لياند هايمان، رئيس فريق علوم البيانات في شرلك بيوساينسز – سلسلة المقابلات

لياند هايمان هو رئيس فريق علوم البيانات في شرلك بيوساينسز. وهو خبير في علوم الكمبيوتر وأبحاث مع خلفية في التعلم الآلي والتشخيص الجزيئي.

شرلك بيوساينسز هي شركة تكنولوجيا حيوية مقرها كامبريدج، ماساتشوستس، وتطوير اختبارات تشخيصية باستخدام تقنية CRISPR. يهدفون إلى تغيير التشخيص الجزيئي من خلال اختبارات أفضل وأسرع وأقل تكلفة.

ما هو ما جذبك في البداية إلى علوم الكمبيوتر؟

بدأت البرمجة في سن مبكرة جدا، ولكنني كنت مهتمًا بشكل أساسي بصنع ألعاب الفيديو مع أصدقائي. نمت اهتمامتي بالتطبيقات الأخرى لعلوم الكمبيوتر خلال الكلية ودراسة العليا، ولا سيما مع جميع الأعمال الرائدة في التعلم الآلي التي حدثت في أوائل عام 2010. بدا المجال كله وكأنه مجال جديد مثير للغاية يمكن أن يؤثر مباشرة على البحث العلمي وحياتنا اليومية – لم أستطع إلا أن أكون مشدودًا نحوه.

كما اتبعت درجة الدكتوراه في علم الأحياء الخلوي والجزيئي، متى أدركت لأول مرة أن هذه الحقول سوف تتقاطع؟

بدأت هذا النوع من العمل المتقاطع مع علوم الكمبيوتر والأحياء في وقت مبكر من الدراسات العليا. ركز مختبري على حل مشاكل هندسة البروتين من خلال التعاون بين الكيميائيين الحيوية وخبراء علوم الكمبيوتر وجميع الأشخاص بينهما. أدركت بسرعة أن التعلم الآلي يمكن أن يوفر رؤى قيمة حول الأنظمة البيولوجية ويجعل التجارب أكثر سهولة. وعلى العكس من ذلك، حصلت أيضًا على تقدير لقيمة الفهم البيولوجي عند بناء نماذج التعلم الآلي. في رأيي، إطار المشكلة بدقة هو العنصر الحاسم في التعلم الآلي. هذا هو السبب في اعتقادي أن الجهود التعاونية عبر مجالات مختلفة يمكن أن يكون لها تأثير عميق.

منذ عام 2022 كنت تعمل في شرلك بيوساينسز، هل يمكنك مشاركة بعض التفاصيل حول ما يتضمنه دورك؟

أنا الآن أدير فريق الحوسبة في شرلك بيوساينسز.我们的 团队负责 تصميم المكونات التي تدخل في اختباراتنا التشخيصية، والتفاعل مع المحللين الذين يختبرون هذه التصاميم في المختبر، وبناء القدرات الحاسوبية الجديدة لتحسين التصاميم. بالإضافة إلى تنسيق هذه الأنشطة، أعمل على أجزاء التعلم الآلي من قاعدة بياناتنا، وتجربة هياكل نموذجية جديدة وطرق جديدة لمحاكاة فيزياء الحمض النووي والرنا المشاركة في اختباراتنا.

التعلم الآلي هو في صميم شرلك بيوساينسز، هل يمكنك وصف نوع البيانات وحجم البيانات التي يتم جمعها، وكيف يفسر التعلم الآلي هذه البيانات؟

خلال تطوير الاختبار، نختبر عشرات إلى مئات من المرشحين للاختبار لكل ممرض جديد. في حين أن معظم هؤلاء المرشحين لن يصلوا إلى اختبار تجاري، نرىهم كفرصة للتعلم من أخطائنا. في هذه التجارب، نحصل على قياسين رئيسيين: الحساسية والسرعة. تأخذ نماذجنا تسلسل الحمض النووي والرنا في كل اختبار كمدخل ثم تتعلم لتنبؤ بحساسية الاختبار وسرعته.

كيف يتنبأ التعلم الآلي بأي مكونات تشخيص جزيئي سوف تعمل بأعلى سرعة ودقة؟

عندما نفكر في كيفية تعلم شخص ما لمهارة معينة، هناك استراتيجيتان رئيسيتان. من ناحية، يمكن للشخص أن يتعلم كيفية أداء مهمة معينة من خلال التجربة والخطأ فقط. يمكنهم تكرار المهمة، وبعد العديد من الفشلات، سوف يتعلمون في النهاية قواعد المهمة بأنفسهم. كانت هذه الاستراتيجية شائعة قبل ظهور الإنترنت. ومع ذلك، يمكننا تزويد هذا الشخص بمعلم ليخبرهم بقواعد المهمة على الفور. يمكن للطالب الذي لديه معلم أن يتعلم بسرعة أكبر من الطالب الذي يعتمد على التجربة والخطأ فقط، ولكن فقط إذا كان لديهم معلم جيد يفهم المهمة جيدًا.

منهجنا في تدريب نماذج التعلم الآلي هو بين هاتين الاستراتيجيتين. في حين أننا لا نمتلك “معلمًا” مثاليًا لنماذج التعلم الآلي، يمكننا بدءهم ببعض المعرفة حول فيزياء الحمض النووي والرنا في اختباراتنا. هذا يساعدهم على تعلم التنبؤات الأفضل مع بيانات أقل. لفعل ذلك، ننفذ العديد من محاكاة فيزيائية حيوية على تسلسلات الحمض النووي والرنا في اختباراتنا. ثم نغذي النتائج إلى النموذج ونطلب منه التنبؤ بسرعة وحساسية الاختبار. نكرر هذه العملية لجميع التجارب التي قمنا بها في المختبر، وينظر النموذج إلى الفرق بين تنبؤاته وما حدث في الواقع. من خلال التكرار الكافي، يتعلم في النهاية كيفية علاقات فيزياء الحمض النووي والرنا بسرعة وحساسية كل اختبار.

ما هي بعض الطرق الأخرى التي يتم استخدام خوارزميات الذكاء الاصطناعي بها في شرلك بيوساينسز؟

لقد استخدمنا خوارزميات التعلم الآلي لحل مجموعة واسعة من المشاكل. بعض الأمثلة التي تتبادر إلى ذهني تتعلق بأبحاث السوق وتحليل الصور. لأبحاث السوق، تمكنا من تدريب نماذج تتعلم عن أنواع مختلفة من العملاء، وعدد الأشخاص الذين قد يكون لديهم حاجة غير مشبعة لاختبار الأمراض. لقد بنينا أيضًا نماذج لتحليل صور شرائط التدفق الجانبي (نوع الاختبار الشائع المستخدم في اختبارات كوفيد المنزلية)، وتنبؤ تلقائيًا ما إذا كانت هناك شريطة إيجابية موجودة. في حين أن هذا يبدو مثل مهمة琐مة للبشر، يمكنني أن أقول من خبرتي الشخصية أنه بديل مريح للغاية لتحديد Sites يدوية لألف صورة.

ما هي بعض التحديات التي تواجهها عند بناء نماذج التعلم الآلي التي تعمل جنبًا إلى جنب مع تقنيات التكنولوجيا الحيوية المتقدمة مثل CRISPR؟

توافر البيانات هو التحدي الرئيسي في تطبيق نماذج التعلم الآلي على أي تكنولوجيا حيوية. تواجه تقنيات CRISPR والتقنيات المستندة إلى الحمض النووي والرنا تحديًا فريدًا، ويرجع ذلك بشكل رئيسي إلى حجم مجموعات البيانات الهيكلية الأصغر المتاحة للحمض النووي والرنا مقارنة بالبروتينات. هذا هو السبب في أننا رأينا تقدمًا كبيرًا في التعلم الآلي للبروتين في السنوات الأخيرة (مع AlphaFold2 وغيرها)، ولكن تقدم التعلم الآلي للحمض النووي والرنا لا يزال متأخرًا.

ما هو رؤيتك لمستقبل كيفية دمج الذكاء الاصطناعي مع CRISPR والتكنولوجيا الحيوية؟

نحن نشهد انفجارًا كبيرًا في الذكاء الاصطناعي في مجالات هندسة البروتين واكتشاف الأدوية الآن، وأتوقع أن هذا سوف يسرع من التطور في صناعة الأدوية. أتمنى أن أرى نفس الشيء يحدث مع CRISPR وتقنيات الحمض النووي والرنا في السنوات القادمة. يمكن أن يكون هذا مؤثرًا للغاية في التشخيص والطب البشري والبيولوجيا الاصطناعية. لقد رأينا بالفعل فوائد الأدوات الحاسوبية في تطويرنا للاختبارات وتقنيات CRISPR هنا في شرلك، وأتمنى أن يؤدي هذا النوع من العمل إلى تحفيز “تأثير الكرة الثلجية” لدفع المجال إلى الأمام.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا شرلك بيوساينسز.