كيف غيّر الذكاء الاصطناعي مسيرتي المهنية في مجال المعلوماتية الحيوية؟

ترجمة: محمد جواد آل السيد ناصر الخضراوي

أقنعت المواجهة مع بعض التحليلات المولدة بواسطة الذكاء الاصطناعي المليئة بالتفاصيل البروفيسور لي تشو بأن التعلم الآلي لم يجعل دوره غير ذي صلة، بل أصبح أكثر أهمية من أي وقت مضى.

عندما بدأتُ دراساتي العليا، كان أول ما عليّ فعله هو اختيار مسار بحثي. وقد ركّز المختبر الذي انضممتُ إليه على مجالين رئيسين: الاختبارات الوظيفية والمعلوماتية الحيوية. وكان ذلك قبل أكثر من عقد من الزمان، وتضمن سير العمل المعتاد قيام باحثي المعلوماتية الحيوية بتحليل مجموعات بيانات ضخمة لتحديد الجينات المرتبطة بأنماط ظاهرية أو أمراض محددة، والتي كانت تُسلّم بعد ذلك إلى فريق الاختبارات الوظيفية للتحقق من صحتها.

وفي ذلك الوقت، كان مجال المعلوماتية الحيوية مجالًا جديدًا وواعدًا، لذلك اخترتُ هذا المسار دون تردد. ولكن لم تكن لديّ خلفية في البرمجة، لذلك كان البدء صعبًا. وقد بدأتُ بدراسة لغات البرمجة – أولًا “بيرل”، ثم “آر” و”بايثون”.

وبالنظر إلى الماضي، أنا سعيد باختياري. لقد كان وقتًا مثيرًا، والنمو السريع للتقنيات عالية الإنتاجية والتقنيات الجديدة – مثل علم النسخ الجيني وعلم الجينوم، ولاحقًا بيولوجيا الخلية الواحدة – منحني وفرة من البيانات للعمل عليها. وقد منحني حل المشكلات البيولوجية من خلال الشفرة التي أكتبها شعورًا بقيمتي الذاتية.

ثم ظهرت أدوات الذكاء الاصطناعي، بما في ذلك تشات جي بي تي (ChatGPT) و”مانوس (Manus) وغروك (Grok).  وقد هددتني قدرتها [أدوات الذكاء الاصطناعي] على إنتاج رموز وظيفية بالاستغناء عن خدماتي، لكنني لم أكن قلقًا في البداية لأن الرموز التي يُنشئها الذكاء الاصطناعي غالبًا ما تحتوي على أخطاء تظهر فقط أثناء الاختبار وتتطلب تصحيحًا يدويًّا.

ومع ذلك، كانت أوضاع التشغيل “الوكيلة” الجديدة بمثابة تغييرات محتملة. فهي تسمح لأدوات مثل “مانوس” بإنشاء رموز أولًا ثم تشغيلها مباشرةً في السحابة، ما يُنشئ حلقةً متواصلةً: من طرحي للأسئلة، إلى كتابة الأداة وتنفيذها للرموز، إلى تلقي النتائج. وكان ذلك عندما بدأت أشعر بالقلق: في عصر الذكاء الاصطناعي هذا، هل ما زلتُ ضروريًّا؟

تستطيع أدوات الذكاء الاصطناعي اليوم كتابة رموز بكفاءة لإجراء تحليلات بيولوجية. وكل ما عليّ فعله هو تحميل بياناتي وتقديم مُطالبة بسيطة، مثل: “افترض أنك خبير في المعلوماتية الحيوية. هل يمكنك إنشاء عشرة عناصر مرئية لتمثيل بيانات مختلفة بناءً على فهمك لمجموعة البيانات أعلاه؟” اعرض المخططات واحدًا تلو الآخر، مع مقدمة موجزة. ويُقدم الذكاء الاصطناعي الإجابات التي أحتاجها، متجاوزًا توقعاتي أحيانًا. إذًا، ما دوري في هذه العملية؟

وقد اكتشفتُ ذلك أثناء دراسة لسرطان الرئة. كان لدينا مئات من ملفات تعريف التعبير الجيني لأنسجة الورم، وطلبتُ من الذكاء الاصطناعي إعداد التحليل. ونجح الأمر بسرعة، بل وأنتج تقريرًا مُرتّبًا. وبدت النتائج الأولية رائعة – بل تكاد تكون أفضل من اللازم. وقد حدد الذكاء الاصطناعي فرقًا ذا دلالة إحصائية في مستويات التعبير الجيني قبل وبعد نقطة زمنية مُحددة.

ولكن مع تعمقي، لاحظتُ أنه في منتصف الدراسة، غيّر المختبر طريقة جمع البيانات. لقد التقط النموذج هذا الاختلاف – ليس اختلافًا بيولوجيًّا. وما بدا وكأنه إنجاز، كان في الواقع مجرد صدفة. وبمجرد أن عدّلتُ هذا التغيير، أصبح الاختلاف أقل حدة ولكنه عكس علم أحياء حقيقي.

وأدركتُ أن دوري قد تحوّل من كتابة السيناريوهات إلى الإشراف. وما يهم الآن هو طرح السؤال بوضوح، ورصد المشكلات التي لا يستطيع الكمبيوتر رؤيتها، وتحمّل مسؤولية الإجابة.

نصائح مهمة لمشرفي الذكاء الاصطناعي

يخبرني البعض أنني أستطيع جعل الذكاء الاصطناعي أكثر ذكاءً من خلال “إدراج سياق أوسع في الطلب”، لكن يبدو أن ذكائي الاصطناعي يتظاهر دائمًا بالجهل. ومهما بلغت دقة طلبي، فإنه يجد طرقًا لسوء الفهم. وعلى مدار السنوات القليلة الماضية، طورتُ بعض الأساليب للتحقق من عمله:

أنشئ مجموعة بيانات للتحقق

احتفظ بمجموعة بيانات صغيرة تفهمها جيدًا – مجموعة فرعية من بيانات منشورة سابقًا أو تم التحقق من صحتها يدويًّا، على سبيل المثال – كعنصر تحكم إيجابي. وقبل تطبيق “خط أنابيب” جديد مُولّد بواسطة الذكاء الاصطناعي على بياناتك، اختبره على هذه المجموعة. فإذا أسفر الذكاء الاصطناعي عن نتائج غير متوقعة أو غير متسقة، فستعرف فورًا أن الطلب أو الخوارزمية بحاجة إلى تحسين.

امزج البيانات

يمكن لنماذج الذكاء الاصطناعي بسهولة أن تُفرط في ملاءمة البيانات أو تتأثر بالتشوهات التقنية، كما حدث في دراسة سرطان الرئة. ولاختبار ما إذا كانت النتيجة ذات معنى بيولوجي، خلط تصنيفات العينات، أو قم بتشويش القيم قليلاً، أو أدخل تشويشًا اصطناعيًّا. فإذا استمر النمط “المهم”، فمن المحتمل أن يكون مجرد صدفة، وليس إشارة حقيقية.

قسّم التحليل إلى مجموعات فرعية

إذا كانت مجموعة البيانات كبيرة بما يكفي، فسأطلب من الذكاء الاصطناعي إجراء التحليل نفسه على مجموعات فرعية عشوائية منها. فالاتساق بين المجموعات الفرعية يزيد من الثقة: إذا اختلفت النتائج اختلافًا كبيرًا من مجموعة فرعية إلى أخرى، فقد لا تصمد النتيجة.

تحقق من افتراضاتك

تفترض العديد من النماذج التي يُنشئها الذكاء الاصطناعي أمورًا معينة حول البيانات التي تُحللها – على سبيل المثال، أنها تتبع توزيعًا طبيعيًّا، أو تتغير خطيًّا بمرور الوقت، أو أنها مستقلة عن المتغيرات المُربكة. وغالبًا ما لا تُذكر هذه الافتراضات صراحةً، ولكنها قد تؤثر بشكل كبير على التحليل. ونتيجةً لذلك، أتحقق دائمًا مما إذا كان الذكاء الاصطناعي قد طبّق اختباراته بشكل صحيح.

فعلى سبيل المثال، إذا طبّق تحليلًا إحصائيًّا يُسمى اختبار تي (t) للطالب، طريقة إحصائية لتحديد ما إذا كان الفرق بين متوسطي مجموعتين ذا دلالة إحصائية – والذي يفترض أن البيانات تتبع توزيعًا طبيعيًّا – على بيانات لا تتبع التوزيع الطبيعي، فسأعيد التحقق منه باستخدام طريقة أخرى. إن اختبار ويلكوكسون اختبار إحصائي غير معياري يستخدم لمقارنة عينتين مرتبطتين أو لاختبار موقع السكان، على سبيل المثال، غالبًا ما يكون أكثر موثوقية في مثل هذه الحالات.

كرر باستخدام أسئلة مُبسّطة

من تجربتي، يُؤدي توفير سياق أقل في السؤال أحيانًا إلى نتائج أكثر موثوقية. فإذا استخدمت سؤالًا مُفصّلًا بشكل خاص – مثلاً، مُحدّدًا قواعد البيانات والخوارزميات التي أريد أن يستخدمها الذكاء الاصطناعي – فسأُكرّر التحليل غالبًا باستخدام أسئلة أبسط، لمعرفة ما إذا كانت تُعطي نفس النتائج. ويُساعد هذا على تجنّب الإفراط في تكييف صياغة السؤال، بدلًا من البيانات.

كوّن إجماعًا

هناك العديد من أدوات الذكاء الاصطناعي في السوق، ومن الجيد تشغيل تحليلاتك على أكثر من أداة لمقارنتها. أستخدم تـشات أول(ChatALL)، وهي أداة ويب تتيح للباحثين تشغيل أبحاثهم عبر عدة أدوات ذكاء اصطناعي في آنٍ واحد. فإذا أسفرت أدوات مختلفة عن نتائج متسقة، تزداد مصداقية نتائجك، ويمكنك الشعور بمزيد من الثقة في استنتاجاتك.

استشر خبيرًا

على الرغم من قدرة الذكاء الاصطناعي على توليد إجابات سريعة، إلا أنه ليس كلي المعرفة، خاصةً عند مواجهة مشاكل بيولوجية معقدة. لذلك، غالبًا ما أراجع نتائجي في مجال الذكاء الاصطناعي مع زملاء ذوي خبرة في هذا المجال. وهذا يضمن أن تكون نتائج الذكاء الاصطناعي مبنية على المعرفة البيولوجية الحالية وقابلة للتطبيق في سياق العالم الحقيقي.

على أي حال، فإن صعود الذكاء الاصطناعي التوليدي في مجال المعلوماتية الحيوية لم يقلل من دوري، بل أعاد تعريفه. لقد تحداني لأصبح عالمًا أفضل. وسواء أكان ذلك جيدًا أم سيئًا، يبدو أن الذكاء الاصطناعي سيبقى. وأحثّكم على تبني هذه التقنية – ليس لاستبدال خبرتكم، بل لتوسيعها.