشمندان اغلب مجبور بودند مجموعه‌داده‌های پراکنده را کنار هم بگذارند تا حدس بزنند یک تعامل مولکولی چگونه ممکن است بر سلامت یا رفتار کلی سلول تأثیر بگذارد.[1][2]

برای درک اینکه چرا این پیشرفت یک جهش بزرگ محسوب می‌شود، باید به نحوه عملکرد هوش مصنوعی زیستی تا به امروز نگاه کرد. در طول چند سال گذشته، مدل‌های بنیادی مانند آلفافولد (AlphaFold) و ژن‌فورمر (GeneFormer) بسیار توانمند بوده‌اند، اما معمولاً به یک شیوه زیستی واحد محدود می‌شوند. آن‌ها می‌توانند شکل سه‌بعدی یک پروتئین را از توالی اسید آمینه آن با دقت پیش‌بینی کنند یا سطوح بیان یک ژن را پیش‌بینی کنند، اما این پیش‌بینی‌های مجزا را به محیط سلولی گسترده‌تر متصل نمی‌کنند. با این حال، زیست‌شناسی در بخش‌های انضباطی مرتب عمل نمی‌کند؛ تغییر در یک مسیر به ناچار واکنش‌های جبرانی را در کل شبکه سلولی ایجاد می‌کند.[3]

آیدو سل این محدودیت را با تغییر از یک مدل بنیادی سنتی به معماری «مدل جهانی» برطرف می‌کند. در حالی که یک مدل بنیادی عمدتاً بر یادگیری بازنمایی (نقشه‌برداری از ویژگی‌های ایستا یک مجموعه داده) تمرکز دارد، یک مدل جهانی بر رفتار پویا و روابط علت و معلولی تمرکز می‌کند. این مدل تلاش می‌کند محیط داخلی یک سلول زنده را بازسازی کند و به جای یک ابزار جستجوی ایستا، به عنوان یک شبیه‌ساز جامع عمل کند. این تغییر معماری به هوش مصنوعی اجازه می‌دهد تا نه تنها ظاهر یک جزء زیستی را درک کند، بلکه نحوه عملکرد و تعامل آن با محیط اطرافش را در طول زمان بفهمد و تقریب بسیار نزدیک‌تری از فعالیت زیستی واقعی ارائه دهد.[2][6]

یکی از ویژگی‌های حیاتی این معماری مدل جهانی این است که «حالت‌مند» (Stateful) است، به این معنی که شبیه‌سازی آنچه قبلاً برای سلول دیجیتال اتفاق افتاده است را به خاطر می‌سپارد. در یک آزمایشگاه فیزیکی، یک محقق ممکن است یک کشت سلولی را در معرض دارو قرار دهد، منتظر پاسخ زیستی بماند، و سپس یک عامل استرس‌زای دوم را اعمال کند تا ببیند سلولِ از قبل تغییر یافته چگونه واکنش نشان می‌دهد. آیدو سل این گردش کار را به صورت محاسباتی تقلید می‌کند و اجازه می‌دهد توالی‌های اختلالات، تأثیرات خود را در طول زمان انباشته کنند. این سیستم به جای در نظر گرفتن هر مداخله به عنوان یک رویداد مجزا که از یک خط پایه دست‌نخورده شروع می‌شود، تأثیر تکاملی و تجمعی چندین آزمایش متوالی را مدل‌سازی می‌کند.[2][3]

برای اثبات کاربرد عملی این سیستم، جن‌بایو اِی‌آی، آیدو سل را با استفاده از داروی شناخته‌شده لوسمی (سرطان خون) به نام ایماتینیب (imatinib) آزمایش کرد. در یک نمایش اولیه، شبیه‌سازی با موفقیت مکانیسم عمل اثبات‌شده دارو را بازسازی کرد. این مدل، پاسخ درمانی پیش‌بینی‌شده را از رویداد اولیه اتصال مولکولی تا شبکه‌های تنظیم‌کننده و محیط سلولی گسترده‌تر ردیابی کرد. اگرچه بازتولید یک مکانیسم شناخته‌شده چالشی متفاوت از پیش‌بینی آینده‌نگرانه یک مکانیسم ناشناخته است، اما این مطالعه موردی موفق، یک اثبات مفهوم ضروری را فراهم کرد که نشان می‌دهد شبیه‌سازی زیستی در مقیاس‌های متقاطع اکنون از نظر محاسباتی امکان‌پذیر است.[1][3]

نسخه اولیه، که «نسخه ۱.۰» نامیده می‌شود، در حال حاضر از دو رده سلولی انسانی جاودانه (Immortalized) پرکاربرد پشتیبانی می‌کند: K562 که از یک بیمار مبتلا به لوسمی میلوئیدی مزمن گرفته شده، و HepG2 که از یک تومور کبدی مشتق شده است. این رده‌های سلولی خاص، به عنوان ابزارهای اصلی تحقیقات زیست‌پزشکی در نظر گرفته می‌شوند و یک خط پایه کاملاً شناخته‌شده و مستند ارائه می‌دهند که پیش‌بینی‌های مدل را می‌توان بر اساس آن تأیید کرد. اگرچه جن‌بایو اِی‌آی اعلام کرده است که انواع سلول‌های دیگری در دست توسعه هستند، تمرکز بر این مدل‌های تثبیت‌شده به کاربران اولیه اجازه می‌دهد تا دقت سیستم را در برابر داده‌های آزمایشگاهی فیزیکی موجود در طول دهه‌ها آزمایش کنند.[1][2]

اگر این رویکرد محاسباتی بتواند به طور قابل اعتماد مقیاس‌پذیر باشد، پیامدهای عمیقی برای صنعت کشف دارو خواهد داشت. در حال حاضر، شرکت‌های دارویی برای غربالگری ترکیبات جدید به شدت به آزمایش‌های فیزیکی و مدل‌های حیوانی متکی هستند. این فرآیند سنتی به طرز فجیعی کُند، فوق‌العاده گران و مستعد شکست‌های بالینی در مراحل پایانی است، اغلب به این دلیل که زیست‌شناسی انسان تفاوت قابل توجهی با مدل‌های حیوانی مورد استفاده در آزمایش‌های پیش‌بالینی دارد. سیستمی که قادر به شبیه‌سازی دقیق پاسخ‌های سلولی انسان باشد، می‌تواند به پر کردن شکاف ترجمه‌ای که به طور تاریخی مانع توسعه درمان‌های جدید شده است، کمک کند.[4][5]

یک سلول مجازی قوی و تأییدشده به محققان این امکان را می‌دهد که آزمایش‌های «درون سیلیکونی» (in silico) را در مقیاس وسیع انجام دهند. میلیون‌ها کاندیدای دارویی بالقوه می‌توانند به صورت محاسباتی در برابر یک سلول تومور مجازی آزمایش شوند و ترکیبات بسیار سمی یا از نظر زیستی بی‌اثر را قبل از اینکه حتی یک پیپت فیزیکی در آزمایشگاه برداشته شود، فیلتر کنند. با انتقال بار اولیه آزمایش و خطا از آزمایشگاه تر (wet lab) به قلمرو دیجیتال، شرکت‌های دارویی می‌توانند از لحاظ نظری طیف بسیار گسترده‌تری از ساختارهای شیمیایی را ارزیابی کرده و سرنخ‌های امیدوارکننده را سریع‌تر و با کسری از هزینه سنتی شناسایی کنند.[1][5]

با این حال، گذار از شبیه‌سازی دیجیتال به واقعیت بالینی همچنان با چالش‌هایی همراه است. بازتولید مکانیسم یک داروی شناخته‌شده بر روی یک رده سلولی کاملاً مشخص، وظیفه‌ای اساساً متفاوت از پیش‌بینی آینده‌نگرانه یک پاسخ زیستی ناشناخته در یک وضعیت بیماری جدید است. پاسخ‌های زیستی بین بافت‌های مختلف انسانی و حتی بین بیماران مختلف با یک تشخیص یکسان، به شدت متفاوت است. علاوه بر این، یک مدل محاسباتی در نهایت تنها به اندازه داده‌های زیربنایی که بر اساس آن‌ها آموزش دیده، قابل اعتماد است، به این معنی که هرگونه سوگیری یا شکاف در داده‌های آموزشی به ناچار در خروجی‌های شبیه‌سازی منعکس خواهد شد.[3][5]

ساختن یک مدل جهانی زیستی واقعی نیازمند حجم عظیمی از داده‌های علّی است؛ به طور خاص، آزمایش‌هایی که در آن‌ها محققان به طور سیستماتیک ژن‌ها را غیرفعال می‌کنند یا سلول‌ها را در معرض داروهای متنوع قرار می‌دهند و نتایج حاصل را با دقت ثبت می‌کنند. در حالی که مجموعه‌داده‌های بزرگ مانند X-Atlas و Pisces در حال حاضر ده‌ها میلیون پروفایل بیان تک‌سلولی ارائه می‌دهند، ثبت پیچیدگی کامل و چندلایه زیست‌شناسی انسان همچنان یک مانع لجستیکی عظیم است. تولید داده‌های اختلال با کیفیت بالا و استاندارد مورد نیاز برای آموزش این مدل‌های پیشرفته، احتمالاً سال‌ها آزمایش فیزیکی اختصاصی و با توان عملیاتی بالا را می‌طلبد.[6]

چالش فنی مهم دیگر، جلوگیری از انباشتگی عدم دقت‌های محاسباتی کوچک در طول شبیه‌سازی است. هنگامی که یک مدل هوش مصنوعی پیش‌بینی‌ها را در مقیاس‌های زیستی بسیار متفاوت ترجمه می‌کند (حرکت از مقیاس نانومتری یک تعامل پروتئینی واحد به مقیاس میکرومتری مورفولوژی کل سلول)، خطاهای کوچک در سطح مولکولی می‌توانند به راحتی ترکیب شوند. اگر این عدم دقت‌های آبشاری کنترل نشوند، می‌توانند منجر به «توهمات» (hallucinations) گسترده در سطح سلولی شوند و پیش‌بینی‌های نهایی شبیه‌سازی را از نظر زیستی بی‌معنی سازند. اطمینان از تصحیح خطای دقیق در سراسر سلسله مراتب زیستی، یک تمرکز حیاتی و مداوم برای تیم توسعه است.[1]

برخلاف برخی از رقبا که مدل‌های زیستی اختصاصی را پشت درهای بسته می‌سازند، جن‌بایو اِی‌آی رویکردی قابل توجه و مشارکتی را در عرضه خود در پیش گرفته است. اِما لاندبرگ، یکی از بنیانگذاران، تأکید کرد که این شرکت معتقد نیست مدل‌های سلول مجازی باید منزوی باشند. به همین منظور، جن‌بایو اِی‌آی در حال آماده‌سازی برای راه‌اندازی یک برنامه همکاری آکادمیک است که به دانشمندان در سراسر دانشگاه‌ها، بیوتکنولوژی و داروسازی اجازه می‌دهد داده‌های اختصاصی خود را به این پلتفرم بیاورند. این امر محققان را قادر می‌سازد تا سلول‌های مجازی سفارشی‌سازی شده‌ای را بسازند که به طور خاص برای سؤالات تحقیقاتی منحصر به فرد و نشانه‌های هدف آن‌ها بهینه‌سازی شده‌اند.[1][2]

آیدو سل به صراحت تنها به عنوان اولین گام در جهت یک هدف بزرگ‌تر و جاه‌طلبانه‌تر معرفی شده است: ایجاد یک ارگانیسم دیجیتال مبتنی بر هوش مصنوعی (AI-Driven Digital Organism). هدف نهایی برنامه آیدو این است که فراتر از شبیه‌سازی سلول‌های منفرد و جداگانه حرکت کند و مدل‌سازی نحوه ارتباط و تعامل انواع مختلف سلول‌ها در بافت‌های پیچیده، کل اندام‌ها و در نهایت، کل بدن انسان را آغاز کند. دستیابی به این سطح از شبیه‌سازی چندسلولی نیازمند ادغام مجموعه‌داده‌های متنوع‌تر و توسعه چارچوب‌های ریاضی جدید برای مدیریت افزایش تصاعدی پیچیدگی زیستی خواهد بود.[2]

در آینده قابل پیش‌بینی، زیست‌شناسی انسان همچنان به طور سرسختانه‌ای پیچیده باقی خواهد ماند و تأیید دقیق آزمایشگاهی (wet lab validation) همچنان یک نیاز مطلق برای هر کشف محاسباتی خواهد بود. یک شبیه‌سازی دیجیتال هنوز نمی‌تواند جایگزین اثبات قطعی یک آزمایش فیزیکی شود. با این حال، آیدو سل با موفقیت در اتصال لایه‌های مختلف زیست‌شناسی سلولی به یک شبیه‌سازی واحد و حالت‌مند، نگاهی جذاب به یک پارادایم آینده ارائه می‌دهد. این مدل به سوی عصری اشاره دارد که در آن بخش عمده‌ای از اکتشافات زیستی و غربالگری دارویی، مدت‌ها قبل از اینکه در ظرف پتری آزمایش شوند، روی صفحه نمایش انجام خواهد شد.[3][5]