۱۶ ویروس طراحی‌شده با هوش مصنوعی با موفقیت باکتری‌ها را کشتند

تصور کنید روزی برسد که داروهای جدید را در طبیعت جست‌وجو نکنیم، بلکه آن‌ها را بر اساس یک نقشه دیجیتال چاپ کنیم. این رویای زیست‌شناسی سنتتیک اکنون با خلق ویروس‌هایی که توسط هوش مصنوعی طراحی شده‌اند، به واقعیت تبدیل شده است.

طبق گزارشی که در ۷ اوت ۲۰۲۶ در وب‌سایت the-decoder.com منتشر شد، ۱۶ ویروس تولیدشده توسط هوش مصنوعی توانستند در محیط آزمایشگاهی تکثیر شوند و میزبان‌های باکتریایی خود را نابود کنند. این نتیجه برای نخستین بار در تاریخ علم نشان می‌دهد که دانشمندان توانسته‌اند از هوش مصنوعی زاینده (Generative AI) برای طراحی ژنوم‌های کامل و کاربردی برای اشکال حیات استفاده کنند.

این پیشرفت در حالی رخ می‌دهد که صنعت بیوتکنولوژی به‌دنبال ابزارهای دقیق‌تری برای «درمان با فاژ» (Phage Therapy) است تا بتواند با عفونت‌های مقاوم به چند دارو (Multidrug-resistant) مبارزه کند. در حالی که زیست‌شناسی سنتتیک سنتی بر پایه آزمون و خطاهای دستی و زمان‌بر استوار بود، این رویکرد جدید با DNA مانند یک زبان برخورد می‌کند که می‌تواند توسط یک مدل نوشته شود. در واقع، ما از کشف دارو در طبیعت به سمت چاپ آن‌ها بر اساس یک طرح دیجیتال حرکت می‌کنیم. این رویکرد محاسباتی در طراحی مولکولی، مشابه تلاش‌های اخیر برای استفاده از رایانش کوانتومی در طراحی پپتیدهاست که دقت و سرعت تولید ساختارهای زیستی جدید را افزایش می‌دهد.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های بنیادی اشاره کردیم، توانایی مدل‌ها در درک الگوهای پیچیده، مرز بین کد دیجیتال و کد بیولوژیک را از بین می‌برد.

زمینه و ریشه‌ها

این پروژه توسط دانشمندان دانشگاه استنفورد (Stanford University) و مؤسسه غیرانتفاعی آرک (Arc Institute) اجرا شد. در یک مقاله پیش‌چاپ (Preprint)، این تیم توضیح دادند که چگونه سامانه هوش مصنوعی آن‌ها کدهای ژنتیکی جدیدی را برای ویروس‌ها پیشنهاد داده است. برایان هی، که مدیریت آزمایشگاه مؤسسه آرک (جایی که این ویروس‌ها خلق شدند) را بر عهده دارد، اشاره کرد که مشاهده‌ی ویروس‌های کروی تولیدشده توسط هوش مصنوعی «بسیار تکان‌دهنده» بود.

جف بوکه، زیست‌شناس دانشگاه NYU Langone Health، این پروژه را یک «گام نخست تحسین‌برانگیز» به سوی حیات طراحی‌شده توسط هوش مصنوعی توصیف کرد، هرچند از نظر فنی ویروس‌ها موجودات زنده‌ای محسوب نمی‌شوند. او خاطرنشان کرد که عملکرد هوش مصنوعی «به‌طور غافلگیرکننده‌ای خوب» بود و طرح‌های ارائه شده «غیرمنتظره» بودند؛ به‌طوری که تغییراتی در ترتیب و چیدمان ژن‌ها ایجاد شده بود که دانشمندان انسانی پیش از این هرگز به آن‌ها فکر نکرده بودند.

قلب تپنده این پروژه، مدل Evo است؛ یک مدل زبانی ژنومیک که توسط دانشمندان دانشگاه استنفورد و مؤسسه آرک توسعه یافته است. برخلاف مدل‌های زبانی بزرگ (LLM) استاندارد که روی متن آموزش می‌بینند، Evo از حدود ۹ تریلیون نوکلئوتید مربوط به میلیون‌ها حیوان، گیاه و میکروب یاد گرفته است.

جزئیات فنی

برای رسیدن به نتیجه‌ی خاصِ نابودی باکتری‌ها، تیم پژوهشی از یک فرآیند آموزشی دو مرحله‌ای استفاده کرد:

• آموزش عمومی: مدل Evo ابتدا الگوهای کل درخت حیات را جذب کرد و از میلیون‌ها ژنوم ویروسی و سایر داده‌های بیولوژیکی یاد گرفت.
• آموزش تخصصی: مدل سپس بر روی ۱۱ ژنِ فاژ Phi X-174 و حدود ۱۵ هزار مورد از نزدیک‌ترین خویشاوندان آن متمرکز شد. ساموئل کینگ، دانشجوی دکترا و یکی از نویسندگان مقاله، بیان کرد که این تمرکز تخصصی «گام بعدی بدیهی» در این مسیر بود.

در نتیجه‌ی این آموزش، Evo حدود ۷۰۰ هزار ژنوم احتمالی را پیشنهاد داد. پژوهشگران ۲۸۵ مورد از امیدوارکننده‌ترین توالی‌ها را به‌صورت شیمیایی به DNA تبدیل کرده و آن‌ها را وارد باکتری‌ها کردند. در حالی که در یک مقاله پیش‌چاپ به ۳۰۲ ژنوم سنتز شده اشاره شده بود، گزارش نیویورک تایمز تأیید می‌کند که ۲۸۵ توالی دنبال شدند. از این میان، ۱۶ ویروس توانستند تکثیر شوند و برخی از آن‌ها حتی سریع‌تر از نسخه طبیعی Phi X-174 عمل کردند.

تحلیل متخصصان

متخصصانی مانند الیور کروک از دانشگاه آکسفورد اشاره می‌کنند که این ویروس‌ها به اندازه نمونه‌های طبیعی مقاوم هستند و صرفاً «نسخه‌های ضعیفی از چیزهایی که از قبل وجود داشتند» نیستند. با این حال، کروک انتظارات را تعدیل می‌کند و می‌گوید هوش مصنوعی چیز بنیادین و کاملاً جدیدی اختراع نکرده است؛ زیرا این ویروس‌ها همچنان بر پایه همان بیولوژی گونه‌های طبیعی عمل می‌کنند. پاتریک کای، زیست‌شناس سنتتیک در دانشگاه منچستر، این اثر را یک «نقطه عطف مهم» می‌نامد.

جی. کریگ ونتر، پیشگام در زمینه DNA سنتتیک، این روش را نسخه‌ای سریع‌تر از آزمون و خطای سنتی توصیف کرد. آزمایشگاه خود او زمانی سلول‌های سنتتیک را از طریق جست‌وجوی دستی در متون علمی ساخته بود که فرآیندی بسیار کندتر بود. ونتر اکنون «نگرانی‌های شدیدی» درباره احتمال خلق پاتوژن‌های خطرناک ابراز کرده و خواستار احتیاط شدید در تحقیقات تقویت ویروسی شده است، به‌ویژه در مواردی که نتایج به‌صورت تصادفی حاصل می‌شوند.

ایمنی زیستی و مقررات

این توانمندی، شکافی بحرانی در مقررات ایمنی زیستی را آشکار می‌کند. سیاست‌های فعلی مؤسسات ملی بهداشت آمریکا (NIH) که در اواخر جولای منتشر شد، آزمایش‌هایی را که پاتوژن‌های شناخته‌شده را خطرناک‌تر می‌کنند ممنوع کرده است. اما این قوانین، طراحی کاملاً محاسباتی DNA ویروس را در کامپیوتر پوشش نمی‌دهند، مگر اینکه مربوط به یک «موجود مورد نگرانی» (Entity of Concern) باشد.

موریت هانکه از مرکز امنیت بهداشت جانز هاپکینز، به تضاد شدید میان سرعت تحقیقات هوش مصنوعی و حفاظ‌های قانونی اطراف آن اشاره می‌کند. او می‌پرسد: «ریسک چیزی که من هرگز ندیده‌ام چیست؟» هانکه هشدار می‌دهد که یک بازیگر بدخواه می‌تواند تئوریکاً از یک مدل ژنومیک بخواهد ژنوم آنفلوانزایی را طراحی کند که مرگبارتر یا مسری‌تر باشد.

تیم استنفورد برای کاهش این ریسک، اقدامات داوطلبانه‌ای انجام داد. آن‌ها اطمینان یافتند که Evo در طول آموزش، هیچ داده‌ای درباره ویروس‌های انسانی یا پاتوژن‌های مرتبط با حیوانات، گیاهان یا قارچ‌ها دریافت نکند. به این ترتیب، مدل اساساً نمی‌تواند آن ژنوم‌های خاص را تولید کند. برایان هی، زیست‌شناس محاسباتی استنفورد، اظهار داشت: «ما فقط می‌خواستیم بسیار محتاط باشیم». هانکه این اقدام را «بسیار ستودنی» دانست، زیرا هیچ قانون رسمی چنین الزامی را تعیین نکرده بود.

کاربردهای آینده

از منظر تجاری، این تحول به معنای حرکت به سمت آزمایشگاه‌های خودکار و بسته‌ (Closed-loop) است. جیسون کلی، مدیرعامل گینکو بایورکس (Ginkgo Bioworks)، معتقد است طراحی سلول‌ها با هوش مصنوعی باید یک اولویت ملی باشد تا اطمینان حاصل شود که ایالات متحده نخستین کشوری است که به این نقطه می‌رسد. او سیستمی را متصور است که در آن هوش مصنوعی طرح را پیشنهاد می‌دهد و آزمایشگاه‌های رباتیک به‌طور مداوم آن‌ها را تست کرده و نتایج را برای بهینه‌سازی در مقیاس بزرگ به مدل بازمی‌گردانند.

علاوه بر کاربردهای صنعتی، این فناوری می‌تواند پزشکی را دگرگون کند. ویروس‌ها ابزارهای کلیدی در ژن‌درمانی برای انتقال ژن‌های جدید به سلول‌های انسانی هستند. همان‌طور که الیور کروک می‌گوید: «بسیاری از علوم ما بر پایه استفاده از ویروس‌ها به‌عنوان تکنولوژی است».

اگرچه گسترش این روش به سلول‌های پیچیده زنده همچنان یک چالش عظیم است — چرا که باکتری‌هایی مانند E. coli حدود ۱۰۰۰ برابر DNA بیشتری نسبت به فاژهای ساده مورد استفاده در اینجا دارند — اما اثبات مفهوم (Proof of Concept) انجام شده است. جف بوکه هشدار داد که پیچیدگی در مراحل بعدی از «بهت‌آور» به «بسیار بیشتر از تعداد ذرات زیراتمی در جهان» جهش خواهد کرد. با این حال، توانایی تولید کد ژنتیکی کاربردی دیگر یک تئوری نیست، بلکه یک واقعیت آزمایشگاهی است.

گام بعدی شما

• دنبال کردن گزارش‌های مربوط به «درمان با فاژ» برای درک نحوه جایگزینی آن با آنتی‌بیوتیک‌ها.
• بررسی استانداردهای جدید NIH در مورد طراحی محاسباتی DNA برای متخصصان بیوانفورماتیک.
• مطالعه مدل‌های زبانی ژنومیک برای درک تفاوت آن‌ها با مدل‌های متنی رایج.

اما داستان سخت‌افزاری این تحول و نیاز به توان محاسباتی عظیم برای پردازش تریلیون‌ها نوکلئوتید حتی شگفت‌انگیزتر است — به تحلیل ما درباره تراشه‌های تخصصی بیوتکنولوژی مراجعه کنید.