چگونه هوش مصنوعی پژوهش‌های ژنومیک را متحول می‌کند؟

تحقیقات جدید در زمینه اتوماسیون ژنومیک عملکردی با استفاده از مدل‌های زبانی بزرگ

محققان در دانشگاه کالیفرنیا، سن دیگو نشان داده‌اند که مدل‌های زبانی بزرگ (LLMs) مانند GPT-4 می‌توانند به اتوماسیون تحقیقات ژنومیک عملکردی کمک کنند. این تحقیقات به بررسی عملکرد ژن‌ها و نحوه تعامل آن‌ها می‌پردازد. یکی از روش‌های پرکاربرد در ژنومیک عملکردی، که به آن غنی‌سازی مجموعه‌های ژنی گفته می‌شود، به تعیین عملکرد مجموعه‌های ژنی شناسایی‌شده از طریق آزمایش می‌پردازد و آن‌ها را با پایگاه‌های داده ژنومیک موجود مقایسه می‌کند.

با این حال، بسیاری از بیولوژی‌های جالب و نوآورانه معمولاً فراتر از دامنه پایگاه‌های داده تثبیت‌شده قرار دارند. استفاده از هوش مصنوعی برای تحلیل مجموعه‌های ژنی می‌تواند به دانشمندان کمک کند تا ساعت‌ها کار فشرده را صرفه‌جویی کنند و علم را یک قدم به اتوماسیون یکی از پرکاربردترین روش‌ها برای درک نحوه همکاری ژن‌ها در تأثیرگذاری بر بیولوژی نزدیک‌تر کند.

در آزمایش پنج مدل مختلف LLM، محققان دریافتند که GPT-4 موفق‌ترین بوده و توانسته است با دقت 73% عملکردهای مشترک مجموعه‌های ژنی مرتب‌شده از یک پایگاه داده ژنومیک پرکاربرد را شناسایی کند.

تحلیل مجموعه‌های ژنی با استفاده از GPT-4

زمانی که از GPT-4 خواسته شد تا مجموعه‌های ژنی تصادفی را تحلیل کند، در ۸۷ درصد موارد از ارائه نام خودداری کرد. این موضوع نشان‌دهنده توانایی GPT-4 در تحلیل مجموعه‌های ژنی با حداقل خطاهای تصوری است. همچنین، GPT-4 قادر بود روایت‌های دقیقی برای پشتیبانی از فرآیند نام‌گذاری خود ارائه دهد.

در حالی که تحقیقات بیشتری برای بررسی کامل پتانسیل مدل‌های زبان بزرگ (LLMs) در اتوماسیون ژنومیک عملکردی لازم است، این مطالعه نیاز به سرمایه‌گذاری مستمر در توسعه LLMها و کاربردهای آن‌ها در ژنومیک و پزشکی دقیق را مورد تأکید قرار می‌دهد. به همین منظور، محققان یک درگاه وب ایجاد کردند تا به سایر پژوهشگران کمک کنند LLMها را در جریان‌های کار ژنومیک عملکردی خود ادغام کنند.

به‌طور کلی، یافته‌ها همچنین قدرت هوش مصنوعی را برای انقلاب در فرآیند علمی نشان می‌دهند، به‌طوری‌که این فناوری می‌تواند اطلاعات پیچیده را ترکیب کرده و فرضیه‌های جدید و قابل آزمایش را در مدت زمان کوتاهی تولید کند.

این مطالعه که در نشریه Nature Methods منتشر شده، به رهبری Trey Ideker، دکترای پزشکی و استاد در دانشگاه کالیفرنیا، سن دیگو، و دانشکده مهندسی جیکوبز این دانشگاه، و همچنین Dexter Pratt، دکترای مهندسی نرم‌افزار در گروه ایدکر، و Clara Hu، دانشجوی دکتری علوم زیست‌پزشکی در گروه ایدکر انجام شده است. این مطالعه بخشی از بودجه خود را از مؤسسات ملی بهداشت دریافت کرده است.