یک آخر هفته محاسبات پیچیده، جایگزین ماه‌ها کار دستی در آزمایشگاه‌های مبارزه با سرطان پانکراس شد. مایکروسافت ریسرچ (Microsoft Research) در ۲۹ سپتامبر ۲۰۲۶ افشا کرد که مدل جدید و چندوجهی (Multimodal) آن به نام Quine، می‌تواند هزاران ترکیب شیمیایی را رتبه‌بندی کرده و تغییرات درمانی در وضعیت سلول‌های تومور را با دقت بالایی پیش‌بینی کند.
این پیشرفت در حالی رخ می‌دهد که هوش مصنوعی از تشخیص ساده الگوها به سمت «مدل‌های جهان» (World Models) حرکت می‌کند؛ سیستم‌هایی که صرفاً توکن بعدی را پیش‌بینی نمی‌کنند، بلکه وضعیت یک سیستم فیزیکی را شبیه‌سازی کرده و پیامدهای مداخلات خاص را پیش‌بینی می‌کنند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی ادغام AI در نرم‌افزارهای سازمانی مایکروسافت برای بهینه‌سازی بهره‌وری دیدیم، Quine نشان‌دهنده یک چرخش عمیق‌تر به سمت استفاده از قابلیت‌های ارکستراسیون برای حل معماهای بنیادی بیولوژی است.
زیربنا و زمینه‌های پژوهشی
به نقل از مایکروسافت ریسرچ، Quine حاصل بیش از دو دهه فعالیت در تلاقی محاسبات و زیست‌شناسی است. این میراث گسترده، چندین رشته علمی مختلف از جمله ایمنی‌شناسی، ویروس‌شناسی، ژنومیک، تصویربرداری زیست‌پزشکی، زیست‌شناسی سلولی و مهندسی پروتئین را در بر می‌گیرد.
خطوط پژوهشی که منجر به خلق Quine شدند، بین سال‌های ۲۰۲۱ تا ۲۰۲۶ توسعه یافتند. این مسیرهای تحقیقاتی حوزه‌های حیاتی بیولوژیک مانند ژنوم تنظیم‌کننده، ریزمحیط تومور، پاتولوژی بافت، میکروسکوپی و داده‌های عمومی بیولوژیک را پوشش دادند. امروز، Quine به هسته مرکزی تیم‌های مایکروسافت برای پیشبرد اکتشافات در بیولوژی سرطان، مهندسی پروتئین، ژنومیک و تصویربرداری زیستی تبدیل شده است.
این سیستم یک چت‌بات ساده و مستقل نیست، بلکه ساختاری سه‌گانه دارد: یک مدل چندوجهی مرکزی، یک لایه ابزار برای تجزیه پرسش‌های علمی و یک برنامه پژوهشی اختصاصی. مدل مرکزی در مقیاس‌های متنوع بیولوژیک، شامل ژنومیک، پروتئین‌ها، شیمی، RNA و تصویربرداری زیستی آموزش دیده است. طبق اعلام نیکولو فوسی و جاناتان کارلسون، معاونان مایکروسافت، آموزش مشترک در تمامی این مودالیته‌ها مانع از ایجاد سیلوهای داده‌ای می‌شود؛ همان مشکلاتی که معمولاً مدل‌های متخصص در تک‌حوزه را محدود می‌کند. این رویکرد در راستای تکامل مدل‌های تخصصی پزشکی است، مشابه آنچه در مدل‌های OpenEvidence برای ارتقای تشخیص‌های پزشکی مشاهده کردیم که دقت تحلیل‌های بالینی را افزایش دادند.
سازوکارهای فنی
مایکروسافت این مدل جهان را سیستمی تعریف می‌کند که وضعیت یک سیستم بیولوژیک را بازنمایی کرده، پیش‌بینی می‌کند که این وضعیت تحت یک مداخله چگونه تغییر می‌کند و سپس پیامدهای پایین‌دستی را چندین گام جلوتر استدلال می‌کند.
برای دستیابی به این هدف، سیستم از سه جزء یکپارچه استفاده می‌کند:
- مدل مرکزی (The Core Model): این بخش برای اتصال شواهد و داده‌ها در میان پروتئین‌ها، سلول‌ها، بافت‌ها و ژنوم‌ها ساخته شده است.
- لایه ابزار (The Tool Layer): یک محیط تعاملی (Harness) که به پژوهشگران کمک می‌کند پرسش‌های پیچیده علمی را به مراحل کوچک‌تر تجزیه کنند، ابزارهای علمی را به کار بگیرند، شواهد را وزن‌دهی کرده و برنامه‌های خود را اصلاح کنند.
- برنامه پژوهشی (The Research Program): چارچوبی که در آن دانشمندان، پژوهشگران ارشد (Fellows) و شرکای مایکروسافت، سیستم را در برابر پرسش‌های واقعی و عملی بیولوژیک آزمایش می‌کنند.
اعتبارسنجی آزمایشگاهی در سرطان پانکراس
برای اثبات کارایی و کاربردی بودن این مدل، مایکروسافت با مؤسسه براد (Broad Institute) وابسته به MIT و هاروارد و همچنین مؤسسه سرطان دانا-فاربر در قالب «پروژه Ex Vivo» همکاری کرد. تمرکز این تیم بر آدنوکارسینوم مجرای پانکراس (PDAC) بود که یکی از مقاوم‌ترین انواع سرطان در برابر درمان است. آن‌ها این فرضیه را آزمایش کردند که پاسخ یک تومور به داروها، علاوه بر ویژگی‌های ژنتیکی، به وضعیت رونویسی سلولی (Transcriptional Cell State) آن نیز بستگی دارد.
نتایج کلیدی این مطالعه در مورد PDAC عبارتند از:
- اولویت‌بندی سریع: Quine هزاران ترکیب شیمیایی را رتبه‌بندی کرد و مواردی را شناسایی نمود که بیشترین احتمال را برای انتقال سلول‌های تومور از وضعیت «پایه‌ای» (Basal) به وضعیت «کلاسیک» (Classical) داشتند. فرآیند محدود کردن فضای جستجو به یک لیست کوتاه برای اعتبارسنجی، تنها در یک آخر هفته انجام شد. این سرعت در غربالگری یادآور پلتفرم Target Atlas است که زمان پژوهش اهداف دارویی را از چندین ماه به چند روز کاهش داد.
- اکتشافات غیرمنتظره: چندین کاندیدای رتبه‌بندی شده در صدر لیست، اثرات شدیدی را از طریق مکانیسم‌های اثر غیرمنتظره نشان دادند. این موضوع پتانسیل بالایی را برای بازکاربرد داروهای موجود (Drug Repurposing) آشکار کرد.
- دقت پیش‌بینی: مدل به‌درستی پیش‌بینی کرد که بازگرداندن سلول‌ها از حالت پایه به حالت کلاسیک به‌طور قابل‌توجهی دشوارتر خواهد بود؛ نتیجه‌ای که بعدها در آزمایش‌های تر (Wet-lab) تأیید شد.
- نقشه‌برداری از پیچیدگی: آزمایش‌ها پیش‌بینی Quine را تأیید کردند که برخی ترکیبات، سلول‌ها را به سمت یک فنوتیپ سوم متمایز می‌برند. این امر ثابت کرد که چشم‌انداز سرطان پیچیده‌تر از یک محور دوتایی ساده است.
اکوسیستم Quine
مایکروسافت این سیستم را یک چرخه بسته توصیف می‌کند: پرسش یک دانشمند منجر به تولید پیشنهاداتی می‌شود که به آزمایش تبدیل شده و نتایج حاصل از این آزمایش‌ها، مدل را اصلاح و پالایش می‌کند. شرکت تأکید دارد که Quine برای جایگزینی آزمایشگاه‌های تر طراحی نشده است، بلکه هدف آن این است که اطمینان حاصل شود منابع محدود آزمایشگاهی تنها صرف کاندیداهایی با بالاترین احتمال موفقیت می‌شود. مدل نیازی نیست کامل و بی‌نقص باشد؛ بلکه تنها باید بتواند طراحی آزمایش‌ها را به‌طور مفید هدایت کند. این مدل از هدایت هوشمند آزمایشگاهی، شباهت‌های استراتژیک با رویکرد آزمایشگاه آنتروپیک در هدایت ربات‌های داروسازی توسط Claude دارد که در آن AI نقش ناظر و هدایت‌گر فرآیندهای فیزیکی را ایفا می‌کند.
دسترسی به این فناوری در حال حاضر محدود به یک عرضه مرحله‌بندی شده است. برنامه Quine Fellows که ثبت‌نام آن در ۲۹ سپتامبر ۲۰۲۶ آغاز شد، پذیرای دانشجویان دکترا و پژوهشگران علمی در کمبریج ماساچوست از ۷ ژوئن تا ۲۴ سپتامبر ۲۰۲۷ خواهد بود.
جزئیات بورسیه پژوهشی
این دوره ۱۶ هفته‌ای شامل حمایت مالی و دسترسی به منابع محاسباتی قدرتمند Quine است. این فرصت برای دانشجویان دکترا، پسادکترا، دانشمندان پژوهشی و محققان دانشگاهی یا مستقل باز است. حوزه‌های مورد علاقه ذکر شده در این برنامه عبارتند از:
- طراحی و مهندسی پروتئین.
- طراحی، کشف و بهینه‌سازی آنزیم‌ها.
- مداخلات ژنتیکی و شیمیایی در وضعیت سلولی.
- پژوهش‌های درمانی مراحل اولیه در حوزه‌های بیماری‌هایی که منابع کمی دارند، از جمله اولویت‌بندی ترکیبات.
- مسائل مجاور که در آن‌ها تکرار سریع‌تر بین طراحی و آزمایش می‌تواند نتیجه نهایی را تغییر دهد.
از منظر فنی، Quine معیار هوش مصنوعی در بیولوژی را از «پیش‌بینی» به «استدلال از طریق مداخله» تغییر می‌دهد. مایکروسافت با اتصال مدل به یک محیط تعاملی از ابزارهای علمی و ادبیات پژوهشی، در تلاش است سیستمی بسازد که بتواند فرضیه بسازد و سپس منطق خود را از طریق آزمایش فیزیکی اعتبارسنجی کند.
این رویکرد «مالیاتِ آزمون و خطا» در کشف دارو را به‌شدت کاهش می‌دهد. اگر مدلی بتواند شکست یک ترکیب را پیش از آنکه هرگز با ظرف پتری تماس پیدا کند پیش‌بینی نماید، هزینه نوآوری به‌شدت افت می‌کند. اثر مرتبه دوم این تحول، حرکت به سمت «اولیت بیولوژی محاسباتی» است، جایی که آزمایشگاه تر به جای موتور اکتشاف، به یک موتور تأیید تبدیل می‌شود.
مایکروسافت هشدار داده است که Quine در حال حاضر آزمایشی است و نباید برای مصارف بالینی استفاده شود و خروجی‌های آن نیازمند بررسی توسط پژوهشگران واجد شرایط است. نسخه‌های آینده، مجموعه‌داده‌های جدید RNA را ادغام کرده و تخمین‌های کالیبره شده برای اطمینان (Confidence Estimates) اضافه خواهند کرد تا دانشمندان بتوانند فرضیات را بهتر رتبه‌بندی کنند. مایکروسافت انتظار دارد با بلوغ فناوری، دسترسی را از طریق محصولاتی مانند Microsoft Discovery گسترش دهد.
پژوهشگران و دانشجویان دکترا باید پنجره درخواست برنامه Quine Fellows را که در ۲ نوامبر ۲۰۲۶ بسته می‌شود، زیر نظر داشته باشند تا به این لایه ارکستراسیون دسترسی زودهنگام پیدا کنند.
گام بعدی شما
- پژوهشگران حوزه بیوانفورماتیک باید تا ۲ نوامبر ۲۰۲۶ برای برنامه Quine Fellows اقدام کنند تا به لایه ارکستراسیون این مدل دسترسی یابند.
- بررسی متدهای «مدل‌های جهان» در بیولوژی برای کاهش هزینه‌های R&D در شرکت‌های داروسازی.
- دنبال کردن به‌روزرسانی‌های Microsoft Discovery برای دسترسی احتمالی به ابزارهای غربالگری ترکیبات.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell و نقش آن‌ها در شبیه‌سازی‌های بیولوژیک مراجعه کنید.
گفتگو