شکست هوش مصنوعی در پیش‌بینی جهش‌های ویروس فای‌اکس

پژوهش‌های جدید بر روی ژنوم ویروس فای‌اکس، مرزهای توانایی هوش مصنوعی در پیش‌بینی تغییرات زیستی را به چالش کشیده و محدودیت‌های جدی این فناوری را در مواجهه با پیچیدگی‌های ژنتیکی آشکار کرده است.

شکست هوش مصنوعی در پیش‌بینی جهش‌های ویروسی

در یک مطالعه گسترده، دانشمندان با تغییر نظام‌مند تک‌تک حروف دی‌ان‌ای ویروس فای‌اکس (ΦX174)، متوجه شدند که حتی پیشرفته‌ترین مدل‌های هوش مصنوعی نیز قادر به درک پیامدهای زیستی بازنویسی کد ژنتیکی نیستند. این ویروس که دارای ژنومی حلقوی با ۵۳۸۶ نوکلئوتید است، به عنوان یک مدل کلاسیک در زیست‌شناسی شناخته می‌شود، اما نتایج اخیر نشان می‌دهد که هنوز ابهام‌های زیادی در مورد آن وجود دارد.

محققان در این آزمایش، بیش از ۴۴ هزار گونه مختلف از ژنوم ویروس را با ایجاد تغییرات در نوکلئوتیدها و اسیدهای آمینه تولید کردند. یافته‌ها نشان داد که برخلاف انتظار، بسیاری از این تغییرات منجر به از بین رفتن توان بقای ویروس می‌شود.

تحلیل آماری اثرات جهش بر بقای ویروس

نتایج حاصل از کشت ویروس‌های جهش‌یافته در باکتری اشرشیا کلی، داده‌های تکان‌دهنده‌ای را در اختیار پژوهشگران قرار داد. میزان آسیب‌پذیری ویروس در برابر تغییرات ساختاری بسیار بالاتر از مدل‌های پیش‌بینی شده بود.

بخش بزرگی از این جهش‌های مخرب، مربوط به اختلال در برهم‌کنش میان پروتئین‌های ویروس و یا تضعیف ساختار پروتئینی در اعماق ویروس بوده است. نکته چالش‌برانگیز اینجاست که دانشمندان هنوز نمی‌توانند دلیل دقیق مرگ یک‌چهارم از این جهش‌ها را توضیح دهند.

ضرورت بازنگری در ابزارهای هوش مصنوعی زیستی

استفاده از مدل‌هایی مانند آلفا فولد ۳ برای پیش‌بینی ساختار پروتئین‌ها، اگرچه گامی رو به جلو محسوب می‌شود، اما همچنان با کمبود داده‌های تجربی روبروست. پژوهشگران تأکید می‌کنند که مدل‌های زبانی پروتئین و سایر ابزارهای هوش مصنوعی، در مقایسه با یک مدل ساده که تنها محل وقوع جهش را می‌شناسد، عملکرد چندان برتری نداشته‌اند.

"نتایج این پژوهش باید برای توسعه‌دهندگان ابزارهای هوش مصنوعی زیستی یک زنگ هشدار باشد؛ ما به داده‌های تجربی بسیار بیشتری نیاز داریم تا بتوانیم ارتباط میان توالی ژنتیکی و عملکرد واقعی را درک کنیم."

در نهایت، این مطالعه نشان داد که پیچیدگی‌های طبیعت همچنان فراتر از الگوریتم‌های فعلی است و برای رسیدن به دقت مطلوب در بیوتکنولوژی، باید شکاف میان پیش‌بینی‌های محاسباتی و واقعیت‌های آزمایشگاهی پر شود.