به گزارش ایسنا، برترین مدلهای هوش مصنوعی نتوانستند پیامدهای زیستی بازنویسی کل کد دیانای یک ویروس را پیشبینی کنند.
به نقل از نیچر، کمتر سامانه زیستی را میتوان یافت که به اندازه فاژ ΦX۱۷۴ یا «فایاکس» به طور جامع مطالعه شده باشد. با این حال، یک مطالعه جدید نشان میدهد که دانشمندان هنوز چیزهای زیادی درباره این ویروس برای یادگیری دارند.
ژنوم این ویروس، دیانای تکرشتهای حلقوی است که از پنج هزار و ۳۸۶ نوکلئوتید تشکیل شده و ۱۱ پروتئین را رمزگذاری میکند. این ویروس در دهه ۱۹۷۰ نخستین ژنوم کاملی بود که توالییابی شد و در دهه ۲۰۰۰ نیز نخستین ژنوم ویروسی بود که به صورت شیمیایی سنتز شد. نخستین ژنومهای ویروسی که با کمک هوش مصنوعی طراحی شدند نیز، همانطور که احتمالا حدس زدهاید، نسخههایی از فاژ فایاکس بودند.
اکنون پژوهشگران تقریبا تک تک نوکلئوتیدهای این ویروس را به طور نظاممند جهش دادهاند؛ اقدامی که برای نخستین بار در مورد یک ژنوم کامل انجام شده است. آنها سپس پیامدهای این تغییرات را بررسی کردند.
بیشتر این جهشها برای بقای ویروس زیانبار بودند، اما در بسیاری از موارد، مشخص کردن دلیل این اثرات دشوار بود.
بن لهنر، زیستشناس مولکولی در موسسه ولکام سنگر در هینکستون بریتانیا و یکی از رهبران این پژوهش که نتایج آن در ماه ژوئیه در پایگاه پیشچاپ bioRxiv منتشر شده است، میگوید: حتی در این سامانه که به شدت مورد مطالعه قرار گرفته است، نمیتوانیم توضیح دهیم که چرا یک چهارم جهشها باعث مرگ ویروس میشوند.
سامانههای پیشرفته هوش مصنوعی که برای پژوهشهای زیستی توسعه یافتهاند و در شناسایی جهشهای زیانبار امیدوارکننده ظاهر شدهاند نیز در پیشبینی اثرات تغییرات ایجادشده در این فاژ با مشکل مواجه شدند.
این یافتهها بر ضرورت وجود دادههای تجربی بیشتر و باکیفیتتر برای آموزش و توسعه ابزارهای هوش مصنوعی زیستی تاکید میکنند.
دستکاری اجزای کوچک
لِهنر و همکارانش با ایجاد تمام تغییرات ممکن در نوکلئوتیدهای منفرد که سه تغییر برای هر نوکلئوتید بود، هر بار به صورت جداگانه و همچنین ایجاد تمام تغییرات ممکن در تکتک اسیدهای آمینه پروتئینهای ویروس که ۱۹ تغییر برای هر اسید آمینه بود بیش از ۴۴ هزار گونه متفاوت از ژنوم ویروس ایجاد کردند.
برای اندازهگیری اثر این جهشها بر شایستگی زیستی یا توان بقا و تکثیر ویروس (fitness)، لهنر به همراه هویجین وی، زیستشناس مولکولی در مرکز تنظیم ژنوم در بارسلون اسپانیا، و شیانگهوا لی، متخصص ژنتیک در کینگز کالج لندن، هزاران گونه ویروسی را همراه با باکتری اشرشیا کلی (Escherichia coli) کشت دادند؛ باکتری که به عفونت فایاکس حساس است.
این آزمایش به مدت ۸۰ دقیقه ادامه یافت؛ زمانی که برای انجام دو یا سه چرخه عفونت کافی بود. در این مدت، گونههایی که توانستند تکثیر شوند، موفق تلقی شدند و گونههایی که جهشهای زیانبار داشتند، از بین رفتند.
نتایج این رقابت میان گونههای جهشیافته که از طریق توالییابی دیانای به دست آمد، برای پژوهشگران غافلگیرکننده بود.
لِهنر میگوید نیمی از جهشهای تکنوکلئوتیدی و ۶۰ درصد جهشهایی که اسیدهای آمینه را تغییر میدادند، برای فاژ زیانبار بودند؛ رقمی که بسیار بیشتر از انتظار او بود.
این میزان بالا به ویژه از این نظر جالب است که فایاکس دهههاست مورد مطالعه قرار دارد و عموما تصور میشود که خود را با شرایط آزمایشگاهی کاملا سازگار و بهینه کرده است. با این حال، تعداد اندکی از جهشها حتی توان بقا و تکثیر آن را بیشتر کردند.
از میان جهشهای زیانبار در اسیدهای آمینه، حدود نیمی از آنها احتمالا برهمکنش میان پروتئینها را مختل کرده بودند؛ هم برهمکنش میان پروتئینهای خود فاژ فایاکس و هم برهمکنش با پروتئینهای میزبان آن، یعنی اشرشیا کلی.
حدود یک چهارم این جهشها نیز در اسیدهای آمینهای رخ داده بودند که در عمق ساختار پروتئین قرار دارند و احتمالا یکپارچگی ساختاری پروتئین را مختل میکنند.
اما درباره باقی جهشها، پژوهشگران توضیح مشخصی ندارند.
لِهنر میگوید: صدها جهش در این مجموعه وجود دارد که هیچ ایدهای نداریم چه کاری انجام میدهند.
آزمون هوش مصنوعی
برای درک بهتر انبوه جهشهای ایجاد شده، پژوهشگران از ساختارهایی استفاده کردند که پیشتر برای چندین پروتئین فایاکس تعیین شده بود. با این حال، ساختار تمام پروتئینهای این ویروس تاکنون مشخص نشده است.
برای پروتئینهایی که دادههای تجربی درباره ساختارشان وجود نداشت، لِهنر و همکارانش به ساختارهای پیشبینی شده توسط هوش مصنوعی روی آوردند که مدل آلفا فولد ۳ آنها را تولید کرده بود.
این ساختارهای پیشبینیشده نشان دادند که مجموعهای از جهشهای زیانبار در ناحیهای از یک پروتئین قرار دارند که در تکثیر دیانای ویروسی نقش دارد.
پل یاشکه، زیستشناس مصنوعی در دانشگاه مککواری در سیدنی استرالیا، میگوید استفاده از ساختارهای پیشبینی شده با هوش مصنوعی برای تفسیر دادههای مربوط به جهشها، اگر امکانپذیر باشد، میتواند کار در این حوزه را به طور چشمگیری سرعت ببخشد.
با این حال، او معتقد است برای اطمینان از دقیق بودن پیشبینی ساختار پروتئینهای فاژ، به شواهد بیشتری نیاز است.
یاشکه تحت تاثیر این موضوع قرار گرفته است که بخش بزرگی از اثرات زیانبار جهشها قابل توضیح بودهاند، اما از اینکه بخش قابل توجهی از آنها همچنان بدون توضیح باقی ماندهاند نیز تعجب نکرده است. او میگوید: تحلیل جالبی است.
ادوارد مارکوت، زیستشیمیدان تکاملی در دانشگاه تگزاس در آستین، نیز این پژوهش را مقالهای ارزشمند و نقطه عطفی مهم در درک تاثیر جهشها بر شایستگی زیستی یک موجود زنده توصیف میکند.
او میگوید: میتوانم تصور کنم که این رویکرد در مورد موجودات پیچیدهتر نیز به کار گرفته شود، هرچند این موجودات خیلی سریع پیچیده میشوند و افزایش مقیاس آزمایش در عمل دشوار است.
پژوهشگران اکنون با در اختیار داشتن اثرات دهها هزار جهش، عملکرد ۲۰ مدل هوش مصنوعی را که برای پیشبینی اثرات جهشها طراحی شدهاند، آزمایش کردند. نتایج چندان امیدوارکننده نبود.
ابزارهای متنوع هوش مصنوعی، از جمله مدلهای زبانی پروتئین که با استفاده از حجم عظیمی از دادههای مربوط به توالیهای زیستی آموزش دیدهاند، حتی از مدلی سادهتر نیز عملکرد ضعیفتری داشتند؛ مدلی که صرفا محل وقوع یک جهش در یک پروتئین را در نظر میگیرد.
لِهنر میگوید: مدلهای هوش مصنوعی عملکرد بدی ندارند، اما فوقالعاده هم نیستند. نکته شگفتانگیز این است که تقریبا هیچکدام از آنها بهتر از یک مدل بسیار، بسیار ساده عمل نمیکنند. دلیل این موضوع هنوز مشخص نیست.
یکی از عوامل احتمالی میتواند کمبود دادههای آموزشی درباره ویروسها، بهویژه فاژهایی مانند فایاکس باشد.
لِهنر میگوید نتایج گروهش باید برای دانشمندانی که ابزارهای هوش مصنوعی زیستی توسعه میدهند، یک زنگ هشدار باشد؛ زیرا این یافتهها بر ضرورت استفاده از معیارهای دقیقتر برای ارزیابی عملکرد مدلها و همچنین تولید حجم بسیار بیشتری از دادههای تجربی که ارتباط میان توالیهای ژنتیکی و عملکرد زیستی را نشان دهند، تاکید میکنند.
گروه پژوهشی در گام بعدی قصد دارد اثر ترکیبی چندین جهش را در فاژ فایاکس بررسی کند. لِهنر میگوید: تا زمانی که این دادهها را تولید نکنیم، این مدلها هیچ وقت کار نخواهند کرد.
انتهای پیام
