هوش مصنوعی مولد، اصلاح محصولات کشاورزی را از انتخاب طبیعی به طراحی مولکولی می‌برد
در روش‌های سنتی اصلاح نباتات، اصلاح‌گران بذر گیاهانی را که عملکرد بهتری داشتند نگه می‌داشتند، ارقام امیدوارکننده را با یکدیگر تلاقی می‌دادند و منتظر می‌ماندند تا نتیجه در فرایندهای طبیعی مشخص شود. مقاله‌ای مروری که در مجله Science China Life Sciences منتشر شده، استدلال می‌کند که این رویکرد دیرپا اکنون به نقطه عطفی تعیین‌کننده نزدیک شده است. گروهی پژوهشی به سرپرستی شیانگ‌فنگ وانگ، استاد، و جون یان، دانشیار دانشگاه کشاورزی چین، بررسی کرده‌اند که هوش مصنوعی مولد چگونه می‌تواند دانش اصلاح نباتات را وارد مرحله‌ای کند که نویسندگان آن را «اصلاح نباتات ۵.۰» می‌نامند. در این الگوی جدید، طراحی هوشمندانه و دقیق جایگاه محوری دارد و توالی‌های DNA، پروتئین‌ها و عناصر تنظیم‌کننده ژن بر اساس مشخصات موردنیاز طراحی می‌شوند؛ آن هم پیش از آنکه حتی یک بذر کاشته شود.
نویسندگان این تحول را در بستر تاریخی اصلاح نباتات بررسی می‌کنند. تلاقی سنتی و فرایند زمان‌بر آزمون‌وخطا برای نگهداری بذر گیاهان برتر، مرحله نخست یا «اصلاح نباتات ۱.۰» را تشکیل می‌دهد. در طول قرن گذشته، ورود نشانگرهای مولکولی و انتخاب ژنومی به شکل‌گیری مراحل دوم و سوم، یعنی «اصلاح نباتات ۲.۰» و «اصلاح نباتات ۳.۰»، انجامید. این فناوری‌ها دقت شناسایی، ردیابی و انباشت گونه‌های ژنتیکی سودمند را به میزان چشمگیری افزایش دادند.
در سال‌های اخیر نیز فناوری‌های اُمیکس مبتنی بر کلان‌داده‌ها، مرحله چهارم یا «اصلاح نباتات ۴.۰» را رقم زده‌اند و با اندازه‌گیری در مقیاس کل ژنوم، دامنه ژن‌های شناخته‌شده در محصولات کشاورزی را گسترش داده‌اند. با وجود این پیشرفت‌ها، چرخه اصلاح متعارف همچنان فرایندی طاقت‌فرساست و از تلاقی اولیه تا عرضه یک رقم تجاری معمولاً ۱۰ تا ۱۵ سال طول می‌کشد. اصلاح‌گران همچنین با یک مشکل اساسی روبه‌رو هستند: بسیاری از صفات تعیین‌کننده عملکرد کشاورزی تحت تأثیر شبکه‌های گسترده‌ای از ژن‌ها قرار دارند که اثراتشان با تعاملات پیش‌بینی‌ناپذیر اقلیمی درهم می‌آمیزد. ازاین‌رو، بهبود هم‌زمان عملکرد محصول، تحمل تنش‌های محیطی و کیفیت آن همچنان مسئله‌ای چندهدفه و حل‌نشده است.
نویسندگان میان هوش مصنوعی‌ای که تاکنون در کاربردهای کشاورزی غالب بوده و مدل‌هایی که الگوی جدید را شکل می‌دهند، تمایزی اساسی قائل‌اند. ابزارهای پیشین عمدتاً از نوع تمایزگر بودند؛ یعنی گونه‌های ژنتیکی موجود در مجموعه‌های ذخایر ژرم‌پلاسم و جمعیت‌های اصلاحی را ارزیابی، رتبه‌بندی یا طبقه‌بندی می‌کردند. این سامانه‌ها مانند اصلاح‌گری هستند که در مزرعه قدم می‌زند و از میان گیاهان موجود، نمونه‌های امیدوارکننده را انتخاب می‌کند. آن‌ها می‌توانند بهترین گزینه‌های در دسترس را شناسایی کنند، اما قادر نیستند گزینه‌ای فراتر از مجموعه موجود پیشنهاد دهند.
هوش مصنوعی مولد به شیوه‌ای متفاوت عمل می‌کند. این مدل‌ها با یادگیری الگوهای آماری نهفته در مجموعه‌های عظیم داده‌های زیستی، می‌توانند توالی‌های جدید DNA، پروتئین‌ها و عناصر تنظیم‌کننده ژن را با هدف دستیابی به عملکردهای زیستی مشخص پیشنهاد دهند. به این ترتیب، فضای جست‌وجو از مرزهای تنوع طبیعی فراتر می‌رود. بررسی فنی مقاله بر چهار معماری بنیادی هوش مصنوعی مولد متمرکز است.
نخست، خودرمزگذارهای متغیر، توالی‌های پیچیده زیستی را به فضاهای نهفته پیوسته فشرده می‌کنند. این شیوه رمزگذاری به پژوهشگران اجازه می‌دهد سطح بیان ژن را به‌صورت تدریجی و دقیق تنظیم کنند؛ فرایندی که نویسندگان آن را به تنظیم پیوسته یک پیچ کنترل صدا تشبیه می‌کنند، نه روشن و خاموش کردن یک کلید. دوم، شبکه‌های مولد تخاصمی از دو شبکه عصبی رقیب بهره می‌برند: شبکه مولد توالی‌های پیشنهادی را تولید می‌کند و شبکه تمایزگر واقعی‌بودن آن‌ها را می‌سنجد. این آموزش رقابتی به تولید توالی‌های DNA دقیق و متنوع با ویژگی‌های زیستی واقع‌گرایانه کمک می‌کند. هر دو رویکرد، نمایش‌هایی پیوسته و قابل پیمایش از فضای توالی‌ها در اختیار اصلاح‌گران قرار می‌دهند؛ درحالی‌که ذخایر ژنتیکی طبیعی تنها نقاطی گسسته و نمونه‌برداری‌شده از این فضا را در بر می‌گیرند.
مدل‌های انتشار، سومین معماری، مولکول‌های هدف را با حذف تدریجی نویز تصادفی و طی مراحلی متوالی بازسازی می‌کنند. مقاله بر دقت بی‌سابقه این مدل‌ها در طراحی ساختارهای سه‌بعدی پروتئین‌ها و تنظیم دقیق پروموترهای ژنی تأکید می‌کند. در این فرایندها، اصلاح تدریجی ساختار از دل نویز به کار مجسمه‌سازی شباهت دارد؛ گویی شکل نهایی از ماده خام بیرون آورده می‌شود.
چهارمین رکن، مدل‌های زبانی بزرگ هستند. گونه‌های زیستی این مدل‌ها، از جمله مدل‌های زبانی ژنوم، مدل‌های زبانی پروتئین و مدل‌های متنی علمی، نوکلئوتیدها را مانند حروف، کدون‌ها را مانند واژه‌ها و ژن‌ها را مانند جمله‌ها در نظر می‌گیرند. این مدل‌ها با آموزش روی داده‌های تکاملی در مقیاس گسترده، دستور زبان تکاملی بلندبرد را فرا می‌گیرند؛ یعنی محدودیت‌های عمیقی را که مشخص می‌کنند ژنوم تا چه اندازه می‌تواند تغییرات توالی را تحمل کند، شناسایی می‌کنند. همچنین می‌توانند اهداف کلی کشاورزی را به طرح‌های مولکولی مشخص تبدیل کنند.
پس از معرفی خانواده‌های مدل‌ها، نویسندگان ۶۷ ابزار مولد شاخص را بررسی می‌کنند و شش حوزه کاربردی مهم را برای طراحی مولکولی محصولات کشاورزی برمی‌شمارند. نخستین حوزه، طراحی هوشمندانه عناصر تنظیم‌کننده ژن است. در این حوزه، پروموترها و تقویت‌کننده‌های مصنوعی به‌گونه‌ای طراحی می‌شوند که تنها در پاسخ به محرک‌های محیطی خاص فعال شوند. برای مثال، برنامه پاسخ به تنش می‌تواند هنگام بروز خشکسالی یا گرما فعال شود، بی‌آنکه در شرایط عادی رشد، کاهش ناخواسته عملکرد محصول را به دنبال داشته باشد.
دومین حوزه، نوآوری در پروتئین‌های دارای عملکرد مشخص است. مدل‌های مولد می‌توانند آنزیم‌های سفارشی طراحی کنند که هدفشان افزایش کارایی فتوسنتز است. همچنین می‌توانند اتصال‌دهنده‌های مصنوعی بسازند که برای خنثی‌کردن عوامل مؤثر بر بیماری‌زایی طراحی شده‌اند؛ مولکول‌هایی که عوامل بیماری‌زا برای مقابله با دفاع گیاه از آن‌ها استفاده می‌کنند.
سه حوزه دیگر، دامنه تولید را فراتر از توالی‌های زیستی گسترش می‌دهند. در طراحی مولکول‌های کوچک، هدف کشف تنظیم‌کننده‌های رشد گیاه و مواد شیمیایی حفاظت از محصول با سازگاری بیشتر با محیط‌زیست است. این رویکرد می‌تواند جایگزینی برای مواد شیمیایی کشاورزی با طیف اثر گسترده فراهم کند و به توسعه ترکیباتی هدفمند بر اساس طراحی عقلانی بینجامد.
حوزه بعدی، بهینه‌سازی ابزارهای ویرایش ژن است. در این زمینه، تولید پروتئین با کمک هوش مصنوعی برای مهندسی نوکلئازهای جدید CRISPR-Cas با دقت بسیار بالا و طراحی RNAهای راهنمای چندگانه متناسب با ژنوم‌های بزرگ و پیچیده محصولات کشاورزی به کار می‌رود. اثرات خارج از هدف و پلی‌پلوئیدی، یعنی وجود بیش از دو مجموعه کروموزومی، از جمله عواملی هستند که فرایند ویرایش ژن در این گیاهان را پیچیده می‌کنند.
پنجمین حوزه، شبیه‌سازی اُمیکس چندگانه در سطح تک‌سلولی است که مسیر توسعه «سلول‌های مجازی هوش مصنوعی» یا AIVCها را هموار می‌کند. این سامانه‌ها می‌توانند واکنش‌های سلولی را به‌صورت رایانه‌ای شبیه‌سازی کنند؛ برای نمونه، رفتار سلول‌های ریشه در شرایط تنش شوری را پیش‌بینی کنند، پیش از آنکه گیاهی در عمل پرورش داده شود.
ششمین حوزه، کشف دانش میان حوزه‌های مختلف است. در این روش، هوش مصنوعی علمی برای بررسی دهه‌ها پژوهش کشاورزی و ایجاد شبکه‌های دانش به‌هم‌پیوسته درباره ژن‌ها و صفات به کار گرفته می‌شود. نتیجه این کار، تبدیل مجموعه‌ای پراکنده از مقالات علمی به نقشه‌ای از روابط زیستی است که می‌توان آن را جست‌وجو و بررسی کرد.
نویسندگان برای تبدیل این پیشرفت‌های سریع به روشی کاربردی در اصلاح نباتات، چارچوب DESIGN را پیشنهاد می‌کنند. این چارچوب، اصلاح مبتنی بر هوش مصنوعی مولد را به شش توانمندی مکمل تقسیم می‌کند. توانمندی «کشف» (Discover) الگوهای عملکردی را از فضاهای گسترده ژنومی و ساختاری استخراج می‌کند. توانمندی «مهندسی» (Engineer) اجزای مولکولی را با درنظرگرفتن محدودیت‌های زیست‌فیزیکی و سلولی به‌صورت هدفمند اصلاح می‌کند.
توانمندی «شبیه‌سازی» (Simulate) عملکرد گزینه‌های پیشنهادی را در محیط‌های مجازی ارزیابی می‌کند تا پیش از ورود آن‌ها به مزرعه، نقاط قوت و ضعفشان مشخص شود. توانمندی «یکپارچه‌سازی» (Integrate) داده‌های اُمیکس چندگانه، اطلاعات محیطی و منابع علمی را در یک نقشه معنایی یکپارچه از زیست‌شناسی گرد هم می‌آورد. توانمندی «تولید» (Generate) نیز عناصر ژنتیکی دارای عملکرد مشخصی ایجاد می‌کند که فراتر از محدوده تنوع طبیعی هستند.
ششمین توانمندی، «پیمایش» (Navigate)، بهینه‌سازی چندهدفه را در فضاهای جست‌وجوی چندبعدی هدایت می‌کند تا بهترین موازنه میان اهداف مختلف پیدا شود. برای مثال، این فرایند می‌تواند به ایجاد تعادل میان مقاومت به خشکی و عملکرد دانه کمک کند؛ مصالحه‌ای که در اصلاح سنتی تنها از طریق تکرار آزمایش‌های پرهزینه و زمان‌بر دنبال می‌شود.
نکته مهم این است که این شش توانمندی در قالب زنجیره‌ای خطی عمل نمی‌کنند، بلکه در یک چرخه بسته و یکپارچه به هم پیوند می‌خورند که نویسندگان آن را LDBT می‌نامند. این عبارت از چهار مرحله یادگیری (Learn)، طراحی (Design)، ساخت (Build) و آزمایش (Test) تشکیل شده است.
داده‌هایی که در هر مرحله آزمایشی تولید می‌شوند، دوباره به مدل بازگردانده می‌شوند تا طرح‌ها به‌صورت تکرارشونده بهینه شوند. به این ترتیب، میان مدل‌سازی رایانه‌ای و اعتبارسنجی تجربی هم‌افزایی مستمر ایجاد می‌شود. مقاله این گردش کار را با طرحی شماتیک برای مهندسی پروموترهای پاسخ‌دهنده به خشکی توضیح می‌دهد؛ پروژه‌ای که در آن داده‌های اُمیکس چندگانه، تولید پروموترهای شرطی، اعتبارسنجی تجربی و بازخورد حاصل از یادگیری فعال با یکدیگر ترکیب می‌شوند تا به کاربردهای اصلاح نباتات کمک کنند.
در این نمونه، هر دور از طراحی پروموترها در آزمایشگاه ساخته و آزمایش می‌شود. سپس نتایج اندازه‌گیری‌شده برای آموزش مجدد مدل مولد به کار می‌روند و مدل بهبودیافته، گزینه‌های مناسب‌تری پیشنهاد می‌دهد. این فرایند به‌طور عملی نشان می‌دهد که اجزای چارچوب DESIGN چگونه می‌توانند در کنار یکدیگر کار کنند.
نویسندگان درباره فاصله میان توانایی‌های نرم‌افزاری و دستاوردهای واقعی در مزرعه نیز صریح هستند. تبدیل هوش مصنوعی مولد به بهبودهای عملی در کشاورزی با موانع قابل‌توجهی روبه‌روست. داده‌های گیاهی همچنان میان مؤسسات مختلف و قالب‌های گوناگون پراکنده‌اند؛ ظرفیت آزمایش‌های گلخانه‌ای محدودیت‌هایی برای تعداد طرح‌هایی ایجاد می‌کند که در هر چرخه می‌توان اعتبارسنجی کرد؛ و تفسیرپذیری مدل‌ها همچنان مسئله‌ای مهم است، به‌ویژه زمانی که اصلاح‌گران باید برای توالی‌های پیشنهادی هوش مصنوعی منابع و سرمایه اختصاص دهند. مقاله همچنین تأکید می‌کند که هوش مصنوعی جایگزین اصلاح‌گران نباتات نخواهد شد.
به باور نویسندگان، موفقیت در آینده به همکاری نزدیک انسان و هوش مصنوعی بستگی دارد. اصلاح‌گران باید اهداف راهبردی را تعیین کنند و با تکیه بر قضاوت تخصصی کشاورزی تصمیم بگیرند، درحالی‌که هوش مصنوعی پیچیدگی‌های مولکولی را در مقیاسی بررسی می‌کند که جست‌وجو در آن از توان انسان فراتر است. تحقق وعده‌های اصلاح نباتات ۵.۰ به تکمیل همین چرخه بازخورد وابسته خواهد بود: داده‌های مشترک و غنی‌تر، اعتبارسنجی با ظرفیت بالاتر و مدل‌هایی که فرایند استدلال آن‌ها برای اصلاح‌گران قابل بررسی و اعتماد باشد.
اگر چرخه یادگیری، طراحی، ساخت و آزمایش به بلوغ برسد، به پیشنهاد نویسندگان، ممکن است فرایند توسعه ارقام جدید که در کشاورزی مدرن معمولاً یک دهه یا بیشتر طول می‌کشد، به چرخه‌ای طراحی‌محور تبدیل شود؛ چرخه‌ای که در آن رقم بعدی مدت‌ها پیش از کاشت، به‌صورت رایانه‌ای طراحی، آزمایش و اصلاح شده است.
موضوع پژوهش: کاربردهای هوش مصنوعی مولد در طراحی مولکولی و اصلاح محصولات کشاورزی
عنوان مقاله: از انتخاب طبیعی تا طراحی از نو: هوش مصنوعی مولد، آغازگر «اصلاح نباتات ۵.۰» در محصولات کشاورزی است.
منبع مقاله: From natural selection to de novo design: Generative AI ushers in "Breeding 5.0" for crops. انتشار اولیه مقاله (جزئیات کتاب‌شناختی در دسترس نیست.)
اعتبار تصویر: تولیدشده با هوش مصنوعی
شناسه DOI: ارائه نشده است.
کلیدواژه‌ها: هوش مصنوعی مولد، اصلاح محصولات کشاورزی، اصلاح نباتات ۵.۰، چارچوب DESIGN، مدل‌های انتشار، مدل‌های زبانی بزرگ، CRISPR-Cas، عناصر تنظیم‌کننده ژن، سلول‌های مجازی هوش مصنوعی، مهندسی پروتئین، Science China Life Sciences، انتخاب طبیعی