‏آیا چت‌جی‌پی‌تی واقعاً سرطان سگ را درمان کرد؟ پیچیده است.

داستان واکسن سرطان سگ با کمک هوش مصنوعی

گرگ براکمن، هم‌بنیان‌گذار OpenAI، داستانی را که به‌طور گسترده‌ای به اشتراک گذاشته شده بود، در آخر هفته منتشر کرد که در مورد سگی که با واکسن سرطان mRNA شخصی‌سازی‌شده درمان شده بود و با کمک ChatGPT توسعه یافته بود، توجه زیادی را در سراسر جوامع فناوری و هوش مصنوعی به خود جلب کرد.

این پرونده حول محور رزی، یک سگ شار پی هفت ساله است که متعلق به پل کانینگهام، مشاور هوش مصنوعی استرالیایی است.

بر اساس پست‌هایی که به‌صورت آنلاین منتشر شده‌اند، به رزی تنها چند ماه فرصت زندگی داده شده بود، قبل از اینکه تحت درمان آزمایشی قرار گیرد، که کانینگهام گفت با کمک چت‌بات هوش مصنوعی توسعه یافته است.

کانینگهام در یک رشته توییت در نوامبر ۲۰۲۴ که این سفر را از ابتدا مستند کرد، نوشت: «در سال ۲۰۲۲، متوجه توده‌های عجیبی روی سرش شدم. آنچه دامپزشک «فقط زگیل» می‌دانست، در نهایت به سرطان مرحله آخر تبدیل شد.» دامپزشکان تخمین زدند که رزی بین یک تا شش ماه فرصت دارد و به کانینگهام گفتند که دیگر کاری از دستشان برنمی‌آید.

این گزارش پس از آنکه براکمن آن را با صدها هزار دنبال‌کننده خود به اشتراک گذاشت، به سرعت گسترش یافت و باعث پوشش خبری در چندین رسانه فناوری شد.

در حالی که خود درمان معتبر به نظر می‌رسد، نقش ChatGPT در توسعه واکسن مورد بحث قرار گرفته است و برخی از محققان در مورد اینکه چه مقدار از این فرآیند می‌تواند به‌طور واقع‌بینانه توسط یک مدل زبانی بزرگ انجام شود، سؤالاتی را مطرح کرده‌اند.

کانینگهام گفت که از رزی دست نکشیده است. در عوض، او تصمیم گرفت یک خط لوله تحقیقاتی از ابزارهای هوش مصنوعی مصرف‌کننده بسازد. او با ChatGPT شروع کرد و از آن برای طراحی یک برنامه حمله استفاده کرد.

این مدل به او گفت که به توالی‌یابی ژنومی، یک نمونه از بافت سالم و یک نمونه از تومور نیاز دارد و او را به سمت مؤسسات و تجهیزات خاصی هدایت کرد.

او در آن زمان نوشت: «طنزآمیزترین چیز این است که در یک جلسه چت قبلی با ChatGPT، این چت‌بات گفت که باید سعی کنم با الیتا یا دکتر مارتین تماس بگیرم و باید از دستگاه Illumina استفاده کنم.»

بنابراین او این مسیر را دنبال کرد.

یک مدیر در UNSW او را به دکتر مارتین اسمیت، رئیس مرکز ژنومیک راماکیوتی متصل کرد که موافقت کرد ژنوم رزی را با حدود ۳۰۰۰ دلار توالی‌یابی کند.

ده روز. عمق سی برابری در بافت سالم، ۶۰ برابر در تومور: نرخ عبور بالاتر برای جداسازی جهش‌های ایجادکننده سرطان مورد نیاز بود. این مرکز ۳۲۰ گیگابایت داده خام را برگرداند.

دانشگاه نیو ساوت ولز در ژوئن سال گذشته گزارش داد که اطلاعات ژنومی در رشته‌هایی از حروف A، T، C و G بیان می‌شود، بنابراین متخصصان اساساً به یک دسته از ۷۰۰۰۰۰ صفحه دو رو که فقط از آن چهار حرف تشکیل شده بود، رسیدند. این ژنوم رزی، اثر انگشت بیولوژیکی او بود.

سپس او بر روی c-KIT تمرکز کرد، پروتئینی که در مقالات منتشر شده در مورد تومورهای سلول ماست در سگ‌ها به خوبی مستند شده است.

او با استفاده از AlphaFold گوگل، نسخه رزی از این پروتئین را مدل‌سازی کرد و آن را با خط پایه سالم مقایسه کرد. به نظر می‌رسید که اشتباه است، به روش‌هایی جهش یافته که با آنچه در مقالات پیش‌بینی شده بود مطابقت داشت. سپس او به دنبال ترکیباتی موجود گشت که ممکن است به c-KIT یا پروتئین‌های مشابه آن حمله کنند و یکی را پیدا کرد: دارویی که در حال حاضر در ایالات متحده برای درمان سرطان دیگری در انسان استفاده می‌شود.

کانینگهام روز شنبه به برنامه استرالیایی Today Show گفت: «ما تومور او را برداشتیم، DNA را توالی‌یابی کردیم، آن را از بافت به داده تبدیل کردیم و از آن برای یافتن مشکل در DNA او استفاده کردیم و سپس درمانی بر اساس آن ایجاد کردیم. ChatGPT در سراسر این فرآیند به ما کمک کرد.»

با این وجود، فاصله زیادی بین یافتن درمان سرطان توسط ChatGPT و کمک ChatGPT در تحقیقات وجود دارد.

کانینگهام در نهایت با پروفسور پالی توردسون، مدیر مؤسسه RNA UNSW ارتباط برقرار کرد. کانینگهام در یک پست نوشت: «پروفسور اسمیت توالی‌یابی DNA/RNA را برای تبدیل بافت رزی به داده‌های خام انجام داد. پروفسور توردسون واکسن mRNA را مونتاژ کرد.» او در توییت دیگری افزود.

توردسون این موضوع را در رشته توییت‌های خود تأیید کرد: «افتخار می‌کنم که با UNSWRNA درگیر بوده‌ام و mRNA-LNP را برای رزی ساخته‌ام. تقاطع فناوری RNA، ژنومیک و هوش مصنوعی فرصتی را برای تغییر نحوه انجام پزشکی و ایجاد دسترسی عادلانه‌تر ایجاد می‌کند.»

اما دکتر اسمیت مردی پشت صفحه ChatGPT نبود. او استادی بود که یک مؤسسه RNA دانشگاه را اداره می‌کرد و کاری را انجام می‌داد که آزمایشگاهش برای آن ساخته شده بود.

و هنگامی که کانینگهام ساختار نهایی واکسن را شناسایی کرد – طرح مولکولی خاصی که در mRNA رمزگذاری می‌شود – او فاش کرد که کدام ابزار آن را طراحی کرده است. نه AlphaFold. نه ChatGPT. «ساختار نهایی واکسن برای رزی توسط Grok طراحی شد.»

با این حال، او در یک پست جداگانه اذعان کرد که «Gemini هم کارهای سنگینی انجام داد.»

از ChatGPT برای غربال کردن مقالات علمی و شناسایی محققانی که ممکن است بتوانند کمک کنند استفاده شد. این چت‌بات به مرکز راماکیوتی اشاره کرد و تجهیزات توالی‌یابی مناسب برای این کار را پیشنهاد کرد و عمدتاً به عنوان ابزاری برای پیمایش در مقالات تحقیقاتی عمل می‌کرد. این نقش می‌تواند مفید باشد، اما با طراحی واکسن یا انجام تجزیه و تحلیل علمی متفاوت است.

AlphaFold، یک سیستم یادگیری عمیق از Google DeepMind، ساختارهای پروتئینی سه بعدی را از توالی‌های اسید آمینه پیش‌بینی می‌کند. این اولین مدلی نیست که بر روی داده‌های بیولوژیکی آموزش داده شده است: ابتکارات منبع باز دیگری مانند AnkhorAlphaGenomework بر مبنای مشابهی کار می‌کنند.

کانینگهام از Alphafold برای مدل‌سازی پروتئین c-KIT رزی استفاده کرد. این رندر دارای امتیاز اطمینان ۵۴.۵۵ بود که دکتر کیت میچی، زیست‌شناس ساختاری UNSW، به‌طور علنی آن را کم توصیف کرد.

او خاطرنشان کرد که AlphaFold «می‌تواند اشتباه کند» و برای تأیید هر خروجی به کار آزمایشگاهی قابل توجهی نیاز است. دکتر اسمیت، مدیر ژنومیک UNSW، به‌طور علنی در همان رشته تأیید کرد که AlphaFold در واقع برای طراحی واکسن mRNA استفاده نشده است.

دکتر توردسون نیز در مورد چارچوب‌بندی محتاط بود.

او در X نوشت: «این ممکن است رزی را درمان نکرده باشد. مطمئناً زمان خرید، بله، اما برخی از تومورها پاسخ ندادند.»

تیم او اکنون در حال بررسی این موضوع است که آیا آن تومورها به طور متفاوتی جهش یافته‌اند، که این امر توضیح می‌دهد که چرا بخشی از درمان مؤثر بوده و بخش‌های دیگر مؤثر نبوده‌اند. واکسن نیز به تنهایی مؤثر نبود.

توردسون خاطرنشان کرد: «این درمان نیازمند تجویز همزمان یک مهارکننده بررسی است، که احتمالاً با تمام واکسن‌های سرطان شخصی‌سازی‌شده همراه است.»

iii) تخمین هزینه واقعی در پروژه‌های تحقیقاتی دشوار است زیرا همه ما زمان و منابع زیادی را صرف می‌کنیم. iv) درمان نیازمند تجویز همزمان یک مهارکننده بررسی بود (احتمالاً با تمام واکسن‌های سرطان شخصی‌سازی‌شده). v) بنابراین هزینه‌های کلی بسیار بالاست.

— پالی توردسون (@PalliThordarson) ۱۵ مارس ۲۰۲۶

استفاده از هوش مصنوعی برای درمان سرطان همیشه تاریخچه موفقیت‌آمیزی نداشته است.

در سال ۲۰۱۷، اسناد داخلی IBM نشان داد که Watson for Oncology، که به عنوان سیستمی که می‌تواند درمان‌های سرطان را بهتر از متخصصان انکولوژی انسانی توصیه کند، توصیه‌هایی را تولید می‌کرد که مهندسان خود آن را «ناامن و نادرست» می‌دانستند.

مرکز سرطان MD Anderson پس از صرف ۶۲ میلیون دلار برای آن، این پروژه را رها کرد. IBM در سال ۲۰۲۲ Watson Health را به‌طور کامل فروخت.

پرونده رزی در دسته شکست‌های هوش مصنوعی قرار نمی‌گیرد. به کسی آسیبی نرسید، علم اساسی تثبیت شده است و محققان درگیر دارای اعتبارنامه‌های شناخته‌شده هستند.

خود پلتفرم mRNA توسط تحقیقات بالینی پشتیبانی می‌شود. ناراحتی بیشتر در نحوه چارچوب‌بندی داستان نهفته است. هنگامی که ابزارهای هوش مصنوعی اعتبار کارهایی را که توسط دانشمندان و مؤسسات تحقیقاتی انجام می‌شود، دریافت می‌کنند، می‌تواند درک عمومی از آنچه فناوری واقعاً انجام می‌دهد را مبهم کند.

محققانی که توالی‌یابی را انجام دادند، واکسن را تولید کردند و پروتکل‌های ایمنی را مدیریت کردند، در معرض خطر محو شدن در پس‌زمینه هستند.

این قسمت یادآوری می‌کند که هوش مصنوعی می‌تواند در کارهایی مانند پیمایش در مقالات علمی کمک کند، اما هنوز با تخصص و زیرساخت‌های مورد نیاز برای طراحی و تولید درمان‌های پزشکی فاصله زیادی دارد.