ChatGPT برای ژنتیک: Nvidia و Sheba برای ایجاد موتور هوش مصنوعی در پزشکی شخصی‌سازی‌شده همراه می‌شوند

دانشمندان می‌گویند این موتور پژوهشی هوش مصنوعی قادر خواهد بود بخش عمده‌ای از ژنوم انسانی که هنوز نامشخص است را رمزگشایی کند و راه را برای کشف داروهای جدید و پزشکی شخصی‌سازی‌شده هموار سازد

تصویر بدون تاریخ که توسط مؤسسه ملی پژوهش ژنوم انسان در دسترس قرار داده شده، خروجی یک توالی‌یاب DNA را نشان می‌دهد. (NHGRI از طریق AP، فایل)
تصویر بدون تاریخ که توسط مؤسسه ملی پژوهش ژنوم انسان در دسترس قرار داده شده، خروجی یک توالی‌یاب DNA را نشان می‌دهد. (NHGRI از طریق AP، فایل)

ظهور برنامه‌های هوش مصنوعی مانند ChatGPT که می‌توانند محتوای پیچیده‌ای شبیه خلاقیت انسانی تولید کنند، با ترکیب حجم عظیمی از داده‌های موجود آنلاین و توان محاسباتی بالا میسر شد.

امروزه دانشمندان اسرائیلی در مرکز پزشکی Sheba با غول آمریکایی تراشه‌سازی Nvidia و بیمارستان Mount Sinai در نیویورک همکاری کرده‌اند تا مدل‌های زبانی بزرگ (LLM) بسازند؛ از همان فناوری که برنامه‌هایی مانند ChatGPT را تقویت می‌کند، اما با تمرکز بر زبان زیست‌شناختی بدن ما، تا به‌طور بهتر بیماری‌های ما را درک و درمان کنند.

«ما می‌خواهیم نوعی ChatGPT ژنومیک بسازیم که به کاربران امکان وارد کردن توالی‌گذاری کل ژنوم یک فرد را بدهد و بتواند به پرسش‌های مربوط به خطرات سلامت، یا بهترین دارو یا روش درمانی برای یک بیماری بر پایه ترکیب ژنتیکی منحصر به فرد همان فرد پاسخ دهد»، آونر هالپرین، مدیرعامل Sheba Impact در مرکز نوآوری دیجیتال ARC، به The Times of Israel گفت.

«این پروژه‌ای شگفت‌انگیز است که به‌صورت واقعی به درک نیروی زندگی می‌پردازد، به‌طور اساسی به چگونگی عملکرد بدن انسان و دلیل تفاوت جزئی هر یک از ما می‌نگارد»، او گفت.

این سه شریک با سرمایه‌گذاری ده‌ها میلیون دلار، یک پروژه سه‌ساله را به‌دست گرفته‌اند تا موتوری پژوهشی بسازند که با بهره‌گیری از هوش مصنوعی مولد، بخش عمده‌ای از ژنوم انسان—طرح‌نقشه ژنتیکی زندگی انسانی—که تاکنون به‌خوبی درک نشده است، را رمزگشایی کند.

پروفسور گیدی رچوی، سرپرست مرکز تحقیقات سرطان Sheba و مغز متفکر این ابتکار، اعلام کرد که موتور پژوهشی ژنومیک می‌تواند الگوها و سازوکارهایی را شناسایی کند که ترکیب ژنتیکی یک فرد را با خطر بیماری و پاسخ درمانی مرتبط می‌سازد.

ژنوم انسانی—دستورات ساخت و نگهداری یک انسان—متشکل از ۳٫۲ میلیارد حرف یا پایه DNA است. در دو دهه گذشته، علم پیشرفت‌های چشمگیری در توالی‌یابی کامل ژنوم انسانی داشته است، اما تنها ۲٪ از DNA انسان شامل ژن‌های کدگذار پروتئین می‌شود، در حالی که عملکرد ۹۸٪ باقی‌مانده با روش‌های سنتی سخت‌افزاری است، به گفته هالپرین.

از چپ به راست، ردیف اول: مدیر فنی (CTO) Nvidia، مایکل کاگان؛ مدیر کل مرکز پزشکی Sheba، پروفسور ییتشاک کریس؛ دکتر الکساندر چارنی از مدرسه پزشکی Icahn در Mount Sinai. ردیف دوم از چپ: مدیرعامل Sheba Impact، آونر هالپرین؛ و پروفسور گیدی رچوی از مرکز پزشکی Sheba. ۱۸ نوامبر ۲۰۲۵. (با تشکر)

همکاری رهبری‌شده توسط Sheba قصد دارد با بهره‌گیری از LLMها و فناوری‌های یادگیری ماشین، رمزگشایی اسرار ۹۸٪ باقی‌مانده ژنوم را آغاز کند. Nvidia توان محاسباتی و زیرساخت هوش مصنوعی را فراهم می‌کند و Sheba و Mount Sinai تخصص علمی و بالینی خود را برای جمع‌آوری و ترکیب حجم عظیم داده‌های ژنومی در اختیار می‌گذارند.

«ژنوم انسانی از بیش از ۳ میلیارد حرف DNA تشکیل شده است که ما تنها ۲٪ از عملکرد آن‌ها را می‌دانیم. اگر یک پزشک برای افسردگی دارویی تجویز کند یا برای یک سرطان خاص دارویی تجویز نماید، این کار عمدتاً از طریق فرآیند آزمون و خطا انجام می‌شود، زیرا هنوز راه خواندن و استفاده از ۹۸٪ کد ژنوم را پیدا نکرده‌ایم»، هالپرین گفت.

این پروژه متخصصان کلینیک، ژنتیک‌دان‌ها، زیست‌اطلاعات‌دانان و پژوهشگران هوش مصنوعی را به هم می‌رساند و با استفاده از توان محاسباتی، زیرساخت و الگوریتم‌های Nvidia، ارتباط بین تنوع ژنتیکی و خطر بیماری و پاسخ درمانی را در مقیاس میلیون‌ها نقطه داده بررسی می‌کند.

«هوش مصنوعی توانایی کشف رازهای ژنوم انسانی و تحول مراقبت‌های بهداشتی برای میلیاردها نفر در سراسر جهان را دارد»، به نقل از دکتر ناتی دنیل و دکتر یولی شاویت از بخش معماری هوش مصنوعی به کار رفته در Nvidia.

فعالیت‌های R&D Nvidia در اسرائیل بزرگ‌ترین این شرکت خارج از ایالات متحده است. بسیاری از پردازنده‌ها و تراشه‌های شبکه‌ای پیشرفته Nvidia که برای آموزش بزرگ‌ترین مدل‌های هوش مصنوعی ضروری‌اند، در مراکز تحقیق و توسعه این شرکت در اسرائیل توسعه یافته‌اند.

«اگر این پروژه موفق شود، می‌توانیم درمان‌ها و داروهای متناسب با نیازهای ژنتیکی خاص افراد، هم برای پیشگیری و هم برای انتخاب مناسب‌ترین مداخلات، توسعه دهیم»، هالپرین گفت. «شرکت‌های دارویی می‌توانند از آن برای تولید داروهای شخصی‌سازی‌شده استفاده کنند و بیمارستان‌ها برای تنظیم درمان و انتخاب داروها با دقت بیشتری نسبت به روش‌های فعلی بهره‌مند شوند.»

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا