"آغاز یک پارادایم علمی جدید": Biohub زاکربرگ، ایالات متحده و گوگل سلول مجازی می سازند

Biohub مارک زاکربرگ با گوگل و دولت فدرال در تلاش بلندپروازانه خود برای استفاده از هوش مصنوعی برای تولید مقادیر زیادی از داده های بیولوژیکی که می تواند نحوه رفتار سلول ها را پیش بینی کند، شریک است.

چرا مهم است: هدف نهایی یک مدل هوش مصنوعی است که به دانشمندان اجازه می‌دهد آزمایش‌های بالقوه را به صورت مجازی آزمایش کنند و به آنها کمک کند تا قبل از صرف زمان و هزینه برای انجام آنها در آزمایشگاه، امیدوارکننده‌ترین آزمایش‌ها را شناسایی کنند. هوش مصنوعی قادر به درک پروتئین‌ها و سایر بخش‌های زیست‌شناسی است، اما مدل‌سازی یک سلول زنده کاملا پیچیده‌تر است – و محققان هنوز داده‌های کافی برای انجام آن را ندارند. درایو اخبار: Biohub، وزارت انرژی، مؤسسه ملی بهداشت، Google DeepMind، Isomorphic Labs، Meta و مجموعه ای از سازمان های علمی

برای ایجاد و استانداردسازی داده‌ها برای آنچه Biohub "سلول مجازی جهانی" می‌نامد، همکاری می‌کنند.

تصویر بزرگ: هدف استفاده از هوش مصنوعی برای کاوش در بسیاری از سوالات علمی بیشتر در زیست شناسی به صورت مجازی است و به دانشمندان این امکان را می دهد که کارهای آزمایشگاهی گران قیمت را برای آزمایش هایی که به احتمال زیاد به آنها چیزهای مهمی را آموزش می دهد، رزرو کنند. الکس ریوز، رئیس علم Biohub به Axios گفت: «اگر بتوانیم استدلال و هوش بیشتری را در هر سؤالی که واقعا در آزمایشگاه می‌پرسیم، قرار دهیم، ارزش آن نتایج تجربی بسیار بیشتر خواهد بود. بسیاری از پیشرفت‌های اخیر هوش مصنوعی از ترکیب الگوریتم‌های بهتر، قدرت محاسباتی بیشتر و مقادیر بسیار زیاد داده حاصل شده است. زیست شناسی یک فصل اضافی را ارائه می دهد

allenge: بسیاری از اطلاعات مورد نیاز هوش مصنوعی هنوز وجود ندارد و باید به دقت از دنیای فیزیکی اندازه گیری شود.

ریوز گفت: «ما در آغاز یک پارادایم علمی جدید با هوش مصنوعی هستیم. بله، اما: زیست‌شناسی سخت‌تر از بسیاری از حوزه‌های هوش مصنوعی دیگر است، زیرا محققان به آنچه رایوز «هوش مصنوعی تجربی» می‌نامد نیاز دارند - مدل‌هایی که از شواهد بیولوژیکی یاد می‌گیرند و می‌توانند به‌طور دقیق اتفاقات دنیای فیزیکی را پیش‌بینی کنند. ریوز گفت: «چالش بزرگ در زیست شناسی این است که فاصله بین محاسبات و دنیای دیجیتال و دنیای فیزیکی واقعی زیست شناسی و زندگی را پر کنیم. "راه انجام این کار از طریق داده است."

چنین مدل‌هایی در نهایت می‌توانند به دانشمندان در بررسی سؤالات اساسی مانند نحوه عملکرد پیری و بازسازی کمک کنند - یا سؤالات پزشکی مانند مکانیسم‌های مولکولی مسئول بیماری آلزایمر. چگونه کار می کند: مرحله اول نقشه وسیعی از زیست شناسی سلولی ایجاد می کند که انواع مختلف اطلاعات در مورد سلول ها و نحوه واکنش آنها به تغییرات را جمع آوری می کند. علاوه بر این، Rives مدل هایی را پیش بینی می کند که می تواند بیماری فرد را بررسی کند و علل مولکولی آن و بهترین راه برای مداخله را پیش بینی کند. فتنه: شرکای تجاری یک سال انحصاری خواهند داشت

دسترسی به داده هایی که توسعه می دهند قبل از اینکه به صورت عمومی به اشتراک گذاشته شود. رایوز گفت که این مزیت موقت در نظر گرفته شده است تا به شرکت‌ها دلیلی برای کمک مالی بدهد و در عین حال اطمینان حاصل شود که داده‌های حاصل به یک منبع علمی باز تبدیل می‌شوند.

ریوز گفت: "ما باید انگیزه ای برای بازیگران تجاری داشته باشیم تا بخشی از این امر باشند و دوره تحریم این را ایجاد می کند." اما این یک تحریم یک ساله است. بزرگنمایی: این تلاش شامل 1.8 میلیارد دلار بودجه، داده، محاسبات و فناوری اندازه گیری است. DOE قصد دارد در طول پنج سال بیش از 500 میلیون دلار در اندازه‌گیری بیولوژیکی، مدل‌سازی و محاسبات سرمایه‌گذاری کند، در حالی که NIH مجموعه داده‌ها و سایر منابع حاصل از بیش از 500 میلیون دلار سرمایه‌گذاری قبلی فدرال را به ارمغان می‌آورد.

Google DeepMind، Isomorphic Labs و Meta مجموعا 300 میلیون دلار دیگر سرمایه گذاری می کنند، در حالی که Biohub قبلا 500 میلیون دلار برای این تلاش متعهد شده بود. فلاش بک: هنگامی که Biohub تلاش اولیه 500 میلیون دلاری خود را در آوریل اعلام کرد، ریوز به Axios گفت که یکی از بزرگترین سوالات بی پاسخ این بود که آیا زیست شناسی سلولی همان نوع "قوانین مقیاس بندی" را که در جاهای دیگر در هوش مصنوعی دیده می شود را نشان می دهد - با اینکه مدل ها به طور قابل پیش بینی بهتری می شوند زیرا بر روی افزایش حجم داده ها آموزش می بینند.

آنچه ما در حال تماشای آن هستیم: ریوز فکر می‌کند که محققان برای یافتن اینکه آیا این شرط‌بندی کار می‌کند یا خیر، نیازی به صبر طولانی مدت نخواهند داشت. او گفت که ظرف یک سال پس از داشتن اولین مجموعه داده در مقیاس بزرگ، محققان باید بتوانند مدل‌ها را آموزش دهند، قابلیت‌های آنها را اندازه‌گیری کنند و تعیین کنند کدام نوع داده‌های بیولوژیکی اضافی آنها را بهتر می‌کند.

ریوز با اشاره به پیشرفت هوش مصنوعی در زیست شناسی پروتئین گفت: "این در هر زمینه ای کار می کند و در زیست شناسی نیز کار می کند."