<<

مقابلة مع مستشار: نموذج البيولوجيا الحسابية المتعمق بواسطة الذكاء الاصطناعي والحوسبة عالية الأداء — من الباراميترون إلى المعلوماتية الحيوية، مقابلة مع الأستاذ كينتارو شيميزو

15 مارس 2025

كينتارو شيميزو، أستاذ فخري في جامعة طوكيو

تواجه الأبحاث البيولوجية تحديات هائلة تتمثل في البيانات الضخمة والحسابات المعقدة. يتطلب التنبؤ بالتسلسلات الجينية، وهياكل البروتينات، أو كشف مبادئها محاكاة تستغرق وقتًا طويلاً وتطوير برمجيات متخصصة، لكن الباحثين القادرين على التعامل معها قليلون. لكسر هذه الحواجز وتسريع تقدم البشرية، تم إطلاق مشروع VN Machine. اليوم، نتحدث مع الأستاذ كينتارو شيميزو، مستشار المشروع.

الأستاذ كينتارو شيميزو، أستاذ فخري في جامعة طوكيو، كان قائدًا في مجالات البيولوجيا الحسابية والمعلوماتية الحيوية لعقود، حيث رسم مسارًا فريدًا من علوم الحاسوب إلى البيولوجيا. في الستينيات، حصل على درجة الدكتوراه في مختبر إييتشي غوتو، وساهم في تطوير حاسوب الباراميترون*1، أحد أوائل الحواسيب الرقمية المبتكرة. في عصر لم يكن فيه التعلم الآلي سائدًا بعد، كان الأستاذ شيميزو رائدًا في تطوير طرق حسابية للتنبؤ بهياكل البروتينات ثلاثية الأبعاد من تسلسلات الأحماض الأمينية فقط، بالإضافة إلى نهج متقدمة مدفوعة بالذكاء الاصطناعي للجينوميات والبروتيوميات، مما أثر على العديد من الدراسات اللاحقة. شخصية بارزة في مجال محاكاة الديناميكيات الجزيئية (MD)*2، بحث في طي البروتينات وربط الليغاند، مع تطبيقات هامة في اكتشاف وتصميم الأدوية، وحظي بتأثير واسع في المجتمع العلمي.

يستند مشروع VNM إلى رؤى رواد مثل الأستاذ شيميزو، مدمجًا الذكاء الاصطناعي واسع النطاق مع الحوسبة عالية الأداء (HPC) لخلق عالم يمكن فيه الوصول إلى تحليل البيانات واسعة النطاق والمحاكاة حتى بدون خبرة متخصصة في الحوسبة. اليوم، نستكشف معه الإمكانات ومستقبل الأبحاث البيولوجية.
من البارامترون إلى المعلوماتية الحيوية
كازوكي أوتسوكا (فيما يلي، أوتسوكا) قبل أن تتجه لدراسة المعلوماتية الحيوية، كنتم تهتمون بالحواسيب بشكلٍ مكثّف وبحثٍ خالص. ما نوع الاهتمام الذي كان لديكم في ذلك الوقت؟
البروفيسور كنتارو شيميزو (فيما يلي، شيميزو) كان الأمر ممتعًا للغاية، ببساطة. أظن أن لديك شعورًا مشابهًا يا أوتسوكا؛ عندما أكتب برنامجًا، أشعر بالسعادة الكبيرة، خصوصًا عندما يتعلق الأمر ببرامج ذات مستوى منخفض تغوص عميقًا في جوف الحاسوب، فهذا يسعدني أكثر.
في ذلك الوقت كانت موارد الحواسيب متاحة عامةً، وكنت مهتمًا جدًا بإنشاء أنظمة لا يمكن لفردٍ أو مجموعة صغيرة إنجازها بمفردهم، بل تحتاج إلى تعاون وعمل موزّع؛ أي برمجيات قادرة على المعالجة الموزعة والتعاونية. وواصلت هذا الاهتمام حتى بعد دخولي ميدان الأحياء.
على سبيل المثال، في مجال الأحياء، قمت ببعض الأعمال تتعلق بـتشغيل محاكاة الديناميكا الجزيئية (MD)*2 بصورة أسرع في بيئة موزعة، ونشرت أبحاثًا حول ذلك.
أوتسوكا يمكن القول إنه نوع من أتمتة أساليب المعالجة الموزعة. بالعودة إلى التسعينيات، يبدو لي أن ذلك كان عملًا رائدًا. ما هو العمل الذي تعتبره الأكثر تمثيلًا لجهودكم البحثية؟
شيميزو ربما هي تطبيقات التعلّم الآلي وما شابهها لتوقع النتائج، وذلك قبل أن تصبح الذكاء الاصطناعي رائجًا كما هو اليوم. إضافةً إلى ذلك، بناء أدوات التنبؤ بشكلٍ آلي.
على سبيل المثال، تطوير برمجيات تتنبأ بالبنية أو الوظيفة انطلاقًا من تتابع الأحماض الأمينية في البروتينات.
معالجة البيانات الضخمة - التحديات العملية في الحسابات البيولوجية
أوتسوكا أتوقع أن بيانات الأحياء ضخمة جدًا من حيث الحجم.
شيميزو نعم، ما أعمل عليه الآن يدور حول تتابعات الأحماض الأمينية وصولًا إلى البنية ثلاثية الأبعاد، وحجم البيانات ضخم جدًا. بعض قواعد البيانات المعروفة لا تسمح بتنزيلها مباشرة عبر البرامج. ومن ناحيةٍ أخرى، لا يمكننا الوصول إلى كمية كبيرة منها عبر الواجهة الويب؛ لأن ذلك قد يكون مخالفًا لسياسة الاستخدام.
إذًا ما الحل؟ الحل أن نحمّلها محليًا، لكن حجمها كبير جدًا. لذا فإن التعامل مع هذه البيانات الضخمة يسبب الكثير من العناء.
أوتسوكا كون البيانات ضخمة، فهي تستهلك وقتًا طويلاً للمعالجة أيضًا.
شيميزو بالضبط. لو كانت قاعدة البيانات مستضافة على موقع ويمكن الوصول إليها بسرعة كبيرة من الخارج، لكان الأمر أفضل بكثير، لكن السعي للقيام بحوسبة كثيفة أو معالجة ضخمة مباشرةً على قواعد بيانات ضخمة من مكانها أمر صعب للغاية. هذا ما شعرت به بقوة قبل قليل.
أوتسوكا ما حجم البيانات تحديدًا؟ هل نتحدث عن تيرابايت؟
شيميزو بالنسبة للتتابعات (Sequences) وحدها، يصل الحجم إلى مئات الغيغابايت، وعندما نضيف البنى ثلاثية الأبعاد والبيانات الديناميكية، قد تصل إلى عدة تيرابايت.
أوتسوكا أرى أن أفضل طريقة هي توفير حاسوب فائق (سوبر كومبيوتر) متاح باستمرار وبسعة تخزينية كبيرة؛ نضع فيه كل هذه البيانات، ونصل إليه عند الحاجة لإنجاز الحسابات. يبدو لي الخيار الأكثر مرونة.
شيميزو نعم، أتفق تمامًا. ستكون فكرة رائعة لو كان من السهل الحصول على مثل هذه البيئة، وربطها بالشبكة (الإنترنت).
فبياناتنا تُنشر علنًا، وليست مجرد ملفاتٍ مخزنة على قرصٍ صلبٍ خاص. لو كان بالإمكان استيراد البيانات المنشورة بسهولة والتعامل معها محليًا وكأنها على جهازنا، فسيكون ذلك مفيدًا جدًا.
أوتسوكا في منصتنا VNM Data Hub، نحاول توفير بيانات يمكن الوصول إليها عبر خادم موجود على نفس الشبكة المحلية، ما يقلل الحاجة للتنزيل أو النسخ بكثرة.
كما ندرس إمكانية تحقيق عوائد مالية عبر بيع بيانات منشورة. هل تظن أن عملية كهذه قابلة للتطبيق؟
شيميزو في الماضي كان ذلك صعبًا نوعًا ما، ولكن أعتقد أنه يمكن تطبيقه في الوقت الحالي لو خُصص لغرضٍ معين، كأن يتم تسويق البيانات لأبحاثٍ أو تطويرٍ محدد، مع إمكانية الاستفادة من هيئاتٍ مثل TLO. فلا بد من وجود آلية ترخيصية مناسبة.
سهولة الوصول تفتح الباب أمام فهم الآليات المؤجلة
أوتسوكا كثير من الباحثين لديهم أفكار يريدون تنفيذها فعليًا، لكنهم لا يستطيعون، إما لضيق الوقت أو الموارد. برأيك، كم يبلغ حجم تلك الأفكار غير المنفّذة؟
شيميزو عندما نتحدث عن الديناميكا الجزيئية (MD)، وبالرغم من تطور قوة الحوسبة، تظل صعوبة تغطية جميع الحالات أو الأوضاع عبر الحساب أمرًا واقعًا؛ لأن العملية تعتمد بشكلٍ أساسي على العيّنات (Sampling).هنا يأتي دور الذكاء الاصطناعي، لكنه يُستخدم غالبًا كصندوقٍ أسود.
لذا لو تمكّنا من الحصول على تفسيرٍ واضح للظواهر بدلاً من مجرد نتائج، فسيكون لذلك أثر كبير على تطور العلوم الطبيعية.
أوتسوكا ليس فقط استخلاص الإجابة المباشرة، بل أيضًا فهم الآلية وراء النتيجة.
شيميزو بالضبط؛ فمحاكاة MD تقوم على القوانين الفيزيائية خطوةً بخطوة، لكن عندما نحاول تفسير ظواهر تحتاج إلى زمنٍ طويل، لا يمكننا معالجة ذلك مباشرةً بالطريقة التقليدية. يجب أن نستخدم تمثيلات بحبيباتٍ أكثر خشونة (coarse-graining)، أو نبتكر طريقة أفضل لأخذ العيّنات. هناك عدة أساليب مقترحة لهذا الغرض.
أوتسوكا تحدثت مع بعض الباحثين في علم الأحياء، ورأيت أن كثيرًا منهم ما زال يكتفي باستخدام الطرق المتوافرة بشكل تقليدي لحل مشكلات قائمة، ولا يزال لديهم الكثير من الظواهر التي لم تُختبر بعد، وهذا يتيح لهم الحصول على نتائج بحثية جيدة باستمرار. بينما يذهب فريق آخر إلى دراسة الآليات الأساسية نفسها ويبتكر أنظمة جديدة للبحث. هناك حاجة حقيقية إلى نظمٍ جديدة في هذه المرحلة.
فالبحوث تعتمد بشكلٍ كبير على أفكار الباحثين أنفسهم ونوع المشكلات التي يريدون حلّها.
شيميزو أتفق معك تمامًا في هذه النظرة.
أوتسوكا طُرح تساؤل حول نسبة الأشخاص الذين يركزون على فك الآليات بحد ذاتها، فهناك من يقدر بأنهم 10 من كل 100 باحث مثلاً. إن كان لدينا 100 باحث في مؤسسة واحدة، فهناك 10 منهم يهتمون بهذا الاتجاه. وبناءً على التقديرات العامة لعدد الباحثين في اليابان والعالم، قد يصل العدد العالمي إلى آلاف أو عشرات الآلاف من الباحثين.*3
شيميزو بطبيعة الحال، لدى كل باحث رغبة في فهم الآلية أعمق، لكن تشكل القيود الزمنية والضغوط على نتائج سريعة في الأبحاث المموّلة عائقًا أمام مواصلة البحث طويل الأمد لفهم الآليات بعمق.
أوتسوكا بالتأكيد، هناك عوامل اقتصادية وغيرها.
شيميزو لذا، فإن ما تطرحه عن وجود برمجيات أو أدوات تقدم شرحًا أعمق أو تسمح بفهم أفضل للآليات الظاهرة قد يدفع الكثيرين لخوض تلك المغامرة البحثية.
أوتسوكا لو توفرت أداة تقلل الوقت والجهد المطلوبين، سيتمكن الباحث من إنجاز فكرة من تلك الأفكار المؤجلة في فترات فراغه، أليس كذلك؟
شيميزو بالتأكيد. أعتقد أن ذلك سيكون له أثرٌ كبيرٌ في دفع عجلة العلم.
أوتسوكا أظن أن كثيرًا من الباحثين لديهم أفكار مؤجلة منذ مدة طويلة، ولكن لم يتمكنوا من تنفيذها بعد.
شيميزو صحيح، أرى أن هذه مشكلة كبيرة جدًا.
أوتسوكا لو بنينا منظومة تُمكّن الباحث من إنجاز تلك الأفكار ذات الطبيعة الجوهرية التي غالبًا ما تُؤجَّل، أعتقد أننا سنحقق تقدمًا كبيرًا.
نعني بالأفكار الجوهرية تلك التي يتم تأجيلها بحجة أنها أساسية جدًا أو بعيدة المنال حاليًا.
أهمية تقليص زمن الحوسبة في الاكتشافات
أوتسوكا ما رأيك في الحوسبة فائقة الأداء (HPC) في هذا السياق؟
شيميزو أظن أن نمذجة ومحاكاة البروتينات والأحماض النووية مثال بارز؛ فنحن نحتاج إلى عمليات محاكاة طويلة لمعرفة كيفية تفاعل البروتين مع الجزيئات الأخرى وكيف يتغير هيكله، لذا لو أمكن تسريع هذه المحاكاة بصورة ملحوظة، فسيكون ذلك رائعًا.
أوتسوكا هل سبب البطء هو كِبر حجم المصفوفات أم تعقّد الحسابات؟
شيميزو الإشكالية تكمن في ضخامة عدد الأنماط أو الأوضاع الممكنة للجزيئات، مما يصعّب تغطيتها على نطاق واسع.
أوتسوكا إذن المسألة هي كثرة الاحتمالات التي يجب استكشافها.
شيميزو نعم. هناك ما يسمى “الالتحام الجزيئي” (Docking)، حيث نبحث عن كيفية ارتباط الجزيء A بالجزيء B. وفي كثير من الأحيان، قد يثبت تجريبيًا ارتباطهما في بنية البلورة، لكن يصعب الحصول على هذه البنية في المحاكاة القائمة على القوانين الفيزيائية.
بصورة عامة، إذا استطعنا تشغيل MD لفترة أطول أو بشكلٍ أشمل، فسنحصل على نتائج أفضل؛ لذا إن استطعنا تسريع الحساب أو زيادة دقته، فسنحسن النمذجة ونعزز دقة النتائج. بالطبع، هناك عوامل أخرى تتعلق بخشونة النماذج وموثوقية المعلمات، لكن في النهاية يرتبط الأمر بمدى كفاية العيّنات وزمن المحاكاة. فنحن نشغّل المحاكاة لفترة طويلة على أمل أن نصل إلى لحظة حدوث الظاهرة.
«تخصصات علمية متفرقة» في مقابل «نماذج عامة»
أوتسوكا عند لقائي متخصصين في شتى العلوم، وجدت أن البعض لا يحبذ الصيغ الرياضية ولا يحبذ الأساليب الحاسوبية. وكأن هناك من هو “داخل الحاسوب” ومن هو “خارجه”، وبينهما فئة وسيطة.
أشعر أن المساحات غير المستكشفة تكمن في التداخل بين هذه التصنيفات.
شيميزو صحيح، هناك اختلافات تعتمد على الأشخاص والتخصصات. عندما بدأت التواصل مع زملاء في كليات الزراعة وغيرها، وجدت أن منهجهم يقوم على التجارب المتواصلة على بروتين أو جين معين، حيث يتخصصون فيه بعمق، فيقل لديهم الدافع لبناء نماذج عامة أو توحيد الظواهر تحت نموذج واحد. فبالنسبة لهم، المبالغة في التبسيط أو تحديد المعلمات اعتُبرت “غير دقيقة” أو “غير مقبولة”.
أوتسوكا إذا سألوا: “كيف تحددون المعاملات بهذه الطريقة العشوائية؟” فماذا سيكون ردكم؟
شيميزو أود أن أوضح أن مجال المعلوماتية أصبح أكثر دقة بمرور الوقت، مما يتيح بناء نماذج قادرة على تفسير الظواهر في الواقع كفرضيات، وهذا له قيمة علمية كبيرة.
وبمجرد ظهور بيانات تجريبية أدق، يمكننا توظيف تلك النماذج في فهم الظواهر وتفسيرها، وهذا هو جوهر الأهمية.
أوتسوكا ليست كل التجارب تؤدي إلى بناء نموذج. ولكن إن أمكننا بناء نموذج، يمكننا حينها التنبؤ بسلوك الظواهر المستقبلية.
شيميزو بالضبط، التنبؤ هو المفتاح. عندما تكون لديك محاكاة أو نموذج يفسر الظاهرة، يمكنك استخدامها لتوقع سلوك النظام مستقبلًا.
في النهاية، كل باحث يدرس البروتين المعين أو الظاهرة المعينة بدافع الفهم والتفسير.
أوتسوكا لكن ليس كل أحدٍ يرغب في تعميم النموذج؛ إنها مهمة يقوم بها البعض فقط.
شيميزو صحيح. وعندما نحاول التعميم، يُطرح تساؤل حول موثوقية القيم الحاسوبية والمعاملات. لقد صدمتُ حينما عرضتُ نتائج منحنيات AUC-ROC كتقييم دقة نموذجٍ ما، والتي نراها جيدة عند قيمة 0.9 (بحسب اختلاف التخصص). لكن قيل لي: “لماذا ليست 1؟” وكأن قيمة أقل من 1 لا يمكن اعتبارها كافية في مجال العلوم الدقيقة.
نهج VN Machine: ابتكار برمجيات مخصصة عبر حوار تفاعلي
أوتسوكا في الولايات المتحدة، هناك شركة Rescale للحوسبة عالية الأداء في السحابة، حصلت على تمويلات ضخمة مؤخرًا، وهي تقدم باقة شاملة من أشهر البرامج التجارية على السحابة. يمكن تنفيذ برامج مثل MD التي وصلت مرحلة النضوج عبر منصة كهذه، ولن ننافسهم في ذلك، لكنني أرى فرصة في حالات الاستخدام البحثي التي لا تغطيها البرامج الحالية بشكلٍ كافٍ.
شيميزو أتفق معك في هذا التصور.
في ما يخص حركة البروتينات، هناك مفهوم “الدومين” وهي أجزاء كبيرة من البروتين، يتخللها أحيانًا مقاطع مرنة (Flexible Linker). حتى AlphaFold قد لا يُجيد توقع الوضعية الدقيقة لهذا الجزء المرن. لذا تبقى الأجزاء المرنة هذه محور بحث؛ ومن هنا يأتي الاهتمام الكبير بهذا النوع من الحركة. لو وُجد حل برمجي ثوري يصف ديناميكيات الدومينات أو سلاسل البروتينات وكيفية تفاعلها، فسيكون ذلك مفيدًا بالفعل.
أعتقد أن هناك حاجة حقيقية وطلبًا ملحًّا في هذا الموضوع.
أوتسوكا شكرًا جزيلاً لك على هذا الحديث القيّم. كان من المفيد للغاية سماع رؤيتك حول كلٍّ من عالم الحوسبة وعالم الأحياء. أتطلع للتواصل المستمر معك في المستقبل.
شيميزو الشكر لك بدوري، وأتطلع للتعاون مستقبلًا.
*1 البارامترون (Parametron) هو مكوّن منطقي اخترعه الباحث إيتشي غوتو عام 1954 حينما كان طالب دراسات عليا في كلية العلوم بجامعة طوكيو. تتيح هذه التقنية بناء حاسوب باستخدام عدد أقل من الصمامات المفرغة أو الترانزستورات، وقد شُيدت العديد من حواسيب البارامترون في ذلك الوقت. مع حلول ستينيات القرن الماضي، استُخدم الترانزستور بدلًا منه بشكل واسع، لكن المبدأ نفسه أعيد اكتشافه لاحقًا في أنظمة فيزيائية متنوعة، كما عاد الاهتمام به في العقد الثاني من القرن الحادي والعشرين في مجال تطوير الحواسيب الكمومية باستخدام البارامترون. (المصدر: ويكيبيديا)

*2 محاكاة الديناميكا الجزيئية (MD) هي منهجية تتبع التفاعلات الفيزيائية بين الجزيئات خطوة بخطوة للتنبؤ بكيفية تحرك البروتينات أو الأحماض النووية. وفي المقابل، يقدم AlphaFold تنبؤات للبنية ثلاثية الأبعاد ساكنة ولا يأخذ في الحسبان تطور البنية مع الزمن. لذا يُعد مفيدًا في تصميم الفرضيات الأولية في مراحل اكتشاف الأدوية، لكنه لا يُغني عن المحاكاة الديناميكية المعتمدة على القوانين الفيزيائية عند دراسة ارتباط الجزيئات أو حركتها.

*3 بحسب تقديرات اليونسكو ومصادر أخرى، يبلغ عدد الباحثين عالميًا (في جميع المجالات) نحو 8.8 ملايين باحث. تشير بعض الإحصاءات إلى أن نحو 36% من الأبحاث منشورة في مجالات الأحياء والعلوم الطبية/الحيوية. تقديرنا الأولي لـ10 آلاف باحث يعدّ متواضعًا مقارنةً بحجم المجتمع العلمي الفعلي؛ فمثلًا تدعم المعاهد الوطنية للصحة NIH نحو 27 ألف باحث رئيسي (PI) في الأبحاث الأساسية، ما يدل على أن من يركّزون على فهم الآليات الأساسية وحدهم قد يصلون إلى عشرات أو مئات الآلاف على مستوى العالم.
كينتارو شيميزو (Shimizu Kentaro)
ولد في عام 1938. أستاذ فخري في جامعة طوكيو. بعد مساهمته في تطوير حاسوب الباراميترون في مختبر إييتشي غوتو، حوّل تركيزه إلى المعلوماتية الحيوية في أوائل الثمانينيات. كرائد في التنبؤ بهياكل البروتينات ثلاثية الأبعاد باستخدام التعلم الآلي ومن خلال محاكاة الديناميكيات الجزيئية لطي البروتينات وربط الليغاند، أحدث تأثيرًا كبيرًا على اكتشاف الأدوية وفهم البيولوجيا.