شکست هوش مصنوعی در پیش‌بینی پیامدهای ژنتیکی ویروس فای‌اکس

تحقیقات جدید بر روی ژنوم یک ویروس کوچک، نشان داد که حتی پیشرفته‌ترین سامانه‌های هوش مصنوعی نیز در پیش‌بینی پیامدهای زیستی تغییرات ژنتیکی ناتوان هستند. این مطالعه که بر روی فاژ ΦX۱۷۴ انجام شده، مرزهای توانایی مدل‌های دیجیتال در حوزه زیست‌شناسی را به چالش کشیده است.

چالش پیش‌بینی در ژنوم ویروس فای‌اکس

ویروس فای‌اکس با داشتن یک ژنوم تک‌رشته‌ای حلقوی شامل ۵۳۸۶ نوکلئوتید، از جمله مدل‌های بسیار شناخته شده در دنیای زیست‌شناسی است. با این حال، پژوهشگران با ایجاد بیش از ۴۴ هزار گونه متفاوت از این ویروس از طریق جهش‌های نظام‌مند، دریافتند که پیچیدگی‌های حیات بسیار فراتر از الگوریتم‌های فعلی است.

در این آزمایش، دانشمندان تغییرات را در سطح نوکلئوتیدها و اسیدهای آمینه بررسی کردند. نتایج نشان داد که:

• نیمی از جهش‌های تک‌نوکلئوتیدی باعث از بین رفتن ویروس می‌شوند.
• ۶۰ درصد از تغییرات در اسیدهای آمینه، پیامدهای زیان‌بار برای بقای ویروس داشته‌اند.
• بسیاری از این تغییرات، برهم‌کنش‌های پروتئینی را مختل می‌کنند.

شکست مدل‌های هوش مصنوعی در آزمون زیستی

یکی از بخش‌های حیرت‌انگیز این پژوهش، ارزیابی عملکرد ۲۰ مدل مختلف هوش مصنوعی بود. برخلاف انتظار، مدل‌های زبانی پروتئین که با حجم عظیمی از داده‌ها آموزش دیده‌اند، در پیش‌بینی اثرات این جهش‌ها عملکردی ضعیف‌تر از یک مدل بسیار ساده و مبتنی بر مکان داشتند.

"مدل‌های هوش مصنوعی عملکرد بدی ندارند، اما فوق‌العاده هم نیستند. تقریباً هیچ‌کدام از آن‌ها بهتر از یک مدل بسیار ساده عمل نمی‌کنند." — بن لهنر، زیست‌شناس مولکولی

این ناکارآمدی نشان می‌دهد که شکاف عمیقی میان ساختارهای پیش‌بینی‌شده دیجیتال و واقعیت‌های بیولوژیکی وجود دارد. حتی مدل‌های قدرتمندی مانند آلفا فولد ۳ نیز نتوانسته‌اند تمام ابهامات مربوط به جهش‌های ناشناخته را برطرف کنند.

ضرورت داده‌های تجربی برای آینده هوش مصنوعی

پژوهشگران تأکید می‌کنند که برای عبور از این بن‌بست، توسعه ابزارهای هوش مصنوعی زیستی نیازمند حجم بسیار بیشتری از داده‌های تجربی و باکیفیت است. بدون درک دقیق رابطه میان توالی‌های ژنتیکی و عملکرد واقعی در محیط‌های زیستی، مدل‌های دیجیتال همچنان در پیش‌بینی آینده تکاملی موجودات دچار خطا خواهند بود.

در نهایت، این مطالعه به عنوان یک زنگ هشدار برای توسعه‌دهندگان عمل می‌کند تا فراتر از داده‌های تئوریک، بر تولید داده‌های آزمایشگاهی متمرکز شوند.