سرمایه‌گذاری ۱.۸ میلیارد دلاری آمریکا برای ساخت مدل هوش مصنوعی «سلول مجازی»

تصور کنید پیش از تجویز هر قرص، پزشک اثر آن را روی یک نسخه‌ی دیجیتال و دقیق از سلول‌های بدن شما آزمایش کند. این رویای پزشکی، هدف اصلی سرمایه‌گذاری ۱.۸ میلیارد دلاری است که توسط Biohub، وزارت انرژی (DOE) و مؤسسات ملی سلامت (NIH) آمریکا برای ساخت اولین مدل‌های پیش‌بینی‌کننده‌ی دقیق زیست‌شناسی آغاز شده است.

طبق اعلام رسمی در ۷ اکتبر ۲۰۲۶، این ابتکار بزرگ‌ترین تعهد مالی تاریخ برای تولید داده‌های زیستی آماده برای هوش مصنوعی زاینده (Generative AI) — شبیه به ساخت یک کتابخانه‌ی عظیم و منظم که هوش مصنوعی بتواند سریعاً از آن یاد بگیرد — است. این سازمان‌ها در کنار شرکای جدید، روی تأمین بودجه، داده‌ها، توان محاسباتی و فناوری‌های اندازه‌گیری جدید سرمایه‌گذاری می‌کنند تا منبعی باز و در دسترس برای کل جامعه‌ی پژوهشی ایجاد کنند.

پیش‌بینی واکنش یک سلول زنده به یک دارو یا جهش ژنتیکی، سال‌هاست که «جام مقدس» پزشکی محسوب می‌شود. در حال حاضر، اکثر کشفیات از طریق آزمون و خطاهای کند، گران‌قیمت و زمان‌بر در آزمایشگاه‌های فیزیکی رخ می‌دهد. با ایجاد یک سلول مجازی، پژوهشگران می‌توانند این آزمایش‌ها را به محیط دیجیتال منتقل کنند و به طور بالقوه زمان یافتن درمان برای بیماری‌های مزمن را به‌شدت کاهش دهند. این رویکرد دیجیتال، یادآور دستاوردهای اخیر در مدل‌سازی‌های تخصصی است؛ برای نمونه، مدل Quine مایکروسافت توانست جست‌وجوی داروهای سرطان پانکراس را به تنها یک آخر هفته برساند که نشان‌دهنده پتانسیل عظیم مدل‌های پیش‌بینی‌کننده در کاهش زمان کشفیات است.

الکس رایوز (Alex Rives)، مدیر علمی Biohub، ساخت سلول مجازی را «یکی از مهم‌ترین چالش‌های عصر جدید علم» توصیف کرد. او تأکید کرد که یک مدل پیش‌بینی‌کننده‌ی دقیق می‌تواند سرعت کشفیات را با فعال کردن آزمایش‌های دیجیتال افزایش دهد، اما خاطرنشان کرد که این امر مستلزم تولید هماهنگ داده‌ها در مقیاس ملی و بین‌المللی است.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی نقش مدل‌های بنیادی در علوم پایه اشاره کردیم، کلید موفقیت این پروژه‌ها در کیفیت داده‌های ورودی است، نه فقط قدرت پردازش.

موتور فدرال: مأموریت جنسیس

وزارت انرژی آمریکا (DOE) از طریق مأموریت جنسیس (Genesis Mission)، مبلغی بیش از ۵۰۰ میلیون دلار طی پنج سال اختصاص داده است. این ابتکار ملی، آزمایشگاه‌های ملی، صنعت و دانشگاه‌ها را برای بهره‌گیری از هوش مصنوعی در کشفیات علمی متحد می‌کند. این فعالیت‌ها حوزه‌های جمع‌آوری داده، تحلیل‌های AI، مدل‌سازی و محاسبات را در بر می‌گیرد.

دارایی‌های کلیدی وزارت انرژی در این پروژه عبارتند از:

• ابررایانه‌های مقیاس اکساسکال برای پردازش حجم‌های عظیم داده.
• تصویربرداری پیشرفته از طریق پراکندگی اشعه ایکس و نوترون.
• میکروسکوپ الکترونی کرایو (Cryo-EM)، توموگرافی و آزمایشگاه‌های خودگردان.
• تأسیسات کاربر در مؤسسه ژنوم مشترک (Joint Genome Institute) و آزمایشگاه علوم مولکولی محیطی (Environmental Molecular Sciences Laboratory) و همچنین خطوط تابشی پیشرفته ساختاری.

داریو گیل (Darío Gil)، معاون علمی وزارت انرژی و مدیر مأموریت جنسیس، خاطرنشان کرد که این مشارکت، دارایی‌های اندازه‌گیری تجربی دولت را با توانایی توسعه مدل‌های AI در Biohub ادغام می‌کند. این همکاری استانداردی جدید برای علم باز در بیوتکنولوژی می‌سازد.

به‌طور هم‌زمان، NIH در حال هماهنگی برای ارائه مجموعه‌داده‌های موجود و پایگاه‌های دانش است. این تلاش که با نام مأموریت بیو جنسیس (Bio Genesis Mission) شناخته می‌شود و توسط بیش از ۵۰۰ میلیون دلار سرمایه‌گذاری قبلی فدرال حمایت شده، هدفش دو برابر کردن سرعت نوآوری‌های زیست‌پزشکی طی ۵ تا ۱۰ سال آینده است.

اهداف راهبردی و زیرساخت‌های NIH

مأموریت بیو جنسیس تحت فرمان اجرایی ۱۴۳۶۳ برای شتاب‌بخشی به علم آمریکا فعالیت می‌کند. این برنامه در حال پیشبرد شش چالش ملی علم و فناوری است که عبارتند از:

• پیش‌بینی سیستم‌های زنده.
• شتاب‌بخشی به کشف دارو و انتقال بالینی (Clinical Translation).
• درک ریشه‌های بنیادین بیماری‌های مزمن.

برای پشتیبانی از این اهداف، NIH با دفتر سیاست‌های علمی و فناوری کاخ سفید برای پیشبرد «پلتفرم علم و امنیت آمریکا» همکاری می‌کند. این پلتفرم، تأسیسات علمی، منابع داده و قابلیت‌های AI را در سراسر سازمان‌های پژوهشی فدرال یکپارچه می‌کند.

منابع درگیر در مشارکت NIH شامل مخازن زیست‌پزشکی ملی است که توسط مرکز ملی اطلاعات بیوتکنولوژی (NCBI) و کتابخانه ملی پزشکی (NLM) فهرست شده‌اند. علاوه بر این، برنامه‌های صندوق مشترک NIH در حال توسعه استانداردهای مشترک داده، اطلس‌های زیست‌شناختی هماهنگ و مجموعه‌داده‌های زیست‌پزشکی آماده برای AI هستند.

نیکول کلاینستروئر (Nicole Kleinstreuer)، معاون مدیر NIH در بخش هماهنگی برنامه‌ها، برنامه‌ریزی و ابتکارات راهبردی، بیان کرد که ترکیب این منابع اجازه می‌دهد مدل‌های سلولی جهانی با پیچیدگی کافی ساخته شوند تا واکنش هر سلول به هر مداخله‌ای پیش‌بینی شود. او معتقد است این مسیر به پیشرفت‌های پزشکی در بازه‌های زمانی بسیار سریع‌تر از آزمایش‌های آزمایشگاهی منجر خواهد شد.

حمایت صنعت و بخش خیریه

غول‌های فناوری خصوصی نیز برای حل مشکل مقیاس‌بندی داده‌ها وارد میدان شده‌اند. گوگل دیپ‌مایند (Google DeepMind)، ایزومورف لبز (Isomorphic Labs) و متا (Meta) مجموعاً ۳۰۰ میلیون دلار در «ابتکار زیست‌شناسی مجازی» سرمایه‌گذاری می‌کنند. این همکاری که نخستین بار در ۲۹ آوریل ۲۰۲۶ اعلام شد، تلاشی پنج‌ساله برای هماهنگی داده‌ها در رشته‌های مختلف است.

مکس جادربرگ از Isomorphic Labs استدلال کرد که حل سیستم‌های پیش‌بینی زیست‌شناسی نیازمند مقیاسی است که فراتر از توان هر شرکت به‌تنهایی باشد. پوشمیت کولی از گوگل دیپ‌مایند افزود که این سرمایه‌گذاری یک «مشاع داده‌ای» (Data Commons) باز و استاندارد برای جامعه جهانی پژوهش ایجاد می‌کند.

انویدیا (NVIDIA) نیز با فراهم کردن زیرساخت‌های محاسباتی شتاب‌یافته و نرم‌افزارهای تخصصی برای مدیریت بار محاسباتی عظیم مدل‌سازی سلولی، از این پروژه حمایت می‌کند. همچنین، مؤسسه رنسانس فیلانتروپی (Renaissance Philanthropy) به گسترش بودجه تولید داده کمک می‌کند.

بنیاد Biohub

مؤسسه Biohub با تعهد ۵۰۰ میلیون دلاری، لنگرگاه این پروژه است. در زمان راه‌اندازی در ماه آوریل، Biohub اشاره کرد که یک مدل پیش‌بینی‌کننده با دقت بالا، به داده‌هایی با چندین مرتبه بزرگی بیشتر از داده‌های فعلی نیاز دارد. این بودجه بین دو هدف اصلی تقسیم شده است:

• ۴۰۰ میلیون دلار برای فناوری‌های اندازه‌گیری جدید، از جمله توموگرافی الکترونی کرایو برای دستیابی به جزئیات نزدیک به اتمی درون سلول‌ها، میکروسکوپی برای تصویربرداری از میلیاردها سلول در بافت‌های زنده، و ابزارهای مهندسی برای ایجاد اختلال (Perturb) در زیست‌شناسی در سطوح مولکولی، سلولی، بافتی و در سطح کل ارگانیسم.
• ۱۰۰ میلیون دلار برای تأمین بودجه پژوهش‌های خارجی خارج از اکوسیستم Biohub.

برای عملیاتی کردن این طرح، Biohub در حال ساخت یک لایه داده‌ای یکپارچه است. این لایه شامل استانداردهای مشترک و شناسه‌های یکسان است تا مجموعه‌داده‌های مؤسسات مختلف — مانند مؤسسه براد (Broad Institute)، مؤسسه آلن (Allen Institute)، مؤسسه آرک (Arc Institute)، مؤسسات گلدستون (Gladstone Institutes) و مؤسسه ولکام سنگر (Wellcome Sanger Institute) — به‌طور یکپارچه با هم کار کنند. سایر شرکا شامل کنسرسیوم‌های اطلس سلول انسانی (Human Cell Atlas) و اطلس پروتئین انسانی (Human Protein Atlas) هستند.

Biohub در این مسیر از تجربه یک دهه مدیریت پروژه‌های داده باز مانند Tabula Sapiens, OpenCell و Zebrahub استفاده می‌کند و زیرساخت‌های جامعه‌ای مانند پورتال داده CryoET و CELLxGENE را حفظ کرده است.

تحلیل: چرخش به سمت زیست‌شناسی دیجیتال

این اقدام نشان‌دهنده تغییر رویکرد از زیست‌شناسی «مشاهده‌ای» به زیست‌شناسی «پیش‌بینی‌کننده» است. برای کسب‌وکارهای بیوتکنولوژی، این به معنای گذار از قمار پرریسک آزمایشگاهی به یک رویکرد مهندسی قطعی‌تر است. اگر یک سلول مجازی بتواند شکست یک دارو را به‌دقت پیش‌بینی کند، میلیاردها دلار از هزینه‌های تحقیق و توسعه (R&D) که هدر می‌رفت، ذخیره می‌شود. در همین راستا، ادغام هوش مصنوعی با سخت‌افزارهای پیشرفته در حال تغییر ماهیت آزمایشگاه‌هاست؛ چنان‌که در گزارش ما از آزمایشگاه آنتروپیک، مشاهده شد که مدل Claude چگونه ربات‌های داروسازی را هدایت می‌کند تا فرآیندهای تجربی را خودکار و دقیق‌تر کند.

با این حال، موفقیت این ابتکار کاملاً به استانداردسازی داده‌ها وابسته است. داده‌های زیست‌شناختی به‌شدت پراکنده و نامنظم هستند. این ائتلاف با اجبار به استفاده از «یک نقطه دسترسی» و شناسه‌های مشترک، سعی دارد همان کاری را برای زیست‌شناسی انجام دهد که پروژه ژنوم انسانی برای ژنتیک انجام داد: ایجاد یک نقشه جهانی که همه بتوانند از آن استفاده کنند.

برای یک فرد عادی، این به معنای آینده‌ای است که در آن درمان‌های پزشکی روی یک «دوقلوی دیجیتال» از سلول‌های خود فرد شبیه‌سازی می‌شوند، پیش از آنکه حتی یک قرص تجویز شود.

دنبال کردن انتشار نخستین مجموعه‌داده‌های استاندارد «آماده برای AI» باشید؛ این داده‌ها احتمالاً موج جدیدی از استارتاپ‌های کشف داروی دیجیتال را ایجاد می‌کنند.

گام بعدی شما

• دنبال کردن انتشار نخستین مجموعه‌داده‌های استاندارد «آماده برای AI» باشید؛ این داده‌ها احتمالاً موج جدیدی از استارتاپ‌های کشف داروی دیجیتال را ایجاد می‌کنند.
• بررسی کنید که چگونه مدل‌های پیش‌بینی‌کننده زیست‌شناسی می‌توانند هزینه‌های تست‌های بالینی را در صنعت داروسازی کاهش دهند.
• مطالعه کنید که آیا استانداردهای داده‌ای Biohub با سایر پروژه‌های باز در حوزه پروتئین‌ها هم‌راستا هستند یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های تخصصی انویدیا برای شبیه‌سازی مولکولی مراجعه کنید.