المخطط والهندسة: بنية معيارية من النماذج التأسيسية

AIDO ليس نموذجاً واحداً، بل هو نظام معياري ومتصل وشامل يعتمد على نماذج تأسيسية من نوع المحولات (Transformers)، كل منها متخصص في مقياس بيولوجي معين :

• AIDO.DNA - يمثل تسلسل الجينوم، ويضع الأساس لفهم التباين الجيني وآثاره النهائية .
• AIDO.RNA - نموذج يضم 1.6 مليار معامل، تم تدريبه مسبقاً على 42 مليون تسلسل من الحمض النووي الريبوزي غير المشفر (ncRNA) بدقة نيوكليوتيد واحد .
• AIDO.Protein - يتعلم تسلسل البروتين وتركيبه ووظيفته .
• AIDO.Cell - سلسلة من نماذج المحولات الكثيفة التي تعتمد على التشفير فقط، يصل حجمها إلى 650 مليون معامل، تم تدريبها مسبقاً على 50 مليون خلية بشرية من أنسجة متنوعة وتغطي حوالي 20,000 جين لكل خلية .
• AIDO.Tissue - يمثل سلوك الأنسجة والتفاعلات الخلوية .
• AIDO.Biology - طبقة "نموذج عالمي" شاملة تدمج جميع المقاييس الأدنى لمحاكاة النتائج على مستوى الكائن الحي .

الاختيار التصميمي الحاسم هو أن هذه الوحدات قابلة للاتصال - بحيث يمكن تتبع تأثير تدخل واحد، مثل دواء جديد أو تعديل جيني، منطقياً عبر المقاييس: من التفاعل الجزيئي مروراً بالاستجابة الخلوية وتأثير الأنسجة، وصولاً إلى النتيجة الصحية المتوقعة .

الهدف: محاكي متعدد المقاييس و"نموذج عالمي" للبيولوجيا

الطموح المركزي هو إنشاء "نموذج عالمي" حاسوبي للبيولوجيا يمكنه محاكاة كيفية انتشار التغيير على مستوى الحمض النووي عبر البروتينات والخلايا والأنسجة والأنماط الظاهرية على مستوى الكائن الحي . وهذا من شأنه أن يسمح للباحثين بما يلي:

• محاكاة الأمراض والعمليات البيولوجية المعقدة حسابياً، متجاوزين سنوات من التجارب المعملية الرطبة .
• التنبؤ بتأثيرات الأدوية وسميتها قبل إجراء أي تجربة معملية، مما يقلل بشكل كبير عدد المرشحين الذين يحتاجون إلى اختبار فعلي .
• اختبار ملايين التدخلات in silico بسرعة، وتضييق مجموعة المرشحين للتحقق التجريبي على الأكثر وعداً فقط .

وقد وصف المشروع بأنه يشبه بناء "محاكي طيران" للطب، حيث يمكن للعلماء التجربة افتراضياً قبل الالتزام بتجارب في العالم الحقيقي .

مقارنة مع جهود الخلية الافتراضية الأخرى

مفهوم الخلية الافتراضية بالذكاء الاصطناعي ليس حكراً على فريق AIDO. فقد نشر Chan Zuckerberg BioHub (CZI)، بالتعاون مع جامعة ستانفورد وشركة Genentech، ورقة رؤية متزامنة في مجلة Nature (ديسمبر 2024) حول الخلايا الافتراضية بالذكاء الاصطناعي (AIVCs) - نماذج شبكات عصبية كبيرة متعددة المقاييس والطرائق مصممة لتمثيل الجزيئات والخلايا والأنسجة . كما عقد CZI ورشة عمل حول الخلايا الافتراضية حددت العديد من الاختناقات نفسها .

الاختلافات الرئيسية بين المشروعين:

على الرغم من الاختلافات في النطاق والمرحلة، يشترك كلا المشروعين في نفس التحدي الأساسي: دمج بيانات omics غير المتجانسة للغاية - scRNA-seq وعلم البروتينات وعلم الوراثة اللاجينية وعلم الأيض - في نماذج موحدة ومتماسكة .

القيود المعترف بها

تحدد ورقة AIDO والتغطية الإعلامية المرتبطة بها العديد من القيود الهامة التي تخفف من الحماس الأولي :

• بيانات تدريب منحازة وغير كاملة: مجموعات البيانات البيولوجية الحالية منحازة بشدة نحو سلالات الخلايا المدروسة جيداً، والأمراض الشائعة، والسكان من أصل أوروبي. يمكن أن يؤدي ذلك إلى تحريف توقعات النموذج وربما تفاقم الفوارق الديموغرافية في الرعاية الصحية .
• تباين المرضى: التنوع البيولوجي البشري عبر الخلفيات الجينية والأعمار والحالات الصحية واسع ويتم التقاطه بشكل سيئ من قبل مجموعات التدريب الحالية. ويشير المؤلفون صراحة إلى أن النماذج قد تفشل في التعميم عند تطبيقها على السكان الممثلين تمثيلاً ناقصاً .
• دمج البيانات غير المتجانسة: لا يزال دمج البيانات عبر الطرائق - من transcriptomics إلى proteomics إلى التصوير إلى السجلات السريرية - صعباً من الناحية الفنية بسبب الاختلافات في المقياس وضوضاء القياس وأنماط البيانات المفقودة .
• الافتقار إلى معايير قياسية موحدة: بدون أطر تقييم عبر المجالات، يظل من الصعب مقارنة النماذج من مجموعات مختلفة بشكل موضوعي أو تقييم المتانة في العالم الحقيقي .

التطبيقات: ترشيح الأدوية المرشحة والاستجابة لتفشي الأمراض

يتم تسليط الضوء على تطبيقين بشكل بارز كأهداف قصيرة المدى لـ AIDO :

• ترشيح الأدوية المرشحة: يمكن لـ AIDO محاكاة ملايين المركبات in silico، والتنبؤ بربطها الجزيئي، والاستجابة الخلوية، والسمية على مستوى الأنسجة، والفعالية على مستوى الكائن الحي قبل أي عمل مختبري. وهذا من شأنه أن يقلص بشكل كبير مجموعة المرشحين الذين يحتاجون إلى اختبار تجريبي، مما يقلل من تكلفة ومعدلات الفشل في التطوير قبل السريري .

• تسريع الاستجابة لتفشي الأمراض المعدية: نظراً لأن النظام معياري ومدرب على أنماط بيولوجية أساسية (بدلاً من مجرد ممرض واحد)، يمكن تكييفه بسرعة لنمذجة فيروس جديد أو تهديد بكتيري. يمكن للباحثين محاكاة ديناميكيات العدوى، واختبار مكتبات الأدوية الموجودة لإعادة توظيفها، والتنبؤ بالاستجابات المناعية عبر الكائن الافتراضي في غضون أيام أو أسابيع بدلاً من أشهر .

المخطط والهندسة: بنية معيارية من النماذج التأسيسية

AIDO ليس نموذجاً واحداً، بل هو نظام معياري ومتصل وشامل يعتمد على نماذج تأسيسية من نوع المحولات (Transformers)، كل منها متخصص في مقياس بيولوجي معين :

• AIDO.DNA - يمثل تسلسل الجينوم، ويضع الأساس لفهم التباين الجيني وآثاره النهائية .
• AIDO.RNA - نموذج يضم 1.6 مليار معامل، تم تدريبه مسبقاً على 42 مليون تسلسل من الحمض النووي الريبوزي غير المشفر (ncRNA) بدقة نيوكليوتيد واحد .
• AIDO.Protein - يتعلم تسلسل البروتين وتركيبه ووظيفته .
• AIDO.Cell - سلسلة من نماذج المحولات الكثيفة التي تعتمد على التشفير فقط، يصل حجمها إلى 650 مليون معامل، تم تدريبها مسبقاً على 50 مليون خلية بشرية من أنسجة متنوعة وتغطي حوالي 20,000 جين لكل خلية .
• AIDO.Tissue - يمثل سلوك الأنسجة والتفاعلات الخلوية .
• AIDO.Biology - طبقة "نموذج عالمي" شاملة تدمج جميع المقاييس الأدنى لمحاكاة النتائج على مستوى الكائن الحي .

الاختيار التصميمي الحاسم هو أن هذه الوحدات قابلة للاتصال - بحيث يمكن تتبع تأثير تدخل واحد، مثل دواء جديد أو تعديل جيني، منطقياً عبر المقاييس: من التفاعل الجزيئي مروراً بالاستجابة الخلوية وتأثير الأنسجة، وصولاً إلى النتيجة الصحية المتوقعة .

الهدف: محاكي متعدد المقاييس و"نموذج عالمي" للبيولوجيا

الطموح المركزي هو إنشاء "نموذج عالمي" حاسوبي للبيولوجيا يمكنه محاكاة كيفية انتشار التغيير على مستوى الحمض النووي عبر البروتينات والخلايا والأنسجة والأنماط الظاهرية على مستوى الكائن الحي . وهذا من شأنه أن يسمح للباحثين بما يلي:

• محاكاة الأمراض والعمليات البيولوجية المعقدة حسابياً، متجاوزين سنوات من التجارب المعملية الرطبة .
• التنبؤ بتأثيرات الأدوية وسميتها قبل إجراء أي تجربة معملية، مما يقلل بشكل كبير عدد المرشحين الذين يحتاجون إلى اختبار فعلي .
• اختبار ملايين التدخلات in silico بسرعة، وتضييق مجموعة المرشحين للتحقق التجريبي على الأكثر وعداً فقط .

وقد وصف المشروع بأنه يشبه بناء "محاكي طيران" للطب، حيث يمكن للعلماء التجربة افتراضياً قبل الالتزام بتجارب في العالم الحقيقي .

مقارنة مع جهود الخلية الافتراضية الأخرى

مفهوم الخلية الافتراضية بالذكاء الاصطناعي ليس حكراً على فريق AIDO. فقد نشر Chan Zuckerberg BioHub (CZI)، بالتعاون مع جامعة ستانفورد وشركة Genentech، ورقة رؤية متزامنة في مجلة Nature (ديسمبر 2024) حول الخلايا الافتراضية بالذكاء الاصطناعي (AIVCs) - نماذج شبكات عصبية كبيرة متعددة المقاييس والطرائق مصممة لتمثيل الجزيئات والخلايا والأنسجة . كما عقد CZI ورشة عمل حول الخلايا الافتراضية حددت العديد من الاختناقات نفسها .

الاختلافات الرئيسية بين المشروعين:

على الرغم من الاختلافات في النطاق والمرحلة، يشترك كلا المشروعين في نفس التحدي الأساسي: دمج بيانات omics غير المتجانسة للغاية - scRNA-seq وعلم البروتينات وعلم الوراثة اللاجينية وعلم الأيض - في نماذج موحدة ومتماسكة .

القيود المعترف بها

تحدد ورقة AIDO والتغطية الإعلامية المرتبطة بها العديد من القيود الهامة التي تخفف من الحماس الأولي :

• بيانات تدريب منحازة وغير كاملة: مجموعات البيانات البيولوجية الحالية منحازة بشدة نحو سلالات الخلايا المدروسة جيداً، والأمراض الشائعة، والسكان من أصل أوروبي. يمكن أن يؤدي ذلك إلى تحريف توقعات النموذج وربما تفاقم الفوارق الديموغرافية في الرعاية الصحية .
• تباين المرضى: التنوع البيولوجي البشري عبر الخلفيات الجينية والأعمار والحالات الصحية واسع ويتم التقاطه بشكل سيئ من قبل مجموعات التدريب الحالية. ويشير المؤلفون صراحة إلى أن النماذج قد تفشل في التعميم عند تطبيقها على السكان الممثلين تمثيلاً ناقصاً .
• دمج البيانات غير المتجانسة: لا يزال دمج البيانات عبر الطرائق - من transcriptomics إلى proteomics إلى التصوير إلى السجلات السريرية - صعباً من الناحية الفنية بسبب الاختلافات في المقياس وضوضاء القياس وأنماط البيانات المفقودة .
• الافتقار إلى معايير قياسية موحدة: بدون أطر تقييم عبر المجالات، يظل من الصعب مقارنة النماذج من مجموعات مختلفة بشكل موضوعي أو تقييم المتانة في العالم الحقيقي .

التطبيقات: ترشيح الأدوية المرشحة والاستجابة لتفشي الأمراض

يتم تسليط الضوء على تطبيقين بشكل بارز كأهداف قصيرة المدى لـ AIDO :

• ترشيح الأدوية المرشحة: يمكن لـ AIDO محاكاة ملايين المركبات in silico، والتنبؤ بربطها الجزيئي، والاستجابة الخلوية، والسمية على مستوى الأنسجة، والفعالية على مستوى الكائن الحي قبل أي عمل مختبري. وهذا من شأنه أن يقلص بشكل كبير مجموعة المرشحين الذين يحتاجون إلى اختبار تجريبي، مما يقلل من تكلفة ومعدلات الفشل في التطوير قبل السريري .

• تسريع الاستجابة لتفشي الأمراض المعدية: نظراً لأن النظام معياري ومدرب على أنماط بيولوجية أساسية (بدلاً من مجرد ممرض واحد)، يمكن تكييفه بسرعة لنمذجة فيروس جديد أو تهديد بكتيري. يمكن للباحثين محاكاة ديناميكيات العدوى، واختبار مكتبات الأدوية الموجودة لإعادة توظيفها، والتنبؤ بالاستجابات المناعية عبر الكائن الافتراضي في غضون أيام أو أسابيع بدلاً من أشهر .