هوش مصنوعی می‌تواند به کمک کشف واکسن کووید ۱۹ بیاید

هوش مصنوعی از ابتدای شیوع کووید ۱۹، نقش به‌سزایی را ایفا کرده است. این مسئله نشان می‌دهد هوش مصنوعی تا چه اندازه می‌تواند به سود انسان عمل کند.

هوش مصنوعی در سال‌های اخیر وجهه‌ی بدی پیدا کرده بود؛ اما دنیاگیری کووید ۱۹ ثابت کرد این فناوری می‌تواند در جست‌وجو برای واکسن این بیماری مفید واقع شود. هوش مصنوعی در این جست‌وجو، دو نقش عمده ایفا می‌کند: نمایش مؤلفه‌های واکسن از طریق درک ساختارهای پروتئینی ویروس و کمک به پژوهشگران برای جست‌وجوی ده‌ها هزار مقاله‌ی مرتبط با سرعتی بی‌سابقه. در طول هفته‌های گذشته، تیم‌های مؤسسه‌ی هوش مصنوعی آلن، دیپ مایند گوگل و دیگر شرکت‌ها، دست به تولید ابزارهای AI، مجموعه‌ داده‌های اشتراکی و نتایج پژوهشی زدند و این نتایج را به‌صورت رایگان در اختیار جامعه‌ی جهانی علم قرار دادند.

واکسن‌ها با شبیه‌سازی عفونت، به تولید گلبول‌های سفید دفاعی و آنتی‌ژن‌ها منجر می‌شوند. به‌طور کلی سه نوع واکسن وجود دارد: واکسن‌های تمام پاتوژن، مانند واکسن آنفولانزا یا MMR. این واکسن‌ها از پاتوژن‌های ضعیف یا مرده برای تحریک واکنش ایمنی استفاده می‌کنند؛ واکسن‌های زیرواحد یا ساب یونیت (مانند سیاه‌سرفه، زونا) تنها از بخشی از میکروب مثل پروتئین استفاده می‌کنند؛ و در آخر واکسن‌های نوکلیک اسید که مواد ژنتیکی پاتوژن را برای تحریک سیستم ایمنی به سلول‌های انسان وارد می‌کنند. آزمایش‌های واکسن نوکلئیک اسید برای کووید ۱۹ در ایالات متحده‌ آغاز شده‌ است. از هوش مصنوعی می‌توان برای تسریع توسعه‌ی واکسن‌های نوکلئیک اسید و ساب یونیت استفاده کرد.

 

 

پروتئین‌ها، بخش مهمی از ویروس‌ها هستند که از توالی‌های آمینواسیدی شکل‌ گرفته‌اند. این توالی‌ها شکل سه‌بعدی منحصر‌به فردی دارند. درک ساختار پروتئین‌ها برای درک عملکرد آن‌ها ضروری است. دانشمندان با درک شکل پروتئین‌ها می‌توانند به تولید داروی سازگار با شکل منحصر‌به‌فرد پروتئین‌ها بپردازند؛ اما برای آزمایش تمام شکل‌های احتمالی پروتئین و رسیدن به ساختار سه‌بعدی منحصربه‌فرد، زمان زیادی لازم است. اینجا است که هوش مصنوعی به کمک می‌آید.

در ماه ژانویه، دیپ مایند گوگل، سیستم نوآورانه‌ی AlphaFold را معرفی کرد. این سیستم قادر به پیش‌بینی ساختار سه‌بعدی پروتئین براساس توالی ژنتیکی آن است. آلفافولد در اوایل ماه مارس روی کووید ۱۹ تست شد. دیپ مایند، پیش‌بینی‌هایی از ساختار پروتئینی پروتئین‌های ویروس سارس را برای درک بهتر عملکرد کووید ۱۹ منتشر کرد.

در عین حال پژوهشگران دانشگاه تگزاس و مؤسسه‌ بهداشت ملی از روشی محبوب برای ساخت اولین نقشه‌ی سه‌بعدی مقیاس اتمی از بخشی از ویروس استفاده می‌کنند که به سلول‌های انسان می‌چسبد و آن‌ها را آلوده می‌کند. پژوهشگران این بررسی، سال‌ها روی دیگر کروناویروس‌هایی مثل سارس و مرس کار کرده‌اند. از طرفی آلفافولد هم موفق به ارائه‌ی پیش‌بینی دقیقی برای این ساختار پروتئینی میخی شد.

همچنین پژوهشگران مؤسسه‌ی طراحی پروتئین دانشگاه واشنگتن از مدل‌های کامپیوتری برای توسعه‌ی مدل‌های سه‌بعدی مقیاس اتمی پروتئین میخی سارس استفاده کردند. این مدل‌ها منطبق با کشفیات آزمایشگاه UT Austin بودند. این تیم حالا با ساخت پروتئین‌های جدیدتری برای تغذیه‌ی ویروس کرونا، در حال توسعه‌ی این پروژه هستند. از نظر تئوری، این پروتئین‌ها به پروتئین‌های میخی می‌چسبند و نمی‌گذارند ذرات ویروسی، سلول‌های سالم را آلوده کنند.

علاوه بر تمام موارد فوق، پژوهش‌های متمرکز بر کووید ۱۹ باید در سراسر جهان با یکدیگر یکپارچه شوند. یادگیری درباره‌ی پروژه‌ی آزمایشگاهی دیگر می‌تواند ماه‌ها یا حتی سال‌ها دانشمندان را جلو بیندازد و به این ترتیب با ارائه‌ی میانبر، از اختراع دوباره‌ی چرخ جلوگیری شود. آزمایشگاه‌ها معمولا پروژه‌ی خود را از طریق مقاله‌ها یا سرویس‌های پیش انتشاری مثل bioRxiv و medRxiv منتشر می‌کنند.

چندهزار مقاله‌ی مرتبط با کووید ۱۹ در سه‌ماهه‌ی اول ۲۰۲۰ منتشر شد و پژوهش‌های علمی با سرعت بالایی رو به رشد است. درنتیجه، دانشمندان برای یافتن مقاله‌های مرتبط با پژوهش‌هایی خاص و بررسی یافته‌های جدید و استفاده از دیدگاه‌ها دچار مشکل شده‌اند. اولین چالش، جمع‌آوری پژوهش‌های مرتبط و قرار دادن آن‌ها در موقعیتی دسترس‌پذیر است. برای مثال، مؤسسه‌ی هوش مصنوعی آلن با هدف تولید مجموعه داده‌ای پژوهشی باز کووید ۱۹ (CORD-19) با بسیاری از سازمان‌های پژوهشی به همکاری می‌پردازد. این مجموعه، منبع منحصر‌به فردی از ۴۴ هزار مقاله‌ی پژوهشی درباره‌ی کووید ۱۹، سارس و انواع ویروس کرونا‌ها است. این مجموعه روزانه به‌روزرسانی می‌شود و ماشین می‌تواند آن را بخواند؛ بنابراین پژوهشگرها می‌توانند از الگوریتم‌های زبان طبیعی برای افزایش سرعت کشف واکسن استفاده کنند.

 

 

ائتلافی شامل کاخ سفید، مؤسسه‌ی چان زاکربرگ، مرکز فناوری نوظهور و امنیتی دانشگاه جورج تاون، پژوهشکده‌ی مایکروسافت و آزمایشگاه ملی پزشکی مؤسسه‌ی ملی سلامت برای ارائه‌ی خدمات فوق با یکدیگر همکاری می‌کنند. علاوه بر این، Kaggle، پلتفرم علوم داده‌ای و یادگیری ماشین گوگل هم میزبان چالش پژوهشی کووید ۱۹ است. هدف این چالش، ارائه‌ی طیف گسترده‌ای از دیدگاه‌ها درباره‌ی دنیاگیری کووید ۱۹ از جمله تاریخ طبیعی آن است. مواردی مثل انتقال و تشخیص ویروس، درس‌هایی از پژوهش‌های قبلی همه‌گیری و بسیاری از زمینه‌های دیگر در این پژوهش‌ها جای می‌گیرند. چالش پژوهشی در تاریخ ۱۶ مارس آغاز به کار کرد. در طول پنج روز به بیش از ۵۰۰ هزار و بیش از ۱۸ هزار دانلود رسید. یافته‌های جدید جامعه‌ی پژوهشی برای ارجاع فوری روی یک صفحه‌ی وب واحد قرار گرفته‌اند.

امیدوارکننده‌ترین جنبه‌ی تحلیل‌های خودکار برای پژوهش‌های علمی این است که هوش مصنوعی نقاط بین پژوهش‌ها را برای شناسایی فرضیه‌‌ها و نمایش آزمایش‌ها و حتی درمان‌های مرتبط به یکدیگر وصل می‌کند. برای اولین‌بار دان آ اسوانسون، اکتشاف مبتنی بر پژوهش را معرفی کرد. سیستم خودکار اسوانسون، موفق به کشف درمان جدید منیزیم برای بیماری میگرن شد. کار روی اکتشافات مبتنی بر پژوهش از آن زمان ادامه یافت و تأثیر بالقوه‌ی آن با معرفی ابزارهای NLP یادگیری عمیق مانند SciBert افزایش یافت.

هوش مصنوعی با افزایش سرعت دسترسی به پژوهش‌ها، سرعت کشف واکسن را بالا می‌برد

هوش مصنوعی علاوه بر پشتیبانی از تلاش‌های جامعه‌ی علمی برای درک ویروس و توسعه‌ی درمان، از روز اول شیوع کووید ۱۹ نقشی حیاتی را ایفا کرده است. استارتاپ هوش مصنوعی Bluedot در اواخر دسامبر موفق به کشف دسته‌ای از نمونه‌های عجیب التهاب ریه در ووهان شد و به‌صورت دقیق موقعیت‌های گسترش ویروس را پیش‌بینی کرد. ربات‌ها هم با ضدعفونی اتاق‌های بیمارستان، انتقال غذا و تجهیزات و همچنین ارائه‌ی مشاوره‌ی پزشکی از راه دور، تماس‌های انسانی را به حداقل رسانده‌اند. از هوش مصنوعی همچنین برای ردیابی آنی نقشه‌ی گسترش ویروس، تشخیص آلودگی، پیش‌بینی ریسک مرگ‌ومیر و بسیاری از موارد دیگر استفاده شد. درنتیجه نمی‌توان پتانسیل آینده‌ی این فناوری را نادیده گرفت.

هوش مصنوعی در سطح وسیعی گسترش پیدا کرده است؛ اما بااین‌حال هنوز از ایده‌آل مبارزه با کووید ۱۹ فاصله دارد. در مقابل، روش‌های مدرن هوش مصنوعی نیاز به حجم زیادی داده‌های برچسب‌خورده دارند و این حجم از داده‌ها در حال حاضر در دسترس نیستند. حتی در صورتی که دسترسی به داده‌ها امکان‌پذیر باشد، برای تحلیل تشخیص الگوی هوش مصنوعی، نیاز به قضاوت انسانی است.

با اینکه هنوز بر سر مشارکت‌های هوش مصنوعی، اختلاف‌هایی وجود دارد، جامعه‌ی هوش مصنوعی به مبارزه با کووید ۱۹ ادامه خواهد داد. جالب اینجا است، هوش مصنوعی که باعث افزایش نگرانی درباره‌ی تشخیص چهره و دیپ فیک‌ها شده بود حالا در خط مقدم مبارزه‌ی دانشمندان با کووید ۱۹ و دنیاگیری‌های آینده قرار گرفته است.

هوش مصنوعی برخلاف تصویری که فیلم‌های هالیوودی و داستان‌های علمی تخیلی ارائه می‌دهند، به‌عنوان فناوری قدرتمندی برای پردازش مقادیر زیادی از اطلاعات ظهور کرده است. از طرفی با وجود مزایای زیاد این فناوری می‌توان از آن برای جعل اسناد، تصاویر، ویدئوها یا حتی هویت افراد و جاسوسی استفاده کرد. استفاده از هوش مصنوعی برای مبارزه با کووید ۱۹، یادآور این نکته است که هوش مصنوعی صرفا یک ابزار است نه یک موجودیت و نحوه‌ی استفاده از این ابزار کاملا به انسان بستگی دارد.