5 دسامبر 2022 -توسط آزمایشگاه Cold Spring Harbor-اعتبار: دامنه عمومی Pixabay/CC0
هوش مصنوعی ابزاری قدرتمند برای مطالعه ژنوم انسان است. اما محبوبیت اخیر آن این حوزه را غرق در نوآوری کرده است. با گزینه‌های بسیار، سخت است که بدانید کدام الگوریتم‌های هوش مصنوعی بهتر عمل می‌کنند. پیتر کو، دانشمند محاسباتی آزمایشگاه Cold Spring Harbor و تیمش راه حلی به نام GOPHER ارائه کرده اند که به طور سیستماتیک الگوریتم های هوش مصنوعی را مقایسه می کند و قابلیت اطمینان، دقت و عملکرد آنها را ارزیابی می کند.
ژنوم انسان سه میلیارد کد است و هر فرد میلیون ها تنوع دارد. در حالی که هیچ انسانی نمی تواند به طور واقع بینانه تمام این کدها را غربال کند، کامپیوترها می توانند. برنامه های هوش مصنوعی (AI) می توانند الگوهای مربوط به بیماری را در ژنوم بسیار سریعتر از انسان پیدا کنند. آنها همچنین چیزهایی را که انسان از دست می دهد را تشخیص می دهد. روزی، خوانندگان ژنوم مجهز به هوش مصنوعی حتی ممکن است بتوانند بروز بیماری ها از سرطان گرفته تا سرماخوردگی را پیش بینی کنند. متأسفانه، افزایش محبوبیت اخیر هوش مصنوعی منجر به گلوگاهی در نوآوری شده است.
پروفسور پیتر کو، دستیار آزمایشگاه کلد اسپرینگ هاربر (CSHL) می گوید: “در حال حاضر مانند غرب وحشی است. هر کس فقط هر کاری را که می خواهد انجام می دهد.” درست مانند هیولای فرانکنشتاین که ترکیبی از بخش‌های مختلف بود، محققان هوش مصنوعی به طور مداوم الگوریتم‌های جدیدی از منابع مختلف می‌سازند. و قضاوت در مورد خوب یا بد بودن خلقت آنها دشوار است. به هر حال، دانشمندان چگونه می توانند در مورد محاسباتی که فراتر از توانایی های انسان هستند، درباره «خوب» و «بد» قضاوت کنند؟
اینجاست که GOPHER، جدیدترین اختراع آزمایشگاه کو، وارد می‌شود. GOPHER مخفف GenOmic Profile-model compreHensive Evaluator روش جدیدی است که به محققان کمک می‌کند کارآمدترین برنامه‌های هوش مصنوعی را برای تجزیه و تحلیل ژنوم شناسایی کنند. Ziqi Tang، دانشجوی فارغ التحصیل در آزمایشگاه Koo توضیح می‌دهد: ما چارچوبی ایجاد کردیم که در آن می‌توانید الگوریتم‌ها را به‌طور سیستماتیک‌تر مقایسه کنید.
GOPHER برنامه‌های هوش مصنوعی را بر اساس چندین معیار قضاوت می‌کند: اینکه آنها چقدر زیست‌شناسی ژنوم ما را یاد می‌گیرند، چقدر دقیق الگوها و ویژگی‌های مهم را پیش‌بینی می‌کنند، توانایی آنها در مدیریت نویز پس‌زمینه، و میزان تفسیرپذیری تصمیم‌هایشان. تانگ می گوید: هوش مصنوعی این الگوریتم های قدرتمندی هستند که برای ما سؤالات را حل می کنند. اما، او خاطرنشان می کند: “یکی از مسائل مهم آنها این است که ما نمی دانیم آنها چگونه به این پاسخ ها رسیده اند.”
GOPHER به کو و تیمش کمک کرد تا بخش‌هایی از الگوریتم‌های هوش مصنوعی را کشف کنند که قابلیت اطمینان، عملکرد و دقت را افزایش می‌دهد. این یافته ها به تعریف بلوک های ساختمانی کلیدی برای ساخت کارآمدترین الگوریتم های هوش مصنوعی در آینده کمک می کند. شوشان تنیان، یکی دیگر از دانشجویان فارغ التحصیل آزمایشگاه کو، می گوید: «امیدواریم این به افرادی که در آینده تازه وارد این رشته شده اند کمک کند.
تصور کنید احساس ناخوشایندی دارید و می توانید دقیقاً با فشار دادن یک دکمه تشخیص دهید که چه چیزی اشتباه است. هوش مصنوعی روزی می تواند این داستان علمی-تخیلی را به یکی از ویژگی های مطب هر پزشک تبدیل کند. مشابه الگوریتم‌های پخش ویدئو که ترجیحات کاربران را بر اساس سابقه مشاهده آنها یاد می‌گیرند، برنامه‌های هوش مصنوعی ممکن است ویژگی‌های منحصربه‌فرد ژنوم ما را شناسایی کنند که منجر به پزشکی و درمان‌های فردی می‌شود. تیم Koo امیدوار است GOPHER به بهینه‌سازی الگوریتم‌های هوش مصنوعی کمک کند تا بتوانیم اعتماد کنیم که آنها چیزهای درست را به دلایل درست یاد می‌گیرند. تنیان می‌گوید: «اگر الگوریتم به دلایل اشتباهی پیش‌بینی کند، مفید نخواهد بود.»
