تكشف Ginkgo Datapoints عن VCPI: خطة جريئة لتصحيح مشكلة البيانات في اكتشاف الأدوية بالذكاء الاصطناعي

لمدة عامين، كان الذكاء الاصطناعي في اكتشاف الأدوية معاقاً بمشكلة بسيطة للغاية: البيانات ليست جيدة بما فيه الكفاية. جبال من التسلسل، ودراسات الاضطراب المجمعة، وتجارب الخلايا المختلطة أعطت انطباعاً بالتقدم دون تحقيق أي اختراقات حقيقية. بدلاً من الوضوح، أنتجت الحقل الضوضاء. بدلاً من القابلية للتكرار، أنتجت الانجراف. وب代لاً عن القياسات الدقيقة والمحددة للصيدلة المطلوبة لتدريب نماذج الخلايا الافتراضية الموثوقة، أنتجت مجموعات بيانات مُحسنة أكثر للاستخدام على نطاق واسع منها للصحة العلمية.

هذا هو البيئة التي تُطلق فيها Ginkgo Datapoints مبادرة الخلايا الافتراضية للصيدلة (VCPI) – مشروع لا يpromis فقط المزيد من البيانات، بل يهدف إلى تقديم أفضل البيانات، مصممة خصيصاً لتنبؤ نماذج الذكاء الاصطناعي بكيفية تعرض الجزيئات المشابهة للأدوية لأنظمة بيولوجية حقيقية. تشير الإعلان الرسمي للشركة إلى أن VCPI سوف يولد أكثر من 12 مليار نقطة بيانات وسيقوم بتحليل 100 ألف مركب، مما يؤسس لمجموعة بيانات صيدلية معيارية أولى لنمذجة الخلايا الافتراضية.

لماذا فشلت “المزيد من البيانات”

في المقالة في المدونة التي تقدم VCPI، يستخدم Ginkgo مقارنة تُصوِّر بدقة مسار الحقل الخاطئ. تخيل رمي حفنة من الحبوب في قفص من الفئران – ثم محاولة معرفة أي فارٍ أكل ما. الآن، ضع هذا في مقياس مليون فار في قفص واحد. هذا هو العيب الأساسي في تجارب الصيدلة الفردية المجمعة. إنها تُنتج كميات كبيرة من البيانات، ولكن التصميم الأساسي يمنع الارتباط النظيف بين المركب والنمط الظاهري.

المشكلة ليست في التكنولوجيا، بل في هندسة التجارب. ثبت أن افتراض أن مجموعات البيانات الأكبر تعلم النماذج بشكل أفضل هو خاطئ. يُسمي المقال هذه العقلية “إدمان البيانات”، ويجادل بأن بدون مدخلات عالية الجودة ومنظمة جيداً، سوف يتعلم حتى الذكاء الاصطناعي الأكثر تطوراً أنماطاً خاطئة.

تمثل VCPI انحرافاً حاداً عن هذه المنطق. بدلاً من التباهي بالحجم، إنها تثبت على قابلية تتبع البيولوجية، والصرامة التجريبية، والهيكل المنظم الذي يحتاجه الذكاء الاصطناعي ليتعلم الصيدلة فعلاً.

كيف تعيد VCPI بناء خط أنابيب البيانات

بدلاً من الاعتماد على تجارب الخلايا الفردية المجمعة، تستخدم VCPI DRUG-seq، وهي طريقة تسلسل الحمض النووي الريبي عالي الإنتاجية التي يتم فيها معاملة كل مركب في حُفرة معبّرة بالباركود. هذا يسمح لشركة Ginkgo بقياس استجابات المعالجة بنسبة إشارة إلى ضوضاء أنظف من التصاميم المجمعة. وفقاً للبيان الصحفي، يمكن بنية التأتمتة في الشركة تشغيل أكثر من 100 لوحة كاملة من 384 حُفرة في الأسبوع، مما يُنتج ملايين قياسات الحمض النووي الريبي عالية الدقة على نطاق صناعي.

من المهم جداً أيضاً إدخال V-Ref293، وهي سطر خلايا مرجعية معيارية ومُحسنة حديثاً. بدلاً من تشغيل كل مختبر نسخة متحورة ومُتحركة من نفس سطر الخلايا، تقوم VCPI بإنشاء قاعدة بيولوجية معيارية عالمية – “توأم عضوي” للفئة الناشئة من الخلايا الافتراضية. هذا يزيل أحد مصادر عدم القابلية للتكرار الطويلة الأمد في علم الوراثة الدوائية، ويوفر الحقيقة الثابتة التي تحتاجها نماذج الذكاء الاصطناعي بشدة.

في إطار هذه المبادرة، تفتح Ginkgo أبواب مجموعة بيانات مدعومة من المجتمع مع مكونات محددة عدة:

• المشاركة المفتوحة للباحثين وأفراد الفريق الدوائي ومطوري الذكاء الاصطناعي
• التحليل عالي الإنتاجية للحمض النووي الريبي مجاناً للمركبات المُقدمة
• الوصول المملوك أو الدائم للمساهمين
• إصدارات بيانات شهرية تشكلها تصويتات المجتمع
• فرص للمشاركة في نمذجة المركبات وتحديد الأولويات ووضع حالة “مستخدم فائق” في وقت مبكر

نموذج مبني على المجتمع، وليس تفريغ بيانات

من أكثر الجوانب غير العادية في VCPI هو قرار إطلاقها قبل وجود المجموعة البيانية. بدلاً من تحميل مورد مُكتمل، تطلب Ginkgo من المجتمع العلمي المساعدة في تحديد المركبات الأكثر أهمية والمشاركة في الوقت الفعلي أثناء نمو المجموعة البيانية.

يقلل هذا النهج أيضاً من المخاطر المرتبطة بالمشاركة. يمكن للشركات الناشئة في مجال البيوتكنولوجيا تقديم مركبات والحصول على بيانات صيدلية حقيقية دون حرق الميزانية على فحص عالي الإنتاجية. يمكن لأفراد فريق الذكاء الاصطناعي التأكد من أن المجموعة البيانية تعكس الاضطرابات التي يحتاجون إليها فعلاً لتدريب النماذج. كما يمكن للمختبرات الأكاديمية المساهمة مع الاحتفاظ بإمكانية نافذة حصرية لمدة 90 يوماً.

يحول الهيكل عملية توليد البيانات إلى عملية علمية تشاركية – وليس منتجاً ساكناً.

ما يعنيه هذا لل будущة سوف الذكاء الاصطناعي الحيوية

تتجاوز الآثار الواسعة ل VCPI شركة Ginkgo أو أي مبادرة خلايا افتراضية واحدة. من أجل أن تصبح نماذج الخلايا الافتراضية موثوقة علمياً، يجب تدريبها على بيانات قابلة للتكرار ومتعلقة بالعلاج ومُستندة إلى مرجع بيولوجي مستقر. بدون هذا الأساس، سوف يستمر الذكاء الاصطناعي في الخيال أو التوقعات الخاطئة أو التكيف مع القوالب.

تُشير مبادرات مثل VCPI إلى تحول في كيفية تفكير الحقل في البيانات نفسها. أصبحت هندسة التجارب مهمة مثل هندسة النموذج. أصبحت قابلية التكرار متطلباً مركزيًا مرة أخرى بدلاً من المثالية الاختيارية. كما بدأت المشاريع المفتوحة والمدعومة من المجتمع في تجاوز مجموعات البيانات المملوكة المغلقة في khả năngها لتسريع الابتكار.

إذا أصبحت الخلايا الافتراضية في النهاية محركات تنبؤ موثوقة – أدوات تساعد في تصنيف المركبات أو تحديد السمية أو إضاءة المسارات قبل لمس إنسان للpipette – فسوف يكون ذلك لأن مشاريع مثل VCPI أوجدت بيئة بيانات موثوقة ومُنشأة التي تحتاجها لتنمو.

من خلال تقديم أفضل البيانات بدلاً من مجرد المزيد من البيانات، تعيد Ginkgo صياغة أسس البيولوجيا المدعومة بالذكاء الاصطناعي. لا تُجيب VCPI فقط على أزمة البيانات في اكتشاف الأدوية، بل تُحدد المرحلة لمعرفة جديدة حيث تتطور التجارب البيولوجية وخطوط أنابيب تدريب الذكاء الاصطناعي معاً، بطريقة مفتوحة ومنتظمة.