پژوهش استنفورد: هوش مصنوعی نخستین ژنوم‌های ویروسی فعال را طراحی کرد

تصور کنید کدی را بنویسید که نه در محیط دیجیتال، بلکه در دنیای فیزیکی اجرا شود، تکثیر یابد و تکامل پیدا کند. هوش مصنوعی زاینده (Generative AI) اکنون از این مرز عبور کرده و می‌تواند ژنوم‌های کامل و فعالی را طراحی کند که در دنیای واقعی زنده می‌مانند. به نقل از مطالعه‌ای که در ۱ سپتامبر ۲۰۲۶ منتشر شد، پژوهشگران دانشگاه استنفورد (Stanford University)، مؤسسه آرک (Arc Institute) و مؤسسه براد (Broad Institute) موفق شدند ۱۶ ویروس فعال را که تماماً توسط هوش مصنوعی طراحی شده بودند، سنتز کنند. این دستاورد در ادامه گزارش‌های اولیه‌ای است که نشان می‌داد چگونه ۱۶ ویروس طراحی‌شده با هوش مصنوعی با موفقیت باکتری‌ها را کشتند و پتانسیل این فناوری را به اثبات رساندند.

این نقطه عطف، تغییری بنیادین از «خواندن» یا «ویرایش» کدهای ژنتیکی به «تولید» آن‌ها از نقطه صفر است. در حالی که اصطلاح «ویروس طراحی‌شده توسط هوش مصنوعی» اغلب یادآور فیلم‌های فاجعه‌بار سینمایی است، باید اشاره کنیم که این موجودات، باکتریوفاژ (Bacteriophage) هستند؛ یعنی ویروس‌هایی که باکتری‌ها را هدف قرار می‌دهند و هیچ آسیبی به انسان نمی‌زنند. برای تضمین ایمنی، این آزمایش‌ها روی سویه‌های بی‌ضرر باکتری ای‌کولای (E. coli) در محیط آزمایشگاهی انجام شده است. در این فرآیند هیچ بیماری انسانی جدیدی خلق نشده و هیچ هوش مصنوعی به‌طور خودبه‌خودی موجودی را به زندگی نرسانده است.

پیچیدگی طراحی ژنوم

سال‌ها بود که از هوش مصنوعی برای پیش‌بینی ساختار پروتئین‌ها یا تحلیل توالی‌های DNA استفاده می‌شد. اما طراحی یک ژنوم کامل به‌مراتب دشوارتر است، زیرا به یک سیستم هماهنگ از چندین ژن و عناصر تنظیمی نیاز دارد. طراحی ژنوم به دلیل نیاز به هماهنگی سیستماتیک، به صورت نمایی سخت‌تر از طراحی تک‌مولکولی است. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی مدل‌های پیش‌بینی ساختاری اشاره کردیم، حتی یک جهش اشتباه در جای نامناسب می‌تواند کل سیستم بیولوژیکی را بی‌فایده کرده و از کار بیندازد.

یک ویروس برای بقا باید بتواند پروتئین‌های درست را تولید کند، خود را کپی نماید، میزبان را شناسایی کند و مواد ژنتیکی را به‌درستی بسته‌بندی کند؛ در حالی که تمام سیگنال‌های تنظیمی باید در زمان‌بندی دقیقی عمل کنند. پروتئین‌ها باید به‌طور کامل با یکدیگر جفت شوند. این سطح از هماهنگی است که انتقال از طراحی یک مولکول واحد به طراحی یک سیستم بیولوژیکی کامل را به دستاوردی حیاتی و معنادار تبدیل می‌کند.

سازوکار: مدل‌های Evo 1 و Evo 2

تیم پژوهشی از مدل‌های زبانی ژنوم به نام‌های Evo 1 و Evo 2 استفاده کردند. این مدل‌ها مشابه مدل زبانی بزرگ (LLM) عمل می‌کنند، اما به‌جای زبان انسان، از الفبای چهار حرفی DNA (شامل A، C، G و T) استفاده می‌کنند. آن‌ها روابط آماری میان این حروف را یاد می‌گیرند تا بتوانند توالی‌های جدیدی را تولید کنند.

• داده‌های آموزشی: مدل‌های Evo اولیه از روی بیش از دو میلیون ژنوم فاژ آموزش دیدند تا الگوهای کلی را یاد بگیرند.
• تنظیم دقیق (Fine-tuning): محققان ۱۴٬۴۶۶ توالی از خانواده Microviridae را به مدل اضافه کردند تا دقت آن در طراحی‌های خاص افزایش یابد.
• الگوی اولیه: آن‌ها از فاژ ΦX174 به‌عنوان نقطه شروع استفاده کردند. این ویروس یکی از ارکان ژنتیک است؛ نخستین موجودی بود که ژنوم کامل DNA آن در سال ۱۹۷۷ توالی‌یابی شد و در سال ۲۰۰۳ برای اثبات این موضوع که یک ژنوم می‌تواند از DNA سنتز شده شیمیایی assembled شود، به کار رفت.
• چالش پیچیدگی: ژنوم ΦX174 بسیار کوچک است و تنها ۵٬۳۸۶ حرف DNA و ۱۱ ژن دارد. با این حال، چندین ژن در این ویروس روی هم قرار گرفته‌اند (Overlap)، به این معنی که یک بخش از DNA بیش از یک پروتئین را کد می‌کند. بنابراین، تغییری که به نفع یک ژن باشد، ممکن است به ژن دیگر آسیب بزند و همین موضوع، آن را به آزمونی سخت برای هوش مصنوعی تبدیل می‌کند.

از توالی دیجیتال تا ویروس فیزیکی

این فرآیند یک تولید «تک‌کلیکی» نبود. هوش مصنوعی هزاران ژنوم احتمالی پیشنهاد داد و محققان با استفاده از نرم‌افزارهای سفارشی، آن‌ها را فیلتر کردند تا ژن‌ها، سازمان‌دهی و شباهت آن‌ها به فاژهای طبیعی بررسی شود. توالی‌هایی که ناقص به نظر می‌رسیدند یا از نظر بیولوژیکی نامحتمل بودند، رد شدند و کاندیداهایی انتخاب شدند که ویژگی‌های آن‌ها احتمال حفظ محدوده میزبان مورد نظر را داشت.

برای تبدیل این کدهای دیجیتال به ویروس‌های فیزیکی، دانشمندان DNA را سنتز کرده و درون سلول‌های باکتریایی قرار دادند. این سلول‌ها ماشین‌آلات لازم برای تولید ذرات ویروسی را فراهم کردند. سپس پژوهشگران نظارت کردند تا ببینند آیا رشد باکتری‌ها متوقف می‌شود یا خیر؛ این توقف رشد، دلیل اصلی برای اثبات ظهور یک فاژ فعال بود.

از میان ۲۸۵ طراحی که به‌صورت فیزیکی سنتز شدند، تنها ۱۶ مورد کار کردند. این نرخ موفقیت ۵.۶ درصدی نشان می‌دهد که هوش مصنوعی هنوز در توالی‌های بیولوژیکی دچار توهم (Hallucination) می‌شود؛ یعنی DNAهایی می‌سازد که روی صفحه نمایش متقاعدکننده هستند اما در محیط سلول عمل نمی‌کنند. دانشمندان مستقل این نتیجه را یک «اثبات مفهوم» (Proof of Concept) تحسین‌برانگیز اما ناکارآمد توصیف کرده‌اند.

تحلیل نتایج ۱۶ مورد موفق

با وجود نرخ شکست بالا، این ۱۶ ویروس از نظر ژنتیکی با هر فاژ طبیعی شناخته‌شده متفاوت بودند. یافته‌های محققان به شرح زیر است:

• تعداد جهش‌ها: فاژهای موفق در مقایسه با نزدیک‌ترین خویشاوندان شناسایی‌شده خود، بین ۶۷ تا ۳۹۲ جهش داشتند.
• نوآوری: ۱۳ ویروس از این ۱۶ مورد، حاوی جهش‌هایی بودند که هرگز در توالی‌های طبیعی شناخته‌شده مشاهده نشده بود.
• گونه‌های جدید: گونه‌ای به نام Evo-Φ2147 تنها ۹۳٪ شباهت DNA با نزدیک‌ترین خویشاوندش داشت. طبق برخی سیستم‌های طبقه‌بندی، این تفاوت می‌تواند آن را به یک گونه ویروسی جدید تبدیل کند.
• جهش مهندسی: ویروس Evo-Φ36 حاوی یک پروتئین بسته‌بندی DNA از یک ویروس دوردست بود. تلاش‌های قبلی انسان برای انتقال این پروتئین از طریق مهندسی متعارف شکست خورده بود، اما ژنوم تولید شده توسط AI شامل تغییرات همراه دیگری بود که به این قطعه غریبه کمک کرد تا در سیستم جدید کار کند.

این نتیجه قدرت واقعی بیولوژی زاینده را نشان می‌دهد. در حالی که مهندسان انسان معمولاً یک قطعه را در هر بار تغییر می‌دهند (زیرا پیش‌بینی جهش‌های متقابل دشوار است)، هوش مصنوعی می‌تواند ترکیبات را در کل یک ژنوم بررسی کند تا آرایش‌هایی را بیابد که هرگز به ذهن انسان نمی‌رسد.

غلبه بر مقاومت باکتریایی

پتانسیل پزشکی این فناوری در مبارزه با مقاومت ضد‌میکروبی است که یک بحران جهانی سلامت است. سازمان جهانی بهداشت تخمین می‌زند که عفونت‌های مقاوم به دارو در سال ۲۰۲۱ مستقیماً باعث مرگ ۱.۱۴ میلیون نفر شده و با ۴.۷۱ میلیون مرگ مرتبط بوده‌اند. پیش‌بینی‌ها نشان می‌دهد که مقاومت ضد‌میکروبی می‌تواند بین سال‌های ۲۰۲۵ تا ۲۰۵۰ مستقیماً باعث ۳۹ میلیون مرگ شود.

درمان با فاژ (Phage therapy) ایده‌ای قدیمی است که پیش از رایج شدن آنتی‌بیوتیک‌ها استفاده می‌شد. مانع اصلی آن «تکامل» است: باکتری‌ها جهش می‌کنند تا نسبت به یک فاژ خاص مقاوم شوند. به‌طور سنتی، دانشمندان مجبور بودند در اقیانوس‌ها، خاک یا فاضلاب‌ها به دنبال ویروس‌های طبیعی جدید بگردند. هوش مصنوعی می‌تواند این جست‌وجو را با یک فرآیند طراحی سیستماتیک جایگزین کند و کتابخانه‌هایی از فاژها را بسازد که برای باکتری‌های خاص سفارشی شده‌اند.

در این مطالعه، تیم پژوهشی اجازه داد باکتری ای‌کولای با تغییر سطح خود برای جلوگیری از اتصال ویروسی، نسبت به فاژ طبیعی ΦX174 مقاوم شود. در حالی که ویروس طبیعی شکست خورد، کوکتل‌هایی از فاژهای طراحی‌شده توسط هوش مصنوعی توانستند بر این مقاومت غلبه کنند. برخی از این فاژها به «موزاییک‌های ژنتیکی» تبدیل شدند و با ترکیب مواد از طراحی‌های مختلف AI از طریق نوترکیبی طبیعی، باکتری را از چندین زاویه مورد حمله قرار دادند. این نشان می‌دهد که تولید یک جمعیت متنوع از فاژها مؤثرتر از تلاش برای طراحی یک درمان تک و کامل است.

شکاف امنیت زیستی

با وجود ایمن بودن این آزمایش، کارشناسان امنیت زیستی از مرکز امنیت سلامت جانز هاپکینز (Johns Hopkins Center for Health Security)، از جمله توماس اینگلسبی و موریتز هانکه، هشدار می‌دهند که سیستم‌های نظارتی برای این قابلیت ناقص هستند. خطر اصلی نه این ۱۶ فاژ، بلکه وجود «قابلیت» تولید ژنوم‌های ویروسی فعال است.

• ریسک داده‌ها: مدلی که روی پاتوژن‌های انسانی یا حیوانی آموزش ببیند، پتانسیل پیشنهاد ویروس‌های خطرناک جدید را دارد. اگرچه توسعه‌دهندگان Evo گزارش دادند که درخواست توالی‌های انسانی خروجی‌های تصادفی تولید کرده است، اما سازمان‌های دیگر ممکن است مدل‌ها را روی داده‌های متفاوتی آموزش دهند.
• فرار از تشخیص: پاتوژن‌های طراحی‌شده توسط AI ممکن است به‌قدری با ویروس‌های شناخته‌شده متفاوت باشند که از تست‌های تشخیصی، واکسن‌ها و درمان‌های فعلی عبور کنند.
• نقاط بازرسی سنتز: غربالگری‌های فعلی سنتز DNA به دنبال تطابق نزدیک با پاتوژن‌های شناخته‌شده هستند. یک توالی طراحی‌شده توسط AI می‌تواند از نظر بیولوژیکی خطرناک باشد اما در ظاهر با هر چیزی در پایگاه داده‌ها متفاوت به نظر برسد. غربالگری‌های آینده باید «عملکردهای خطرناک» را شناسایی کنند، نه فقط توالی‌های آشنا را.
• ریسک سازمانی: نگرانی وجود دارد که آزمایشگاه‌ها بدون بررسی‌های مستقل ایمنی، دست به آزمایش‌های جاه‌طلبانه بزنند یا بازیگران دولتی از AI برای تغییر پاتوژن‌های موجود جهت فرار از دفاع‌ها استفاده کنند.

نظارت و ایمنی

از آنجا که هیچ safeguard واحدی کافی نیست، کارشناسان مجموعه‌ای از موانع متداخل را پیشنهاد می‌کنند. این شامل بررسی‌های مستقل ایمنی و امنیت زیستی برای طراحی ژنوم‌های کامل و کنترل‌های دسترسی سخت‌گیرانه برای داده‌های آموزشی پرخطر است. مدل‌ها باید به‌طور خاص تست شوند تا مشخص شود آیا می‌توانند در انجام کارهای بیولوژیکی خطرناک کمک کنند یا خیر.

در ایالات متحده، از پژوهشگران دارای بودجه فدرال انتظار می‌رود از تامین‌کنندگان DNA استفاده کنند که استانداردهای غربالگری دولتی را رعایت می‌کنند. یک دستور اجرایی در سال ۲۰۲۵ خواستار غربالگری گسترده‌تر، قابل‌راستی‌سنجی و استراتژی برای پژوهش‌های خارج از بودجه فدرال شد. با این حال، اجرای بین‌المللی و استانداردهای فنی همچنان نابرابر است و ویروس‌ها مرزهای ملی را نمی‌شناسند.

چرخش در پژوهش‌های بیولوژیکی

این آزمایش فرض بنیادین بیولوژی را تغییر می‌دهد: این تصور که ما باید موجودات مفید را در طبیعت کشف و سپس سازگار کنیم. ما وارد عصر «بیولوژی زاینده» شده‌ایم؛ جایی که دانشمندان عملکرد مورد نظر را تعریف می‌کنند و از AI برای تکرار هزاران طراحی استفاده می‌کنند.

این رویکرد می‌تواند تولید درمان برای عفونت‌های بیمارستانی مانند Pseudomonas aeruginosa (که افراد مبتلا به بیماری‌های مزمن ریوی را تحت تأثیر قرار می‌دهد) یا توسعه ابزارهایی برای مبارزه با بیماری‌های محصولات کشاورزی و آلودگی مواد غذایی را تسریع کند. با مقایسه طراحی‌های موفق و شکست‌خورده، دانشمندان ممکن است قوانین پنهانی را درباره تعامل ژنی و ساختار ویروسی کشف کنند.

با این حال، این تغییر قدرت را در مؤسساتی متمرکز می‌کند که توان محاسباتی و ظرفیت سنتز لازم برای اجرای این مدل‌ها را دارند. این موضوع پرسش‌هایی درباره نابرابری ایجاد می‌کند، زیرا کشورهایی که بیشترین تأثیر را از مقاومت آنتی‌بیوتیکی می‌بینند، ممکن است اولین دریافت‌کنندگان درمان‌های شخصی‌سازی‌شده نباشند، اما ریسک هرگونه حادثه یا سوءاستفاده را به طور مشترک تحمل می‌کنند. تصمیمات درباره دسترسی و استانداردهای پژوهشی نباید به گروه کوچکی از شرکت‌ها یا کشورهای ثروتمند واگذار شود.

در نهایت، فاصله بین این مطالعه و یک پاندمی خودکار هنوز زیاد است. این فرآیند همچنان به پژوهشگران خبره، آزمایشگاه‌های تخصصی و سنتز گران‌قیمت DNA نیاز دارد. برایان های (Brian Hie)، نویسنده ارشد، اشاره کرد که در حال حاضر برای یک بازیگر بدخواه، تغییر یک پاتوژن موجود از طریق مهندسی متعارف آسان‌تر از طراحی یکی از نقطه صفر است. اما مرزها جابه‌جا شده‌اند؛ کد حیات اکنون چیزی است که هوش مصنوعی می‌تواند تصور کند و به واقعیت تبدیل نماید.

گام بعدی شما

• دنبال کردن پیشرفت‌های مدل‌های Evo در زمینه طراحی پروتئین‌های صنعتی برای کاهش اثرات زیست‌محیطی.
• مطالعه استانداردهای جدید غربالگری DNA برای درک نحوه مقابله با ریسک‌های امنیت زیستی.
• بررسی کاربردهای درمان با فاژ در پزشکی شخصی‌سازی‌شده برای عفونت‌های مقاوم به آنتی‌بیوتیک.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های تخصصی بیوانفورماتیک مراجعه کنید.