توانایی هوش مصنوعی در طراحی و ساخت ویروس‌های فعال، چگونه قوانین امنیت زیستی و کشف دارو را بازنویسی می‌کند؟

وقتی تیترها اعلام می‌کنند که هوش مصنوعی «یک ویروس جدید ساخته است»، تخیل عمومی بلافاصله یک ابرکامپیوتر سرکش را تداعی می‌کند که مایعات درخشان را در یک آزمایشگاه مخفی مخلوط می‌کند تا همه‌گیری بعدی را مهندسی کند. واقعیت بسیار کمتر سینمایی است، هرچند مسلماً عمیق‌تر. کامپیوتر نه به لوله آزمایش دست زد و نه خودبه‌خود یک عامل بیماری‌زا را از هیچ اختراع کرد. در عوض، کاری را انجام داد که مدل‌های زبان بزرگ در آن بهترین هستند: پیش‌بینی توالی منطقی بعدی در یک رشته داده.[3]

در این مورد، داده‌ها متن نبودند، بلکه الفبای ژنتیکی DNA بودند. محققان دانشگاه استنفورد و مؤسسه آرک اخیراً از یک مدل بنیادی ژنومی به نام «ایوو ۲» (Evo 2) برای طراحی ژنوم‌های کامل و فعال باکتریوفاژها استفاده کردند؛ ویروس‌هایی که منحصراً باکتری‌ها را آلوده می‌کنند. از میان ۲۸۵ طرح تولید شده توسط هوش مصنوعی که به صورت فیزیکی سنتز و در آزمایشگاه آزمایش شدند، ۱۶ مورد ویروس‌های فعالی تولید کردند که قادر به آلوده کردن باکتری ای.کولای (E. coli) بودند.[1][2][3]

این امر یک آستانه حیاتی در زیست‌شناسی مصنوعی را نشان می‌دهد. انسان‌ها دهه‌هاست که قادر به خواندن ژنوم‌های ویروسی بوده‌اند و ابزارهای لازم برای ویرایش دستی آن‌ها را در اختیار داشته‌ایم. اما آزمایش استنفورد نشان می‌دهد که هوش مصنوعی رسماً وارد مرحله طراحی در زیست‌شناسی شده است. این مدل دیگر فقط ساختارهای ژنتیکی موجود را تجزیه و تحلیل نمی‌کند؛ بلکه طرح‌های بیولوژیکی کاملاً جدیدی را پیشنهاد می‌کند که دانشمندان می‌توانند به صورت فیزیکی آن‌ها را بسازند.[3][6]

برای درک قابلیت واقعی ارائه شده در اینجا – و کنار گذاشتن زبان بازاریابی آخرالزمانی – ضروری است که به مکانیسم آن نگاه کنیم. «ایوو ۲» بر اساس همان اصول زیربنایی ChatGPT عمل می‌کند، اما بر روی مجموعه‌داده‌های عظیمی حاوی میلیون‌ها توالی DNA در تمام قلمروهای حیات آموزش دیده است. این مدل با مطالعه این توالی‌ها، قوانین تکاملی را که ژنتیک طبیعی را شکل می‌دهند، رمزگشایی می‌کند.[4][5]

برای این آزمایش خاص، محققان عمداً مدل را محدود کردند. آن‌ها از «ایوو ۲» خواستند تا نسخه‌های جدیدی از یک باکتریوفاژ بسیار ساده و به خوبی مطالعه شده به نام ΦX174 (فی-ایکس-۱۷۴) تولید کند. اطلاعات ژنتیکی حدود ۱۵,۰۰۰ ویروس نزدیک به هم به مدل داده شد. این مدل یک ویروس را از ابتدا اختراع نکرد؛ بلکه ژنوم‌های کاملی شبیه به ΦX174 را که قبلاً دیده نشده بودند، در چارچوب بیولوژیکی کاملاً تعریف شده‌ای تولید کرد.[2][3][5]

نتایج، که در مجله «ساینس» (Science) منتشر شد، هم یک پیروزی بود و هم یک بررسی واقع‌بینانه از وضعیت فعلی زیست‌شناسی مولد. این فرآیند بسیار ناکارآمد بود. هوش مصنوعی هزاران ژنوم بالقوه تولید کرد که تیم ۳۰۲ مورد را برای سنتز انتخاب کرد. آن‌ها ۲۸۵ مورد را با موفقیت ساختند، اما تنها ۱۶ مورد فعال بودند. این نرخ موفقیت تقریباً ۵ درصدی نشان می‌دهد که در حالی که هوش مصنوعی می‌تواند کد ژنتیکی بنویسد، زیست‌شناسی همچنان یک کامپایلر (مترجم) بدنام و نابخشودنی باقی می‌ماند.[1][2][3]

با این حال، آن ۱۶ موفقیت بسیار مهم هستند. برخی از فاژهای طراحی شده توسط هوش مصنوعی سطوح مختلفی از سازگاری بیولوژیکی را نشان دادند و سه گونه در واقع از ویروس طبیعی ΦX174 پیشی گرفتند. نکته مهم این است که چندین مورد از این ویروس‌های مهندسی شده توانستند مقاومت طبیعی باکتریایی را که فاژ طبیعی اصلی را شکست داده بود، دور بزنند. آن‌ها این کار را از طریق جهش‌های جدید در مناطقی از ژنوم انجام دادند که میکروبیولوژیست‌ها معمولاً انتظار نداشتند آن‌ها را در آنجا پیدا کنند.[3][4]

این قابلیت مستقیماً به یکی از مبرم‌ترین بحران‌های پزشکی مدرن می‌پردازد: مقاومت ضدمیکروبی (AMR). برای میلیاردها سال، باکتری‌ها و باکتریوفاژها در یک مسابقه تسلیحاتی تکاملی قفل شده‌اند. فاژدرمانی – استفاده از ویروس‌ها برای هدف قرار دادن و از بین بردن عفونت‌های باکتریایی خاص – با ظهور آنتی‌بیوتیک‌ها در قرن بیستم به حاشیه رانده شد. اما از آنجایی که باکتری‌ها به طور فزاینده‌ای به «ابرباکتری‌های» مقاوم به دارو تبدیل می‌شوند، فاژدرمانی در حال تجربه یک رنسانس (تولد دوباره) است.[2][5]

چالش فاژهای طبیعی این است که باکتری‌ها نیز می‌توانند به سرعت با آن‌ها سازگار شده و مقاوم شوند و آن‌ها را به عنوان یک درمان بالقوه بی‌فایده سازند. برای جلوتر ماندن، محققان باید به طور مداوم فاژهای جدیدی را پیدا کنند. توانایی طراحی و تنظیم سریع ژنوم‌های ویروسی با استفاده از هوش مصنوعی می‌تواند این پویایی را متحول کند. به جای جستجو در اقیانوس‌ها یا فاضلاب‌ها برای یافتن فاژهای جدید، دانشمندان می‌توانند به صورت محاسباتی ویروس‌های سفارشی تولید کنند که برای غلبه بر سویه‌های باکتریایی مقاوم خاص طراحی شده‌اند.[1][4]

با این حال، جهش از خواندن DNA به نوشتن ژنوم‌های ویروسی فعال، نگرانی‌های جدی استفاده دوگانه (Dual-Use) را مطرح می‌کند. اگر بتوان هوش مصنوعی را برای بهینه‌سازی یک باکتریوفاژ جهت دور زدن دفاعیات باکتریایی آموزش داد، همان معماری زیربنایی می‌تواند از لحاظ نظری برای بهینه‌سازی عوامل بیماری‌زایی که انسان یا حیوانات را آلوده می‌کنند، استفاده شود. خود محققان این موضوع را تأیید کردند و اصرار داشتند که هر کسی که ژنوم‌های کامل را طراحی می‌کند، باید در طول پروژه با متخصصان ایمنی و امنیت مشورت کند.[1][2]

توسعه‌دهندگان «ایوو ۲» برای کاهش این خطر، اقدامات حفاظتی عمدی را اجرا کردند. آن‌ها عمداً کدهای ژنتیکی ویروس‌هایی را که انسان، گیاهان یا سایر حیوانات پیچیده را آلوده می‌کنند، از داده‌های آموزشی هوش مصنوعی حذف کردند. هنگامی که مدل بر روی پروتئین‌های ویروس‌های آلوده‌کننده انسان آزمایش شد، عملکرد ضعیفی داشت. این نشان می‌دهد که مدیریت داده‌ها در حال حاضر یکی از مؤثرترین اهرم‌ها برای کنترل قابلیت‌های هوش مصنوعی زیستی است.[1][6]

اما کارشناسان امنیت زیستی هشدار می‌دهند که چنین موانع حفاظتی داوطلبانه‌ای ممکن است کافی نباشد. در تفسیری همراه، محققان مرکز امنیت سلامت در دانشگاه جانز هاپکینز اشاره کردند که در حالی که قابلیت ساخت ژنوم‌های ویروسی با استفاده از هوش مصنوعی مولد اکنون وجود دارد، حاکمیت لازم برای هدایت ایمن آن وجود ندارد. نگرانی این نیست که هوش مصنوعی به طور مستقل ویروسی را منتشر کند، بلکه این است که موانع ورود را برای بازیگران مخرب جهت طراحی توالی‌های ژنتیکی خطرناک کاهش می‌دهد.[1]

مهم است که بین یک طرح دیجیتال و یک تهدید فیزیکی تمایز قائل شویم. یک توالی DNA تولید شده توسط هوش مصنوعی فقط یک فایل متنی است. برای تبدیل شدن به یک عامل بیولوژیکی، آن طرح دیجیتال باید به یک شرکت سنتز DNA ارسال شود، به صورت فیزیکی تولید شود، به درستی مونتاژ شود و تحت شرایط آزمایشگاهی سختگیرانه آزمایش شود. هر یک از این مراحل فیزیکی یک گلوگاه (chokepoint) را نشان می‌دهد که در آن نظارت و غربالگری می‌تواند طرح‌های مخرب را رهگیری کند.[6]

در حال حاضر، بسیاری از ارائه‌دهندگان سنتز DNA به صورت داوطلبانه سفارش‌ها را در برابر پایگاه‌های داده عوامل بیماری‌زای شناخته شده غربالگری می‌کنند. اما یک ویروس تولید شده توسط هوش مصنوعی ممکن است با هیچ توالی شناخته شده‌ای مطابقت نداشته باشد و به طور بالقوه از الگوریتم‌های غربالگری سنتی عبور کند. این امر مستلزم تغییر در امنیت زیستی است، از صرفاً تطبیق توالی‌های تهدید شناخته شده به پیش‌بینی خطر عملکردی DNAهای جدید تولید شده توسط هوش مصنوعی.[6]

علاوه بر این، ماهیت منبع باز (Open-Source) مدل‌هایی مانند «ایوو ۲» چشم‌انداز امنیتی را پیچیده می‌کند. وزن‌ها، کد و داده‌های آموزشی مدل به صورت عمومی در دسترس هستند، که کشف علمی جهانی را تسریع می‌کند اما همچنین کنترل را غیرمتمرکز می‌سازد. هنگامی که یک ابزار طراحی بیولوژیکی قدرتمند به صورت باز منتشر می‌شود، محدود کردن کاربرد آن بسیار دشوار می‌شود.[2][6]

در نهایت، آزمایش استنفورد ثابت می‌کند که هوش مصنوعی مولد می‌تواند ژنوم‌های ویروسی فعال، هرچند کوچک و ساده، ایجاد کند. ژنوم ΦX174 تنها حاوی ۵,۳۸۶ جفت باز است، در حالی که ژنوم انسان حاوی سه میلیارد جفت باز است و عوامل بیماری‌زای پیچیده انسانی بسیار بزرگتر و پیچیده‌تر هستند. ما هنوز چندین پیشرفت علمی با طراحی قابل اعتماد ویروس‌های پیچیده انسانی توسط هوش مصنوعی فاصله داریم.[2]

آینده فوری این فناوری در پتانسیل درمانی آن نهفته است. توانایی طراحی محاسباتی پروتئین‌ها، وکتورهای ویروسی و باکتریوفاژها احتمالاً کشف دارو و توسعه ژن‌درمانی‌های هدفمند را تسریع خواهد کرد. اما همچنین مستلزم یک ارزیابی جدی است. جامعه علمی اکنون باید زیرساخت‌های نظارتی و فیزیکی را ایجاد کند تا اطمینان حاصل شود که همانطور که هوش مصنوعی یاد می‌گیرد کد حیات را بنویسد، منحصراً برای حفظ آن استفاده شود.[3]