گوگل از سه کاربرد تازه هوش مصنوعی در ژنتیک، پایش متان و عصب‌شناسی خبر داد

هوش مصنوعی گوگل در سه پروژه پژوهشی که این شرکت در سپتامبر ۲۰۲۶ معرفی کرد، به بررسی تغییرات ژنتیکی، شناسایی انتشار متان از فضا و ترسیم نقشه مغز مگس میوه کمک می‌کند. این مجموعه شامل پایگاه داده‌ای برای پیش‌بینی اثر تغییرات ژنوم، مدلی برای ردیابی نشت متان و نقشه‌ای سه‌بعدی از مغز یک مگس میوه نر بالغ است؛ نمونه‌هایی از کاربرد هوش مصنوعی در تحلیل داده‌های زیستی و محیطی.

هوش مصنوعی گوگل برای بررسی میلیاردها تغییر ژنتیکی

یکی از پروژه‌های معرفی‌شده، AlphaGenome Atlas است؛ پایگاه داده‌ای که به گفته گوگل اثر احتمالی همه گونه‌های تغییر تک‌نوکلئوتیدی در ژنوم انسان را پیش‌بینی می‌کند. تغییر تک‌نوکلئوتیدی زمانی رخ می‌دهد که یکی از حروف شیمیایی سازنده DNA در یک نقطه با حرف دیگری جایگزین شود. چنین تغییرهایی ممکن است در بررسی بیماری‌ها یا ویژگی‌های زیستی اهمیت داشته باشند، اما ارزیابی آزمایشگاهی تک‌تک آن‌ها عملی نیست.

گوگل شمار این گونه‌های ممکن در ژنوم انسان را ۹ میلیارد اعلام کرده است. AlphaGenome Atlas با هدف پیش‌بینی اثر هر یک از این تغییرها طراحی شده تا پژوهشگران بتوانند پیش از انجام آزمایش، تصویری اولیه از پیامدهای احتمالی آن‌ها به دست آورند. این ابزار جایگزین آزمایش‌های زیستی نیست؛ کارکردی که در توضیح پروژه برای آن بیان شده، فراهم‌کردن پیش‌بینی‌هایی است که می‌توانند بررسی‌های پژوهشی را هدفمندتر کنند.

گوگل می‌گوید استفاده از این پایگاه داده به مهارت برنامه‌نویسی نیاز ندارد. این ویژگی می‌تواند دسترسی به تحلیل‌های محاسباتی را برای پژوهشگرانی آسان‌تر کند که تخصص اصلی‌شان ژنتیک یا پزشکی است، نه کدنویسی. شرکت همچنین مدعی است این ابزار هم‌اکنون به پیشرفت‌های عملی در پژوهش بیماری‌های نادر و ژنتیک پیچیده کمک می‌کند؛ هرچند در توضیح منتشرشده، نمونه‌های مشخص یا جزئیات روش ارزیابی این پیشرفت‌ها ارائه نشده است.

اهمیت چنین سامانه‌ای به حجم مسئله برمی‌گردد: تعداد بسیار زیاد تغییرهای ممکن باعث می‌شود آزمایش‌کردن جداگانه همه آن‌ها دشوار باشد. پیش‌بینی رایانه‌ای می‌تواند به محققان کمک کند میان گزینه‌های متعدد، مواردی را برای بررسی بیشتر انتخاب کنند. بااین‌حال، پیش‌بینی اثر یک تغییر با اثبات قطعی نقش آن در بروز یک بیماری یکسان نیست. برای نتیجه‌گیری درباره ارتباط ژنتیکی، همچنان باید شواهد پژوهشی و آزمایشگاهی بررسی شوند.

مدل MAPL-EMIT برای ردیابی متان از فضا

پروژه دوم به انتشار متان مربوط است. گوگل اعلام کرده با آزمایشگاه پیشرانش جت ناسا، یا JPL، در توسعه مدل یادگیری عمیق MAPL-EMIT همکاری کرده است. یادگیری عمیق شاخه‌ای از هوش مصنوعی است که با استفاده از شبکه‌های محاسباتی چندلایه، الگوهای پیچیده را در داده‌ها شناسایی می‌کند. در این پروژه، مدل برای ردیابی انتشار متان در سطح جهان با استفاده از داده‌های فضایی به کار گرفته شده است.

به گفته گوگل، MAPL-EMIT نسبت به کارشناسان انسانی ۵۰ درصد انتشار بیشتری را شناسایی می‌کند و تاکنون بیش از ۲۳ هزار ستون انتشار متان را پیدا کرده که پیش‌تر روی نقشه ثبت نشده بودند. ستون انتشار یا «پلوم» به توده‌ای از گاز گفته می‌شود که از یک منبع آزاد می‌شود و در محیط گسترش می‌یابد. گوگل همچنین می‌گوید این سامانه ۲۴ مورد از ۲۵ محل دفن زباله با بیشترین میزان انتشار در جهان را شناسایی کرده است.

این ارقام، طبق اعلام گوگل، نشان‌دهنده توان مدل در یافتن مواردی است که در نقشه‌های پیشین مشخص نشده بودند. ردیابی از فضا امکان بررسی مناطق گسترده را فراهم می‌کند، اما اطلاعات منتشرشده درباره این پروژه شامل جزئیات روش مقایسه با کارشناسان یا شرایط دقیق اندازه‌گیری این عملکرد نیست. ازاین‌رو، ارقام اعلام‌شده را باید به‌عنوان ادعای گوگل درباره نتایج مدل در نظر گرفت، نه ارزیابی مستقلی که در متن معرفی پروژه شرح داده شده باشد.

داده‌های MAPL-EMIT به‌صورت عمومی در Google Earth Engine در دسترس قرار گرفته‌اند. این پلتفرم برای کار با داده‌های مکانی و مشاهده تغییرات زمین به کار می‌رود. گوگل می‌گوید انتشار عمومی داده‌ها می‌تواند به پژوهشگران اقلیم و اپراتورها کمک کند سریع‌تر اقدام کنند. در عمل، شناسایی محل‌های انتشار می‌تواند اطلاعاتی را برای بررسی یا تصمیم‌گیری در اختیار این گروه‌ها بگذارد؛ اما خبر معرفی پروژه جزئیات بیشتری درباره اقدام‌های انجام‌شده پس از شناسایی منابع ارائه نمی‌کند.

نقشه سه‌بعدی مغز مگس میوه با کمک هوش مصنوعی

پروژه سوم در حوزه عصب‌شناسی است. دانشمندان Google، مؤسسه HHMI Janelia و دانشگاه کمبریج، با کمک هوش مصنوعی گوگل، نخستین نقشه کامل مغز یک مگس میوه نر بالغ را ساخته‌اند. این نقشه بیش از ۱۶۶ هزار نورون و نزدیک به ۱۲ هزار نوع سلول متمایز را در بر می‌گیرد. نورون‌ها سلول‌هایی هستند که در پردازش و انتقال پیام‌های عصبی نقش دارند؛ نقشه‌برداری از آن‌ها به پژوهشگران اجازه می‌دهد ساختار شبکه‌های عصبی را بررسی کنند.

برای ساخت نقشه، میلیون‌ها تصویر میکروسکوپی کنار هم قرار گرفته‌اند تا مدلی سه‌بعدی و قابل پیمایش شکل بگیرد. اهمیت این کار فقط در تعداد سلول‌های ثبت‌شده نیست؛ نمایش سه‌بعدی می‌تواند ارتباط بخش‌های مختلف مغز را برای بررسی‌های بعدی قابل مشاهده‌تر کند. گوگل می‌گوید این پژوهش نشان می‌دهد نشانه‌های حسی چگونه به حرکت تبدیل می‌شوند؛ موضوعی که به شناخت چگونگی کارکرد مغزهای پیچیده مربوط است.

این پروژه نمونه‌ای از کاربرد هوش مصنوعی در سازمان‌دهی داده‌های تصویری بسیار حجیم است. وقتی میلیون‌ها تصویر باید در کنار هم قرار گیرند، ابزارهای محاسباتی می‌توانند در ساخت یک نمای منسجم و قابل بررسی نقش داشته باشند. بااین‌حال، خبر معرفی پروژه به جزئیات فنی درباره روش پردازش تصاویر یا میزان دخالت انسان در آماده‌سازی نقشه نمی‌پردازد. بنابراین آنچه روشن است، نتیجه اعلام‌شده و ترکیب همکاران پژوهشی است: نقشه‌ای سه‌بعدی با شمار مشخصی از نورون‌ها و انواع سلولی.

سه پروژه، سه نوع داده و یک مسئله مشترک

این سه خبر در موضوع با یکدیگر تفاوت دارند، اما همگی با داده‌هایی سروکار دارند که اندازه یا پیچیدگی‌شان تحلیل مستقیم را دشوار می‌کند. در AlphaGenome Atlas، مسئله شمار عظیم تغییرهای ممکن در DNA است؛ در MAPL-EMIT، یافتن انتشار گاز در مناطق گسترده؛ و در نقشه مغز مگس، کنار هم قرار دادن میلیون‌ها تصویر میکروسکوپی. در هر سه مورد، ابزارهای محاسباتی برای تبدیل حجم بزرگی از اطلاعات به خروجی قابل بررسی به کار رفته‌اند.

این شباهت، به‌تنهایی به معنای آن نیست که یک روش هوش مصنوعی در همه این حوزه‌ها یکسان عمل می‌کند. نوع داده، هدف پژوهش و شیوه سنجش موفقیت در هر پروژه متفاوت است. پیش‌بینی اثر یک تغییر ژنتیکی، شناسایی یک ستون گاز و بازسازی ساختار مغز، مسائل جداگانه‌ای هستند. نکته مشترک این است که گوگل از هوش مصنوعی برای کمک به تحلیل داده‌های پیچیده استفاده کرده و در دو پروژه نیز با نهادهای پژوهشی همکاری داشته است.

در ارزیابی این اعلامیه‌ها، تمایز میان توانایی ابزار و نتیجه نهایی پژوهش اهمیت دارد. AlphaGenome Atlas اثر تغییرهای ژنتیکی را پیش‌بینی می‌کند، اما پیش‌بینی به‌تنهایی تشخیص پزشکی نیست. MAPL-EMIT محل‌های انتشار را شناسایی می‌کند، اما شناسایی منبع با کاهش انتشار تفاوت دارد. نقشه مغز نیز ساختار و ارتباطات را برای پژوهش قابل مشاهده می‌کند، اما به‌تنهایی پاسخ کامل درباره کارکرد مغز ارائه نمی‌دهد. این مرزبندی کمک می‌کند ارزش ابزارها در کنار محدودیت اطلاعات منتشرشده دیده شود.

این خبر برای چه کسانی اهمیت دارد

AlphaGenome Atlas برای پژوهشگران ژنتیک، بیماری‌های نادر و زیست‌شناسی محاسباتی اهمیت دارد؛ به‌ویژه کسانی که می‌خواهند میان شمار زیادی از تغییرهای ژنتیکی، گزینه‌های مناسب‌تری برای بررسی انتخاب کنند. MAPL-EMIT می‌تواند برای پژوهشگران اقلیم و اپراتورهایی که به داده‌های انتشار متان نیاز دارند مفید باشد، زیرا داده‌های آن در Google Earth Engine منتشر شده است. نقشه مغز مگس میوه نیز برای عصب‌شناسان و پژوهشگرانی اهمیت دارد که ساختار مدارهای عصبی را مطالعه می‌کنند.

در مقیاس گسترده‌تر، این خبر برای مخاطبانی مهم است که می‌خواهند کاربردهای پژوهشی هوش مصنوعی را فراتر از چت‌بات‌ها و تولید محتوا دنبال کنند. سه پروژه گوگل نشان می‌دهند این فناوری می‌تواند در تحلیل ژنوم، پایش محیط‌زیست و سازمان‌دهی تصاویر زیستی نیز به کار گرفته شود. بااین‌حال، ارزش علمی و عملی هر ابزار به کیفیت داده‌ها، روش ارزیابی و نحوه استفاده از نتایج آن وابسته است؛ جزئیاتی که برای سنجش کامل این پروژه‌ها باید در کنار اعلامیه‌های اولیه بررسی شوند.