او برنده جایزه نوبل طراحی پروتئین شد. اکنون او از هوش مصنوعی برای ایجاد مولکول هایی که در طبیعت یافت نمی شوند استفاده می کند

با انجام این کار، محققان در صدد ایجاد پایگاه‌های اطلاعاتی، مدل‌ها و ابزارهایی هستند که می‌توانند به عنوان «بذر» برای توسعه داروها و فناوری‌های آینده عمل کنند. نویسندگان، برای مثال، داروهای جدیدی را برای درمان سرطان و بیماری‌های تخریب‌کننده عصبی یا آنزیم‌هایی که قادر به تجزیه پلاستیک‌ها در اقیانوس هستند، پیش‌بینی می‌کنند. این ابتکار توسط موسسه آلن، یک موسسه غیرانتفاعی تحقیقات زیست پزشکی در سیاتل، همراه با دانشگاه واشنگتن و مرکز سرطان فرد هاچینسون هدایت می شود.

در میان دانشمندانی که این اتهام را رهبری می‌کنند، دیوید بیکر است که جایزه نوبل شیمی 2024 را به خاطر کارش در طراحی پروتئین محاسباتی به اشتراک گذاشت. در بسیاری از تاریخ زیست‌شناسی، دانشمندان راه‌حل‌هایی را که طی میلیاردها سال تکامل ساخته شده‌اند، مطالعه کرده‌اند. کشف احتمالاتی که طبیعت هرگز تولید نکرده است، رویکردی اساسا جدید است.

و از آنجایی که فناوری اکنون این امکان را فراهم می کند، یکی از رهبران این حوزه حتی پتانسیل این روش ها را با تحولات تاریخی مانند صنعتی شدن، برق رسانی و انقلاب دیجیتال مقایسه می کند. با این حال، کاوش در مناطق کاملا جدید زیست شناسی نیز ناگزیر به سؤالات دشواری منجر می شود.

WIRED en Español با دیوید بیکر، مدیر ارشد علمی در AI BioDesign صحبت کرد تا به این موضوع و موضوعات دیگر بپردازد. این مصاحبه برای طولانی بودن و وضوح ویرایش شده است. JORGE GARAY: AI BioDesign به دنبال کشف مولکول‌های احتمالی و عملکردهای بیولوژیکی است که هرگز در طبیعت وجود نداشته‌اند. آیا خطرات خاصی در ورود به این سرزمین ناشناخته وجود دارد؟ چگونه دانشمندان می توانند این خطرات را پیش بینی کنند و چه اقداماتی می توانند برای به حداقل رساندن آنها قبل از خروج مولکول طراحی شده از آزمایشگاه انجام دهند؟ دیوید بیکر: چیزی که در مورد زیست شناسی هیجان انگیز است این است که طبیعت تنها کسری از w را کشف کرده است.

کلاه از نظر فیزیکی و شیمیایی امکان پذیر است، که دنیایی از امکانات را برای آنچه ما می توانیم طراحی کنیم باز می کند. وقتی این احتمالات را بررسی می کنیم، خطرات اولیه تفاوت چندانی با خطرات مرتبط با هر فناوری بیولوژیکی جدید ندارند - تعاملات ناخواسته با سیستم های زنده، اثرات محیطی غیرمنتظره، یا استفاده نادرست. مزیتی که امروزه داریم این است که طراحی محاسباتی به ما امکان می دهد تا بسیاری از این خطرات را قبل از سنتز یک مولکول ارزیابی کنیم.

ما می‌توانیم طرح‌ها را به صورت محاسباتی غربال کنیم، آن‌ها را به طور گسترده در تنظیمات آزمایشگاهی محتوی آزمایش کنیم، و آنها را قبل از در نظر گرفتن هر برنامه‌ای در دنیای واقعی، در معرض اعتبارسنجی آزمایشی واقعی‌تر قرار دهیم. این پروژه به امکاناتی از داروهای جدید گرفته تا آنزیم های تجزیه کننده پلاستیک و حتی کامپیوترهای بیولوژیکی اشاره می کند.

اگر هنگام طراحی مولکول‌ها و عملکردهای بیولوژیکی جدید قدرت پیش‌بینی بیشتری داشته باشیم، فکر می‌کنید این قابلیت چقدر می‌تواند ما را ببرد؟ من و تیمم اهداف بلندی برای طراحی پروتئین داریم: ما در حال کار برای ساختن جهانی هستیم که در آن درمان یک بیماری جدید در هفته‌ها و نه دهه‌ها ایجاد شود. جایی که هوا، آب و خاک ما تمیز است، زیرا ما آلاینده ها را حذف کردیم و فرآیندهایی را که آنها را آلوده می کردند، دوباره تصور کردیم. جایی که محصولات در شرایطی رشد می کنند که زمانی باعث مرگ آنها می شد.

جایی که ماشین‌های مولکولی مواد معدنی حیاتی را از زباله بیرون می‌کشند و زیرساخت‌هایی را که ما به آن وابسته هستیم تعمیر می‌کنند. پروتئین ها ماشین های مولکولی هستند که زندگی برای ایجاد تمام مواد آلی که در اینجا روی زمین می شناسیم ایجاد کرده است. باز کردن پتانسیل کامل آنها مستلزم آن است که ما اصول مهندسی را استخراج کنیم که امکان دستیابی به ایده های نوآورانه جدید، از جمله ایده هایی را که هنوز نمی توانیم تصور کنیم، می دهد. وقتی این مدل‌ها توانایی بیشتری پیدا می‌کنند، آیا هوش مصنوعی در نهایت می‌تواند مولکول‌های کاربردی را طراحی کند که خود دانشمندان به طور کامل آن را درک نمی‌کنند؟ اگر چنین است، آیا کافی است که به طور تجربی نشان دهیم که آنها کار می کنند؟

k و ایمن هستند یا فکر می کنید ما نیز باید مکانیسم ها را درک کنیم؟ علم اغلب در مراحل پیشرفت کرده است، و ما می بینیم که چگونه یادگیری ماشینی طراحی پروتئین را پیشرفته کرده است. اولین قدم معمولا مشاهده این است که چیزی کار می کند، و ما اغلب بعدا متوجه می شویم که چرا. یادگیری ماشینی در مرحله اول واقعا خوب است - توانایی ما را برای مشاهده الگوهایی که می‌توان برای طراحی بیولوژیکی به کار گرفت، بسیار بهبود بخشید.

شواهد تجربی قوی می‌تواند پیشرفت پروژه‌ها را توجیه کند، اما درک عمیق‌تر یک هدف مهم هم برای تحقیقات و هم برای تحقیقات علمی به طور کلی باقی می‌ماند. بسیاری از چیزهایی که امروزه نمی توانیم به آن دست یابیم به دلیل عدم درک یا داده هایی است که پارامترهایی را برای نحوه عملکرد یا عدم عملکرد سیستم های خاص تعریف می کند.

این نقطه اصلی برنامه AI BioDesign است. آیا مولکول ها یا عملکردهای بیولوژیکی وجود دارند که به نظر شما، حتی اگر از نظر فنی این امکان وجود داشته باشد، نباید طراحی شوند؟ چه معیارهایی باید تعیین کنند که آن خط در کجا رسم شده است؟ تصمیمات باید بر اساس تعادلی از منافع بالقوه و مضرات بالقوه هدایت شوند. کاربردهایی که به چالش‌های عمده در سلامت، پایداری یا رفاه انسان می‌پردازند، دلیل قوی برای توسعه دارند.

برعکس، طرح هایی که خطرات قابل توجهی برای امنیت عمومی، امنیت یا محیط زیست ایجاد می کنند، مستحق بررسی دقیق و در برخی موارد محدودیت های واضح هستند. همانطور که چارچوب‌هایی را برای سایر فناوری‌های قدرتمند توسعه داده‌ایم، به ساختارهای حاکمیتی نیز نیاز داریم که در کنار پیشرفت‌های هوش مصنوعی و بیوتکنولوژی تکامل یابد. من از آن حمایت کرده‌ام که این محدودیت‌ها باید شامل نظارت و ثبت تمام DNA مصنوعی باشد که برای ثبت توالی و سازنده آن تولید می‌شود.

این یک مانع عملی برای سوء استفاده و سابقه هرگونه تلاش بد قصد ایجاد می کند. این داستان در اصل در WIRED en Español ظاهر شد و از اسپانیایی ترجمه شده است.