پژوهش زیستپزشکی امروز فقط با خواندن مقاله و انجام یک آزمایش ساده پیش نمیرود. پژوهشگر باید میان هزاران مقاله، پایگاه داده، بسته نرمافزاری، روش آماری و پروتکل آزمایشگاهی حرکت کند. Biomni با هدف یکپارچهکردن همین زنجیره طراحی شده است: یک «عامل هوش مصنوعی» که صرفاً پاسخ متنی نمیدهد، بلکه مسئله را به چند مرحله تقسیم میکند، ابزار مناسب را انتخاب میکند، کد اجرا میکند، دادهها را تحلیل میکند و نتیجهای قابل بررسی به پژوهشگر تحویل میدهد.
Biomni چیست؟
Biomni یک عامل هوش مصنوعی عمومی برای پژوهشهای زیستپزشکی است که گروهی از پژوهشگران استنفورد و همکارانشان توسعه دادهاند. مقاله معرفی آن ابتدا در bioRxiv منتشر شد و نسخه داوریشده آن در سال ۲۰۲۶ در مجله Science با عنوان «Autonomous biomedical research with an artificial intelligence agent» انتشار یافت.
تفاوت اصلی Biomni با یک چتبات عمومی در «توانایی اقدام» است. چتبات معمولاً درباره یک مسئله توضیح میدهد؛ اما عامل پژوهشی میتواند برای رسیدن به پاسخ، یک گردشکار چندمرحلهای طراحی و اجرا کند. معماری Biomni از دو بخش اصلی تشکیل شده است:
- Biomni-E1: محیط تخصصی زیستپزشکی شامل ابزارها، بستههای نرمافزاری و پایگاههای داده؛
- Biomni-A1: عامل هوشمندی که سؤال پژوهشگر را تفسیر میکند، برنامه میسازد و اجزای محیط را بهترتیب مناسب بهکار میگیرد.
در نسخه معرفیشده، محیط E1 شامل حدود ۱۵۰ ابزار تخصصی، ۱۰۵ بسته نرمافزاری و ۵۹ پایگاه داده بود. این منابع حوزههایی مانند ژنومیک، ترنسکریپتومیک، کشف دارو، زیستشناسی مولکولی، ژنتیک انسانی و تحلیل دادههای بالینی را پوشش میدهند.
Biomni چگونه کار میکند؟
کاربر میتواند پرسش را با زبان عادی مطرح کند؛ برای مثال: «کدام ژنها میتوانند پاسخ متفاوت بیماران به این دارو را توضیح دهند؟» Biomni سپس مسئله را به وظایف کوچکتر تبدیل میکند: جستوجوی شواهد، انتخاب داده و ابزار، پاکسازی و تحلیل داده، اجرای کد، مقایسه نتایج و تهیه جمعبندی.
قابلیت «برنامهریزی تقویتشده با بازیابی» به سیستم کمک میکند بهجای اتکا به حافظه مدل زبانی، ابزارها و اطلاعات مرتبط را از محیط تخصصی پیدا کند. اجرای کد نیز باعث میشود بخشی از پاسخ بر محاسبات قابل بازبینی متکی باشد؛ هرچند این موضوع بهتنهایی صحت علمی نتیجه را تضمین نمیکند.
Biomni در آزمایشگاه چه کارهایی میتواند انجام دهد؟
۱. مرور منابع و استخراج دانش
Biomni میتواند جستوجوی هدفمند در منابع علمی را با تحلیل پایگاههای داده ترکیب کند و برای یک سؤال، شواهد پراکنده را کنار هم قرار دهد. این قابلیت برای شروع یک پروژه، شناسایی شکاف پژوهشی و اولویتبندی فرضیهها مفید است.
۲. تولید و اجرای کد
بخش مهمی از پژوهش زیستی امروز با Python، R و ابزارهای تخصصی انجام میشود. Biomni میتواند اسکریپت تولید کند، بسته مناسب را انتخاب کند، فایلها را پردازش کند و خروجیهایی مانند جدول، نمودار و رتبهبندی کاندیداها بسازد. مزیت بالقوه آن، کاهش زمان اتصال دستی چند ابزار پراکنده است.
۳. تحلیل دادههای اُمیکس
تحلیل ژنوم، بیان ژن، دادههای تکسلولی و Perturb-seq از نمونههای کاربردی این سامانهاند. Biomni میتواند یک خط لوله تحلیلی پیشنهاد دهد، کنترل کیفیت و تحلیل آماری را اجرا کند و نتایج را در قالب یک روایت پژوهشی جمعبندی کند.
۴. طراحی فرضیه و پروتکل آزمایش
این عامل میتواند بر پایه هدف پژوهش، فرضیههای آزمونپذیر و پیشنویس پروتکل ارائه دهد. پژوهشگران سازنده Biomni یک طرح کلونینگ پیشنهادی را نیز در آزمایشگاه واقعی ارزیابی کردند. این توانایی مهم است، اما پروتکل خروجی باید پیش از اجرا از نظر ایمنی، مواد، تجهیزات، کنترلها و شرایط اختصاصی آزمایشگاه توسط متخصص بازبینی شود.
۵. تفسیر واریانت و پشتیبانی از کشف دارو
از دیگر نمونهها میتوان به اولویتبندی ژنها و واریانتها، بررسی بیماریهای نادر، تحلیل روابط ژن و بیماری، بازاستفاده از دارو و ارزیابی ویژگیهای ADMET اشاره کرد. این خروجیها برای تولید سرنخ پژوهشی مناسباند و نباید بدون اعتبارسنجی مستقل به تصمیم تشخیصی یا درمانی تبدیل شوند.
نتایج ارزیابی چه میگویند؟
پژوهشگران Biomni را روی مجموعهای از وظایف زیستپزشکی و سناریوهای عملی آزمایش کردند. گزارش مقاله نشان میدهد ترکیب مدل زبانی با محیط تخصصی و ابزارهای قابل اجرا، در بسیاری از وظایف نسبت به استفاده از مدل زبانیِ تنها نتیجه بهتری میدهد. همچنین سامانه توانسته گردشکارهایی شامل تحلیل پوشیدنیها، طراحی آزمایش، تفسیر واریانت و تحلیل دادههای زیستی را انجام دهد.
با این حال، نتیجه معیارهای آزمایشگاهی را نباید به معنای «پژوهشگر خودمختار و بیخطا» دانست. عملکرد هر عامل به کیفیت سؤال، داده ورودی، ابزارها، نسخه نرمافزار، دسترسی به منابع و امکان بررسی مراحل میانی وابسته است. حتی خروجی ظاهراً دقیق ممکن است از فرض نادرست یا کد نامناسب ساخته شده باشد.
آیا Biomni جای پژوهشگر را میگیرد؟
در وضعیت فعلی، توصیف دقیقتر Biomni «همکار محاسباتی پژوهشگر» است، نه جایگزین او. سیستم میتواند کارهای زمانبر را سریعتر کند، گزینهها را گسترش دهد و یک تحلیل اولیه بسازد؛ اما انتخاب سؤال مهم، تشخیص خطای مفهومی، سنجش امکانپذیری آزمایش، مدیریت ریسک، رعایت اخلاق پژوهش و تفسیر زیستی نهایی همچنان به انسان نیاز دارد.
در پروژههای بالینی و دادههای انسانی، موضوع محرمانگی نیز جدی است. داده شناساییپذیر بیمار نباید بدون چارچوب حقوقی، رضایت، کنترل دسترسی و سیاست روشن نگهداری و پردازش وارد چنین سامانهای شود. Biomni ابزار تشخیص پزشکی یا جایگزین پزشک نیست.
مزایای احتمالی برای مراکز پژوهشی و آزمایشگاهها
- کاهش زمان مرور منابع و ساخت تحلیل اولیه؛
- یکپارچهسازی چند ابزار و پایگاه داده در یک گردشکار؛
- کمک به پژوهشگرانی که در برنامهنویسی یا یک زیرحوزه تخصص کمتری دارند؛
- ثبت مراحل، کدها و منابع برای بازبینی بهتر؛
- تولید سریعتر فرضیههای قابل آزمون و مقایسه چند مسیر تحلیلی.
محدودیتها و نکات ایمنی
- خطای علمی و توهم: مدل ممکن است منبع، رابطه زیستی یا توضیح نادرست تولید کند.
- وابستگی به داده: داده ناقص یا سوگیرانه میتواند نتیجه گمراهکننده بسازد.
- تکرارپذیری: نسخه ابزارها، پارامترها، seed و محیط اجرا باید ثبت شوند.
- اعتبارسنجی آزمایشگاهی: فرضیه محاسباتی تا زمان آزمون مستقل، یافته قطعی نیست.
- ایمنی زیستی و کاربرد دوگانه: دسترسی به ابزارهای تخصصی باید متناسب با سطح خطر کنترل شود.
- حریم خصوصی: دادههای بیمار و اطلاعات محرمانه به حفاظت سازمانی نیاز دارند.
یک آزمایشگاه چگونه مسئولانه از Biomni استفاده کند؟
- پرسش، داده ورودی و معیار موفقیت را پیش از اجرا مشخص کند.
- از داده غیرحساس یا ناشناسسازیشده آغاز کند.
- منابع، کد، پارامترها و گزارش خطاها را نگه دارد.
- هر ادعای کلیدی را با مقاله اصلی یا پایگاه داده معتبر تطبیق دهد.
- تحلیل را با روش یا ابزار مستقل تکرار کند.
- پروتکل آزمایش را به تأیید مسئول فنی، ایمنی و اخلاق پژوهش برساند.
- نتیجه AI را بهعنوان پیشنهاد ثبت کند، نه حکم نهایی.
آیا Biomni متنباز است؟
مخزن رسمی Biomni در GitHub منتشر شده و کد آن با مجوز Apache 2.0 در دسترس است. نصب محلی، بهویژه محیط نرمافزاری بزرگ آن، به زیرساخت محاسباتی و آشنایی فنی نیاز دارد. متنباز بودن امکان بررسی و توسعه را بیشتر میکند، ولی به معنی تضمین دقت، امنیت یا مناسببودن برای کاربرد بالینی نیست.
جمعبندی
Biomni نشانهای از عبور هوش مصنوعی علمی از مرحله «پاسخگویی» به مرحله «اجرای گردشکار پژوهشی» است. ارزش اصلی آن در اتصال استدلال زبانی به ابزارهای واقعی، کدنویسی، پایگاههای داده و تحلیل چندمرحلهای قرار دارد. اگر خروجی آن با بازبینی متخصص، مستندسازی و اعتبارسنجی مستقل همراه شود، میتواند زمان پژوهش را کاهش دهد و دامنه فرضیههای قابل بررسی را گسترش دهد.
آینده آزمایشگاه احتمالاً نه آزمایشگاه بدون پژوهشگر، بلکه محیطی است که در آن پژوهشگر انسانی، تجهیزات آزمایشگاهی، سامانههای خودکار و عاملهای هوش مصنوعی در یک زنجیره کنترلشده با یکدیگر همکاری میکنند.