سرعت پیر شدنتان را از هوش مصنوعی بپرسید

فرارو- انسان هزاران سال است در جست‌وجوی راهی برای فرار از پیری و افزایش طول عمر است؛ از افسانه‌های مربوط به اکسیر جاودانگی گرفته تا پژوهش‌های مدرن برای یافتن داروهایی که بتوانند روند پیری را کند کنند. حالا هوش مصنوعی به یکی از تازه‌ترین ابزارهای این جست‌وجو تبدیل شده است. 

به گزارش فرارو به نقل از نیچر، پژوهشی که در نشریه Cell منتشر شده، از یک سامانه هوش مصنوعی تخصصی برای پیشبرد تحقیقات مرتبط با پیری و طول عمر رونمایی کرده است. این سامانه مجموعه‌ای از مدل‌های زبانی بزرگ (LLM) را شامل می‌شود که پژوهشگران آن‌ها را با استفاده از داده‌های زیست‌شناسی پیری آموزش داده‌اند. 

این پروژه تنها به توسعه مدل‌های هوش مصنوعی محدود نمی‌شود. پژوهشگران همچنین مجموعه‌ای شامل ۱۷ وظیفه طراحی کرده‌اند که می‌تواند برای ارزیابی عملکرد مدل‌های زبانی در مطالعات مربوط به پیری مورد استفاده قرار گیرد. علاوه بر این، یک رابط تحقیقاتی ایجاد شده که مدل‌های هوش مصنوعی، ابزارهای تخصصی و «عامل‌های هوش مصنوعی» را برای انجام تحلیل‌های مرتبط با پیری در کنار یکدیگر قرار می‌دهد. 

هوش مصنوعی تخصصی در برابر مدل‌های عمومی

پژوهشگران برای ارزیابی عملکرد این سامانه، مدل‌های تخصصی خود را با مدل‌های زبانی تجاری و بزرگ تولیدشده توسط شرکت‌هایی مانند OpenAI و DeepSeek مقایسه کردند. مدل‌های تجاری معمولاً با داده‌های بسیار گسترده‌تر و متنوع‌تر آموزش دیده‌اند و برای انجام طیف وسیعی از وظایف طراحی شده‌اند. 

نتایج نشان داد مدل‌های تخصصی که به طور مشخص برای پژوهش درباره پیری آموزش دیده بودند، در بسیاری از آزمون‌ها عملکرد بهتری نسبت به مدل‌های عمومی داشتند؛ هرچند این برتری در همه آزمون‌ها مشاهده نشد. 

مارینکا زیتنیک، دانشمند علوم کامپیوتر در دانشکده پزشکی هاروارد که در این پژوهش مشارکت نداشته، این مطالعه را گامی مهم در تحقیقات مربوط به طول عمر می‌داند و معتقد است می‌تواند به توسعه نسل جدیدی از مدل‌های هوش مصنوعی کمک کند. 

اما یک پرسش اساسی همچنان پابرجاست: چگونه می‌توان هوش مصنوعی را برای مطالعه پدیده‌ای آموزش داد که دانشمندان هنوز تعریف دقیقی از آن ندارند؟ 

زیتنیک می‌گوید در حوزه‌هایی مانند سرطان، می‌توان وظایف هوش مصنوعی را با دقت زیادی تعریف کرد، اما پیری پدیده‌ای بسیار پیچیده‌تر است و مرزهای آن به سادگی قابل تعیین نیست. 

ساعت‌هایی که می‌خواهند سن واقعی بدن را اندازه بگیرند

دانشمندان چندین دهه است که برای اندازه‌گیری پیری، حجم زیادی از داده‌های زیستی را جمع‌آوری کرده‌اند. حاصل بخشی از این تلاش‌ها، توسعه «ساعت‌های زیستی» بوده است؛ ابزارهایی که تلاش می‌کنند سن زیستی بدن و سرعت پیرشدن آن را تخمین بزنند. 

این ساعت‌ها از شاخص‌های مختلفی مانند ویژگی‌های چهره، سطح پروتئین‌ها، فعالیت ژن‌ها، تغییرات اپی‌ژنتیکی و حتی اسکن‌های مغزی استفاده می‌کنند تا مشخص کنند آیا بدن فرد سریع‌تر یا کندتر از سن تقویمی او در حال پیر شدن است. 

با این حال، افزایش دقت این ابزارها الزاماً به معنای حل مسئله تفسیر نتایج نیست. 

برای نمونه، در یک کارآزمایی بالینی کوچک، پژوهشگران گزارش کردند که یک داروی آزمایشی برای بیماری ریوی توانسته است سن زیستی دریافت‌کنندگان را کاهش دهد. این نتیجه بر اساس شش ساعت مختلف پیری به دست آمد؛ اما همچنان مشخص نبود که آیا دارو واقعاً فرآیندهای بنیادی پیری را معکوس کرده یا صرفاً وضعیت عمومی سلامت افراد را بهبود بخشیده است. 

کیارا هرتسوگ، متخصص اپی‌ژنتیک در دانشگاه کمبریج، به همین ابهام اشاره می‌کند: مرز میان پیری و بیماری دقیقاً کجاست و چگونه می‌توان این دو را از یکدیگر تفکیک کرد؟ 

این پرسش نشان می‌دهد که حتی پیشرفته‌ترین ساعت‌های زیستی نیز هنوز با محدودیت‌های جدی روبه‌رو هستند. 

آزمون هوش مصنوعی برای سنجش پیری

پژوهشگران امیدوارند هوش مصنوعی بتواند هم ساعت‌های زیستی دقیق‌تری طراحی کند و هم نشانه‌های مولکولی جدیدی را برای شناسایی روند پیری پیدا کند. اما پیش از آن باید مشخص شود که خود این ابزارهای هوش مصنوعی تا چه اندازه در انجام وظایف مرتبط با پیری توانمند هستند. 

چیان دی، دانشمند داده و پژوهشگر سلامت عمومی در دانشگاه تسینگ‌هوا در پکن، معتقد است نخستین گام، طراحی آزمون‌هایی برای سنجش عملکرد این مدل‌هاست. 

بر همین اساس، الکس ژاورونکوف، بنیان‌گذار و مدیرعامل شرکت Insilico Medicine در بوستون، و همکارانش مجموعه‌ای از آزمون‌ها را برای مدل‌های زبانی بزرگ طراحی کردند. 

این مجموعه شامل ۱۷ وظیفه در پنج نوع داده زیستی بود: اطلاعات بالینی، داده‌های اپی‌ژنتیکی، فعالیت ژن‌ها، سطوح پروتئین‌ها و توالی‌های ژنتیکی. 

برای مثال، در یکی از آزمون‌ها مدل باید با استفاده از اطلاعات بالینی دو فرد مشخص کند کدام‌یک سن بیشتری دارد. در آزمونی دیگر نیز از مدل خواسته می‌شود با توجه به میزان برخی پروتئین‌های موجود در خون، سن فرد را تخمین بزند. 

در مجموع، پژوهشگران ۲۳ مدل زبانی را بررسی کردند؛ شامل ۱۸ مدل تجاری و پنج مدل تخصصی که خود پژوهشگران با استفاده از داده‌های مرتبط با پیری آموزش داده بودند. 

نتایج این آزمون‌ها به پژوهشگران اجازه داد عملکرد مدل‌ها را در وظایف مختلف مقایسه کنند و مشخص شود هر مدل در چه نوع مسئله‌ای توانایی بیشتری دارد. 

زیتنیک می‌گوید طراحی چنین معیارهایی در حوزه‌هایی مانند سرطان نیز در حال انجام است، اما مطالعه پیری با یک مشکل اساسی مواجه است: دانشمندان هنوز تعریف کاملاً مشخص و قابل اندازه‌گیری از پیری در اختیار ندارند. 

به گفته او، در تحقیقات سرطان، پایگاه‌های داده بزرگی وجود دارد که اطلاعات آن‌ها به نتایج مشخص و قابل اندازه‌گیری متصل است؛ اما در حوزه پیری، تعریف دقیق متغیر مورد مطالعه بسیار دشوارتر است. 

از این منظر، طراحی همین ۱۷ وظیفه آزمایشی نیز خود می‌تواند بخشی از دستاورد پژوهش محسوب شود. 

وقتی هوش مصنوعی به دنبال اهداف دارویی می‌گردد

پژوهشگران در گام دیگری، یکی از مدل‌های زبانی تخصصی خود را در کنار سامانه‌ای مبتنی بر عامل‌های هوش مصنوعی به کار گرفتند تا اهداف دارویی بالقوه مرتبط با پیری را شناسایی کنند. 

این بخش از پژوهش می‌تواند اهمیت بیشتری در آینده پیدا کند؛ زیرا یکی از کاربردهای مورد انتظار هوش مصنوعی در زیست‌شناسی، کشف الگوهایی است که شناسایی آن‌ها برای پژوهشگران انسانی دشوار یا زمان‌بر است. 

هرتسوگ معتقد است جذاب‌ترین چشم‌انداز در این زمینه، استفاده از هوش مصنوعی برای کشف بخش‌هایی از زیست‌شناسی است که هنوز اطلاعات اندکی درباره آن‌ها وجود دارد. 

آیا ساعت‌های زیستی به «ساعت‌های هوشمند» تبدیل می‌شوند؟ 

ژاورونکوف معتقد است توسعه هوش مصنوعی می‌تواند مسیر آینده ساعت‌های زیستی را نیز تغییر دهد. 

بسیاری از ساعت‌های فعلی بر آزمون‌های نسبتاً ساده و روابط آماری میان برخی شاخص‌های زیستی و سن افراد متکی هستند. برای مثال، برخی از آن‌ها الگوهای گروه‌های شیمیایی متصل به DNA را بررسی می‌کنند که با افزایش سن ارتباط دارند. 

اما مدل‌های هوش مصنوعی می‌توانند داده‌های بسیار بیشتری را به شکل هم‌زمان تحلیل کنند و الگوهای پیچیده‌تری را مورد بررسی قرار دهند. 

ژاورونکوف این تحول را به عبور از ساعت‌های مکانیکی قدیمی به ساعت‌های هوشمند تشبیه می‌کند؛ تغییری که به گفته او می‌تواند در سال‌های آینده شکل بسیاری از ابزارهای سنجش پیری را دگرگون کند. 

به این ترتیب، رقابت برای درک پیری وارد مرحله تازه‌ای شده است؛ مرحله‌ای که در آن هوش مصنوعی نه‌تنها به دنبال اندازه‌گیری سن زیستی انسان است، بلکه می‌کوشد بفهمد پیری دقیقاً چیست، چگونه رخ می‌دهد و چگونه می‌توان مسیر آن را تغییر داد.