ببه گزارش کمیاب آنلاین پژوهشگران با توسعه یک سامانه هوش مصنوعی تخصصی و ارزیابی ۲۳ مدل هوشمند، ابزار نوینی برای تحلیل ساعت‌های زیستی و سنجش دقیق سن بیولوژیکی انسان طراحی کردند. این دستاورد با تحلیل داده‌های عمیق زیستی، مسیر تازه و پرسرعتی را برای شناسایی اهداف دارویی و کند کردن فرآیند پیری پیش روی دانشمندان قرار داده است.
رمزگشایی از سن بیولوژیکی: وقتی بدن پیرتر یا جوان‌تر از شناسنامه رفتار می‌کند
مفهوم سن بیولوژیکی (Biological Age) یا سن زیستی، بر خلاف سن شناسنامه ای (Chronological Age) که تنها گذر زمان و تعداد سال‌های سپری‌شده از تولد را می‌شمارد، شاخصی دقیق برای سنجش سلامت سلولی، بافتی و عملکرد واقعی اندام‌های بدن است. به زبان ساده، سن شناسنامه ای می‌گوید چند سال زندگی کرده‌اید، اما سن بیولوژیکی نشان می‌دهد بدن شما در چه وضعیتی از فرسودگی یا شادابی زیستی قرار دارد. عواملی مانند ساختار ژنتیکی، سبک زندگی، تغذیه، میزان استرس، خواب، دخانیات و فاکتورهای اپی‌ژنتیکی (تغییرات در بیان ژن‌ها بدون تغییر در تسلسل DNA) مستقیماً روی این شاخص تأثیر می‌گذارند. از همین رو، ممکن است دو فرد ۴۰ ساله با یک تاریخ تولد یکسان، سن بیولوژیکی متفاوتی داشته باشند؛ یکی دارای بافت‌ها و عروقی مشابه یک فرد ۳۰ ساله و دیگری مبتلا به پیری زودرس سلولی معادل یک فرد ۵۰ ساله باشد.
سنجش و درک سن بیولوژیکی از آن جهت در پزشکی نوین اهمیت حیاتی یافته که معیار اصلی بررسی خطرات ابتلا به بیماری‌های مزمن (مانند آلزایمر، بیماری‌های قلبی-عروقی، دیابت و سرطان) و سنجش طول عمر مفید (Healthspan) انسان است. تا به امروز، دانشمندان با اتکا به شاخص‌های زیستی (Biomarkers) متعددی نظیر الگوی متیلاسیون DNA (ساعت‌های اپی‌ژنتیکی)، طول تلومرها، سطح پروتئین‌های التهابی خون و کارکرد ارگان‌ها سعی در تخمین این سن داشته‌اند. با این حال، تحلیل هم‌زمان و جامع این حجم عظیم از داده‌های زیستی همواره چالش‌برانگیز بوده است؛ جایی که هوش مصنوعی با توانایی دسته‌بندی و کشف الگوهای پنهان در میان داده‌های پیچیده زیستی، انقلابی در ارزیابی و رمزگشایی از فرآیند پیری ایجاد می‌کند.
جهش هوش مصنوعی در ساخت «ساعت‌های زیستی» و بنچمارک پیری
پژوهشگران در مطالعه‌ای جریان‌ساز که در مجله معتبر Nature منتشر شده است، چارچوب تخصصی و جدیدی از هوش مصنوعی را برای ارزیابی پیری زیستی معرفی کرده‌اند. این پروژه با هدف دست‌یابی به درک عمیق‌تر از زیست‌شناسی سالمندی، پلتفرمی جامع شامل مدلهای زبانی بزرگ (LLMs) آموزش‌دیده با داده‌های اختصاصی، ایجنت‌های هوشمند و ابزارهای تحلیل پیچیده توسعه داده است. اصلی این پژوهش، ارائه یک بنچمارک ارزیابی متشکل از ۱۷ آزمون کاملاً تخصصی است که توانایی هوش مصنوعی را در تحلیل داده‌های پزشکی و زیستی پیری به چالش می‌کشد.
کالبدشکافی آزمون‌ها و ارزیابی ۲۳ مدل هوش مصنوعی
در این بنچمارک جامع، دانشمندان ۲۳ مدل مختلف را به میدان رقابت آوردند؛ ۱۸ مدل عمومی و تجاری (نظیر مدلهای پرچم‌دار چندمنظوره) و ۵ مدل هوش مصنوعی اختصاصی که با داده‌های ویژه زیست‌شناسی پیری آموزش دیده بودند. آزمون‌های طراحی‌شده، ۵ لایه کلیدی از داده‌های زیستی را تحلیل می‌کردند:
-
اطلاعات بالینی و پرونده‌های پزشکی: سنجش و مقایسه وضعیت سلامت و تخمین سن افراد از روی پرونده‌ها.
-
داده‌های اپی‌ژنتیکی: بررسی تغییرات متیلاسیون DNA و الگوهای بیان ژن.
-
سطوح پروتئین‌ها (Proteomics): اندازه‌گیری و تحلیل غلظت پروتئین‌های سرم خون برای پیش‌بینی سن زیستی.
-
فعالیت ژن‌ها (Transcriptomics): بررسی میزان ترشح و پیام‌رسانی RNA در سلول‌ها.
-
توالی‌های ژنتیکی (Genomics): تحلیل زمینه‌های وراثتی مرتبط با طول عمر و پیری.
نتایج این سنجش نکته مهمی را اثبات کرد: مدلهای اختصاصی و آموزش‌دیده در حوزه پیری، علی‌رغم ابعاد کوچک‌تر، در بسیاری از آزمون‌ها عملکردی دقیق‌تر و برتر نسبت به غول‌های هوش مصنوعی عمومی نشان دادند. این دستاورد گواهی بر این واقعیت است که در حوزه‌های تخصصی پزشکی، کیفیت و اختصاصی بودن داده‌های آموزشی بر حجم و بزرگی مدل ارجحیت دارد.
چالش تفسیر زیستی: بهبود سلامت یا معکوس شدن پیری؟
ارزیابی سن بیولوژیکی با چالش‌های مفهومی عمیقی همراه است. برای نمونه، اگر مداخله دارویی یا تغییر سبک زندگی باعث تغییر در شاخص‌های یک «ساعت زیستی» شود، آیا به معنای معکوس شدن واقعی فرآیند پیری سلولی است یا تنها نشانه بهبود سلامت عمومی فرد است؟ چیارا هرتسوگ (Chiara Herzog)، پژوهشگر اپی‌ژنتیک در دانشگاه کمبریج، بر این نکته تأکید می‌کند که تمایز میان «تغییرات ناشی از بهبود بیماری‌ها» و «تغییر در خودِ مکانیسم‌های بنیادین پیری» یکی از مبهم‌ترین مرزها در علم سالمندی‌شناسی است که هوش مصنوعی می‌تواند به شفاف‌سازی آن کمک کند.
کشف اهداف دارویی جدید با ایجنت‌های هوشمند
پژوهشگران در این پروژه به آزمون مدل‌ها بسنده نکرده و با ترکیب مدل اختصاصی خود با ایجنت‌های خودکار هوش مصنوعی، فرآیند شناسایی اهداف دارویی (Target Discovery) را به مرحله اجرا درآوردند. این سیستم‌های هوشمند با کاوش در شبکه عظیم داده‌های مولکولی، توانسته‌اند روابط پنهانی میان پروتئین‌ها، مسیرهای سیگنال‌دهی سلولی و فرآیند تخریب سلولی را کشف کنند که شناسایی آن‌ها برای محققان انسانی سال‌ها به طول می‌انجامید. این رویکرد نویدبخش کشف داروهای «ژنروپروتکتیو» (محافظت‌کننده در برابر پیری) و درمان‌های هدفمند برای بیماری‌های وابسته به سن است.
آینده ساعت‌های زیستی: پیش‌بینی طول عمر یا کنترل سلامت؟
الکس ژاوارونکوف (Alex Zhavoronkov)، مدیرعامل Insilico Medicine و از نویسندگان این مقاله، معتقد است که نسل بعدی ساعت‌های زیستی کاملاً متکی بر مدلهای بنیادی (Foundation Models) و هوش مصنوعی ترکیبی خواهند بود. این مدل‌ها به جای اتکا به یک یا چند فاکتور محدود، تصویری چندبعدی و بسیار دقیق از سلامت سلولی فرد ارائه می‌دهند.
با این حال، کارشناسان تأکید می‌کنند که هدف از توسعه این فناوری‌ها، ارائه‌ی یک تاریخ دقیق برای مرگ یا پیش‌بینی جادویی طول عمر افراد نیست. هدف اصلی هوش مصنوعی در این حوزه، فراهم کردن ابزاری دقیق برای پایش لحظه‌ای سن زیستی، درک سازوکارهای مولکولی پیری و تسریع در توسعه درمان‌هایی است که کیفیت زندگی انسان را در سالمندی بهبود می‌بخشند.
کمیاب
روزنامه نگار سایت کمیاب آنلاین
مشاهده اخبار
ما اینجا هر روز تلاش می کنیم تا بهترین و جذاب ترین محتواها رو براتون آماده کنیم. فرقی نمی کنه یه گیک کامپیوتر باشی یا فقط دوست داری چیزای باحال یاد بگیری، تو کمیاب آنلاین همیشه یه چیزی پیدا می کنی که برات تازگی داشته باشه. پس اگه از چیزای تکراری خسته شدی و دنبال یه منبع پر از شگفتی و اطلاعات خاص می گردی، همین الان یه سر به KamyabOnline.com بزن و اجازه بده ما تو رو شگفت زده کنیم!
این مطلب را می پسندید؟
(1)
(0)
دیدگاه ها
ثبت دیدگاه
آدرس ایمیل شما منتشر نخواهد شد. فیلدهای الزامی علامت گذاری شده اند *
آخرین مطالب مرتبط