بخش اعظمی از قطارهای تبلیغاتی اخیر هوش مصنوعی حول محور محتوای دیجیتال مسحورکننده تولید شده از اعلان های ساده، در کنار نگرانی در مورد توانایی آن در از بین بردن نیروی کار و قانع کننده تر کردن تبلیغات مخرب متمرکز شده است. (سرگرم کننده!) با این حال، برخی از امیدوارکننده ترین – و بالقوه بسیار کمتر شوم – کارهای هوش مصنوعی در پزشکی نهفته است. بهروزرسانی جدید نرمافزار AlphaFold گوگل میتواند منجر به پیشرفتهای جدید در تحقیقات بیماری و درمان شود.
نرم افزار AlphaFold، از Google DeepMind و (همچنین متعلق به Alphabet) Isomorphic Labs، قبلاً نشان داده است که می تواند چگونگی تا شدن پروتئین ها را با دقت تکان دهنده ای پیش بینی کند. 200 میلیون پروتئین شناخته شده را فهرستبندی کرده است و گوگل میگوید میلیونها محقق از نسخههای قبلی برای اکتشافات در زمینههایی مانند واکسنهای مالاریا، درمان سرطان و طرحهای آنزیمی استفاده کردهاند.
دانستن شکل و ساختار پروتئین نحوه تعامل آن با بدن انسان را تعیین می کند و به دانشمندان اجازه می دهد داروهای جدید بسازند یا داروهای موجود را بهبود بخشند. اما نسخه جدید AlphaFold 3 میتواند مولکولهای حیاتی دیگر از جمله DNA را مدلسازی کند. همچنین میتواند تعاملات بین داروها و بیماریها را ترسیم کند که میتواند درهای هیجانانگیز جدیدی را به روی محققان باز کند. و گوگل می گوید که این کار را با دقت 50 درصد بهتر از مدل های موجود انجام می دهد.
تیم تحقیقاتی DeepMind گوگل در یک پست وبلاگی نوشت: “AlphaFold 3 ما را فراتر از پروتئین ها به طیف گسترده ای از مولکول های زیستی می برد.” این جهش میتواند علوم دگرگونکنندهتر، از توسعه مواد تجدیدپذیر زیستی و محصولات مقاومتر، تا تسریع در طراحی دارو و تحقیقات ژنومیک را باز کند.»
چگونه پروتئین ها به آسیب DNA پاسخ می دهند. چگونه آن را پیدا می کنند، تعمیر می کنند؟» جان جامپر، رهبر پروژه Google DeepMind به این موضوع گفت سیمی. “ما می توانیم شروع به پاسخ به این سوالات کنیم.”
قبل از هوش مصنوعی، دانشمندان فقط میتوانستند ساختارهای پروتئین را از طریق میکروسکوپهای الکترونی و روشهایی مانند کریستالوگرافی اشعه ایکس بررسی کنند. یادگیری ماشینی بسیاری از این فرآیند را با استفاده از الگوهای شناسایی شده از آموزش آن (اغلب برای انسان و ابزار استاندارد ما نامحسوس) برای پیشبینی شکلهای پروتئین بر اساس اسیدهای آمینه آنها ساده میکند.
گوگل می گوید بخشی از پیشرفت های AlphaFold 3 ناشی از استفاده از مدل های انتشار در پیش بینی های مولکولی آن است. مدلهای انتشار قطعات اصلی تولیدکنندههای تصویر هوش مصنوعی مانند Midjourney، Google's Gemini و OpenAI's DALL-E 3 هستند. ترکیب این الگوریتمها در AlphaFold “ساختارهای مولکولی تولید شده توسط نرمافزار را تشدید میکند.” سیمی توضیح می دهد. به عبارت دیگر، تشکیلاتی را میگیرد که مبهم یا مبهم به نظر میرسد و بر اساس الگوهای دادههای آموزشی خود حدسهای بسیار تحصیلکردهای میدهد تا آن را روشن کند.
دمیس حسابیس، مدیرعامل گوگل دیپ مایند گفت: «این یک پیشرفت بزرگ برای ما است سیمی. این دقیقاً همان چیزی است که برای کشف دارو نیاز دارید: باید ببینید که چگونه یک مولکول کوچک به یک دارو متصل می شود، چقدر قوی است، و همچنین ممکن است به چه چیز دیگری متصل شود.
AlphaFold 3 از یک مقیاس رنگی برای برچسبگذاری سطح اطمینان خود در پیشبینیاش استفاده میکند و به محققان این امکان را میدهد تا با احتیاط مناسب با نتایجی که احتمال دقت کمتری دارند، عمل کنند. آبی به معنای اعتماد به نفس بالا است. قرمز به این معنی است که کمتر مطمئن است.
گوگل AlphaFold 3 را رایگان برای محققان میسازد تا از آن برای تحقیقات غیرتجاری استفاده کنند. با این حال، برخلاف نسخه های قبلی، این شرکت منبع باز پروژه نیست. یکی از محققین برجسته که نرم افزارهای مشابهی را تولید می کند، استاد دانشگاه واشنگتن، دیوید بیکر، ابراز ناامیدی کرد سیمی که گوگل آن مسیر را انتخاب کرد. با این حال، او از قابلیت های این نرم افزار نیز شگفت زده شد. او گفت: «عملکرد پیشبینی ساختار AlphaFold 3 بسیار چشمگیر است.
در مورد بعدی، گوگل میگوید: «آزمایشگاههای ایزومورفیک در حال حاضر با شرکتهای دارویی همکاری میکنند تا آن را در چالشهای طراحی دارو در دنیای واقعی به کار ببرند و در نهایت، درمانهای جدیدی را برای تغییر زندگی بیماران ایجاد کنند.»