هوش مصنوعی دانشمند میشود؟؛ وقتی AI وارد آزمایشگاه میشود و خودش فرضیه میسازد
نویسنده: پوریا وجدانی
تاریخ انتشار: 13شهریور1405 (1405/06/13)
هوش مصنوعی | هوش مصنوعی در مشاغل | بیوتکنولوژی | بیوانفورماتیک | آزمایشگاه و علوم آزمایشگاهی | مقالهنویسی و پژوهش
اگر هوش مصنوعی فقط مقاله نخواند، بلکه از روی آن فرضیه بسازد چه؟
تا همین چند سال پیش، وقتی از کاربرد هوش مصنوعی در علوم زیستی صحبت میکردیم، معمولاً منظور ابزارهایی بود که یک کار مشخص را سریعتر انجام میدادند؛ برای مثال، پیشبینی ساختار پروتئین، طبقهبندی تصاویر میکروسکوپی، تحلیل دادههای RNA-seq، شناسایی الگوهای ژنتیکی یا جستوجوی سریعتر در میان مقالات علمی.
اما در سال ۲۰۲۶، سؤال مهمتری در حال شکلگیری است:
آیا هوش مصنوعی میتواند بخشی از فرایند واقعی کشف علمی را بر عهده بگیرد؟
یعنی به جای اینکه پژوهشگر از هوش مصنوعی بپرسد «این مقاله را برای من خلاصه کن»، سیستم بتواند بگوید:
«این بیماری را بررسی کردم. این چند سازوکار زیستی احتمالاً در آن نقش دارند. بر اساس ادبیات علمی، این آزمایش میتواند یکی از آن سازوکارها را بررسی کند. این ترکیبات ارزش آزمایش دارند. حالا داده آزمایش را به من بده تا آن را تحلیل کنم. بر اساس نتیجه، فرضیه بعدی را پیشنهاد میکنم.»
این تفاوت بسیار مهم است.
در حالت اول، AI یک ابزار پژوهشی است.
در حالت دوم، AI به یک عامل پژوهشی یا Research Agent تبدیل میشود.
و در حالت سوم، که اکنون نمونههای اولیه آن در حال ظهور هستند، میتوان از AI-driven scientific discovery یا کشف علمی هدایتشده توسط هوش مصنوعی صحبت کرد.
یکی از مهمترین نمونههای این روند، سیستم چندعاملی Robin است که پژوهشگران FutureHouse و همکارانشان آن را توسعه دادهاند و نتایج آن در سال ۲۰۲۶ در مجله Nature منتشر شده است. این سیستم توانسته بین جستوجوی ادبیات علمی، تولید فرضیه، پیشنهاد آزمایش، تحلیل دادههای آزمایشگاهی و تولید فرضیه جدید ارتباط برقرار کند.
اهمیت این اتفاق فقط در این نیست که «یک مدل هوش مصنوعی مقاله خوانده است».
اهمیت واقعی در این است که برای نخستین بار، فاصله میان ادبیات علمی ⬅️ فرضیه ⬅️ آزمایش ⬅️ داده ⬅️ تحلیل ⬅️ فرضیه بعدی تا حد زیادی توسط یک سیستم هوش مصنوعی به هم متصل شده است.
البته این به معنای آن نیست که دانشمند انسانی حذف شده یا AI بهتنهایی یک داروی جدید را تا مرحله درمان انسان توسعه داده است. چنین برداشتی اغراقآمیز خواهد بود.
اما اتفاقی که رخ داده، آنقدر مهم است که میتواند روش انجام بخشی از پژوهشهای زیستی را در سالهای آینده تغییر دهد.
یک تغییر پارادایم در پژوهش زیستی
برای درک اهمیت موضوع، ابتدا باید ببینیم پژوهش علمی چگونه پیش میرود.
فرض کنید یک گروه تحقیقاتی میخواهد درباره یک بیماری مطالعه کند.
پژوهشگر ابتدا باید ادبیات علمی را بررسی کنند.
ممکن است صدها یا هزاران مقاله مرتبط وجود داشته باشد. از میان آنها باید مقالات مهم انتخاب شوند، نتایج با یکدیگر مقایسه شوند، تناقضها شناسایی شوند و در نهایت یک شکاف علمی مشخص شود.
سپس پژوهشگر یک فرضیه ایجاد میکند.
بعد باید مشخص کند چگونه میتوان آن فرضیه را آزمایش کرد.
سپس آزمایش انجام میشود.
دادهها جمعآوری میشوند.
اگر آزمایشهای مربوط به فلوسایتومتری، RNA-seq، تصویربرداری، پروتئومیکس یا سایر روشها باشند، تحلیل داده نیز میتواند زمانبر و پیچیده باشد.
در مرحله بعد، پژوهشگر باید نتایج را تفسیر کند و تصمیم بگیرد:
حالا چه آزمایش دیگری باید انجام شود؟
این چرخه بارها تکرار میشود.
بنابراین کشف علمی فقط «پیدا کردن جواب» نیست.
یک چرخه است:
Question → Literature → Hypothesis → Experiment → Data → Analysis → Interpretation → New Hypothesis
سیستمهایی مانند Robin تلاش میکنند بخش بزرگی از این چرخه را به یک جریان پیوسته تبدیل کنند. پژوهشگران Nature این سیستم را بهعنوان یکی از نخستین نمونههایی معرفی کردهاند که تولید فرضیه مبتنی بر ادبیات علمی را با تحلیل خودکار دادههای آزمایشگاهی در یک حلقه بازخوردی ترکیب میکند.
Robin چیست؟
Robin یک مدل زبانی ساده نیست.
در واقع بهتر است آن را یک سیستم چندعاملی هوش مصنوعی برای کشف علمی بدانیم.
در معماری آن چند عامل تخصصی با وظایف متفاوت وجود دارند.
از جمله:
– Crow برای جستوجوی ادبیات علمی
– Falcon برای بررسی عمیقتر منابع و ارزیابی نامزدها
– Finch برای تحلیل دادههای علمی و آزمایشگاهی
– و یک لایه هماهنگکننده که نتایج این عاملها را به یک فرایند واحد متصل میکند.
در مقاله Nature توضیح داده شده است که Crow و Falcon برای جستوجو و ترکیب اطلاعات علمی استفاده میشوند و Finch وظیفه تحلیل دادههایی مانند RNA-seq و flow cytometry را بر عهده دارد.
بنابراین سیستم به جای اینکه از یک مدل عمومی بخواهد «همه کارها را انجام بده»، مسئله را به چند وظیفه تخصصی تقسیم میکند.
این همان ایدهای است که در معماریهای جدید Multi-Agent AI اهمیت پیدا کرده است.
چرا چند عامل بهتر از یک مدل واحد هستند؟
فرض کنید از یک مدل زبانی عمومی بپرسیم:
«برای بیماری X یک داروی جدید پیشنهاد بده.»
مدل ممکن است پاسخ بسیار قانعکنندهای تولید کند.
اما یک مشکل اساسی وجود دارد:
قانعکننده بودن پاسخ با علمی بودن آن یکسان نیست.
مدل ممکن است منبعی را اشتباه نقل کند، ارتباطی را بیش از حد تفسیر کند یا حتی ارجاعی تولید کند که اصلاً وجود ندارد.
در پژوهش Robin، اهمیت عاملهای جستوجوی تخصصی دقیقاً در همین نقطه مشخص شد.
وقتی پژوهشگران بخشهایی از معماری را حذف کردند و سیستم را به مدل عمومیتر تقلیل دادند، میزان ارجاعات جعلی افزایش پیدا کرد. در یکی از آزمونها، نسخهای که از جستوجوی Crow استفاده نمیکرد، حدود ۴۴.۵ درصد از ارجاعات تولیدشده را بهصورت میانگین جعلی داشت.
این نتیجه یک پیام مهم برای پژوهشگران دارد:
استفاده از ChatGPT یا هر LLM عمومی برای پژوهش علمی، بدون اتصال به منابع معتبر، با داشتن یک سیستم پژوهشی مبتنی بر بازیابی و راستیآزمایی منابع تفاوت اساسی دارد. در سایت زیست صنعت وجدانی پرامپتهای علمی وجدود دارد که با کمک آنها میتوان به هوش مصنوعی دستور داد تا با رفرنس معتبر مطالب خود را ارائه دهد.
Robin چگونه یک مسئله زیستی را بررسی کرد؟
پژوهشگران برای آزمایش Robin سراغ دژنراسیون ماکولا وابسته به سن نوع خشک یا dry age-related macular degeneration (dAMD) رفتند.
این بیماری یکی از علل مهم از دست رفتن بینایی غیرقابل برگشت در کشورهای توسعهیافته است و درمانهای مؤثر محدودی برای آن وجود دارد.
پژوهشگران بیماری را به سیستم معرفی کردند.
Robin ابتدا ادبیات علمی را بررسی کرد.
در مرحله اولیه، سیستم ۱۵۱ مقاله را بررسی کرد و بر اساس آنها ۱۰ سازوکار زیستی مرتبط با بیماری را پیشنهاد داد. سپس سازوکارها و روشهای آزمایش آنها رتبهبندی شدند.
یکی از پیشنهادهای مهم Robin این بود که میتوان با افزایش توانایی فاگوسیتوز سلولهای اپیتلیوم رنگدانهای شبکیه یا RPE به یک مسیر درمانی احتمالی برای dAMD رسید.
این پیشنهاد سپس وارد مرحله آزمایشگاهی شد.
اینجاست که داستان جالبتر میشود.
از مقاله به آزمایشگاه
Robin صرفاً نگفت «فاگوسیتوز مهم است».
بلکه پیشنهاد کرد که این فرضیه با یک مدل آزمایشگاهی بررسی شود.
در آزمایش، سلولهای RPE در معرض ترکیبات مختلف قرار گرفتند و سپس توانایی آنها برای فاگوسیتوز بررسی شد.
برای اندازهگیری فعالیت فاگوسیتوز از flow cytometry استفاده شد.
در مقاله Nature، توضیح داده شده که سلولها ابتدا با دارو تیمار شدند، سپس ذرات نشاندار به آنها اضافه شد و فعالیت فاگوسیتوز با فلوسایتومتری اندازهگیری شد.
این قسمت از ماجرا برای دانشجویان علوم آزمایشگاهی و زیستشناسی اهمیت ویژهای دارد.
چون AI دیگر صرفاً در محیط متن فعالیت نمیکند.
داده واقعی آزمایشگاهی وارد سیستم میشود.
ورود هوش مصنوعی به فلوسایتومتری
دادههای فلوسایتومتری میتوانند بسیار پیچیده باشند.
تحلیلگر باید سلولها را از debris جدا کند، singletها را مشخص کند، سلولهای مرده را حذف کند و جمعیت موردنظر را برای تحلیل انتخاب کند.
در Robin، عامل Finch بخشی از این فرایند را انجام داد.
این عامل توانست از دادههای فلوسایتومتری برای انجام gating و مقایسه گروههای آزمایشی استفاده کند. در مقاله، نمونههایی از مراحل gating شامل استفاده از FSC و SSC، شناسایی singletها و حذف سلولهای مرده ارائه شده است.
این موضوع نشان میدهد که آینده AI در آزمایشگاه صرفاً به «نوشتن گزارش» محدود نیست.
مدلهای عاملمحور میتوانند به تدریج دادههای خام یا نیمهپردازششده کار کنند.
اما یک مشکل وجود دارد: تحلیل داده زیستی همیشه یک جواب واحد ندارد
یکی از نکات بسیار جالب این پژوهش این است که پژوهشگران به یک مشکل مهم توجه کردهاند.
حتی اگر دو دانشمند داده یکسانی داشته باشند، ممکن است در تحلیل خود دقیقاً یک تصمیم نگیرند.
برای مثال در فلوسایتومتری:
– مرز gating ممکن است متفاوت باشد.
– فیلترهای مورد استفاده ممکن است متفاوت باشند.
– جمعیت سلولی مورد بررسی ممکن است متفاوت تعریف شود.
در RNA-seq نیز انتخاب پارامترهای تحلیل میتواند روی نتایج تأثیر بگذارد.
بنابراین اگر یک AI فقط یک بار داده را تحلیل کند، ممکن است خروجی آن به یک مسیر خاص وابسته شود.
راهحل Robin جالب بود.
این سیستم برای بعضی تحلیلها چند مسیر مستقل ایجاد کرد.
در آزمایشهای گزارششده، هشت trajectory مستقل برای تحلیل داده اجرا شد و سپس خروجیها در یک مرحله meta-analysis به یک نتیجه consensus تبدیل شدند.
این ایده را میتوان یکی از نکات مهم معماریهای علمی آینده دانست:
به جای اعتماد به یک پاسخ AI، چند تحلیل مستقل ایجاد و سپس توافق میان آنها بررسی شود.
از داده به فرضیه جدید
این قسمت شاید مهمترین بخش کل پروژه باشد.
در یک workflow معمولی، AI ممکن است داده را تحلیل کند و بگوید:
«این ژن افزایش بیان داشته است.»
اما Robin یک مرحله جلوتر رفت.
هدف این بود که از نتیجه تحلیل برای تولید فرضیه بعدی استفاده شود.
در یکی از تحلیلهای RNA-seq، افزایش قابل توجه بیان ژن ABCA1 مشاهده شد.
ABCA1 پروتئینی را رمزگذاری میکند که در انتقال لیپیدها و خروج کلسترول و فسفولیپیدها نقش دارد.
در دادههای مربوط به سلولهای تحت تیمار با Y-27632، افزایش حدود سهبرابری ABCA1 گزارش شد و مقدار P تعدیلشده برای این تغییر بسیار کوچک بود.
در نتیجه، AI فقط نگفت:
«ABCA1 افزایش یافته است.»
بلکه این مشاهده را در زمینه زیستشناسی بیماری قرار داد و آن را به عنوان یک مسیر مولکولی بالقوه برای بررسی بیشتر مطرح کرد.
این همان جایی است که AI از یک data analyst به سمت یک hypothesis generator حرکت میکند.
یکی از مهمترین نتایج: بازاستفاده از یک داروی موجود
Robin در ادامه چندین ترکیب را به عنوان کاندیدای درمانی پیشنهاد کرد.
یکی از آنها ripasudil بود.
Ripasudil یک مهارکننده ROCK است که برای درمان گلوکوم در ژاپن مورد استفاده قرار گرفته است.
آزمایشها نشان دادند که این ترکیب توانایی فاگوسیتوز سلولهای RPE را افزایش میدهد.
در آزمایش گزارششده، ripasudil در مقایسه با کنترل DMSO افزایش حدود ۱.۸۹ برابری در فاگوسیتوز ایجاد کرد. در تحلیل انجامشده روی سلولهای انسانی نیز افزایش حدود ۱.۷۵ برابری گزارش شد.
نکته مهم اینجاست:
این نتیجه به معنای کشف یک داروی قطعی برای درمان AMD نیست.
هنوز مراحل بسیار مهمی مانند:
– مطالعات بیشتر in vitro
– مطالعات حیوانی
– بررسی دوز
– فارماکوکینتیک
– فارماکودینامیک
– سمیت
– بررسی اثرات خارج از هدف
– و در نهایت کارآزمایی بالینی
ضروری هستند.
بنابراین عبارت دقیقتر این است:
AI یک کاندیدای درمانی امیدوارکننده را شناسایی و در مدل آزمایشگاهی اعتبارسنجی کرد.
نه اینکه:
AI درمان AMD را کشف کرد.
این تفاوت از نظر علمی بسیار مهم است.
KL001؛ پیشنهاد جالبتر AI
یکی دیگر از ترکیباتی که Robin پیشنهاد کرد KL001 بود.
KL001 یک تنظیمکننده ساعت زیستی است که با جلوگیری از تخریب وابسته به ubiquitin پروتئینهای CRY عمل میکند.
Robin این ترکیب را با توجه به شواهد مربوط به ارتباط ریتم شبانهروزی و فاگوسیتوز RPE پیشنهاد کرد.
در آزمایشها، KL001 نیز به عنوان hit شناسایی شد. نویسندگان مقاله اشاره میکنند که تا آن زمان، تا جایی که آنها میدانستند، KL001 به عنوان تقویتکننده فاگوسیتوز در RPE پیشنهاد نشده بود.
این دقیقاً همان نوع ارتباطی است که برای انسان بسیار دشوار است:
یک پژوهشگر ممکن است درباره:
– AMD،
– RPE،
– فاگوسیتوز،
– ساعت شبانهروزی،
– CRY proteins،
– و ترکیبات کوچک
مقالات جداگانهای بخواند.
اما پیدا کردن ارتباط میان آنها به شکل یک فرضیه جدید نیازمند زمان و دانش میانرشتهای است.
AI میتواند این فضای ارتباطی را سریعتر جستوجو کند.
Robin چقدر سریعتر بود؟
یکی از جذابترین اعداد مقاله Nature مربوط به زمان است.
Robin حدود ۵۵۱ مرجع علمی را در حدود ۳۰ دقیقه ترکیب کرد.
پژوهشگران تخمین زدند که انجام این میزان پردازش به شکل دستی میتواند حدود ۲۹۴ ساعت زمان انسانی نیاز داشته باشد.
در برآورد دیگری، کل کار شناختی یک چرخه کشف درمانی که برای انسان حدود ۳۵۹ تا ۴۲۴ ساعت تخمین زده شده بود، با Robin به کمتر از ۲ ساعت کاهش پیدا کرد.
این اعداد به این معنی نیستند که «AI 200 برابر بهتر از دانشمند است».
چنین نتیجهای از مقاله قابل استخراج نیست.
معنای درستتر این است:
AI میتواند بخشهایی از کارهای تکراری و زمانبر شناختی را به شکل چشمگیری سریعتر انجام دهد.
دانشمند همچنان باید:
– سؤال مناسب را تعریف کند،
– کیفیت آزمایش را کنترل کند،
– نتایج را ارزیابی کند،
– محدودیتها را بشناسد،
– و در نهایت مسئولیت علمی تصمیم را بر عهده بگیرد.
سرعت فقط یک مزیت نیست؛ مسئله مقیاس هم مطرح است
فرض کنید یک پژوهشگر بخواهد ۵۰۰ مقاله را بررسی کند.
این کار ممکن است هفتهها یا ماهها زمان ببرد.
حالا تصور کنید AI بتواند همین حجم را در چند ساعت بررسی کند.
مزیت واقعی فقط صرفهجویی در زمان نیست.
تعداد فرضیههایی که میتوان بررسی کرد افزایش پیدا میکند.
در علم، بسیاری از فرضیهها ارزش آزمایش ندارند.
اما مشکل اینجاست که تشخیص اینکه کدام فرضیه ارزش آزمایش دارد، خودش زمان میبرد.
اگر AI بتواند صدها فرضیه را بررسی و آنها را بر اساس شواهد رتبهبندی کند، پژوهشگر میتواند منابع آزمایشگاهی خود را روی گزینههای امیدوارکنندهتر متمرکز کند.
در نتیجه AI میتواند نقش یک فیلتر هوشمند برای فضای فرضیهها را ایفا کند.
اما آیا AI واقعاً «کشف علمی» انجام داده است؟
اینجا باید کمی محتاط باشیم.
عبارت «AI دانشمند شده» جذاب است.
اما از نظر علمی باید آن را با دقت بیشتری استفاده کرد.
Robin در مطالعه Nature یک حلقه lab-in-the-loop ایجاد کرد.
یعنی انسانها هنوز در حلقه آزمایشگاهی حضور داشتند.
سیستم پیشنهاد میداد.
دانشمندان آزمایش را انجام میدادند.
دادهها دوباره وارد سیستم میشدند.
AI آنها را تحلیل میکرد.
سپس فرضیه بعدی را پیشنهاد میکرد.
بنابراین این یک سیستم نیمهخودکار کشف علمی است، نه یک آزمایشگاه کاملاً مستقل که بدون انسان از صفر تا صد یک دارو را تولید کند.
این تمایز اهمیت زیادی دارد.
آزمون مهمتر: آیا هر AI میتوانست همین کار را انجام دهد؟
پژوهشگران برای بررسی این موضوع، یک مقایسه جالب انجام دادند.
آنها از OpenAI Deep Research نیز خواستند مجموعهای از نامزدهای دارویی را برای همان مسئله پیشنهاد کند.
Deep Research تعداد ۱۷ کاندیدای یکتا ارائه کرد.
اما هیچکدام از پیشنهادهای آن در آزمایش موردنظر hit نشدند.
همچنین این سیستم ROCK inhibition را به عنوان روش افزایش فاگوسیتوز RPE پیشنهاد نکرد.
این نتیجه بسیار مهم است.
چرا؟
چون نشان میدهد مسئله صرفاً «داشتن یک مدل زبانی قوی» نیست.
معماری سیستم، ابزارها، دسترسی به داده، روش جستوجو، ارزیابی فرضیه و حلقه بازخورد آزمایشگاهی اهمیت دارند.
این همان دلیلی است که آینده پژوهش علمی احتمالاً فقط متعلق به LLMهای بزرگتر نخواهد بود.
بلکه متعلق به سیستمهای عاملمحور تخصصی خواهد بود.
بزرگترین ضعف Robin کجاست؟
اتفاقاً خود مقاله Nature جواب این سؤال را داده است.
Finch در کارهای مشخص و تخصصی عملکرد خوبی داشت.
اما وقتی پژوهشگران آن را روی مجموعهای دشوارتر از مسائل bioinformatics و statistics آزمایش کردند، عملکرد کلی آن حدود ۲۲.۸ درصد بود.
عملکرد در بخش statistics حدود ۴۷.۹ درصد بود، در حالی که در بخش bioinformatics حدود ۱۵.۳ درصد گزارش شد.
چرا؟
چون بسیاری از مسائل بیوانفورماتیک چندمرحلهای هستند.
برای مثال در RNA-seq ممکن است لازم باشد:
FASTQ → QC → trimming → alignment یا pseudoalignment → quantification → normalization → differential expression → enrichment analysis
انجام شود.
در هر مرحله انتخاب پارامتر اشتباه میتواند نتیجه نهایی را تغییر دهد.
بنابراین:
نوشتن کد با تحلیل صحیح زیستی یکسان نیست.
این یکی از مهمترین نکاتی است که هر دانشجوی بیوانفورماتیک باید در عصر AI بداند.
هوش مصنوعی میتواند کد درست تولید کند اما تحلیل غلط باشد
فرض کنید AI برای شما یک کد Python یا R تولید کرده و کد بدون خطا اجرا شده است.
آیا نتیجه معتبر است؟
نه لزوماً.
ممکن است:
– نوع داده اشتباه تشخیص داده شده باشد.
– normalization نامناسب انتخاب شده باشد.
– آزمون آماری نامناسب باشد.
– biological replicate با technical replicate اشتباه گرفته شود.
– multiple testing correction نادیده گرفته شود.
– batch effect کنترل نشده باشد.
– یک association به اشتباه به عنوان causation تفسیر شود.
به همین دلیل یک مقاله مروری جدید که در سپتامبر ۲۰۲۶ در npj Dementia منتشر شده، تأکید میکند که استفاده از LLMها در پژوهش زیستپزشکی باید همراه با human-in-the-loop validation، شفافیت و استانداردهای reproducibility باشد.
این موضوع فقط یک توصیه اخلاقی نیست.
یک ضرورت روششناختی است.
مشکل hallucination در پژوهش علمی یکی از خطرناکترین مشکلات LLMها برای پژوهشگران، تولید اطلاعات ظاهراً علمی اما نادرست است.
یک مدل ممکن است:
– نام مقاله واقعی باشد اما DOI اشتباه باشد.
– نویسندگان واقعی باشند اما مقالهای با آن عنوان وجود نداشته باشد.
– نتیجه یک مطالعه را تغییر دهد.
– عدد آماری را اشتباه نقل کند.
– یا چند مقاله را در ذهن خود ترکیب کند.
مرور منتشرشده در سپتامبر ۲۰۲۶ نیز بهصراحت درباره تولید citationهای جعلی توسط مدلهای عمومی هشدار میدهد و توصیه میکند هر ارجاع در پایگاههای معتبر و متن اصلی مقاله بررسی شود.
بنابراین یکی از قواعد مهم پژوهش در عصر AI باید این باشد:
«هر چیزی که AI میگوید، منبع علمی نیست؛ هر منبعی که AI معرفی میکند نیز لزوماً واقعی نیست.»
حتی مدلهای پیشرفته در زیستشناسی محدودیت دارند
این موضوع در روزهای اخیر یک مثال بسیار جالب پیدا کرده است.
در اول سپتامبر ۲۰۲۶، Nature گزارشی درباره مطالعهای منتشر کرد که در آن پژوهشگران تقریباً تمام حروف DNA یک فاژ را تغییر داده بودند تا ببینند تغییرات گسترده در توالی ژنتیکی چه پیامدهایی ایجاد میکند.
مدلهای هوش مصنوعی قدرتمند در پیشبینی پیامدهای زیستی این تغییرات با مشکل مواجه شدند.
این اتفاق یک پیام مهم دارد:
AI هنوز «زیستشناسی» را به معنای واقعی کلمه نمیفهمد.
مدل ممکن است روابط موجود در دادهها را به خوبی یاد گرفته باشد، اما زیستشناسی دارای تعاملات پیچیده، غیرخطی و وابسته به زمینه است.
یک تغییر کوچک در DNA ممکن است:
– روی transcription اثر بگذارد،
– روی translation اثر بگذارد،
– ساختار RNA را تغییر دهد،
– تعامل پروتئینها را تغییر دهد،
– یا در سطح فنوتیپی اثری ایجاد کند که از دادههای آموزشی مدل قابل استنتاج نباشد.
چرا زیستشناسی برای AI سختتر از متن است؟
در متن، بسیاری از روابط را میتوان با الگوهای آماری توصیف کرد.
اما در زیستشناسی، سیستمها چندلایه هستند.
برای مثال:
DNA
↓
RNA
↓
Protein
↓
Protein–protein interaction
↓
Metabolic pathway
↓
Cellular phenotype
↓
Tissue phenotype
↓
Organism phenotype
و هر لایه با لایههای دیگر بازخورد دارد.
علاوه بر آن، محیط نیز وارد سیستم میشود.
بنابراین حتی اگر AI بتواند ارتباط بسیار خوبی بین توالی DNA و یک ویژگی پیدا کند، هنوز نمیتوان تضمین کرد که تغییر واقعی در یک سیستم زیستی دقیقاً همان نتیجه را ایجاد کند. اینجاست که آزمایشگاه همچنان اهمیت خود را حفظ میکند.
آینده پژوهشگر چیست؟ انسان یا AI؟
احتمالاً سؤال درست این نیست.
پرسش بهتر این است:
کدام بخش از کار پژوهشگر را AI انجام میدهد و کدام بخش همچنان به انسان نیاز دارد؟
اگر پژوهشگر امروز بخش زیادی از وقت خود را صرف:
– جستوجوی مقاله،
– مرتبسازی منابع،
– نوشتن کد اولیه،
– آمادهسازی نمودار،
– تبدیل فرمت داده،
– مستندسازی،
– خلاصهسازی مقاله،
– و کارهای تکراری
میکند، احتمالاً بخش بزرگی از این فعالیتها به AI منتقل خواهد شد.
اما کارهایی مانند
– انتخاب سؤال مهم،
– تشخیص مسئله واقعی،
– طراحی مطالعه،
– انتخاب کنترل مناسب،
– تفسیر زیستی،
– تصمیمگیری درباره تناقض دادهها،
– طراحی آزمایشهای حساس،
– و ارزیابی اعتبار یک نتیجه
همچنان به تخصص انسانی نیاز خواهند داشت.
در واقع ممکن است نقش پژوهشگر از انجام همه مراحل به سمت هدایت و نظارت بر سیستم علمی حرکت کند.
پژوهشگر آینده چه مهارتهایی باید داشته باشد؟
این تحول برای دانشجویان زیستشناسی، میکروبیولوژی، ژنتیک، بیوتکنولوژی و بیوانفورماتیک یک پیام بسیار جدی دارد.
در آینده، فقط دانستن یک نرمافزار کافی نیست.
فقط بلد بودن Python هم کافی نیست.
فقط بلد بودن کار با ChatGPT نیز کافی نیست.
مهارت مهمتر، ترکیب چند حوزه است.
１. دانش زیستی
AI بدون دانش زیستی میتواند بسیار خطرناک باشد.
پژوهشگر باید بتواند تشخیص دهد:
«این نتیجه از نظر زیستی منطقی است یا فقط از نظر آماری جذاب به نظر میرسد؟»
２. سواد داده
پژوهشگر باید حداقل مفاهیم:
– statistics
– probability
– normalization
– sampling
– bias
– variance
– multiple testing
– reproducibility
را بداند.
３. سواد محاسباتی
نیازی نیست هر زیستشناس تبدیل به برنامهنویس حرفهای شود.
اما آشنایی با:
– Python
– Jupyter
– Git
– SQL
– command line
مزیت بسیار بزرگی خواهد بود.)یادتون باشه برای آینده درخشان نباید عالی بود اما باید شروع عالی داشته باشیم…)
４. مهارت کار با AI
پژوهشگر آینده باید بداند چگونه به AI مسئله بدهد.
اما مهمتر از prompt engineering، چیزی وجود دارد که میتوان آن را AI scientific reasoning نامید.
یعنی:
– مسئله را درست تعریف کند.
– محدودیتها را مشخص کند.
– منابع را الزامآور کند.
– خروجی را راستیآزمایی کند.
– چند فرضیه را مقایسه کند.
– و AI را مجبور کند شواهد ارائه دهد.
از Prompt Engineer به Research Orchestrator
ممکن است در سالهای آینده مفهوم «پرامپتنویسی» به تنهایی ارزش کمتری پیدا کند. (اگه میخوای از پایه پرامپت نویسی رو بدونی تا در آینده نزدیک که مطالب جدیدتری میاد به مشکل نخوری و بهتر با اونا ارتباط برقرار کنی کتاب طلای دیجیتال مخصوص شماست).
چرا؟
چون مدلها بهتر میشوند.
اما یک مهارت جدید اهمیت پیدا میکند:
هدایت یک سیستم پژوهشی هوش مصنوعی.
پژوهشگر به جای اینکه فقط بگوید:
«برای من مقاله پیدا کن.»
میگوید:
«این سؤال را بررسی کن. فقط از منابع peer-reviewed استفاده کن. مطالعات متناقض را جدا کن. شواهد انسانی را از مطالعات حیوانی تفکیک کن. کیفیت شواهد را ارزیابی کن. سه فرضیه رقیب تولید کن. برای هر فرضیه یک آزمایش قابل اجرا پیشنهاد بده. متغیرهای confounding را مشخص کن و در پایان بگو کدام بخش هنوز به داده تجربی نیاز دارد.»
این یک تفاوت بسیار بزرگ است.
AI و بیوانفورماتیک؛ یکی از بزرگترین میدانهای تحول
بیوانفورماتیک احتمالاً یکی از نخستین حوزههایی است که از این تحول سود میبرد.
دلیل واضح است:
دادههای زیستی روزبهروز بزرگتر میشوند.
ژنومیک، transcriptomics، proteomics، metabolomics، single-cell و spatial omics حجم عظیمی از داده تولید میکنند.
یک پژوهشگر نمیتواند همه روابط میان آنها را به شکل دستی بررسی کند.
AI میتواند در:
– annotation
– sequence analysis
– gene expression analysis
– protein structure prediction
– protein–ligand interaction
– variant interpretation
– pathway analysis
– literature mining
– biomarker discovery
کمک کند.
اما همانطور که مطالعه Robin نشان داد، AI زمانی ارزش بیشتری پیدا میکند که ابزارهای تخصصی را با reasoning ترکیب کند.
AI در RNA-seq چه تغییری ایجاد میکند؟
فرض کنید یک پژوهشگر داده RNA-seq دارد.
در حالت سنتی، باید مراحل مختلف pipeline را مدیریت کند.
اما در آینده ممکن است کافی باشد سؤال زیستی خود را تعریف کند.
برای مثال:
«میخواهم ژنهایی را پیدا کنم که در سلولهای تیمارشده نسبت به کنترل تغییر بیان دارند و سپس مسیرهای زیستی مرتبط با این تغییرات را بررسی کنم.»
یک عامل علمی میتواند:
1. ساختار داده را بررسی کند.
2. کیفیت نمونهها را ارزیابی کند.
3. pipeline مناسب را پیشنهاد دهد.
4. کد را اجرا کند.
5. QC را بررسی کند.
6. differential expression را انجام دهد.
7. enrichment analysis را اجرا کند.
8. نتایج را خلاصه کند.
9. تناقضها را گزارش کند.
10. و حتی پیشنهاد دهد آزمایش بعدی چه باشد.
البته این سناریو هنوز به معنای جایگزینی متخصص بیوانفورماتیک نیست.
اتفاقاً برعکس.
هرچه سیستم خودکارتر شود، نیاز به متخصصی که بتواند خروجی آن را ممیزی کند بیشتر خواهد شد.
آزمایشگاه خودکار؛ قدم بعدی چیست؟
اگر AI بتواند:
فرضیه تولید کند ⬅️ آزمایش پیشنهاد دهد ⬅️ داده را تحلیل کند
قدم بعدی منطقی این است:
AI → Robot → Experiment
یعنی سیستم بتواند مستقیماً با تجهیزات آزمایشگاهی ارتباط برقرار کند.
در چنین ساختاری، یک پژوهشگر میتواند سؤال علمی را تعریف کند.
AI چند فرضیه تولید کند.
سیستم آزمایش مناسب را انتخاب کند.
ربات آزمایش را انجام دهد.
داده بهصورت خودکار وارد سیستم شود.
AI نتیجه را تحلیل کند.
و بر اساس نتیجه، آزمایش بعدی انتخاب شود.
این مفهوم به self-driving laboratories یا آزمایشگاههای خودران نزدیک میشود.
در چنین محیطی، سرعت چرخه:
Hypothesis → Experiment → Data → Hypothesis
میتواند بهشدت افزایش پیدا کند.
آیا این یعنی پایان دانشمند آزمایشگاهی؟
خیر.
حتی ممکن است برعکس باشد.
چون هرچه تعداد آزمایشهای قابل انجام بیشتر شود، ارزش طراحی آزمایش خوب بیشتر میشود.
اگر AI بتواند در یک روز ۱۰۰ فرضیه پیشنهاد کند، مشکل دیگر «کمبود ایده» نیست.
مشکل میشود:
کدام یک از این ۱۰۰ فرضیه ارزش آزمایش دارد؟
و اینجا دانشمند باید وارد شود.
خطر بزرگتر: سرعت بدون اعتبار
این شاید مهمترین نگرانی آینده باشد.
فرض کنید یک سیستم AI میتواند در یک روز هزار تحلیل انجام دهد.
اما اگر ۱۰ درصد آنها اشتباه باشند، چه؟
اگر AI بتواند با سرعت بالا فرضیههای غلط تولید کند، سرعت بیشتر لزوماً به علم بهتر منجر نمیشود.
ممکن است برعکس، حجم خطا را هم افزایش دهد.
به همین دلیل پژوهش علمی آینده احتمالاً نیازمند یک اصل خواهد بود:
Automate the workflow, not the scientific responsibility.
یعنی فرایند را خودکار کن، اما مسئولیت علمی را حذف نکن.
مسئله reproducibility
یکی از مهمترین اصول علم، قابلیت تکرارپذیری است.
اگر AI یک تحلیل را انجام دهد، باید مشخص باشد:
– از چه مدل یا نسخهای استفاده شده؟
– چه promptی استفاده شده؟
– چه دادهای وارد شده؟
– چه ابزارهایی فراخوانی شدهاند؟
– چه پارامترهایی استفاده شدهاند؟
– چه نسخهای از نرمافزارها فعال بوده؟
– نتیجه چند بار تکرار شده؟
– آیا خروجیهای متفاوتی ایجاد شدهاند؟
این موضوع در سیستمهای agentic حتی مهمتر میشود.
زیرا دیگر فقط یک مدل پاسخ نمیدهد.
چند عامل ممکن است با یکدیگر تعامل داشته باشند.
بنابراین provenance و ثبت مسیر تصمیمگیری اهمیت بسیار زیادی پیدا میکند.
AI Scientist یا AI Assistant؟
بهتر است میان این دو مفهوم تفاوت قائل شویم.
AI Assistant
کمک میکند.
مثلاً:
– مقاله را خلاصه میکند.
– کد مینویسد.
– متن را اصلاح میکند.
– جدول میسازد.
– داده را توضیح میدهد.
AI Scientist
قرار است یک مسئله را به شکل چندمرحلهای دنبال کند.
یعنی:
– سؤال را تحلیل کند.
– ادبیات را بررسی کند.
– فرضیه تولید کند.
– آزمایش پیشنهاد دهد.
– داده را تحلیل کند.
– نتیجه را تفسیر کند.
– فرضیه بعدی را بسازد.
Robin بیشتر به دسته دوم نزدیک است. مقاله Nature آن را یکی از نخستین سیستمهایی توصیف میکند که این حلقه را برای کشف درمانی در یک فرایند پیوسته به هم متصل کرده است.
Google، Nature و موج جدید AI Scientist
Robin تنها نمونه این روند نیست.
در سالهای اخیر سیستمهایی مانند AI co-scientist نیز برای تولید، نقد، رتبهبندی و تکامل فرضیههای علمی توسعه یافتهاند.
Google DeepMind، AI co-scientist را یک سیستم چندعاملی معرفی کرده که برای کمک به دانشمندان در تولید فرضیه و پیشنهادهای پژوهشی طراحی شده است. این سیستم در برخی کاربردهای زیستپزشکی از جمله drug repurposing و بررسی سازوکارهای مقاومت آنتیمیکروبی مورد آزمایش قرار گرفته است.
در یک مطالعه گزارششده در Nature Methods نیز AI co-scientist در یک مسئله مربوط به عناصر ژنتیکی متحرک، فرضیهای تولید کرد که با سازوکار تأییدشده در آزمایش مطابقت داشت.
این یعنی یک روند در حال شکلگیری است.
ما دیگر فقط با «چتبات علمی» مواجه نیستیم.
داریم به سمت تیمهای دیجیتال پژوهشی حرکت میکنیم.
تیم پژوهشی آینده ممکن است چه شکلی باشد؟
تصور کنید یک گروه تحقیقاتی کوچک شامل:
– یک زیستشناس
– یک متخصص آزمایشگاه
– یک متخصص آمار
– و چند عامل هوش مصنوعی
باشد.
عامل اول ادبیات را بررسی کند.
عامل دوم ژنتیک را تحلیل کند.
عامل سوم دادههای RNA-seq را بررسی کند.
عامل چهارم نتایج را نقد کند.
عامل پنجم فرضیههای مختلف را با هم مقایسه کند.
و یک پژوهشگر انسانی تصمیم نهایی را بگیرد.
در چنین ساختاری، AI الزاماً جای دانشمند را نمیگیرد.
بلکه ظرفیت شناختی یک تیم کوچک را افزایش میدهد.
اما یک سؤال اخلاقی مهم وجود دارد: چه کسی مسئول خطای AI است؟
فرض کنید AI یک فرضیه تولید کند.
پژوهشگر آن را اجرا کند.
نتیجه اشتباه باشد.
چه کسی مسئول است؟
AI؟
شرکت سازنده مدل؟
توسعهدهنده سیستم؟
دانشگاه؟
PI آزمایشگاه؟
نویسندگان مقاله؟
این سؤال در حال حاضر پاسخ سادهای ندارد.
حتی در سپتامبر ۲۰۲۶، Nature مقالهای با عنوانی نزدیک به همین مسئله منتشر کرده و پرسیده است که وقتی AI وارد فرایند علمی میشود، مسئولیت خطاها بر عهده چه کسی است.
بنابراین هرچه AI بیشتر وارد پژوهش شود، مسئله accountability جدیتر خواهد شد.
آیا AI میتواند فرضیهای بسازد که هیچ انسانی به آن فکر نکرده باشد؟
این یکی از جذابترین سؤالات آینده است.
در ظاهر، بله.
اگر یک سیستم بتواند هزاران مقاله را بررسی کند و ارتباطهایی میان حوزههای مختلف پیدا کند، ممکن است ترکیبی را پیشنهاد کند که در ادبیات علمی بهصورت مستقیم مطرح نشده باشد.
اما باید دقت کنیم.
«جدید بودن» یک فرضیه با «درست بودن» آن فرق دارد.
یک فرضیه ممکن است کاملاً جدید باشد اما غلط باشد.
بنابراین معیار واقعی AI Scientist این نیست که:
چقدر ایده جدید تولید میکند؟
بلکه:
چند ایده جدید و قابل آزمون تولید میکند که در آزمایش نیز پشتیبانی شوند؟
این معیار بسیار سختتر است.
آینده داروسازی و کشف دارو
یکی از حوزههایی که احتمالاً بیشترین تغییر را خواهد دید، drug discovery است.
در روش سنتی، توسعه دارو میتواند سالها طول بکشد و هزینه زیادی داشته باشد.
AI میتواند در بخشهای مختلف چرخه کمک کند:
Target identification
↓
Target validation
↓
Hit discovery
↓
Lead optimization
↓
ADMET prediction
↓
Preclinical testing
↓
Clinical development
اما اکنون سیستمهایی مانند Robin یک قدم متفاوت را نشان میدهند:
AI میتواند به جای فقط پیشبینی یک ویژگی مولکول، در سطح بالاتری از فرایند کشف مشارکت کند.
در همین راستا، در اول سپتامبر ۲۰۲۶ مقالهای در Nature Biotechnology درباره AdaptiveFlow منتشر شد که یک پلتفرم برای غربالگری مجازی در مقیاس بسیار بزرگ ارائه میکند و کتابخانهای شامل حدود ۶۹ میلیارد ترکیب را هدف قرار میدهد. این سیستم با انتخاب هوشمند فضای شیمیایی، هزینه محاسباتی غربالگری را تا چندین مرتبه کاهش میدهد و در آزمایش نیز مهارکنندههایی در مقیاس نانومولار برای اهدافی از جمله FSP1 شناسایی کرده است.
این اتفاق در کنار Robin یک تصویر بزرگتر را نشان میدهد:
AI در حال ورود به تمام زنجیره کشف دارو است.
آیا در آینده یک دانشجوی زیستشناسی باید برنامهنویسی بلد باشد؟
به احتمال زیاد، بله؛ اما نه الزاماً در حد یک مهندس نرمافزار.
دانشجوی آینده زیستشناسی بهتر است بتواند:
– داده را بفهمد.
– با AI کار کند.
– خروجی AI را ارزیابی کند.
– کد تولیدشده را بررسی کند.
– خطاهای آماری را تشخیص دهد.
– با پایگاههای داده کار کند.
– و بتواند بین یک نتیجه محاسباتی و یک نتیجه زیستی تفاوت بگذارد.
این مهارت ترکیبی میتواند به یکی از مهمترین مزیتهای شغلی در علوم زیستی تبدیل شود.
برای دانشجوی میکروبیولوژی چه معنایی دارد؟
میکروبیولوژی یکی از حوزههایی است که ظرفیت زیادی برای ترکیب AI و آزمایشگاه دارد.
برای مثال:
شناسایی میکروارگانیسمها
AI میتواند تصاویر کلنیها یا تصاویر میکروسکوپی را طبقهبندی کند.
مقاومت آنتیبیوتیکی
مدلها میتوانند دادههای ژنومی و فنوتیپی را برای شناسایی الگوهای مقاومت تحلیل کنند.
میکروبیوم
AI میتواند روابط پیچیده میان گونههای مختلف و متابولیسم آنها را بررسی کند.
طراحی آزمایش
عامل AI میتواند مطالعات قبلی را بررسی و آزمایشهای قابل بررسی پیشنهاد کند.
تحلیل توالی
مدلهای یادگیری ماشین میتوانند در annotation و پیشبینی عملکرد ژنها کمک کنند.
اما در همه این موارد یک اصل ثابت باقی میماند:
AI پیشنهاد میدهد؛ زیستشناس اعتبارسنجی میکند.
AI و ژنتیک؛ از توالی تا فنوتیپ
یکی از جذابترین حوزههای آینده، پیشبینی اثر تغییرات ژنتیکی است.
اگر بتوانیم از روی یک تغییر در DNA پیشبینی کنیم که چه اثری بر بیان ژن، عملکرد پروتئین یا بیماری خواهد داشت، کاربردهای پزشکی بزرگی ایجاد میشود.
مدلهای جدید در حال حرکت به این سمت هستند.
اما خبر اخیر Nature درباره تغییرات گسترده در ژنوم فاژ یک هشدار جدی ایجاد میکند:
پیشبینی ژنتیکی هنوز بسیار سختتر از چیزی است که خروجیهای زیبای مدلها ممکن است نشان دهند.
این دقیقاً همان نقطهای است که پژوهش تجربی همچنان ضروری خواهد بود.
مهمترین درس برای پژوهشگران
شاید مهمترین نتیجهای که میتوان از موج جدید AI در علوم زیستی گرفت، این نباشد که:
«AI جای دانشمند را میگیرد.»
بلکه این باشد:
دانشمندی که بتواند با AI کار کند، احتمالاً از دانشمندی که AI را نادیده میگیرد، توان پژوهشی بیشتری خواهد داشت.
اما یک شرط وجود دارد:
او نباید دانش علمی خود را به AI واگذار کند.
باید از AI برای افزایش ظرفیت خود استفاده کند.
مدل مناسب استفاده از AI در پژوهش
یک الگوی منطقی میتواند چنین باشد:
مرحله اول: انسان سؤال را تعریف میکند
AI نباید الزاماً سؤال پژوهشی را بدون نظارت انسان تعیین کند.
مرحله دوم: AI ادبیات را گسترش میدهد
مقالات، دادهها و ارتباطات احتمالی را پیدا میکند.
مرحله سوم: AI چند فرضیه پیشنهاد میکند
نه فقط یک پاسخ.
مرحله چهارم: انسان فرضیهها را نقد میکند
از نظر زیستی، اخلاقی و عملی.
مرحله پنجم: AI طراحی تحلیل یا آزمایش را پیشنهاد میکند
با مشخص کردن محدودیتها.
مرحله ششم: آزمایش واقعی انجام میشود
در این مرحله داده تجربی وارد چرخه میشود.
مرحله هفتم: AI داده را تحلیل میکند
با چند مسیر مستقل و ثبت کامل workflow.
مرحله هشتم: انسان نتیجه را بررسی میکند
مرحله نهم: AI فرضیه بعدی را پیشنهاد میدهد
و چرخه ادامه پیدا میکند.
این مدل بسیار نزدیک به چیزی است که Robin در مقاله Nature نشان داده است.
پس آیا AI دانشمند شده است؟
هنوز نه.
اما شاید سؤال دقیقتر این باشد:
آیا AI در حال تبدیل شدن به یک عضو جدید از تیم پژوهشی است؟
برای این سؤال، پاسخ بسیار امیدوارکنندهتر است.
سیستمهایی مانند Robin نشان دادهاند که AI میتواند:
– ادبیات علمی را در مقیاس بالا بررسی کند،
– فرضیه تولید کند،
– کاندیدای درمانی پیشنهاد دهد،
– دادههای آزمایشگاهی را تحلیل کند،
– نتایج را تفسیر کند،
– و بر اساس داده جدید فرضیه بعدی بسازد.
اما همین مطالعه نشان داد که عملکرد AI در مسائل پیچیده بیوانفورماتیکی هنوز محدود است و مدلهای عمومی نیز میتوانند دچار hallucination و خطا شوند.
بنابراین ما هنوز در ابتدای مسیر هستیم.
جمعبندی: آزمایشگاه آینده احتمالاً انسان + AI خواهد بود
آنچه در سال ۲۰۲۶ اتفاق میافتد، بیشتر از اینکه یک «انقلاب چتباتی» باشد، آغاز یک تغییر در معماری پژوهش علمی است.
در مدل قدیمی:
دانشمند ⬅️ مقاله ⬅️ فرضیه ⬅️ آزمایش ⬅️ تحلیل ⬅️ مقاله
در مدل جدید:
دانشمند + AI Agents → جستوجوی گسترده ⬅️ فرضیههای متعدد ⬅️ آزمایش ⬅️ تحلیل خودکار ⬅️ بازخورد ⬅️ فرضیه جدید
و در مدل آینده ممکن است حتی یک مرحله دیگر هم اضافه شود:
AI → Robot → Experiment → Data → AI
اگر این چرخه به اندازه کافی قابل اعتماد، قابل تکرار و ایمن شود، سرعت تولید دانش زیستی میتواند به شکل قابل توجهی افزایش پیدا کند.
اما نباید از یک نکته اساسی عبور کنیم.
زیستشناسی هنوز پیچیدهتر از آن است که بتوان آن را صرفاً با پیشبینی آماری حل کرد.
مدلهای هوش مصنوعی میتوانند الگوهایی را ببینند که انسان بهراحتی نمیبیند.
اما آزمایشگاه همچنان جایی است که طبیعت پاسخ نهایی خود را میدهد.
بنابراین آینده احتمالاً متعلق به «AI به جای دانشمند» نیست.
متعلق به دانشمندِ مجهز به AI است.
پژوهشگری که بتواند زیستشناسی را بفهمد، داده را تحلیل کند، با هوش مصنوعی کار کند، خروجی آن را به چالش بکشد و در نهایت نتیجه را در آزمایش واقعی اعتبارسنجی کند.
و شاید بزرگترین تغییر همین باشد:
در آینده، مزیت اصلی یک پژوهشگر این نخواهد بود که خودش بتواند همه کارها را انجام دهد؛ بلکه این خواهد بود که بداند کدام کار را باید خودش انجام دهد، کدام کار را به AI بسپارد و چگونه مطمئن شود که AI اشتباه نکرده است.
پرسشهای متداول
آیا هوش مصنوعی میتواند خودش مقاله علمی کشف کند؟
سیستمهای جدید AI میتوانند بخشهایی از فرایند کشف علمی مانند جستوجوی ادبیات، تولید فرضیه، تحلیل داده و پیشنهاد آزمایش را خودکار کنند؛ اما هنوز نمیتوان آنها را جایگزین کامل پژوهشگر دانست. Robin یکی از نمونههای مهم این رویکرد است.
Robin چیست؟
Robin یک سیستم چندعاملی برای کشف علمی است که از عاملهای تخصصی برای جستوجوی منابع، تولید فرضیه و تحلیل دادههای آزمایشگاهی استفاده میکند. این سیستم در یک مطالعه Nature برای کشف کاندیداهای درمانی dAMD آزمایش شد.
آیا Robin داروی جدیدی برای AMD پیدا کرده است؟
Robin چند کاندیدا را پیشنهاد کرد و در مدلهای آزمایشگاهی اثر ripasudil و KL001 بر فاگوسیتوز سلولهای RPE بررسی و تأیید شد. این نتایج هنوز به معنای اثبات اثر درمانی در انسان نیستند و مطالعات پیشبالینی و بالینی بیشتری لازم است.
آیا AI میتواند دادههای RNA-seq را تحلیل کند؟
بله. سیستمهای عاملمحور میتوانند بسیاری از مراحل تحلیل دادههای RNA-seq را انجام دهند، اما انتخاب pipeline، پارامترها و تفسیر زیستی همچنان نیازمند نظارت متخصص است. در مطالعه Robin نیز عملکرد Finch در وظایف پیچیده بیوانفورماتیکی محدودتر از وظایف سادهتر آماری بود.
آیا AI جایگزین بیوانفورماتیسین میشود؟
احتمالاً AI بخش زیادی از کارهای تکراری و محاسباتی را خودکار خواهد کرد، اما نیاز به متخصصی که بتواند کیفیت داده، روش تحلیل، خطاهای آماری و معنای زیستی نتایج را ارزیابی کند همچنان وجود خواهد داشت.
آیا هوش مصنوعی میتواند در کشف دارو استفاده شود؟
بله. علاوه بر سیستمهای تولید فرضیه مانند Robin، پلتفرمهای AI و ML برای غربالگری مجازی، طراحی مولکول و بهینهسازی کشف دارو نیز در حال توسعه هستند. AdaptiveFlow که در سپتامبر ۲۰۲۶ در Nature Biotechnology منتشر شد، نمونهای از غربالگری مجازی در مقیاس بسیار بزرگ است.
مهمترین محدودیت AI در علوم زیستی چیست؟
مهمترین محدودیتها شامل hallucination، وابستگی به کیفیت داده، تفسیر نادرست روابط آماری، مشکلات reproducibility و دشواری پیشبینی رفتار واقعی سیستمهای زیستی پیچیده است. مطالعات و گزارشهای جدید سال ۲۰۲۶ همچنان بر ضرورت اعتبارسنجی انسانی تأکید دارند.
نتیجه نهایی
هوش مصنوعی وارد مرحلهای شده که دیگر فقط به سؤالهای پژوهشگر پاسخ نمیدهد؛ در برخی سامانههای پیشرفته، میتواند در تولید سؤال، ساخت فرضیه، انتخاب آزمایش، تحلیل داده و اصلاح فرضیه نیز مشارکت کند.
Robin یکی از واضحترین نمونههای این تغییر است.
اما نکته مهمتر این است که این فناوری هنوز «دانشمند مستقل» نیست.
AI میتواند سرعت جستوجو و تحلیل را افزایش دهد؛ آزمایشگاه هنوز باید حقیقت را تعیین کند.
آینده علوم زیستی احتمالاً نه انسان در برابر AI، بلکه انسان در کنار AI خواهد بود.
و برای پژوهشگران، دانشجویان و متخصصان زیستشناسی، میکروبیولوژی، ژنتیک، بیوتکنولوژی و بیوانفورماتیک، یادگیری نحوه استفاده علمی و انتقادی از AI دیگر یک مهارت جانبی نیست؛ بهتدریج در حال تبدیل شدن به بخشی از سواد پژوهشی قرن بیستویکم است.
منابع اصلی
1. Ghareeb AE, Chang B, Mitchener L, et al. A multi-agent system for automating scientific discovery. Nature. 2026;655:497–505. DOI: 10.1038/s41586-026-10652-y.
2. Roberts KF, Koutarapu S, Melendez J, et al. Reimagining biomedical science workflows in the age of large language models. Npj Dementia. Published September 2, 2026.
3. Cecchini D, Nigam A, Tang M, et al. AI-enhanced adaptive virtual screening of large libraries for ligand discovery. Nature Biotechnology. Published September 1, 2026.
4. Nature News. Mutating every DNA letter of a genome shows surprising effects — and the limits of AI. September 1, 2026.
5. Li B, Saini AK, Hernandez JG, et al. Agentic AI and the rise of in silico team science in biomedical research. Nature Biotechnology. 2026;44:711–725.
دیدگاهتان را بنویسید