زوميت/ هوش مصنوعي از ابتداي شيوع کوويد ۱۹، نقش بهسزايي را ايفا کرده است. اين مسئله نشان ميدهد هوش مصنوعي تا چه اندازه ميتواند به سود انسان عمل کند.
هوش مصنوعي در سالهاي اخير وجههي بدي پيدا کرده بود؛ اما دنياگيري کوويد ۱۹ ثابت کرد اين فناوري ميتواند در جستوجو براي واکسن اين بيماري مفيد واقع شود. هوش مصنوعي در اين جستوجو، دو نقش عمده ايفا ميکند: نمايش مؤلفههاي واکسن از طريق درک ساختارهاي پروتئيني ويروس و کمک به پژوهشگران براي جستوجوي دهها هزار مقالهي مرتبط با سرعتي بيسابقه. در طول هفتههاي گذشته، تيمهاي مؤسسهي هوش مصنوعي آلن، ديپ مايند گوگل و ديگر شرکتها، دست به توليد ابزارهاي AI، مجموعه دادههاي اشتراکي و نتايج پژوهشي زدند و اين نتايج را بهصورت رايگان در اختيار جامعهي جهاني علم قرار دادند.
واکسنها با شبيهسازي عفونت، به توليد گلبولهاي سفيد دفاعي و آنتيژنها منجر ميشوند. بهطور کلي سه نوع واکسن وجود دارد: واکسنهاي تمام پاتوژن، مانند واکسن آنفولانزا يا MMR. اين واکسنها از پاتوژنهاي ضعيف يا مرده براي تحريک واکنش ايمني استفاده ميکنند؛ واکسنهاي زيرواحد يا ساب يونيت (مانند سياهسرفه، زونا) تنها از بخشي از ميکروب مثل پروتئين استفاده ميکنند؛ و در آخر واکسنهاي نوکليک اسيد که مواد ژنتيکي پاتوژن را براي تحريک سيستم ايمني به سلولهاي انسان وارد ميکنند. آزمايشهاي واکسن نوکلئيک اسيد براي کوويد ۱۹ در ايالات متحده آغاز شده است. از هوش مصنوعي ميتوان براي تسريع توسعهي واکسنهاي نوکلئيک اسيد و ساب يونيت استفاده کرد.
پروتئينها، بخش مهمي از ويروسها هستند که از تواليهاي آمينواسيدي شکل گرفتهاند. اين تواليها شکل سهبعدي منحصربه فردي دارند. درک ساختار پروتئينها براي درک عملکرد آنها ضروري است. دانشمندان با درک شکل پروتئينها ميتوانند به توليد داروي سازگار با شکل منحصربهفرد پروتئينها بپردازند؛ اما براي آزمايش تمام شکلهاي احتمالي پروتئين و رسيدن به ساختار سهبعدي منحصربهفرد، زمان زيادي لازم است. اينجا است که هوش مصنوعي به کمک ميآيد.
در ماه ژانويه، ديپ مايند گوگل، سيستم نوآورانهي AlphaFold را معرفي کرد. اين سيستم قادر به پيشبيني ساختار سهبعدي پروتئين براساس توالي ژنتيکي آن است. آلفافولد در اوايل ماه مارس روي کوويد ۱۹ تست شد. ديپ مايند، پيشبينيهايي از ساختار پروتئيني پروتئينهاي ويروس سارس را براي درک بهتر عملکرد کوويد ۱۹ منتشر کرد.
در عين حال پژوهشگران دانشگاه تگزاس و مؤسسه بهداشت ملي از روشي محبوب براي ساخت اولين نقشهي سهبعدي مقياس اتمي از بخشي از ويروس استفاده ميکنند که به سلولهاي انسان ميچسبد و آنها را آلوده ميکند. پژوهشگران اين بررسي، سالها روي ديگر کروناويروسهايي مثل سارس و مرس کار کردهاند. از طرفي آلفافولد هم موفق به ارائهي پيشبيني دقيقي براي اين ساختار پروتئيني ميخي شد.
همچنين پژوهشگران مؤسسهي طراحي پروتئين دانشگاه واشنگتن از مدلهاي کامپيوتري براي توسعهي مدلهاي سهبعدي مقياس اتمي پروتئين ميخي سارس استفاده کردند. اين مدلها منطبق با کشفيات آزمايشگاه UT Austin بودند. اين تيم حالا با ساخت پروتئينهاي جديدتري براي تغذيهي ويروس کرونا، در حال توسعهي اين پروژه هستند. از نظر تئوري، اين پروتئينها به پروتئينهاي ميخي ميچسبند و نميگذارند ذرات ويروسي، سلولهاي سالم را آلوده کنند.
علاوه بر تمام موارد فوق، پژوهشهاي متمرکز بر کوويد ۱۹ بايد در سراسر جهان با يکديگر يکپارچه شوند. يادگيري دربارهي پروژهي آزمايشگاهي ديگر ميتواند ماهها يا حتي سالها دانشمندان را جلو بيندازد و به اين ترتيب با ارائهي ميانبر، از اختراع دوبارهي چرخ جلوگيري شود. آزمايشگاهها معمولا پروژهي خود را از طريق مقالهها يا سرويسهاي پيش انتشاري مثل bioRxiv و medRxiv منتشر ميکنند.
چندهزار مقالهي مرتبط با کوويد ۱۹ در سهماههي اول ۲۰۲۰ منتشر شد و پژوهشهاي علمي با سرعت بالايي رو به رشد است. درنتيجه، دانشمندان براي يافتن مقالههاي مرتبط با پژوهشهايي خاص و بررسي يافتههاي جديد و استفاده از ديدگاهها دچار مشکل شدهاند. اولين چالش، جمعآوري پژوهشهاي مرتبط و قرار دادن آنها در موقعيتي دسترسپذير است. براي مثال، مؤسسهي هوش مصنوعي آلن با هدف توليد مجموعه دادهاي پژوهشي باز کوويد ۱۹ (CORD-19) با بسياري از سازمانهاي پژوهشي به همکاري ميپردازد. اين مجموعه، منبع منحصربه فردي از ۴۴ هزار مقالهي پژوهشي دربارهي کوويد ۱۹، سارس و انواع ويروس کروناها است. اين مجموعه روزانه بهروزرساني ميشود و ماشين ميتواند آن را بخواند؛ بنابراين پژوهشگرها ميتوانند از الگوريتمهاي زبان طبيعي براي افزايش سرعت کشف واکسن استفاده کنند.
ائتلافي شامل کاخ سفيد، مؤسسهي چان زاکربرگ، مرکز فناوري نوظهور و امنيتي دانشگاه جورج تاون، پژوهشکدهي مايکروسافت و آزمايشگاه ملي پزشکي مؤسسهي ملي سلامت براي ارائهي خدمات فوق با يکديگر همکاري ميکنند. علاوه بر اين، Kaggle، پلتفرم علوم دادهاي و يادگيري ماشين گوگل هم ميزبان چالش پژوهشي کوويد ۱۹ است. هدف اين چالش، ارائهي طيف گستردهاي از ديدگاهها دربارهي دنياگيري کوويد ۱۹ از جمله تاريخ طبيعي آن است. مواردي مثل انتقال و تشخيص ويروس، درسهايي از پژوهشهاي قبلي همهگيري و بسياري از زمينههاي ديگر در اين پژوهشها جاي ميگيرند. چالش پژوهشي در تاريخ ۱۶ مارس آغاز به کار کرد. در طول پنج روز به بيش از ۵۰۰ هزار و بيش از ۱۸ هزار دانلود رسيد. يافتههاي جديد جامعهي پژوهشي براي ارجاع فوري روي يک صفحهي وب واحد قرار گرفتهاند.
اميدوارکنندهترين جنبهي تحليلهاي خودکار براي پژوهشهاي علمي اين است که هوش مصنوعي نقاط بين پژوهشها را براي شناسايي فرضيهها و نمايش آزمايشها و حتي درمانهاي مرتبط به يکديگر وصل ميکند. براي اولينبار دان آ اسوانسون، اکتشاف مبتني بر پژوهش را معرفي کرد. سيستم خودکار اسوانسون، موفق به کشف درمان جديد منيزيم براي بيماري ميگرن شد. کار روي اکتشافات مبتني بر پژوهش از آن زمان ادامه يافت و تأثير بالقوهي آن با معرفي ابزارهاي NLP يادگيري عميق مانند SciBert افزايش يافت.
هوش مصنوعي با افزايش سرعت دسترسي به پژوهشها، سرعت کشف واکسن را بالا ميبرد
هوش مصنوعي علاوه بر پشتيباني از تلاشهاي جامعهي علمي براي درک ويروس و توسعهي درمان، از روز اول شيوع کوويد ۱۹ نقشي حياتي را ايفا کرده است. استارتاپ هوش مصنوعي Bluedot در اواخر دسامبر موفق به کشف دستهاي از نمونههاي عجيب التهاب ريه در ووهان شد و بهصورت دقيق موقعيتهاي گسترش ويروس را پيشبيني کرد. رباتها هم با ضدعفوني اتاقهاي بيمارستان، انتقال غذا و تجهيزات و همچنين ارائهي مشاورهي پزشکي از راه دور، تماسهاي انساني را به حداقل رساندهاند. از هوش مصنوعي همچنين براي رديابي آني نقشهي گسترش ويروس، تشخيص آلودگي، پيشبيني ريسک مرگومير و بسياري از موارد ديگر استفاده شد. درنتيجه نميتوان پتانسيل آيندهي اين فناوري را ناديده گرفت.
بازار