في المجال الديناميكي لعلوم الحياة، تجتمع كل من البحوث البيولوجية والذكاء الاصطناعي معًا لتغيير منظورنا للحياة في أبسط مستوياتها. يلقي الدكتور ماركوس غيرشاتر، المؤسس المشارك والمدير العلمي لشركة Synthace، الضوء على التحديات والفرص التي يقدمها هذا الاتحاد. تسمح Synthace، وهي منصة بدون تعليمات برمجية مقرها المملكة المتحدة، بتصميم وتنفيذ التجارب، ومن ثم إنتاج وتحليل البيانات المنظمة.
ومع قدرة الذكاء الاصطناعي على إحداث ثورة في نهجنا تجاه الأنظمة البيولوجية، فإنه يسلط الضوء أيضًا على الحاجة إلى تغيير في أساليبنا العلمية وتفكيرنا. وكما علمتنا التحولات التكنولوجية الماضية مثل الكهرباء، فإن مجرد تبني التكنولوجيا الجديدة ليس هو نهاية اللعبة. تظهر القيمة الحقيقية عندما تقترن التكنولوجيا بأساليب ووجهات نظر جديدة. في هذه المقابلة، يناقش الدكتور غيرشاتر المستقبل الذي يصبح فيه الذكاء الاصطناعي جزءًا لا يتجزأ من علم الأحياء، وليس مجرد مساعد.
أندري: دكتور غيرشاتر، لقد وضعت قدمك في كل من الكيمياء الحيوية والبيولوجيا التركيبية أثناء التنقل في عالم التكنولوجيا سريع الخطى. من وجهة نظرك، ما هو الوعد الأكثر إثارة الذي يحمله الذكاء الاصطناعي للتكنولوجيا الحيوية؟
ماركوس: الوعد هو أن الذكاء الاصطناعي، بكل بساطة، سيمنحنا رؤى ثاقبة في علم الأحياء، وهي مستحيلة حاليًا ولا يمكننا أن نبدأ في تخيلها بعد. ومن المثير أيضًا، ولكن ثانويًا لهذا الأمر، كيف سيؤدي ذلك إلى إحداث تغييرات في طريقة عملنا. السبب وراء قولي هذا هو أن اعتقادي الأساسي هنا هو أنه في الوقت الحالي، الذكاء الاصطناعي والأبحاث البيولوجية لا يتناسبان معًا بشكل صحيح.
الذكاء الاصطناعي هو تقنية تتطلب التغيير بشكل أساسي من الأشخاص الذين يرغبون في استخدامها، لذا لكي يكون للذكاء الاصطناعي تأثير أساسي على علم الأحياء، علينا حقًا تغيير الطريقة التي نتعامل بها مع العملية العلمية في المقام الأول. يبدو لي أنه سيتعين على المنظمات والفرق اعتماد عقليات جديدة وعمليات جديدة وأدوات جديدة.
هناك بعض الشركات التي تظهر اليوم بالفعل العديد من الخصائص المطلوبة للشركات التي تتطلع إلى المستقبل من حيث كيفية تفكيرها في الطريقة التي نجمع بها البيانات حول الأنظمة البيولوجية. فكر في شركات مثل Recursion و Insitro، التي قامت ببناء منصات آلية كاملة حول هذا الموضوع. وهي رقمية بالكامل، وقد تم تصميمها لخلق فهم أكبر للأنظمة البيولوجية بشكل منهجي.
إنها تعطينا لمحة عما قد يبدو عليه المستقبل: التوليد الروتيني لبيانات عالية الجودة وكبيرة ومتنوعة ومتعددة الأبعاد، في السياق الكامل للبيانات الوصفية الغنية. البيانات التي توفر الأساس للذكاء الاصطناعي، وتغييرًا تدريجيًا في قدرتنا على فهم الأنظمة البيولوجية والعمل معها.
أندري: بالطبع، كل بطانة فضية لها سحابة. ما هي أكبر التحديات التي تراها في جلب الذكاء الاصطناعي إلى عالم الهندسة الحيوية؟ كيف يمكن للصناعة، بما في ذلك شركة Synthace، أن تعالج هذه العقبات بشكل أفضل؟
ماركوس: أجرينا مؤخرًا بعض الأبحاث التي وجدت أن 43% من صناع القرار في مجال البحث والتطوير لديهم ثقة منخفضة في جودة بيانات تجاربهم. وهذا أمر مثير للقلق لأنه لا يتطلب منا تحسين وسائلنا لتسجيل بيانات التجربة فحسب، بل يتطلب أيضًا إجراء تجارب تولد بيانات ذات جودة أعلى في المقام الأول. ويترتب على ذلك أنه لفهم هذه البيانات بشكل صحيح، فإننا نحتاج أيضًا إلى مستوى عالٍ من التفصيل حول كيفية إنشائها: يجب جمع البيانات الوصفية حول التجارب تلقائيًا قدر الإمكان.
في سياق الذكاء الاصطناعي، هذه مشكلة. إن نطاق الاستخدامات المحتملة للذكاء الاصطناعي في مجال التكنولوجيا الحيوية هائل ويمكن تطبيقه بعدد لا يحصى من الطرق عبر كل جانب من جوانب سلسلة القيمة. إن القول "نحن بحاجة إلى استخدام الذكاء الاصطناعي" يشبه القول "نحن بحاجة إلى استخدام الكهرباء": فهو واضح وغير مجدي ما لم تتحدث عن تفاصيل. والأكثر أهمية هو "أننا بحاجة إلى تطبيق نماذج لغوية كبيرة لتحسين واجهات المستخدم لمعداتنا ومنهجياتنا المعقدة"، أو "يجب علينا استخدام التعلم النشط لتحسين تطوير الاختبارات للاكتشاف المبكر".
إن عبارة "نحن بحاجة إلى استخدام الذكاء الاصطناعي" معرضة لخطر التحول إلى نوع من الدعوة الفارغة لحمل السلاح، مع عدم الاعتراف بكل التغيير المطلوب لتحقيق الثورة المزعومة. وفي الثورة الصناعية الثانية، لم تكن الكهرباء كافية في حد ذاتها لزيادة الإنتاجية. كان على الناس أن يدركوا أولاً أنها توفر طريقة لتغيير طريقة عملهم. ولم يعد من الضروري ترتيب المصانع حول أعمدة قيادة ضخمة تعمل بمحركات بخارية. بدلا من ذلك، يمكن ترتيبها في خطوط الإنتاج. لقد كان الجمع بين التكنولوجيا الجديدة (الكهربة) وطرق العمل الجديدة (خطوط الإنتاج وفصل العمل) هو الذي مكّن من إحداث تغيير تدريجي في الإنتاجية.
بالنسبة لسينثيس، ينصب تركيزنا بقوة على التجربة نفسها. كيف يمكننا جمع وتوليد وتنظيم بيانات عالية الجودة لتصديرها إلى أنظمة قادرة على الاستفادة منها بشكل أكبر من البيانات المحدودة والمحدودة المتاحة اليوم. لمواصلة القياس أعلاه، كيف يمكننا تكييف أرضية المصنع لتحقيق أفضل استخدام للكهرباء؟
أندري: عند الحديث عن التحديات، ليس هناك من ينكر أن تعقيد النظم البيولوجية يؤدي إلى كمية مذهلة من البيانات. ما هو رأيك في أفضل نهج للتعامل مع هذا الحمل الزائد للبيانات، وأين يأتي الذكاء الاصطناعي في الصورة؟
ماركوس: ينشأ تعقيد علم الأحياء من تفاعلات مكوناته الأبسط، مما يؤدي إلى ظهور خصائص وسلوكيات فريدة. لا يمكن التنبؤ بهذه السمات الناشئة بشكل موثوق من خلال المكونات الفردية، مما يستلزم مجموعة بيانات شاملة ومترابطة لفهم أعمق للأنظمة البيولوجية.
إن الكثير من البيانات الضخمة المنتجة في علم الأحياء عبارة عن دراسات متعددة العناصر: لقطات جزيئية مفصلة للغاية للنظام. ولكن بصرف النظر عن البيانات الجينومية، فإن جميع هذه القراءات ديناميكية للغاية: فهي تتغير بمرور الوقت واستجابة للعديد من المحفزات. لفهم النظام البيولوجي حقًا، يجب علينا أن نفهم ديناميكياته مع تغير أي عدد من العوامل. لا يمكننا قياس الكثير من الأشياء فحسب، بل يتعين علينا قياسها في سياق هذا المشهد متعدد العوامل، وإجراء التجارب بشكل منهجي لرسم خريطة للمساحة، والسماح للذكاء الاصطناعي "برؤية" ما يجري.
مجرد تسلسل شيء ما لا يكفي؛ يجب علينا أيضًا أن ننظر إلى كيفية عملها وتفاعلها والتفاعل مع المحفزات المختلفة. في سعينا لفهم تعقيدات العمليات البيولوجية، من الواضح أن البيانات أحادية البعد وحدها لن تقودنا بعيدًا على هذا المسار الاستقصائي. من الناحية المثالية، سيكون لدينا بيانات كبيرة ومتنوعة وديناميكية وعالية الجودة ومثرية بأكبر قدر ممكن من السياق التجريبي، بحيث يمكن للتحليلات المستقبلية التي تعتمد على الذكاء الاصطناعي، والتي لم يتم تصورها بعد، الاستفادة من بيانات اليوم قدر الإمكان.
أندري: أخيرًا، فكرة أن الذكاء الاصطناعي قد يغير فهمنا الكامل للكون هي فكرة مثيرة للدهشة إلى حد ما. هل يمكنك التعمق أكثر في هذا المفهوم؟ كيف يمكن للذكاء الاصطناعي أن يغير الطريقة التي نتفاعل بها مع كل شيء، بدءًا من الأنظمة البيولوجية وحتى العالم الأوسع من حولنا؟
ماركوس: إن الضجة حول الذكاء الاصطناعي/التعلم الآلي قوية بشكل ملحوظ، ومن دون أدنى شك، سيكون لها تأثير تحويلي في جلب رؤى جديدة لعلم الأحياء. ولكن كما قلت، لم نشهد بعد الإدراك الكامل لإمكاناته. من الصعب تمثيل عمل علم الأحياء والبيانات/البيانات الوصفية التي ينتجها في شكل كود ومن الصعب رقمنتها. إذا لم نتمكن من القيام بذلك، فإن الذكاء الاصطناعي/التعلم الآلي يظل حلمًا بعيد المنال ويظل حكرًا على "التكنولوجيا الكبيرة". إن حجم البيانات، وكذلك جودة البيانات التي يمكننا تقديمها لأدوات الذكاء الاصطناعي والتعلم الآلي تلك، تحدد احتمالية اكتشاف أي شيء مثير للاهتمام.
هل هناك طريقة لتمكين دورة حياة التجربة بأكملها والتحكم فيها من البداية إلى النهاية؟ هل هناك طريقة لتمكين التجريب متعدد العوامل والأتمتة المتطورة والذكاء الاصطناعي/التعلم الآلي بمعيار موحد واحد؟ هل هناك طريقة لرفع مستوى العلماء حتى يتمكنوا من قضاء المزيد من الوقت في الأمور الأكثر أهمية، وتطبيق المزيد من مواهبهم الفردية على أصعب مشاكل اليوم باستخدام القوة الكاملة للحوسبة الحديثة؟
وفي حال تمكنا من التكيف بالطرق الصحيحة مع الإمكانيات التي تخلقها هذه الأدوات، فقد نبدأ في رسم خريطة للمناظر الطبيعية البيولوجية بأكملها بين عشية وضحاها، باستخدام البيانات الناتجة والبيانات الوصفية للتنبؤ بالنتائج المستقبلية. من المحتمل أن يأتي وقت في هذا العقد يستطيع فيه الذكاء الاصطناعي التنبؤ بأفضل تصميم ممكن للتجربة حتى قبل أن ندخل إلى المختبر. وإذا حدث هذا فإن النتيجة ستكون اكتشافات علمية تتحدى الاعتقاد بمعايير اليوم.
المواضيع: تقنيات ناشئة
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://www.biopharmatrend.com/post/709-interview-with-markus-gershater-from-synthace/
