Claude سامانه‌ای شبیه CRISPR را شناسایی کرد؛ اما کشف هنوز اثبات نشده است

Anthropic می‌گوید مدل هوش مصنوعی Claude الگویی را در اطراف یک آنزیم شناسایی کرده که ممکن است به وجود سامانه‌ای شبیه CRISPR اشاره کند؛ اما این یافته هنوز به معنای کشف یک ابزار تازه برای ویرایش ژن نیست. به گزارش WIRED در ۲۹ سپتامبر ۲۰۲۶، پژوهشگران تأکید دارند که نقش زیستی این الگو و توانایی آن برای دست‌کاری ژن‌ها باید با آزمایش‌های آزمایشگاهی اثبات شود. اهمیت ماجرا در توانایی مدل برای یافتن الگو در داده‌های گسترده است، نه در اثبات مستقل یک کاربرد زیستی.

نقش Claude در شناسایی الگو چه بود؟

موضوع این بررسی آنزیمی از نوع «ترانس‌کریپتاز معکوس» است. به گفته پژوهشگرانی که WIRED با آن‌ها گفت‌وگو کرده، جست‌وجوی ترانس‌کریپتازهای معکوس تازه در پایگاه‌های اطلاعاتی ژنومی می‌تواند ماه‌ها کار دستی ببرد. به گفته Shipman، توانایی Claude برای انجام این مرحله در یک روز چشمگیر است؛ بااین‌حال، او هشدار می‌دهد که نباید نتیجه را به‌صورت کشفی معرفی کرد که مدل به‌تنهایی انجام داده باشد.

بخشی از اهمیت کار Claude، طبق گزارش، در شناسایی تکرارهایی در اطراف آنزیم بود. این الگوها به این احتمال اشاره کردند که آنزیم ممکن است جزئی از سامانه‌ای شبیه CRISPR باشد؛ سامانه‌ای که می‌تواند با ویرایش ژن ارتباط داشته باشد. در این مرحله، الگوی شناسایی‌شده سرنخی برای پژوهش بیشتر است، نه مدرکی قطعی درباره عملکرد آنزیم.

پژوهشگران در گزارش، سامانه احتمالی را با نام ART مطرح می‌کنند. Jason Gill، میکروب‌شناس دانشگاه Texas A&M، می‌گوید این آنزیم پیش از این در مقاله‌ای در سال ۲۰۲۱ درباره فاژهای غول‌پیکر و به‌دست او و همکارانش شناسایی شده بود. بنابراین، آنچه ممکن است در کار تازه باشد، کشف خود آنزیم نیست؛ بلکه یافتن تکرارهای پیرامون آن و طرح این احتمال است که با یک سامانه شبیه CRISPR روبه‌رو باشیم.

Gill توانایی مدل‌ها در پیدا کردن الگوها را قابل توجه می‌داند، اما می‌گوید انسان هم می‌تواند چنین کاری انجام دهد؛ مسئله این است که پژوهشگر باید از پیش فرضیه‌ای برای جست‌وجو داشته باشد. به بیان دیگر، Claude می‌تواند در انبوه داده‌ها سرنخ‌هایی را پیدا کند که دیدن آن‌ها با بررسی معمول دشوار است، اما تفسیر سرنخ‌ها و تبدیل آن‌ها به فرضیه علمی همچنان به دانش و داوری پژوهشگران نیاز دارد.

از سرنخ محاسباتی تا اثبات آزمایشگاهی

پرسش اصلی اکنون این است که آیا ART واقعاً فعالیت ویرایش ژن دارد یا نه. Gill می‌گوید این سامانه ظاهراً ارتباط آشکاری با سامانه‌های شناخته‌شده CRISPR ندارد و Anthropic باید نشان دهد که یافته واقعاً به عملکرد ویرایش ژن منجر می‌شود. شناسایی شباهت یا یک الگوی احتمالی، به‌تنهایی ثابت نمی‌کند که آنزیم همان کاری را انجام می‌دهد که پژوهشگران از یک ابزار ویرایش ژن انتظار دارند.

این فاصله میان پیشنهاد یک فرضیه و تأیید آن، دلیل مهمی است که چرا نمی‌توان خبر را معادل عرضه یک فناوری تازه دانست. مدل ممکن است در تحلیل داده‌های بزرگ به پژوهشگران کمک کند، اما در نهایت دانشمندان باید فرضیه را در آزمایشگاه بررسی کنند. خود گزارش نیز یادآور می‌شود که حتی اگر Claude به سرنخی درباره ابزار مهم بعدی ویرایش ژن رسیده باشد، اثبات آن به آزمودن فرضیه از سوی پژوهشگران نیاز دارد.

Cong، یکی از پژوهشگرانی که در گزارش از او نقل‌قول شده، می‌گوید دانشمندان مسئله مناسبی برای Claude انتخاب کرده‌اند؛ مسئله‌ای که با توانایی مدل در یافتن الگو سازگار است. بااین‌حال، او این نمونه را دلیلی نمی‌داند که Claude به‌زودی همه نوع کشف در علوم زیستی را سرعت می‌بخشد. ارزش مدل در این کاربرد مشخص ممکن است به توان آن در غربال‌کردن داده‌ها وابسته باشد؛ نمی‌توان از یک نمونه نتیجه گرفت که همین روش در همه حوزه‌های زیست‌شناسی کارایی مشابهی خواهد داشت.

شفافیت داده‌ها و پرسش درباره بازتولیدپذیری

یکی از دشواری‌های مطرح‌شده در گزارش، شفاف نبودن اطلاعاتی است که مدل با آن‌ها آموزش دیده است. در چنین شرایطی، جامعه علمی نمی‌تواند به‌آسانی ارزیابی کند مدل دقیقاً با چه داده‌هایی به پاسخ رسیده است. این ابهام در پژوهش علمی اهمیت دارد؛ زیرا برای بررسی مستقل نتایج، تنها اعلام نتیجه کافی نیست و دیگر پژوهشگران باید بتوانند مسیر رسیدن به آن را ارزیابی و تا حد ممکن بازتولید کنند.

WIRED می‌گوید این مسئله با انتظارات رایج از انتشار پژوهش نیز گره خورده است: مجلات مهم علمی از پژوهشگران می‌خواهند کدهای خود را آزادانه منتشر کنند تا کارشان بازبینی‌پذیرتر باشد. در مقابل، نحوه آموزش یک مدل تجاری ممکن است برای جامعه پژوهشی روشن نباشد. در نتیجه، حتی اگر مدل سرنخی درست پیدا کرده باشد، دانستن این‌که آن سرنخ دقیقاً از کجا آمده و چگونه باید مستقلاً بررسی شود، خود بخشی از بحث علمی است.

این نگرانی برای یک پژوهشگر که پیش‌تر همین آنزیم‌ها را مطالعه کرده بود، به پرسشی درباره داده‌های آموزشی Claude تبدیل شده است. او ظن داشت مدل شاید با یافته‌های منتشرنشده او آموزش دیده باشد؛ یافته‌هایی که پیش‌تر با نسخه عمومی Claude در میان گذاشته بود. Anthropic در پاسخ به The New York Times گفته است Claude با متن گفت‌وگوهای کاربران آموزش ندیده و تیم زیست‌شناسی مولکولی این شرکت نیز به چنین گفت‌وگوهایی دسترسی ندارد. این پاسخ، موضع شرکت را روشن می‌کند، اما گزارش همچنان بر دشواری ارزیابی مستقل داده‌های آموزشی مدل تأکید دارد.

تاریخ CRISPR یادآور طولانی‌بودن مسیر پژوهش است

گزارش برای نشان‌دادن فاصله میان شناسایی یک پدیده و تبدیل آن به ابزار، به تاریخ CRISPR اشاره می‌کند. توالی‌های CRISPR در باکتری‌ها نخستین‌بار در سال ۱۹۸۷ شناسایی شدند، اما حدود ۲۵ سال طول کشید تا Jennifer Doudna و Emmanuelle Charpentier در سال ۲۰۱۲ نشان دهند که می‌توان از این سامانه به‌عنوان ابزاری برنامه‌پذیر برای بریدن DNA استفاده کرد.

حتی پس از آن مرحله نیز تبدیل یک فناوری به درمان پزشکی زمان‌بر بوده است. به گفته گزارش، CRISPR اکنون در آزمایشگاه‌ها کاربرد گسترده دارد و در ده‌ها کارآزمایی بالینی برای بررسی درمان بیماری‌های قلبی‌عروقی، سرطان‌ها، بیماری‌های خودایمنی و اختلالات نادر در حال آزمایش است. بااین‌حال، تا زمان انتشار گزارش تنها یک دارو مبتنی بر این فناوری وارد بازار شده بود؛ دارویی که در اواخر سال ۲۰۲۳ تأیید شد.

این سابقه نشان می‌دهد که شناسایی یک سامانه زیستی بالقوه، حتی اگر درست باشد، با ساخت درمان یا ابزار قابل استفاده فاصله زیادی دارد. پژوهشگران باید ابتدا عملکرد آن را بفهمند، امکان استفاده از آن را آزمایش کنند و سپس مسیرهای لازم برای کاربرد عملی را طی کنند. پس توانایی Claude در برجسته‌کردن یک الگوی تازه، اگر تأیید شود، می‌تواند نقطه آغاز یک مسیر پژوهشی باشد؛ نه پایان آن.

Anthropic CEO Dario Amodei در پیامی در X گمانه‌زنی کرده است که شاید در آینده Claude بتواند آزمایش‌ها را با کنترل خودکار تجهیزات آزمایشگاهی انجام دهد. اما این ایده در گزارش به‌عنوان امکانی برای آینده‌ای نسبتاً دور مطرح شده، نه قابلیتی که اکنون در دسترس باشد. Amodei همچنین گفته است آزمایشگاه‌های Anthropic در پایین‌ترین سطوح ایمنی زیستی قرار دارند و مواد بسیار خطرناک برای انسان در آن‌ها وجود ندارد. تصور انجام آزمایش به‌دست هوش مصنوعی، در هر صورت، پرسش‌هایی درباره ایمنی و نظارت انسانی به‌همراه دارد.

در نگاه بنیادی‌تر، گزارش می‌پرسد آیا یک مدل هوش مصنوعی می‌تواند چیزی واقعاً سودمند را پیدا کند، بی‌آن‌که از پیش بداند دقیقاً دنبال چه چیزی است. Cong برای سنجش این توانایی، سناریویی را مطرح می‌کند که در آن یک مدل تنها با دانشی آموزش دیده باشد که پیش از کشف CRISPR در دسترس بوده و سپس خود آن سامانه را شناسایی کند. این پرسش هنوز پاسخ روشنی ندارد، اما نشان می‌دهد که ارزیابی دستاوردهای مدل‌های علمی فقط به سرعت تحلیل داده محدود نیست؛ باید سنجید آیا مدل واقعاً دانشی تازه تولید کرده یا در یافتن سرنخی در داده‌های موجود به دانشمندان کمک کرده است.

این خبر برای چه کسانی اهمیت دارد

این خبر برای پژوهشگران زیست‌شناسی و ژنتیک مهم است، چون نمونه‌ای از کاربرد هوش مصنوعی برای جست‌وجوی الگو در داده‌های ژنومی ارائه می‌کند؛ اما هم‌زمان یادآور می‌شود که سرنخ محاسباتی باید با آزمایش مستقل تأیید شود. برای شرکت‌های هوش مصنوعی نیز ماجرا پرسش‌هایی درباره شفافیت داده‌های آموزشی و امکان ارزیابی علمی نتایج ایجاد می‌کند. و برای مخاطبان عمومی، نکته اصلی این است که ادعای شناسایی یک سامانه شبیه CRISPR را نباید با اثبات ابزار تازه ویرایش ژن یا نزدیک‌بودن آن به درمان پزشکی یکی دانست. در حال حاضر، آنچه گزارش می‌شود فرضیه‌ای امیدوارکننده اما تأییدنشده است؛ فرضیه‌ای که مسیر اثباتش به پژوهش انسانی و زمان نیاز دارد.