هوش مصنوعی برای آلزایمر

بیماری آلزایمر یکی از دشوارترین مشکلات حل‌نشده در پزشکی و یکی از ویرانگرترین آن‌ها است. میلیون‌ها نفر را می‌کشد، بار سنگینی بر دوش خانواده‌ها می‌گذارد و هنوز هم در برابر بخش زیادی از توانایی‌های پزشکی امروز مقاومت می‌کند. در بنیاد OpenAI، ما می‌خواهیم با استفاده از هوش مصنوعی پیشرفته، علم پیشگیری و درمان این بیماری را تسریع کنیم و این وضعیت را تغییر دهیم.^1⁠ به‌عنوان نخستین گام، ما در حال نهایی‌سازی بیش از ۱۰۰ میلیون دلار کمک‌هزینه در این ماه، در شش مؤسسه پژوهشی هستیم تا از پژوهش‌های آلزایمر حمایت کنیم و به تسریع آن‌ها کمک نماییم—از طریق تولید داده‌های جدید، کمک به طراحی داروهای جدید و گسترش مسیرهای ممکن برای درمان.

این کمک‌هزینه‌ها آغاز کار ما هستند؛ هنوز کارهای بسیار بیشتری وجود دارد که انجام دهیم. ما انتظار داریم در سراسر سال ۲۰۲۶ و پس از آن نیز، کمک‌هزینه‌های پژوهشی بیشتری در حوزه آلزایمر به دانشمندان و مؤسسات پژوهشی بیشتری اعطا کنیم تا بتوانیم با همکاری یکدیگر سرانجام از بیماری آلزایمر پیشگیری کنیم و آن را درمان کنیم.

چرا باید بر آلزایمر تمرکز کرد؟

ماموریت ما این است که اطمینان حاصل کنیم AGI (هوش عمومی مصنوعی) به نفع تمام بشریت عمل می‌کند. آلزایمر یک مشکل بزرگ است، با پیرتر شدن جمعیت‌ها، این مشکل وخیم‌تر می‌شود و پیچیدگی این بیماری نیز آن را به گزینه‌ای مناسب برای هوش مصنوعی تبدیل می‌کند.

آلزایمر نه‌تنها میلیون‌ها نفری را که به این بیماری مبتلا تشخیص داده می‌شوند، بلکه همسران، فرزندان و دیگر مراقبانی را نیز که از آن‌ها حمایت می‌کنند، تحت تأثیر قرار می‌دهد. این بیماری فشار عاطفی و مالی بسیار زیادی را بر خانواده‌ها وارد می‌کند.

بشریت در چند دههٔ گذشته در مقابله با سه مورد از چهار عامل اصلی مرگ‌ومیر—بیماری‌های قلبی، بیماری‌های عفونی و برخی سرطان‌ها—پیشرفت کرده و خطر مرگ را در هر سن‌وسالی کاهش داده است:

با این حال، توسعه درمان‌های مؤثر برای چهارمین عامل بزرگ مرگ‌ومیر—بیماری‌های تحلیل‌برنده عصبی، مانند آلزایمر—تاکنون، با وجود تلاش‌های برجسته‌ترین دانشمندان جهان، تا حد زیادی حل‌ناشدنی بوده است:

این به این دلیل است که به نظر نمی‌رسد آلزایمر ناشی از یک علت واحد باشد، بلکه نتیجه تعامل عوامل خطر ژنتیکی، بدشکلی پروتئین‌ها، التهاب، اختلال عملکرد سیناپسی و موارد دیگر است—که در طول دهه‌ها با عوامل محیطی تعامل دارند و همگی در مغز رخ می‌دهند؛ اندامی که مطالعه آن و رساندن دارو به آن دشوار است. رویکردهای سنتی پژوهش در درک این موضوع با دشواری مواجه بوده‌اند.

هوش مصنوعی به‌طور منحصربه‌فردی برای مواجهه با این پیچیدگی مناسب است. توانایی آن در استدلال بر انواع مختلف داده‌ها—از جمله علائم بالینی بیماران، نشانگرهای زیستی بیماری، غربالگری نامزدهای دارویی و موارد دیگر—روشی اساساً نوین برای درک نحوهٔ تعامل این عوامل، شناسایی اهداف دارویی مناسب و تشخیص خطرات قابل اقدام برای بیماران، دهه‌ها زودتر، ارائه می‌دهد.

هدف ما این است که به دانشمندان کمک کنیم ابزارهای جدیدی ابداع کنند تا در نهایت از آلزایمر پیشگیری کرده و آن را درمان کنند. از آنجا که دستیابی به آن هدف تا امروز بسیار دشوار بوده است، ما آن را آزمونی روشن برای توانایی هوش مصنوعی در تغییر مرزهای ممکن در سلامت انسان می‌دانیم. ما می‌خواهیم برای افرادی که در معرض خطر آلزایمر هستند و خانواده‌هایشان تغییری معنادار ایجاد کنیم.

رویکرد اولیه ما

ما از حمایتی که از داوران علمی بیرونی برای شکل‌دهی به راهبردهای اولیه‌مان دریافت کرده‌ایم، سپاسگزاریم. در حالی که درباره هر یک از این حوزه‌های کمک‌رسانی بسیار مشتاق و امیدوار هستیم، انتظار نداریم هدف ما برای پیشگیری و درمان آلزایمر یک‌باره محقق شود. برخی از آزمایش‌ها به نتایج منفی منجر خواهند شد، و در این مسیر موانعی نیز پیش خواهد آمد. این ماهیت علم است—و ما نیز تا حد امکان سریع یاد خواهیم گرفت و هم‌زمان با دریافت نتایج، رویکردمان را به‌روزر خواهیم کرد.

برای شروع، ما فرضیه‌های اولیه‌ای درباره این داریم که چگونه می‌توانیم به شکلی مکملِ تلاش‌های موجود از اکوسیستم پژوهشی حمایت کنیم و از قابلیت‌هایی که اکنون با هوش مصنوعی ممکن شده‌اند بهره ببریم. در مجموع، این امر یک «پشتهٔ پنج‌لایه» از فعالیت‌ها را در مؤسسه‌های پژوهشی پیشرو ایجاد می‌کند:

۱. ایجاد یک «نقشه علّی» از بیماری آلزایمر با استفاده از هوش مصنوعی برای اعتبارسنجی اهداف مداخله‌ای. اکنون به نظر می‌رسد روشن است که عوامل مؤثر در بروز آلزایمر متعددند، نه فقط یک عامل. این بدان معناست که باید شبکه کامل عوامل علّی را ترسیم کنیم تا مؤثرترین گره‌ها را برای مداخله درمانی در افراد مختلف مشخص کنیم. ما با همکاری پژوهشگرانِ فعال در پیشرو هوش مصنوعی در زیست‌شناسی، مانند مؤسسه Arc⁠، در پی آن هستیم که درک کنیم ارگانوئیدهای مغزی «مدل» به ترکیب‌های مختلفی از عوامل خطر ژنتیکی و محیطی چگونه واکنش نشان می‌دهند. چنین داده‌های آزمایشی در مقیاس بزرگ می‌توانند برای آموزش مدل‌های هوش مصنوعی که به هدایت آزمایش‌های آینده کمک می‌کنند، استفاده شوند. با این موتور ترکیبی، پژوهشگران می‌توانند در این مسیر یافته‌های خود را به اشتراک بگذارند تا دیگران بر پایهٔ آن پیش بروند، و اهداف داروییِ با پشتوانهٔ مکانیزمی را برای آزمایش‌های بیشتر معرفی کنند.

آلزایمر تا حدی به این دلیل در برابر درمان مقاوم بوده است که نمونهٔ بارز یک بیماری پیچیده است. این نتیجهٔ تعامل صدها عامل خطر ژنتیکی و محیطی است که در انواع سلول‌ها در طول چندین دهه با یکدیگر تعامل می‌کنند. در Arc، در حال توسعه فناوری‌های آزمایشی و محاسباتی هستیم تا واقعاً آن تعاملات را در مقیاس گسترده ترسیم کنیم.

—دکتر Patrick Hsu، هم‌بنیان‌گذار و پژوهشگر اصلی Arc Institute

ما می‌خواهیم اغتشاش‌هایی پیدا کنیم که بتوانند با کلیک کردن و کشیدن، یک سلول را از حالت بیمار به حالت سالم بازگردانند. برای انجام این کار، ما یک چرخهٔ یادگیری فعال را اجرا می‌کنیم: مدل‌های بافت انسانی را با هدایت داده‌های بیماران به‌صورت نظام‌مند دست‌کاری می‌کنیم، آنچه رخ می‌دهد را اندازه‌گیری می‌کنیم، و از نتایج برای بهبودِ تکرارشوندهٔ مدل‌های هوش مصنوعیِ خود از بیماری آلزایمر استفاده می‌کنیم. هر چرخه به ما تصویری علّی روشن‌تر و دقیق‌تر از این می‌دهد که مسیرهای بیماری در کجا به هم می‌رسند و در کجا باید مداخله کرد.

—دکتر Silvana Konermann، هم‌بنیان‌گذار و مدیر اجرایی Arc Institute

۲. طراحی داروهای جدید با کمک هوش مصنوعی و آزمایش آن‌ها در آزمایشگاه – با همکاری نهادهایی مانند Institute for Protein Design⁠ و در کنار متخصصان برجسته‌ی مغز و اعصاب و علوم اعصاب در دیگر مؤسسه‌های پژوهشی. از سال ۲۰۰۰ تاکنون، بیش از ۱۰۰ داروی آلزایمر در کارآزمایی‌های بالینی آزمایش شده‌اند، اما تقریباً همه آن‌ها یا مؤثر نبودند یا عوارض جانبی ناخواسته داشتند. ما باور داریم که مولکول‌هایی که با کمک ابزارهای زیست‌شناسیِ هوش مصنوعی طراحی شده‌اند، به‌مرور زمان احتمال موفقیت بالاتری خواهند داشت. اما برای تعیین اینکه آیا این موضوع درست است یا نه، محققان ابتدا باید بتوانند ساخته‌های دیجیتال خود را در سلول‌ها، بافت‌ها و حیوانات اعتبارسنجی کنند.

ما در مؤسسه طراحی پروتئینِ بخش پزشکی دانشگاه واشینگتن (UW Medicine Institute for Protein Design) متعهد هستیم که فرایندهای مشارکتی‌ای ایجاد کنیم که بر بیشترین تأثیر مثبت بر رفاه جهانی متمرکز باشند. با استفاده از جدیدترین مدل‌های طراحی پروتئین مبتنی بر هوش مصنوعی، مولکول‌هایی را با موفقیت مهندسی کرده‌ایم که اهداف حیاتی در پیشرفت بیماری آلزایمر را شناسایی، اصلاح و تجزیه می‌کنند. گسترش، بهبود و به‌اشتراک‌گذاری این جعبه‌ابزار با علوم اعصاب‌پژوهانی که می‌توانند از پروتئین‌های طراحی‌شدهٔ ما برای پیش‌بینی و رفع تخریب عصبی استفاده کنند، از اولویت‌های اصلی ما است.

—دکتر David Baker، برندهٔ جایزهٔ نوبل و مدیر مؤسسهٔ طراحی پروتئین در دانشگاه واشنگتن

۳. حمایت از مجموعه‌داده‌های باز برای پیش‌بینی فعالیت دارو و ترسیم سیر پیشرفت بیماری با مداخله و بدون مداخله. این شامل ایجاد مجموعه‌داده‌های باز جدیدِ مرتبط با آلزایمر با همکاری سازمان‌های غیرانتفاعی‌ای مانند EvE Bio⁠ نیز می‌شود. این همچنین شامل حمایت از گسترش مجموعه‌داده‌های طولی و اپیدمیولوژیک موجود و نیز فرصت‌هایی برای دسترس‌پذیر کردن مسئولانهٔ مجموعه‌داده‌های موجودی است که توسط شرکت‌های زیست‌تکنولوژی گردآوری شده‌اند و ممکن است برای همهٔ پژوهشگران سودمند باشند.

۴. ایجاد نشانگرهای زیستی جدید برای بیماری‌ها، با هدف بهبود تشخیص و نحوه اجرای کارآزمایی‌های بالینی، با همکارانی مانند UCSF. تأیید نخستین آزمایش خون آلزایمر در سال گذشته⁠ ابزارهای بیشتری را در اختیار پزشکان متخصص قرار می‌دهد تا وضعیت بیمار را با تهاجم کمتر ارزیابی کنند. خون و دیگر نشانگرهای زیستی همچنین به محققان این امکان را می‌دهند که در کارآزمایی‌های بالینی، اثر احتمالی داروها بر پیشرفت بیماری را اندازه‌گیری کنند؛ از جمله به‌عنوان سنجش‌های ثانویه در کارآزمایی‌هایی که در درجه اول بیماری دیگری را هدف قرار می‌دهند (همان‌طور که در این کارآزمایی اخیر⁠ درباره بیماری‌های قلبی‌عروقی نشان داده شده است). اکنون که هوش مصنوعی می‌تواند سیگنال‌های زیستی پیچیده‌تر را تفسیر کند، فرصت‌های بیشتری برای پیشرفت با استفاده از پروتئومیکس مدرن و سایر روش‌های نمونه‌برداری از بیماران فراهم شده است.

آلزایمر همچنان یکی از فوری‌ترین چالش‌ها در پزشکی است، و پیشرفت به پیوند دادن دستاوردهای علمی با مراقبت از بیماران‌مان بستگی دارد. این همکاری به ما امکان می‌دهد تلاش‌های پیشرو در سطح جهانی—از پیشرفت‌ها در طراحی پروتئین گرفته تا بینش‌های عمیق بالینی و زیستی در UCSF (دانشگاه کالیفرنیا، سان‌فرانسیسکو)—را به هم متصل کنیم تا درک بهتری از بیماری به‌دست آوریم و مسیرهای جدیدی برای درمان شناسایی کنیم. با کمک هوش مصنوعی برای یکپارچه‌سازی این بینش‌ها و استخراج معنا از این پیچیدگی عظیم، این فرصت را داریم که فرایند کشف‌ها را تسریع کنیم؛ کشف‌هایی که می‌توانند به‌طور معناداری زندگی بیماران را تغییر دهند.

—S. Andrew Josephson، پزشک، استاد و رئیس بخش نورولوژی در UCSF و مؤسسهٔ علوم اعصاب Weill در UCSF

۵. درمان‌های خارج از حق ثبت اختراع را آزمایش کنید و از هوش مصنوعی استفاده کنید تا بهترین درک را از داده‌های ناشناس‌سازی‌شده بیماران و تجربه‌های گزارش‌شده آنلاین به دست آورید. تعدادی مداخله وجود دارد که شواهدی حاکی از وجود اثر در آنها دیده می‌شود—برای مثال، لیتیوم اوروتات⁠ و واکسن زونا⁠خارج از انحصار—اما در آنها همچنان به شواهد بیشتر و باکیفیت‌تری نیاز است و بخش خصوصی انگیزه‌ای برای پرداخت هزینهٔ کارآزمایی‌های بالینی ندارد.

امید من این است که توانایی اوروتات لیتیوم با دوز فیزیولوژیک در معکوس کردن آسیب‌شناسی و بازگرداندن حافظه در مدل‌های موشی بیماری آلزایمر، به جمعیت انسانی سالمند نیز تعمیم یابد. لیتیوم همان چیزی است که نیروی گوشی‌ها، لپ‌تاپ‌ها و خودروهای برقی ما را تأمین می‌کند. حدس من این است که مغز ممکن است پیش از ما از الکتروشیمی منحصربه‌فرد خود استفاده کرده باشد.

—دکتر Bruce Yankner، پزشک، دکترا، استاد ژنتیک و نورولوژی در دانشکده پزشکی هاروارد و هم‌مدیر مرکز گلن هاروارد برای پژوهش زیست‌شناسی پیری

یادگیری تکرارشونده

ما به‌طور هم‌زمان در هر پنج مورد پیش خواهیم رفت تا مکمل سایر تلاش‌ها در اکوسیستم پژوهشی باشد. ما انتظار داریم با دریافت بازخورد بیشتر از جامعهٔ پژوهشی، به رویکردهای فعلی‌مان بیفزاییم تا با هم دریابیم چگونه می‌توان از آلزایمر پیشگیری و آن را درمان کرد.

با مقابله مستقیم با آلزایمر، هدف ما نه‌تنها کمک به تغییر مسیر این بیماری است، بلکه ایجاد ابزارها و دانشی نیز هست که بتواند پیشرفت در مقابله با بسیاری از بیماری‌های دیگر را تسریع کند.

* * *

اگر مایل به دریافت به‌روزرسانی‌های بنیاد OpenAI هستید، لطفاً از اینجا⁠ مشترک شوید. اگر می‌خواهید با تیم علوم زیستی و درمان بیماری‌های ما تماس بگیرید، نشانی ما [email protected]⁠ است.

علاوه بر مقالات دانشگاهی، ما با قدردانی گزارش‌ها، مقالات بلند، و پست‌های وبلاگ درباره هوش مصنوعی و علم را نیز می‌خوانیم. هرچند با همه ادعاهای مطرح‌شده در این مطالب موافق نیستیم، این موارد شامل این گزارش آکادمی‌های ملی⁠، این مقاله مروری درباره خط لوله داروهای آلزایمر⁠، جمع‌بندی‌های کلی از پیشرفت‌های پزشکی مانند این مطلب درباره نرخ مرگ‌ومیر ناشی از بیماری‌های قلبی‌عروقی⁠، این پست وبلاگ Science ⁠ درباره دشواری‌های پیشرفت هوش مصنوعی در پزشکی و این ایده درباره داده‌های بالینی از IFP⁠ هستند.

از شما خواهشمندیم که تحلیل‌های خود را به‌صورت عمومی منتشر کنید و اگر فکر می‌کنید این دیدگاه می‌تواند برای ما مفید باشد، لینک آن را برای ما ایمیل کنید.