هوش مصنوعي چگونه مي‌تواند همه‌گيري‌هاي بعدي را پيش از شروع متوقف كند؟
در فصل آنفلوانزاي امسال سيستم ايمني بسياري از مردم به‌شدت درحال فعاليت بود. براساس گزارش مركز كنترل و پيشگيري بيماري (CDC)، در ماه‌هاي اخير در اثر ابتلا به آنفلوانزا، بيش از ۱۸۰ هزار آمريكايي در بيمارستان بستري شده و ۱۰ هزار نفر نيز از دنيا رفتند. اين در حالي است كه ويروس كرونا نيز با سرعت نگران‌كننده‌اي درحال پيشروي در مناطق مختلف جهان است. ترس از شيوع ويروس كرونا حتي موجب شد كنگره‌ي جهاني موبايل در بارسلونا لغو شود. اما در آينده‌ي نزديك، استفاده از هوش مصنوعي براي توليد واكسن و دارو مي‌تواند به مهار بيماري قبل از اينكه تبديل به همه‌گيري جهاني شود، كمك كند.
روش‌هاي متداول توسعه دارو و واكسن بسيار ناكارآمد هستند. پژوهشگران در آزمايشگاه‌ها چندين سال، به‌طور مداوم مشغول آزمايش مولكول‌هاي كانديدا و آزمون و خطاي روش‌هاي مختلف هستند. براساس گزارش مطالعه‌اي كه در سال ۲۰۱۹ منتشر شد، توسعه‌ي يك درمان دارويي به‌طور متوسط هزينه‌اي برابر ۲/۶ ميليارد دلار دارد (بيش از دو برابر هزينه‌ي سال ۲۰۰۳) و تنها حدود ۱۲ درصد از داروهايي كه وارد كارآزمايي‌هاي باليني مي‌شوند، تأييد سازمان غذا و دارو را مي‌گيرند. دكتر اوا ماريا اﺳﺘﺮاوچ، استاديار علوم دارويي و زيست‌پزشكي دانشگاه جورجيا گفت:
واقعا ۵ تا ۱۰ سال طول مي‌كشد تا FDA دارويي را تصويب كند.
اگرچه به كمك سيستم‌هاي يادگيري ماشين، پژوهشگران حوزه‌ي زيست‌پزشكي مي‌توانند اساسا مرحله‌ي آزمون و خطا را خلاصه كنند. پژوهشگران به‌جاي اينكه به‌طور مداوم درمان‌هاي احتمالي را به‌صورت دستي امتحان كنند، مي‌توانند از سيستم هوش مصنوعي استفاده كنند تا مولكول‌ها و تركيبات موجود در يك پايگاه بزرگ داده را جستجو كرده و آن‌ها را براساس احتمال اثربخشي مرتب كند. جاشوا اسواميداس، متخصص بيولوژي محاسباتي در دانشگاه واشنگتن در سال ۲۰۱۹ در مصاحبه با The Scientist گفته بود:
بسياري از سوالاتي كه پيشروي تيم‌هاي توسعه‌ي دارو است، ديگر از آن نوع سوالاتي نيست كه مردم فكر مي‌كنند بتوان ازطريق مرتب كردن داده‌ها در ذهن خود، پاسخ آن را پيدا كنند. به‌منظور جستجوي داده‌ها و پاسخ دادن به سوالات و كسب بينش در زمينه‌ي چگونگي انجام كارها، بايد از روشي سيستماتيك استفاده كرد.
داروي تربينافين را درانديشه متخصصين بگيريد. تربينافين يك داروي ضدقارچ خوراكي است كه براي درمان برفك در سال ۱۹۹۶ با نام تجاري لاميفيل وارد بازار شد. طي مدت سه سال، چندين نفر گزارش كردند كه در اثر مصرف دارو دچار عوارض جانبي شده‌اند و تا سال ۲۰۰۸ سه نفر به‌خاطر مسموميت كبدي از دنيا رفته و ۷۰ نفر نيز بيمار شده بودند. پزشكان دريافتند كه يكي از متابوليت‌هاي تربينافين (TBF-A) علت آسيب كبدي بوده است اما در آن زمان متوجه نشدند كه متابوليت مذكور چگونه در بدن توليد مي‌شود. به اين ترتيب، اين مسير متابوليكي به‌مدت يك دهه براي جامعه پزشكي همچنان يك معما بود تا اينكه در سال ۲۰۱۸، نالي‌دانگ از دانشگاه واشنگتن يك سيستم هوش مصنوعي را درزمينه‌ي مسيرهاي متابوليكي يادگيري داد تا ماشين بتواند مسيرهاي احتمالي را كه در آن كبد مي‌تواند تربينافين را به TBF-A بشكند، پيدا كند. ظاهرا ايجاد متابوليت سمي يك فرايند دو مرحله‌اي بوده كه تشخيص تجربي يكي از مراحل آن بسيار دشوار است اما قابليت تشخيص الگوي هوش مصنوعي به آساني آن را پيدا مي‌كند. طي ۵۰ سال گذشته، بيش از ۴۵۰ دارو از بازار خارج شده‌اند كه علت آن در بيشتر موارد، مسموميت كبدي بوده است.
در همين راستا سازمان غذا و دارو وبسايتي تحت عنوان Tox21.gov دارد كه يك پايگاه داده الكترونيك متشكل از مولكول‌ها و سميت نسبي آن‌ها دربرابر پروتئين‌هاي مختلف انساني است. پژوهشگران اميدوار هستند با يادگيري يك سيستم هوش مصنوعي با استفاده از اين مجموعه داده‌ها، بتوانند سريع‌تر اين موضوع را مشخص كنند كه آيا يك درمان بالقوه مي‌تواند موجب بروز عوارض جانبي شود. سام مايكل، مدير ارشد فناوري اطلاعات مركز ملي Advancing Translational Sciences كه به ايجاد اين پايگاه داده كمك كرده است، گفت:
ما در گذشته با يك چالش اساسي رو‌به‌رو بوده‌ايم: آيا مي‌توان سميت تركيبات را از قبل پيش‌بيني كرد؟ اين دقيقا برعكس كاري است كه ما در غربال‌گري يك مولكول كوچك براي داروسازي انجام مي‌دهيم. ما نمي‌خواهيم يك هدف دارويي پيدا كنيم بلكه مي‌خواهيم احتمال سمي بودن تركيبات را مشخص كنيم.
سيستم‌هاي هوش مصنوعي مي‌توانند به طراحي واكسن بهتري براي بيماري‌هايي مانند آنفلوانزا نيز كمك كنند. در سال ۲۰۱۹، پژوهشگران دانشگاه فليندرز استراليا از هوش مصنوعي براي تقويت يك واكسن آنفلوانزاي معمولي استفاده كردند كه بدن هنگام مواجهه با آن غلظت‌هاي بالاتري از آنتي‌بادي‌ها توليد كند.
البته ازانديشه متخصصين متخصص اين گونه نيست كه بدون دخالت پژوهشگران، هوش مصنوعي به‌خودي‌خود يك واكسن را از اول تا آخر طراحي كند. پژوهشگران درگير پژوهش يادشده، تحت هدايت نيكولاي پترووسكي، استاد پزشكي دانشگاه فليندرز، اول الگوريتمي به نام AI Sam (الگوريتم جستجوي ليگاندها) ساختند. اين الگوريتم با هدف تمايز ميان مولكول‌هايي كه دربرابر آنفلوانزا مؤثر هستند، از مولكول‌هايي كه اثري ندارند، يادگيري داده شد. در ادامه، برنامه‌ي دومي براي ايجاد تريليون‌ها تركيب شيميايي يادگيري ديد و داده‌هاي حاصل از آن با استفاده از الگوريتم اول (AI Sam) مورد تجزيه‌و‌تحليل قرار گرفت. در اين مرحله، الگوريتم بايد مشخص مي‌كرد كه آيا تركيبات پيشنهادي دربرابر آنفلوانزا تأثيري دارند يا نه. به اين ترتيب، تركيبات برتر انتخاب شدند و پژوهشگران آن‌ها را در آزمايشگاه ساختند. پس از آن، آزمايش‌هاي حيواني انجام شد و نتايج نشان داد كه واكسن تقويت‌شده نسبت‌به واكسن پيشين كه چنين فرايندي را نگذرانده بود، مؤثرتر است.
با آغاز سال جديد ميلادي، كارآزمايي‌هاي انساني مقدماتي در كشور آمريكا شروع شد و انتظار مي‌رود كه حداقل تا ۱۲ ماه ادامه داشته باشد. اگر روند تأييد واكسن با اشكالي مواجه نشود، واكسن تقويت‌شده مي‌تواند طي دو سه سال در دسترس عموم قرار گيرد. اين مدت زمان براي واكسني كه توسعه‌ي آن دو سال زمان برده است (نسبت‌به حالت معمول كه ۵ تا ۱۰ سال طول مي‌كشد)، بد نيست.
درحالي‌كه سيستم‌هاي يادگيري ماشين مي‌توانند مجموعه داده‌هاي عظيم را بسيار سريع‌تر از پژوهشگران بيولوژي مورد جستجو قرار داده و برآوردهاي دقيق‌تري فراهم كنند و نيز ارتباطات ظريف ميان اجزا را درانديشه متخصصين بگيرند، در آينده‌ي نزديك نيز انسان‌ها همچنان در حلقه‌ي توسعه‌ي دارو حضور خواهد داشت. يك دليل آن است كه چه كسي مي‌خواهد تمام داده‌هاي يادگيريي مورد نياز براي يادگيري سيستم هوش مصنوعي را جمع‌آوري، تركيب، سازماندهي، فهرست‌بندي و برچسب‌گذاري كند؟
حتي زماني كه سيستم‌هاي يادگيري ماشين كارآمدتر مي‌شوند، اگر از داده‌هاي اريب يا ناقص استفاده شود، درست مانند ديگر سيستم‌هاي هوش مصنوعي، نتايج بهينه‌اي حاصل نخواهد شد. دكتر چارلز فيشر، بنيان‌گذار و مديرعامل Unlearn.AI در ماه نوامبر نوشت:
بسياري از مجموعه داده‌هايي كه در پزشكي مورد استفاده قرار مي‌گيرد، عمدتا مربوط به جوامع سفيدپوست اروپا و آمريكاي شمالي است. اگر پژوهشگري يادگيري ماشين را درمورد يكي از اين مجموعه داده‌ها به كار ببرد و يك نشانگر زيستي را براي پيش‌بيني پاسخ به درمان خاصي كشف كند، هيچ تضميني وجود ندارد كه آن نشانگر در جمعيت‌هاي متفاوت نيز به كار آيد.
فيشر توصيه مي‌كند كه براي مقابله با تأثير اريب داده‌ها روي نتايج از مجموعه داده‌هاي بزرگ‌تر، نرم‌افزارهاي پيشرفته‌تر و كامپيوترهاي قدرتمندتر استفاده شود. جيل بكر، مدير عامل شركت Kebotix نيز در اين باره چنين توضيح داده است كه يكي ديگر از اجزاي مهم، «داده‌هاي پاك» است. اين استارتاپ براي طراحي و توسعه‌ي مواد كمياب و شيميايي، از هوش مصنوعي دركنار رباتيك استفاده مي‌كند. بكر توضيح داد:
ما سه منبع داده داريم. مي‌توانيم داده‌هاي خود را توليد كنيم... مثلا هنگام محاسبات نيمه‌تجربي، همچنين آزمايشگاه‌هايي را براي توليد داده‌ها داريم و دركنار اين‌ها، داده‌هاي خارجي نيز وجود دارند. داده‌هاي خارجي مي‌تواند از مجلات باز (دسترسي آزاد) يا اشتراكي و نيز از ثبت اختراعات و شركت‌هاي پژوهشي حاصل شود اما صرف‌انديشه متخصصين از منبع، ما زمان زيادي را صرف پاك‌سازي داده‌ها مي‌كنيم.
مايكل نيز در اين باره گفت:
درمورد اين مدل‌ها، اطمينان از اينكه داده‌ها از فراداده‌هاي مناسبي برخوردار هستند، بسيار حياتي است (فراداده: گروهي از داده‌ها كه ويژگي‌هاي داده‌هاي ديگر را توصيف مي‌كنند). اين مسئله به‌خودي‌خود اتفاق نمي‌افتد و بايد براي آن تلاش كنيد. اين كار سخت است زيرا گران و زمان‌بر است.
هم انديشي ها