خبرش رو احتمالاً دیدهای؛ هوش مصنوعی ویروس ساخت. حرف درستیه و واقعاً هم اتفاق افتاده. چیزی که تقریباً هیچجا نیامده عددهاشه، و عددها ماجرا رو جور دیگهای تعریف میکنن.
سیصد و دو ژنوم طراحی شد که هفده تاشون رو اصلاً نشد ساخت، و از دویست و هشتاد و پنج تای باقیمانده تقریباً همهشون از پس کاری برنیامدن که هر ویروسی باید از پسش بربیاد، یعنی وارد باکتری بشن و از بینش ببرن. آخر کار شانزده تا موند.
اول ببینیم چه کار کردن
یک گروه در استنفورد در Science گزارش کرده که یک مدل زبانی، ژنوم کامل یک باکتریوفاژ رو طراحی کرده. باکتریوفاژ ویروسیه که فقط به باکتری کار داره و با ما کاری نداره.
مدل Evo 2 هست و بیش از دو میلیون ژنوم باکتریوفاژ دیده. ولی برای این آزمایش به همین بسنده نکردن و مدل رو باریکتر کردن؛ حدود پانزده هزار ژنوم از خویشاوندان همون فاژی که هدف بود، جداگانه بهش دادن.
فاژ هدف ΦX174 بود، یکی از شناختهشدهترین ویروسهای زیستشناسی، که ژنومش پنج هزار و چهارصد حرفه و یازده ژن داره. چون ژنوم یک باکتری معمولی میلیونها حرف داره، داریم دربارهی کوچکترین چیز ممکن حرف میزنیم.
بعد چند لایه محدودیت و فیلتر روی خروجی گذاشتن تا شانس کار کردنش بالا بره، و ته این کار سیصد و دو نامزد درآمد. از این سیصد و دو تا، شانزده تا رو تونستن به فاژ واقعی تبدیل کنن؛ یعنی توالی سنتزشده رو بردن داخل باکتری تا ویروس از توش دربیاد و همون باکتری رو بکشه.
عددها رو دنبال کن
شانزده از سیصد و دو، یعنی حدود پنج درصد.
حالا ببین این پنج درصد از کجا درآمده. مدلی که دو میلیون ژنوم شبیه همین دیده، بعد پانزده هزار خویشاوند نزدیک خود هدف رو هم جداگانه دیده، خروجیش از چند فیلتر رد شده، و هدف هم سادهترین و شناختهشدهترین فاژ ممکن بوده با یازده ژن.
پس ماشین ژنوم ویروسی ساخته، ولی در آشناترین و باریکترین گوشهای که میشد براش انتخاب کرد.
بعد یک گروه دیگه رفت سراغش
کار گروه دوم به نظر من از خود مقاله جالبتره.
یک تیم از مرکز امنیت سلامت جانز هاپکینز و آکسفورد همین فاژها رو ارزیابی کردن. سوالشون این نبود که کار کردن یا نه، چون این رو همه میدونستن. پرسیدن این ژنومها چقدر با چیزی که در طبیعت هست فرق دارن، و مدل چقدر از راههای قدیمی جلو زده.
برای همین دو چیز رو از هم جدا کردن. اول اینکه این توالیها روی درخت تکامل کجا نشستن و چقدر از ژنومهای طبیعی دورن. دوم اینکه مدل در پیدا کردن یک توالی زنده چقدر از یک تولیدکنندهی ساده بهتر عمل میکنه.
خط مبناشون هم دو کار قدیمیه که هر آزمایشگاهی بلده؛ جهش دادن تصادفی، و پاساژ سریالی که یعنی ویروس رو نسل به نسل به باکتری بدی تا خودش کمکم جور بشه. اگه مدل از این دو تا جلو نزنه، هر چه ساخته رو با دست هم میشد ساخت.
دو یافته که باید با هم خوند
یافتهی اول به سود مدله. احتمالی که مدل به هر توالی میده، خوب پیشبینی میکنه که اون توالی در آزمایش جواب میده یا نه. یعنی مدل چیزی از قیدهای کارکردی ژنوم برداشته که از قاعدههای سرانگشتی زیستشناسی فراتره. نمیدونه پروتئین چطور تا میخوره، ولی از دو میلیون نمونه فهمیده کدوم چیدمانها در طبیعت دوام آوردهن و کدوم نه.
یافتهی دوم اما ماجرا رو برمیگردونه. این کارایی بیشتر از اونجا میاد که مدل نزدیک چیزهای دیدهشده میمونه، نه اینکه جای تازهای رو بگرده. خروجیهاش روی درخت تکامل چسبیده به ژنومهای طبیعی نشستن.
پس مدل کارآمده چون محتاطه. همون احتیاطی که کاراییش رو میسازه، تازگیش رو ازش میگیره.
نتیجهگیری خود ارزیابها هم همینه؛ توانایی Evo 2 برای ساختن خطر از صفر، نگرانی کم تا متوسطی داره.
پس نگرانی کجاست
همونجایی که خود ارزیابها گفتن.
این نتیجه برای فاژی به دست اومده با یازده ژن که هزاران خویشاوند نزدیکش توی داده بوده، پس اینکه همین رفتار برای ویروسهای بزرگتر هم صادق باشه معلوم نیست. یعنی نگفتن خطری در کار نیست؛ گفتن این یکی خطر زیادی نداره و بقیه رو هنوز نسنجیدهایم.
این دو تا حرف خیلی با هم فرق دارن، و تیترها معمولاً یکیشون رو برمیدارن.
اصلاً چرا کسی دنبال فاژ طراحیشدهست
درمان با فاژ بیش از صد سال سابقه داره و همیشه به یک جا گیر کرده؛ چون هر فاژ فقط طیف باریکی از باکتریها رو میکشه و گاهی فقط چند سویه، برای هر بیمار باید فاژ خودش رو پیدا کنی، و همین از نظر بالینی و تجاری کار رو زمین میزنه.
اگه بشه فاژ رو ساخت بهجای اینکه از فاضلاب و خاک شکارش کنی، این گره باز میشه. حالا هم که مقاومت آنتیبیوتیکی هر سال بدتر میشه، انگیزهاش کم نیست. خود پژوهشگر اصلی میگه از همین حالا ازش خواستن مدل رو برای ساختن فاژ علیه باکتریهای بیماریزا به کار ببره، نه سویهی آزمایشگاهی.
چیزی که مهندسها باید بردارن
کاری که گروه دوم کرد یافتهی تازه نبود. خط مبنا گذاشتن بود.
تا وقتی نپرسی «در مقایسه با چی»، شانزده فاژ زنده عدد خیرهکنندهایه. کنار جهش تصادفی و پاساژ سریالی که بذاریش، معلوم میشه چقدرش کار مدله و چقدرش کاری بوده که از قبل هم از دست آدم برمیاومد.
در مقالهی قبلی نوشتم نرخ موفقیت بهتنهایی چیزی نشون نمیده. این یک پله بالاتره؛ نرخ موفقیت بدون خط مبنا میتونه گمراهت کنه، چون عدد بزرگ به چشم میاد و کسی نمیپرسه همین کار با روش قدیمی چند میشد.
توی کار خودمون هم همینه. در BLZN.AI که یک راهبرد معاملاتی رو تا اجرای واقعی میبره، هیچ عددی بهتنهایی معنا نداره تا کنار سادهترین کار ممکن گذاشته بشه. اگه راهبرد پیچیدهات از خریدن و نگه داشتن جلو نزنه، پیچیدگیش فقط خرجه.
یک نکتهی روشی
مقالهی اصلی در Science چاپ شده و یک تفسیر هم همون روز کنارش. ارزیابی امنیتی اما جای دیگهایه؛ یک پیشچاپ مستقل که چند ماه بعد آمده.
یعنی چرخ درست چرخیده. یک گروه کاری کرد، گروه دیگری که نفعش با اولی یکی نبود رفت سنجیدش، و چیزی درآورد که در مقالهی اول جلو گذاشته نشده بود. وقتی مقالهای میخونی همین رو باید بگردی؛ نه فقط حرف نویسنده، بلکه اینکه کی مستقل از اون رفته وارسی کرده.
چه چیزی عوض شده
تا دیروز ساختن یک ژنوم کامل و زنده با ماشین یک ادعا بود، و حالا شانزده نمونهی واقعی هست که توی ظرف آزمایشگاه باکتری میکشن.
ولی چیزی که ثابت شده این نیست که مدل میتونه حیات تازه بسازه. ثابت شده که مدل خوب تشخیص میده یک توالی به ویروس واقعی شبیه هست یا نه، و میشه همین تشخیص رو به ساختن تبدیل کرد، به شرطی که از چیزی که دیده زیاد دور نشی.
بحث سالهای بعد سر همین فاصلهست.