ChatGPT و Codex در جست‌وجوی آنتی‌بیوتیک‌های جدید
در سال ۲۰۲۱ حدود پنج میلیون مرگ در جهان با مقاومت باکتریایی به آنتی‌بیوتیک‌ها مرتبط بوده و پیش‌بینی می‌شود این رقم سالانه تا سال ۲۰۵۰ تقریباً دو برابر شود. یک آزمایشگاه پژوهشی برای مقابله با این روند، از ChatGPT و Codex در کنار مدل‌های یادگیری عمیق خودش استفاده می‌کند تا فرآیندی که معمولاً سال‌ها طول می‌کشد را به ساعت‌ها برساند.
در سال ۲۰۲۱ حدود پنج میلیون مرگ در جهان با مقاومت باکتریایی به آنتی‌بیوتیک‌ها مرتبط بوده و پیش‌بینی می‌شود این رقم سالانه تا سال ۲۰۵۰ تقریباً دو برابر شود. یک آزمایشگاه پژوهشی برای مقابله با این روند، از ChatGPT و Codex در کنار مدل‌های یادگیری عمیق خودش استفاده می‌کند تا فرآیندی که معمولاً سال‌ها طول می‌کشد را به ساعت‌ها برساند.
عددی که پشت این پروژه ایستاده
پنج میلیون مرگ در یک سال، رقمی است که هر توضیحی درباره فوریت این پروژه را غیرضروری می‌کند. مقاومت باکتریایی در برابر آنتی‌بیوتیک‌های موجود پدیده‌ای است که آرام‌آرام گزینه‌های درمانی را محدود می‌کند و پیش‌بینی دوبرابر شدن مرگ‌های سالانه تا ۲۰۵۰ فشار زمانی واقعی روی هر تیمی می‌گذارد که به‌دنبال ترکیبات جدید است. سزار د لا فوئنته، از اعضای این آزمایشگاه، نکته‌ای می‌گوید که وزن این عدد را بیشتر می‌کند: طی پنجاه سال گذشته هیچ کلاس جدیدی از آنتی‌بیوتیک‌ها توسعه نیافته است. این خلأ پنجاه‌ساله همان چیزی است که مدل‌های یادگیری عمیق این آزمایشگاه سعی دارند از زاویه‌ای تازه به آن نگاه کنند.
از سال‌ها به ساعت‌ها
روش کار آزمایشگاه بر پایه مدل‌های یادگیری عمیقی است که توالی‌های زیستی را برای یافتن کاندیدهای ضدمیکروبی احتمالی تحلیل می‌کنند. این جست‌وجو نه‌فقط در ژنوم موجودات زنده بلکه در ژنوم گونه‌های منقرض‌شده هم انجام می‌شود، یعنی منبع داده بسیار گسترده‌تر از چیزی است که یک تیم انسانی به‌تنهایی بتواند در زمان معقولی بررسی کند. نتیجه ملموس این رویکرد این است که مرحله اول جست‌وجوی مولکول‌های کاندید، که به‌طور معمول سال‌ها طول می‌کشد، به چند ساعت کاهش می‌یابد. اما این سرعت به‌معنای پایان کار نیست؛ خروجی مدل‌ها فقط فهرستی از اولویت‌هاست که باید در آزمایشگاه با آزمایش واقعی تأیید شود، و همین‌جاست که نقش ابزارهای دیگر روشن می‌شود.
جایی که ChatGPT و Codex وارد می‌شوند
پیش از رسیدن به مرحله آزمایش، تیم باید فرضیه بسازد، کد بنویسد و داده پردازش کند؛ این سه کار دقیقاً همان‌هایی است که آزمایشگاه از ChatGPT و Codex می‌گیرد. Codex برای نوشتن و اصلاح کد به‌کار می‌رود، در حالی‌که ChatGPT به عنوان شریک فکری برای طرح فرضیه‌ها عمل می‌کند و در کنارش مجموعه‌داده‌های بزرگ ژنومی را کمک می‌کند سازمان‌دهی و پیش‌پردازش شوند. یک کاربرد کمتر فنی اما مهم هم وجود دارد: وقتی عضوی از تیم به موضوعی ناآشنا برمی‌خورد یا اصطلاحی نیاز به توضیح دارد، ChatGPT همان نقش یک همکار سریع را بازی می‌کند که می‌تواند فوری پاسخ بدهد. با این حال، این آزمایشگاه به اعضایش تأکید می‌کند که خروجی‌های هوش مصنوعی را همیشه دوباره بررسی کنند، چون دقت نهایی هنوز مسئولیت انسان است.
چرا این مسیر برای هر تیم تحقیقاتی قابل تکرار نیست
نکته‌ای که باید روشن باشد این است که مدل‌های یادگیری عمیق اختصاصی این آزمایشگاه برای پیش‌بینی کاندیدهای ضدمیکروبی منتشر نشده‌اند، و آنچه در دسترس عموم است تنها ChatGPT و Codex به شکل عمومی‌شان هستند. یعنی بخش تحلیل توالی‌های زیستی و رتبه‌بندی کاندیدها را نمی‌توان دقیقاً بازسازی کرد، اما بخش برنامه‌نویسی، پردازش داده و برین‌استورمینگ فرضیه با همان دو ابزار عمومی قابل انجام است. این تفکیک برای هر گروه تحقیقاتی یا حتی فردی که با داده‌های زیستی یا علمی حجیم کار می‌کند اهمیت دارد: بخشی از فرآیند علمی که زمان زیادی می‌گیرد -نوشتن اسکریپت، تمیزکردن داده، فرمول‌بندی اولیه فرضیه- را می‌شود همین امروز با ابزارهای عمومی تسریع کرد، بدون آن‌که منتظر انتشار مدل تخصصی ماند.
مشخصات
- سیستم‌های هوش مصنوعی: ChatGPT و Codex
- کاربرد اصلی: شناسایی کاندیدهای ضدمیکروبی
- ورودی جست‌وجو: داده‌های ژنومی و پروتئینی
منابع
- OpenAI — OpenAI