شگفت‌انگیز! GPT-4 علم ژنتیک را متحول می‌کند: خودکارسازی کشف DNA با هوش مصنوعی

پژوهش‌های نوینی با تکیه بر مدل‌های زبانی بزرگ، در خودکارسازی ژنومیک کاربردی

دانشمندان در دانشگاه کالیفرنیا، سن دیه‌گو نشان داده‌اند که مدل‌های زبانی پیشرفته (LLMs) مثل GPT-4 می‌توانند در خودکارسازی تحقیقات ژنومیک عملکردی، کمک شایانی نمایند. این نوع تحقیقات، به بررسی دقیق عملکرد ژن‌ها و چگونگی تعاملات آن‌ها می‌پردازد. یکی از روش‌های مهم در این حوزه، که به اسم غنی‌سازی مجموعه‌های ژنی شناخته می‌شود، مربوط به تعیین کارکرد مجموعه‌های ژنیِ به دست آمده از آزمایش‌هاست و مقایسهٔ آن‌ها با داده‌گاه‌های ژنومیک موجود.

با این حال، بسیاری از کشفیات جذاب و نوآورانه، معمولاً از محدوده‌ی داده‌گاه‌های تثبیت شده فراتر می‌روند. استفاده از هوش مصنوعی برای تحلیل مجموعه‌های ژنی می‌تواند به پژوهشگران کمک کند تا از صرف ساعت‌ها وقتِ طاقت‌فرسا جلوگیری کنند و علم را یک قدم به خودکارسازی یکی از پُرکاربردترین روش‌ها برای فهمیدن چگونگی همکاری ژن‌ها در تأثیرگذاری بر زیست‌شناسی، نزدیک‌تر سازند.

در آزمایشی که روی پنج مدل مختلف LLM انجام شد، محققان دریافتند که GPT-4 موفق‌ترین بوده و توانسته با دقت 73%، عملکردهای مشترک مجموعه‌های ژنی را که از یک داده‌گاه ژنومیکِ پرکاربرد گرفته شده بود، شناسایی کند.

آنالیزِ مجموعه‌های ژنی با کمک GPT-4

وقتی از GPT-4 خواسته شد تا مجموعه‌های ژنیِ تصادفی را آنالیز کند، در ۸۷ درصد از موارد، از ارائه نام خودداری کرد. این موضوع نشان‌دهنده توانایی GPT-4 در تحلیل مجموعه‌های ژنی با حداقل خطاهای احتمالی است. افزون بر این، GPT-4 قادر بود توضیحات دقیقی را برای پشتیبانی از فرآیند نام‌گذاری‌اش ارائه دهد.

گرچه برای بررسی کامل پتانسیل مدل‌های زبانی بزرگ (LLMs) در خودکارسازی ژنومیک عملکردی، نیاز به تحقیقات بیش‌تری است، این مطالعه، بر لزوم سرمایه‌گذاری مداوم در پیشرفت LLMها و کاربردهای آن‌ها در ژنومیک و پزشکی دقیق، تأکید می‌کند. به همین منظور، پژوهشگران یک درگاه اینترنتی راه‌اندازی کردند تا به دیگر محققان کمک کنند LLMها را در فرآیندهای کاری ژنومیک کاربردی، ادغام نمایند.

به‌طور کلی، یافته‌ها همچنین قدرت هوش مصنوعی را در ایجاد تحول در مسیر علم نشان می‌دهند، به‌طوری‌که این فناوری می‌تواند اطلاعات پیچیده را با هم ترکیب کرده و فرضیه‌های جدید و قابل آزمایش را در مدت زمان کمی تولید کند.

این مطالعه که در مجله Nature Methods به چاپ رسیده است، به سرپرستی تری آیدکر، دکترای پزشکی و استاد در دانشگاه کالیفرنیا، سن دیه‌گو، و دانشکده‌ی مهندسی جیکوبز این دانشگاه، و همچنین دکستر پرات، دکترای مهندسی نرم‌افزار در گروه آیدکر، و کلارا هو، دانشجوی دکتری علوم زیست‌پزشکی در گروه آیدکر، انجام شده. این پژوهش، بخشی از بودجه‌ی خود را از مؤسسات ملی بهداشت دریافت کرده است.