تأسيس عملاء الذكاء الاصطناعي على الواقع البيولوجي: وحدات بنائية لمختبرات رطبة ذاتية التشغيل

تأسيس عملاء الذكاء الاصطناعي على الواقع البيولوجي: وحدات بنائية لمختبرات الروبوتات المستقلة

يتطور تقاطع الذكاء الاصطناعي والبحث البيولوجي من مجرد أفكار نظرية إلى تنفيذ عملي. تعمل Google Research على تطوير هذا المجال من خلال تأسيس عملاء الذكاء الاصطناعي على الواقع البيولوجي، بهدف التنقل في البيئات البيولوجية المعقدة باستخدام روبوتات المختبرات الفعلية. تتمثل الرؤية طويلة الأمد في أن عملاء الذكاء الاصطناعي لن يقتصروا على التفكير والتحليل فحسب، بل سيقومون أيضًا بإجراء تجارب مختبرية لاختبار الفرضيات والتعلم من النتائج وتحسين أنفسهم لحل المشكلات المعقدة، وكل ذلك تحت قيادة الجهود العلمية البشرية.

سد الفجوة باستخدام إطار VERID

إحدى التحديات الرئيسية في تحقيق مختبرات روبوتات مستقلة هي أن النماذج المتقدمة غالبًا ما لا تستطيع التفكير بشكل موثوق في الهندسة ثلاثية الأبعاد والحالات الفيزيائية. يشكل هذا القيد مشاكل كبيرة أمام أتمتة الروبوتات المتخصصة في التعامل مع السوائل، والتي يجب عليها تحريك المواد الكيميائية وتتبع الكميات وتنفيذ بروتوكولات علم الأحياء الجزيئي. لمعالجة ذلك، طورت Google Research إطار VERified Infrastructure for Discovery Laboratories (VERID).

يعمل VERID كنسخة رقمية دلالية لخلية العمل في المختبر. إنه شجرة كمية حية تحتوي على حالات مختلفة 3D، وتتتبع كل شيء بدءًا من هندسة الذراع الروبوتية وصولًا إلى كميات كل حاوية على حدة وهويات المواد الكيميائية ومخزون رؤوس القياس. وفقًا لـ Google Research، يعتمد أمان أي أمر على هذا السياق الفيزيائي الحي بالإضافة إلى الكود نفسه. قد ينتج العميل كودًا صحيحًا من الناحية النحوية لكنه غير ممكن من الناحية الفيزيائية أو غير صالح من الناحية اللوجستية، أو يعاني من مشاكل علمية بسبب تأثيرات سائلية غير مدروسة.

يعتمد VERID على إطار PyLabRobot مفتوح المصدر، ويوفر أربع قدرات أساسية لسد الفجوة بين التفكير عالي المستوى والواقع الفيزيائي:

• تتبع حالة 3D في الوقت الفعلي: يسمح للعوامل بفحص تخطيط الرفوف وأحجام الآبار والنصائح المتاحة قبل التدخل.
• تجارب افتراضية سريعة: يحاكي البروتوكولات في ثوانٍ للكشف عن التصادمات أو الآبار الفارغة قبل استخدام المواد الكيميائية.
• فحوصات سلامة الأجهزة: يحظر الأوامر غير الصالحة قبل وصولها إلى الروبوت.
• سجلات الفيديو والإجراءات المتزامنة: تسجل سجلاً كاملاً لكل تجربة من أجل الدقة في البحث وإمكانية التكرار وإصلاح الأخطاء.

تُظهر أبحاث جوجل هذه القدرات من خلال دراسات حالة محددة. في إحدى الحالات، ساعدت سجلات الفيديو وتتبعات التنفيذ المتزامنة في تحديد تدرج غير متساوٍ للصبغة ناتج عن الرش القريب جداً من قاع البئر، مما سمح للعامل بتحسين استراتيجيته في الخلط. علاوة على ذلك، سمحت حالة النسخة الرقمية المستمرة للعامل باستئناف التجربة منتصفها بعد فشل جهاز قراءة الألواح دون الحاجة إلى إعادة القياس. في سيناريو آخر، عندما رفض المحاكي طلب استخلاص من قناة 8 لا يمكن أن يتناسب فعلياً مع أخدود ضيق، قام العامل بإعادة التخطيط على الفور. أدى ذلك إلى تشخيص هادف استطاع عزل تحيز دقيق ناتج عن بقايا من جدار النصيحة، وهو نمط فشل كان من الممكن أن يُغفله التكرار وحده.

في حملة للتجربة الذاتية ذات الحلقة المغلقة، صمم عامل تجارب روبوتية متكررة لإعادة تكوين خلائط الصبغة المجهولة من صور الكاميرا الموجودة فوق الرفوف. ومن خلال تحديد العيوب البصرية والسائلية الخاصة به عبر التجارب، تحسنت دقة العامل أكثر من خمس مرات. تشير أبحاث جوجل إلى أن التنفيذ المتكرر وسجلات التتبع الكاملة — التي تسجل متغيرات إجرائية مثل أوقات البقاء والتبخر وتخطيط الألواح — تمهد الطريق للعوامل لفصل الإشارات البيولوجية عن الضوضاء التجريبية في النهاية.

الأبتامرات كبيئة اختبار للاكتشاف في المختبر ذو الحلقة المغلقة

في حين تتولى أداة VERID التنفيذ الفعلي، يحتاج العوامل إلى قراءات تجريبية حقيقية لتحسين فرضياتهم، لأن النماذج الحسابية لا يمكنها التقاط الصورة الكاملة لتفاعلات المختبرات الرطبة. لتصميم هذا النظام ذو الحلقة المغلقة، استخدمت أبحاث جوجل أبتامرات من الحمض النووي التي ترتبط بالبروتينات.

في المشروع المسمى "أبتامرات كبيئة اختبار لاكتشاف الجزيئات التفاعلية داخل المختبر"، يقوم العوامل بتصميم وتخليق واختيار وتسلسل الأبتامرات بشكل متكرر عبر ثلاث دورات من التصميم والاختبار والتكرار. تستغرق دورة تصميم واختبار وتحليل الأبتامرات الكاملة فقط 7–10 يومًا، حيث يمكن تخليق الحمض النووي كيميائيًا في مكتبات مشتركة وقراءته مباشرة عبر التسلسل.

تُظهر أبحاث جوجل تحسينات كبيرة على مدار ثلاث جولات لهدفين بروتينيين ذوي مستويات صعوبة مختلفة: الميوغلوبين وα-ثرومبين.

• α-ثرومبين: في الجولة 1، كانت الكمية المحصلة من الروابط 0% لأن الزوائد الثابتة في البرايمرات أعاقت عملية الطي في 48% من التسلسلات. بعد أن أدخل العوامل سيقانًا جانبية مثبتة في الجولة 2 وقاموا بتنويعها في الجولة 3، ارتفعت معدلات النجاح إلى 26.0% ثم إلى 42.1% مع دقة 98.5%.
• الميوغلوبين: في الجولة 2، أعطى العوامل الأولوية للقوة الأساسية للارتباط، مما أدى إلى تعزيز أنماط G-كوادربلكس بشكل كبير (63% من التصاميم). على الرغم من زيادة عملية السحب الأساسية، أظهرت بيانات المختبر الحقيقي أن معظم هذه الروابط كانت روابط "لزجة" غير محددة تلتصق ببروتينات خارج الهدف وبالحبيبات المغناطيسية العارية. أدى هذا إلى انخفاض دقة الهدف من 75.0% إلى 19.1%، كما انخفضت معدلات النجاح الحقيقية بعد تصحيح الحبيبات من 10.2% إلى 3.7%.. بعد إدراك هذه المشكلة، قام العوامل بتعديل قواعد التصميم الخاصة بهم تلقائيًا في الجولة 3، عن طريق تقييد الأنماط المتسربة وإزالة الروابط مع الحبيبات والتحول إلى هياكل non-G4. أدى هذا التحسن إلى دقة بلغت 72.4% وزيادة في معدلات النجاح على الهدف بمقدار تسعة أضعاف لتصل إلى 33.5%..

تُبرز أبحاث جوجل أن العوامل، على مدار ثلاث جولات، تتعلم من نتائج المختبر الحقيقي لاستعادة دقة الهدف وتحسين معدلات النجاح المؤكدة. كما يبحث الدراسة في كيفية تفكير العوامل مثل العلماء، من خلال تحليل البيانات واقتراح تعديلات على بروتوكولات المختبر الحقيقي، وأحيانًا استكشاف فضاءات التسلسل التي قد لا يستكشفها علماء البيولوجيا الهيكلية.

تسريع تصميم روابط البروتينات من الصفر

إن إنهاء دورة تطوير البروتينات أكثر تعقيدًا مقارنة بالأبتامرات. على عكس الأبتامرات المُصنعة كيميائيًا، يجب تصنيع البروتينات بشكل بيولوجي، مما يضيف خطوات اختيار وتعبير وطي في الخلايا أو خارجها. وهذا يخلق عقبات سواء في الجانب الحسابي أو في المختبرات التقليدية.

طبّق فريق بحث جوجل منهجيته على بروتين تنشيط الفيبروبلاست ألفا (FAP)، وهو مستقبل كبير ومعقد يُفرز بكميات كبيرة في الأورام الصلبة. وفي عدد قليل من التجارب، أنتجت أفضل التصاميم روابط ذات قوة ترابط نانومولارية بأرقام منفردة. يذكر فريق بحث جوجل أن هذا المستوى من الارتباط القوي المشابه للأدوية يتحقق عادةً فقط بعد جولات مكثفة من التحسين في المختبر.

يسرّع المسار الحسابي توقع البنية 8.6x عن طريق استئصال جيب الترابط المحلي فقط أثناء عملية الطي. يتيح هذا النهج وجود مسار هجين بين الإنسان والعوامل الآلية، مما يضاعف تقريبًا معدل النجاح في الحسابات المعملية مقارنة بالعالم الذي يعمل بمفرده. ولتوسيع عمليات الفحص في المختبرات التقليدية، استخدم الفريق تقنية عرض سطح الخميرة مع تصنيف الخلايا بالفلورسنت (FACS)، مما سمح لهم بفحص مكتبات كبيرة من البروتينات المعدلة بشكل متوازٍ باستخدام الفلورسنت.

السلامة والاتجاهات المستقبلية

تماشيًا مع إطار عمل جوجل للسلامة المتقدمة ونهجها في تعزيز المرونة البيولوجية، تم وضع ضوابط أمان في كلا المسارين الحسابي والمختبري. اختار فريق بحث جوجل عمدًا أنظمة بيولوجية خاضعة للرقابة الصارمة وغير معدية، دون أي مخاطر تتعلق بزيادة الوظائف، كبيئات اختبار لتقييم سلوك العوامل الآلية والكشف عن أي انحرافات مبكرًا. يخضع كل تسلسل مصمم لفحص الأمان البيولوجي.

الخطوة التالية المباشرة تتضمن دمج هذه العناصر معًا، من خلال الجمع بين الأتمتة القابلة للتتبع الكامل في نظام VERID مع التعلم ضمن دورة مغلقة لاكتشاف البروتينات. يهدف هذا الدمج إلى تمكين العوامل الآلية من التنقل مباشرة في مساحات بحث بيولوجية معقدة وصعبة في المختبرات التقليدية. من خلال المحاكاة قبل التنفيذ، لا ترسل العوامل الآلية أبدًا كودًا غير مُدقق مباشرة إلى روبوتات التعامل مع السوائل؛ فكل بروتوكول يتم تجربته أولاً في المحاكاة والتحقق منه ضد النسخة الرقمية قبل اتخاذ أي إجراء فعلي.

نظرًا لتأسيس عملاء الذكاء الاصطناعي على الواقع البيولوجي، تقوم مختبرات جوجل للبحث بإنشاء اللبنات الأساسية للمختبرات المستقلة، متجهة نحو مستقبل يمكن فيه للذكاء الاصطناعي التنقل بذكاء في مساحات بحث تركيبية واسعة وتسريع اكتشاف الأدوية.

المصدر:

• تأسيس عملاء الذكاء الاصطناعي على الواقع البيولوجي: اللبنات الأساسية للمختبرات المستقلة — مختبرات جوجل للبحث — https://research.google/blog/grounding-ai-agents-in-biological-reality-building-blocks-for-autonomous-wet-labs