معظم الضجة الأخيرة حول الذكاء الاصطناعي تمحورت حول المحتوى الرقمي الساحر الذي يتم إنشاؤه من استفسارات بسيطة، إلى جانب القلق حول قدرته على تدمير القوى العاملة وجعل الدعاية الخبيثة أكثر إقناعًا. ومع ذلك، يكمن بعض أعمال الذكاء الاصطناعي الأكثر واعدة – وربما أقل قلقًا بكثير – في مجال الطب. وقد يؤدي التحديث الجديد لبرنامج AlphaFold من Google إلى اكتشافات وابتكارات علاجية جديدة للأمراض.
لقد أظهر برنامج AlphaFold، من Google DeepMind وشركة Isomorphic Labs التابعة لشركة Alphabet أيضًا، بالفعل أنه يمكنه التنبؤ بكيفية طي البروتينات بدقة مذهلة. لقد قام بتسجيل 200 مليون بروتين معروف، ويقول Google إن ملايين الباحثين قد استخدموا الإصدارات السابقة لإجراء اكتشافات في مجالات مثل لقاحات الملاريا وعلاج السرطان وتصميم الإنزيمات.
يعرف اكتشاف شكل وهيكل البروتين كيفية تفاعله مع الجسم البشري، مما يسمح للعلماء بإنشاء أدوية جديدة أو تحسين الأدوية الموجودة. ولكن الإصدار الجديد، AlphaFold 3، يمكنه نمذجة جزيئات أخرى حيوية، بما في ذلك الحمض النووي. كما يمكنه تخطيط التفاعلات بين الأدوية والأمراض، مما قد يفتح أبوابًا جديدة مثيرة للباحثين. ويقول Google إنه يفعل ذلك بكفاءة بنسبة 50 في المئة تفوق النماذج الحالية.
كتب فريق البحث في DeepMind التابع لجوجل في مدونة: “يأخذنا AlphaFold 3 إلى ما وراء البروتينات لطيفة الطيف من الجزيئات الحيوية. يمكن أن تفتح هذه القفزة المزيد من العلوم الثورية، من تطوير مواد الطاقة المتجددة والمحاصيل الأكثر مرونة، إلى تسريع تصميم الأدوية والأبحاث الجينية.”
“كيف تستجيب البروتينات للضرر الناتج عن الحمض النووي؛ كيف يمكنها العثور عليه وإصلاحه؟”، قال القائد المشروع في جوجل DeepMind جون جامبر ل Wired. “يمكننا البدء في الإجابة على هذه الأسئلة.”
قبل عصر الذكاء الاصطناعي، كان العلماء يمكنهم دراسة هياكل البروتينات من خلال المجاهر الإلكترونية وطرق متطورة مثل بلورات الأشعة السينية. يقوم التعلم الآلي بتبسيط العملية بشكل كبير من خلال استخدام أنماط يتم التعرف عليها من التدريب (غالبًا ما تكون غير ملحوظة للبشر وأجهزتنا القياسية) لتوقع أشكال البروتين بناءً على أحماضها الأمينية.
يقول Google إن جزءًا من تقدم AlphaFold 3 يأتي من تطبيق نماذج الانتشار على تنبؤاته الجزيئية. تعد نماذج الانتشار أجزاء مركزية في مولدات الصور من الذكاء الاصطناعي مثل Midjourney، Gemini من Google، و DALL-E 3 من OpenAI. يقول Wired أن دمج هذه الخوارزميات في AlphaFold “يحسن من هياكل الجزيئات التي يولدها البرنامج”. بمعنى آخر، يأخذ تشكيلًا يبدو غامضًا أو غير واضح ويقدم تخمينات متعلمة تعتمد بشكل كبير على أنماط من بيانات التدريب لتوضيحه.
قال الرئيس التنفيذي لشركة Google DeepMind ديميس حسابيس لـ Wired: “هذه خطوة كبيرة بالنسبة لنا. هذا بالضبط ما تحتاجه لاكتشاف الأدوية: تحتاج إلى رؤية كيفية تماسك جزيء صغير بدواء، وضعفه، وأيضًا ما الذي قد يرتبط به بشكل آخر.”
يستخدم AlphaFold 3 مقياسًا بألوان لوضع علامات على مستوى الثقة في توقعاته، مما يسمح للباحثين باستخدام الحذر المناسب مع النتائج التي ربما لا تكون دقيقة. اللون الأزرق يعني الثقة العالية؛ الأحمر يعني أنه لا يزال غير مؤكد.
جوجل تقدم AlphaFold 3 مجانًا لاستخدامها من قبل الباحثين للبحوث غير التجارية. ومع ذلك، على عكس الإصدارات السابقة، لم تقم الشركة بإطلاق مصدر المشروع. أعرب أحد الباحثين البارزين الذي يصنع برمجيات مماثلة، أستاذ جامعة واشنطن ديفيد بيكر، عن خيبة أمل ل Wired لاختيار جوجل تلك الطريقة. ومع ذلك، كان مندهشًا أيضًا من قدرات البرنامج. قال: “أداء التنبؤ بالهيكل لـ AlphaFold 3 مذهل للغاية”.
بالنسبة لما هو قادم، قالت جوجل: “Isomorphic Labs تعمل بالفعل مع شركات صناعة الأدوية لتطبيقها على تحديات تصميم الأدوية الحقيقية وفي نهاية المطاف، تطوير علاجات جديدة تغير حياة المرضى”.
Leave a reply