«دسترسی آزاد به ابزارها»؛ استراتژی Insilico برای کشفیات بیولوژیکی

تصور کنید ابزاری در اختیار داشته باشید که بتواند پیچیدگی‌های بیولوژیکی پیری را مانند یک کد برنامه‌نویسی تحلیل کند و اهداف درمانی جدید را پیش‌بینی نماید. این رویای زیست‌شناسی محاسباتی اکنون با انتشار یک جعبه‌ابزار جامع توسط شرکت Insilico Medicine به واقعیت نزدیک‌تر شده است. این شرکت با انتشار یک مطالعه جامع در مجله Cell، سهم قابل توجهی در پیشبرد حوزه «گروساینس» (Geroscience) یا علم پیری ایفا کرده است.

به نقل از مجله Cell، این شرکت در ۱۷ سپتامبر ۲۰۲۶ مطالعه‌ای جامع منتشر کرد که در آن سه رکن اصلی برای تحول در علم طول عمر معرفی شده است: محک LongevityBench، خانواده‌ای از ۵ مدل زبانی کوچک (SLM) تخصصی و پلتفرم پژوهشی عامل‌محور (Agentic) به نام Longevity Claw. هدف از این اقدام، فراهم کردن یک چارچوب استاندارد برای جامعه علمی است تا بتوانند هوش مصنوعی را در مطالعه طول عمر و آسیب‌های مرتبط با افزایش سن به‌طور دقیق ارزیابی و مستقر کنند.

این مطالعه که با عنوان «یک محک باز و مدل‌های زبانی برای هوش مصنوعی در زیست‌شناسی پیری» منتشر شد، به عنوان داستان روی جلد شماره ۱۷ سپتامبر ۲۰۲۶ مجله Cell قرار گرفت. این پروژه حاصل همکاری نهادهای برجسته‌ای چون Liquid AI، مؤسسه Buck برای تحقیقات پیری، دانشکده پزشکی هاروارد و بیمارستان Brigham and Women’s است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های تخصصی پزشکی اشاره کردیم، گذار از مدل‌های عمومی به مدل‌های دامنه-محور، کلید دستیابی به دقت در علوم زیستی است. Insilico با انتشار این ابزارها تحت مجوز Creative Commons Attribution 4.0، رویکرد «علم باز» را برای مقابله با پیچیدگی‌های فرسودگی بیولوژیکی برگزیده است تا این ابزارها برای پژوهشگران در سراسر جهان در دسترس باشد.

مرکز این مجموعه، LongevityBench است؛ یک مجموعه باز شامل ۱۷ تکلیف مجزا که ۵ حوزه حیاتی داده‌های زیستی را پوشش می‌دهد: داده‌های بالینی، ژنتیک، اپی‌ژنتیک، ترانسکریپتومیکس و پروتئومیکس. نویسندگان پژوهش تأکید می‌کنند که پیش از این توسعه، هیچ محک موجودی وجود نداشت که بتواند ارزیابی کند آیا سیستم‌های هوش مصنوعی قادرند این انواع داده‌های ناهمگون را به‌طور خاص در بافت زیست‌شناسی پیری تفسیر کنند یا خیر. این تلاش برای غنی‌سازی داده‌های زیستی در راستای رویکردهایی است که داده‌های باکیفیت انسانی را برای رفع نقص‌های مدل‌های هوش مصنوعی جایگزین مدل‌های حیوانی می‌کنند. این محک به‌گونه‌ای دقیق طراحی شده است که مدل‌ها نتوانند با تکیه بر حافظه ساده یا بازخوانی داده‌های آموزشی پاسخ دهند. در عوض، LongevityBench سیستم‌های هوش مصنوعی را به چالش می‌کشد تا تحلیل واقعی داده‌های بیولوژیکی را انجام دهند، الگوهای پیچیده را شناسны و مسائل کاربردی مرتبط با فرآیند پیری را حل کنند.

در کنار این محک، خانواده‌ای متشکل از ۵ مدل زبانی کوچک (SLM) معرفی شده‌اند. این مدل‌ها در واقع نسخه‌های تخصصی از مدل‌های زبانی بزرگ هستند که برای درک ظرافت‌های علم طول عمر تنظیم دقیق (Fine-tuning) شده‌اند. Insilico Medicine با تمرکز بر معماری‌های فشرده، قصد دارد ابزارهایی ارائه دهد که از نظر محاسباتی بهینه باشند اما در عین حال توانایی بالایی در پردازش ساختارهای داده‌ای و اصطلاحات تخصصی بیولوژیکی داشته باشند. این مدل‌ها به عنوان موتور محرک پلتفرم Longevity Claw عمل می‌کنند. این پلتفرم پژوهشی عامل‌محور به محققان اجازه می‌دهد تا گردش‌کارهای پیچیده را خودکار کنند، اهداف بیولوژیکی جدید را به صورت فرضیه استخراج نمایند و اطلاعات را از مجموعه‌داده‌های پراکنده و متفاوت ترکیب و سنتز کنند. این رویکرد عامل‌محور در واقع گامی در جهت توانمندسازی هوش مصنوعی برای کنترل مستقیم سخت‌افزارها و تجهیزات آزمایشگاهی است تا فرآیند کشف علمی تسریع شود.

این دستاورد تنها یک گام تئوریک نیست و در ادامه موفقیت‌های اخیر این شرکت می‌آید. بر اساس گزارشی که این شرکت در ۷ سپتامبر ۲۰۲۶ در مجله Nature Biotechnology منتشر کرد، داروی rentosertib (که یک کاندید دارویی برای فیبروز ریوی ایدیوپاتیک است و توسط هوش مصنوعی کشف و طراحی شده)، نتایج امیدوارکننده‌ای نشان داده است. نتایج آزمایش‌های بالینی فاز IIa برای rentosertib نشان‌دهنده کاهش سن بیولوژیکی در ۶ ساعت پروتئومیک مستقل بود. این یافته‌ها شواهد تجربی ارائه می‌دهند که ثابت می‌کند کشف داروهای مبتنی بر هوش مصنوعی می‌تواند منجر به مداخلاتی شود که پتانسیل کند کردن سرعت پیری بیولوژیکی را دارند.

ادغام LongevityBench و مدل‌های مرتبط، نشان‌دهنده تغییری به سوی رویکردی سخت‌گیرانه‌تر و داده‌محور در پژوهش‌های طول عمر است. با فراهم کردن یک معیار مشترک برای سنجش عملکرد هوش مصنوعی، جامعه علمی اکنون می‌تواند مدل‌ها و متدولوژی‌های مختلف را با دقت بیشتری با یکدیگر مقایسه کند. انتظار می‌رود این امر شناسایی زیست‌نشانگرهای (Biomarkers) پیری و توسعه درمان‌های سنولیتیک (Senolytic) یا جوان‌کننده را تسریع کند. پلتفرم Longevity Claw به‌طور خاص، نماینده حرکت به سوی هوش مصنوعی «عامل‌محور» است؛ جایی که سیستم دیگر صرفاً به سؤالات پاسخ نمی‌دهد، بلکه با برنامه‌ریزی برای آزمایش‌ها و تحلیل نتایج، فعالانه در فرآیند پژوهش مشارکت می‌کند.

در نهایت، هدف Insilico Medicine پر کردن شکاف میان داده‌های خام بیولوژیکی و بینش‌های درمانی کاربردی است. این شرکت با باز کردن دسترسی به این ابزارها (Open-sourcing)، اکوسیستم جهانی از پژوهشگران را تشویق می‌کند تا این مدل‌ها را اصلاح کنند، تکالیف محک را گسترش دهند و در نهایت مکانیسم‌های بنیادی حاکم بر پیری انسان را کشف کنند. این حرکت استراتژیک، Insilico را نه فقط به عنوان یک توسعه‌دهنده دارو، بلکه به عنوان ارائه‌دهنده زیرساخت‌های بنیادی برای حوزه نوظهور علم طول عمر مبتنی بر هوش مصنوعی تبدیل می‌کند.

گام بعدی شما

• پژوهشگران حوزه بیوانفورماتیک باید LongevityBench را برای ارزیابی مدل‌های فعلی خود به کار بگیرند.
• بررسی مستندات Longevity Claw برای خودکارسازی فرآیند استخراج فرضیات بیولوژیکی.
• دنبال کردن نتایج فازهای بعدی آزمایش بالینی داروی rentosertib برای تایید اثرات کاهش سن.

اما تأثیر این مدل‌های کوچک بر کاهش هزینه‌های استنتاج در آزمایشگاه‌های تحقیقاتی حتی چشمگیرتر است — به تحلیل ما درباره مدل‌های زبانی کوچک (SLM) مراجعه کنید.