کامپیوترها و کشف اسرار خلقت

به گزارش کلیک، دانشمندان در حال حاضر در حال رقابت براي ثبت ژنوم(همه ژن ها) يا پروتوم های (همه پروتئين ها) موجودات زنده و پروسه محاسبه حجم عظيمي از اطلاعات هستند. به عنوان مثال، يك دانشمند از ابزارهاي آميكس مانند زنجيره DNA براي فهميدن اينكه كدام ژن هاي انسان در اثر سرايت ويروس آنفولانزا تحت تأثير قرار مي گيرند استفاده كند. اما به اين دليل كه ژنومه انسان در مجموع داراي حداقل ٢٥٠٠٠ ژن است، تعداد ژن هايي كه در اين سناريوي ساده بايد مورد استفاده قرار گيرند، احتمالا هزاران ژن باشد.
اگرچه ثبت و شناسايي ژن ها و پروتئين ها، موجب مي شود كه به آنها يك اسم و يك مكان اختصاص داده شود، با اين اطلاعات نمي توان متوجه عملكرد آنها شد. ما نيازمند فهميدن چگونگي رفتار اين ژن ها در پروسه هاي متفاوت زيستي هستيم.
امروز، حتي از ابتدايي ترين تجارب انسان اطلاعات زيادي به دست می آید و يكي از بزرگترين چالش ها، دريافت نتايج مرتبط با وجود مشكلات همراه آن است. با استفاده از كامپيوتر مي توانيم اين حجم وسيع از اطلاعات را پردازش كنيم و حتي يك مرحله پيش تر رفته و فرضيه هاي علمي را مورد بررسي قرار دهيم و به توضيح پروسه هاي جديد زيستي بپردازيم.
علم كامپيوتر كمك بسياري به پيشرفت تحقيقات زيست شناسي كرده است
كامپيوترها به نجات ما مي آيند
كامپيوتر مجموعه اطلاعات عظيمي را كنترل می کند. و به صورت همزمان همه شرايط مهم و ضروري براي تجزيه و تحليل شرایط را ثبت می كند.
اگرچه شاید به دليل اشتباه انسان كه آن را برنامه ريزي مي كند، نتايج اشتباهي رخ دهد ولي با كامپيوتر مي توان حجم وسيعي از اطلاعات را به درستي مورد تحليل قرار داد و كامپيوتر مانند انسان دچار قضاوت يكطرفه نمي شود.
مي توان به كامپيوتر الگوهاي خاصي را در به صورت اطلاعات تجربي آموزش داد، مفهوم "يادگيري ماشيني" براي اولين بار در دهه ١٩٥٠، توسط رياضيداني به نام آلن ترينگ مطرح شد و كامپيوتر مجموعه اطلاعات را فرا گرفت و پس از آن بر اساس اطلاعاتي كه پيش از آن هيچ گاه با آنها مواجه نشده بود، به پيش بيني می بپردازد.
يادگيري ماشيني موجب ايجاد تحول در تحقيقات زيست شناسي شده و مجموعه هاي عظيمي از اطلاعات را مورد استفاده قرار می دهيم و كامپيوتر به ما در فهم و يادگيري اصول زيست شناسي كمك می كند.
آموزش "فكر كردن" به كامپيوتر با استفاده از شبيه سازي پروسه هاي مغزي
ما از يك نوع جالب يادگيري ماشيني به نام "شبكه عصبي مصنوعي(ANN)" در آزمايشگاه خود استفاده كرديم. مغز از شبكه هاي به هم متصلي از نورون ها تشكيل شده كه از طريق فرستادن پالس هاي الكتريكي در اتصالات عصبي با هم در ارتباط هستند. شبكه عصبي مصنوعي، اين شبكه نوروني را شبيه سازي مي كند و در پاسخ به سيگنال هاي نورون هاي ديگر، خاموش و روشن مي شود.
با به كارگيري الگوريتم هايي كه عملكرد نورون هاي واقعي را تقليد مي كنند، شبكه اي را ايجاد می كنيم كه به حل خيلي از مشكلات كمك كند. گوگل از يك شبكه عصبي مصنوعي قدرتمند براي "پروژه روياي عميق" خود كه بسيار مشهور است استفاده و نشان مي دهد كه كامپيوترها عكس ها را طبقه بندي كرده و يا حتي آنها را ايجاد می كنند.
گروه ما در حال تحقيق روي سيستم ايمني بدن با هدف كشف راه هاي جديد درمان سرطان است. ما از مدل هاي محاسباتي شبكه مصنوعي براي مطالعه كدهاي پروتئيني كه سلولهاي ايمني ما ارسال و اطلاع مي دهند كه يك عامل خارجي در بدن ما وجود دارد و بايد با آن مبارزه شود،استفاده كرديم. اگر در مورد اينكه چگونه سلول هاي ايمني بدن ما (مانند سلولهاي T) بين سلولهاي خودي و سلولهاي خارجي تمايز قائل مي شوند، بیشتر بدانيم آنگاه واكسن ها و راه حل هاي درماني بهتري را ارائه می دهیم.
ما كاتالوگ هاي هزاران كد پروتئيني كه توسط محققان در طول سالها جمع آوري شده بررسي كرديم و اين اطلاعات عظيم را به دو گروه تقسيم كرديم: كدهاي پروتئيني طبيعي كه از سلولهاي سالم بدن به دست آمده و كدهاي پروتئيني غير طبيعي كه از ويروس ها، تومورها و باكتري ها به دست آمده است. پس از آن يك شبكه مصنوعي در آزمايشگاه ايجاد كرديم.
وقتي كه كدهاي پروتئيني را به اين شبكه مصنوعي داديم، اين شبكه قادر به تشخيص اختلافات اساسي بين كدهاي طبيعي و غيرطبيعي بود و حتي مي توانست به افراد در ثبت اين پديده هاي زيست شناسي كمك كند. در واقع هزاران نمونه از اين كدهاي پروتئيني براي تجزيه و تحليل مجموعه عظيم اطلاعات وجود دارد و به يك دستگاه براي حل اين مسائل پيچيده و پيدايش زيست شناسي نوين نياز است.
پيش بيني از طريق يادگيري ماشيني
مهم ترين كاربرد يادگيري ماشيني، قابليت پيش بيني آن در حجم اطلاعات زياد و پيش بيني هايي كه بر مبناي كامپيوتر انجام مي شوند، مي توانند به فهم بيشتر اين اطلاعات، امتحان فرضيه ها و صرفه جويي در زمان و منابع كمك كنند.
به عنوان مثال در زمينه زيست شناسي سلولهاي T، به دانستن اينكه كدام كدهاي پروتئيني ويروسي در ايجاد واكسن و راه حل هاي درماني تأثير دارند كمك زيادي مي كند. ولي به جاي آن ما به شبكه هاي عصبي مصنوعي آموزش مي دهيم كه به كامپيوتر براي فهميدن مشخصات بيوشيمي هر دو نوع كدهاي پروتئيني- طبيعي و غيرطبيعي كمك كند و پس از آن از اين شبكه مي خواهيم كه "پيش بيني" كند كه كدام يك از كدهاي پروتئيني ويروسي نشان دهنده گروه "غير طبيعي" هستند و توسط سلولهاي T در سيستم ايمني مشاهده مي شوند. ما اين شبكه عصبي مصنوعي را روي پروتئين هاي ويروسي متفاوت امتحان كرديم و نظير اين مطالعات پيش از اين انجام نشده بود.
دقيقا مانند يك دانش آموز سخت كوش كه تلاش مي كند رضايت معلمش را جلب كند، اين شبكه مصنوعي مي توانست تعداد زياد اين سلولهاي T را كه در مقابله با ويروس ها فعال شده بودند، شناسايي كند. از همین جهت، كدهاي پروتئيني را كه اين شبكه نشان داده بود را براي ارزيابي صحت پيش بيني اين شبكه مورد امتحان قرار داديم. با استفاده از اين مدل شبكه عصبي، يك دانشمند مي تواند سريعا همه كدهاي پروتئيني يك ويروس مخرب را شناسايي كند و از آنها به جاي حدس زدن و تست تك تك كدها براي ايجاد يك روش درماني يا يك واكسن استفاده كند.
استفاده زيركانه از يادگيري ماشيني
به دليل تصحيح دائمي، علم اطلاعات گسترده و يادگيري ماشيني در همه تحقيقات علمي ضروري به نظر مي رسند. امكاناتي كه از طريق كامپيوتر براي آموزش و پيش بيني در علم زيست شناسي در اختيار قرار مي گيرند، تقريبا بي نهايت هستند. فهميدن تركيبات نشانه هاي زيستي، بهترين راه تشخيص بيماري و كشف دليل اينكه چرا فقط بعضي از بيماران در درمان سرطان نتيجه مي گيرند بوده و حجم بالاي اطلاعاتي كه توسط كامپيوتر مورد پردازش قرار مي گيرند، بسيار با ارزش است.
البته محدوديت هايي هم وجود دارد. بزرگترين مشكل كامپيوترها، اطلاعات هستند. اگر اين اطلاعات كه تحقيقات بر اساس آنها آغاز مي شود، داراي خطا باشند در نتیجه آموزش كامپيوتر با اشتباه صورت مي گيرد و موجب پيش بيني هاي ضعيف مي شود. چون كامپيوتر (هنوز) قوه ادراك ندارد و بر همین اساس مي تواند الگوهاي اشتباهي ايجاد كند موجب ايجاد خطا در برخی از تحقيقات می شود. بعضي از محققان بر اين عقيده اند كه كامپيوترها "جعبه هاي سياه اطلاعات " دانشمندان هستند و دركي از محاسبات و عمليات ماشيني كه به جاي آنها انجام مي دهند، ندارند.
با وجود اين مشكلات، مزاياي علم كامپيوتر و ماشين ها در حال افزايش و با ايجاد الگوهاي ارزشمند به تحقيقات علمي كمك مي كند. با در نظر گرفتن موارد احتياطي، ما در پي آن هستيم كه با چشم كامپيوتری، علم زيست شناسي را ببينيم و آن را درك كنيم.
منبع:www.livescience.com