مع التطور المستمر لتقنيات الكشف البيولوجي، وتجارب الاضطراب، والنمذجة الحاسوبية، تتحسن دقة ونطاق أبحاث علوم الحياة بشكل سريع. ومع ذلك، بالمقارنة مع القدرة المتنامية بسرعة على إنتاج البيانات، فإن القدرات الذكية لنظام البحث في تكامل المعرفة والاستدلال العلمي لا تزال متأخرة بشكل ملحوظ.تتوزع كمية هائلة من المعلومات القيّمة بين الأوراق البحثية وقواعد البيانات ونتائج التجارب. والاعتماد على الفرز اليدوي ليس غير فعال فحسب، بل يجعل من الصعب أيضاً ربط الاستنتاجات الموجودة عبر مختلف المجالات.وقد أدى ذلك إلى فشل العديد من النتائج التي تم التحقق منها في التحول إلى أفكار بحثية جديدة أو بروتوكولات سريرية في الوقت المناسب.

تتجلى مشكلة "تجزئة المعرفة" بشكل خاص في مجال "إعادة استخدام الأدوية". سواء كان ذلك الاكتشاف اللاحق لتأثيرات دابرافينيب الواقية للأذن أو توسيع القيمة العلاجية الجديدة للكيتامين، فقد شهد كلاهما تأخيرات في الترجمة لعدة سنوات أو حتى عقود، مما يعكس الاختناقات الحالية في اكتشاف المعرفة ودمجها في عملية البحث العلمي.

في السنوات الأخيرة، بدأت نماذج اللغة الكبيرة (LLMs)، بقدراتها على الاسترجاع والاستقراء والاستدلال المنطقي التي طُوّرت من خلال التدريب على مجموعات بيانات ضخمة، في إظهار إمكاناتها في أبحاث علوم الحياة. ومن خلال الجمع بين تقنيات الضبط الدقيق، والتوليد المُعزز بالاسترجاع (RAG)، والتعاون بين عدة وكلاء، حققت هذه النماذج أداءً يُضاهي أو حتى يتفوق على الأداء البشري في مهام فردية مثل تحليل الأدبيات، والتنبؤ بالأدوية، وتوليد الفرضيات العلمية. ومع ذلك،لا تزال معظم أدوات الذكاء الاصطناعي الحالية تغطي أجزاء معينة فقط من عملية البحث ولا يمكنها حقًا ربط سلسلة "توليد الفرضيات - التصميم التجريبي - تحليل البيانات - تكرار النتائج".لذلك، لا يمكن تحقيق البحث العلمي الذكي ذي الحلقة المغلقة بشكل حقيقي حتى الآن.

ولمعالجة هذه المشكلة، اقترح فريق مشترك من FutureHouse في سان فرانسيسكو وجامعة أكسفورد وجامعة فوردهام نظام Robin البيولوجي متعدد العوامل.هذا هو أول نظام ذكي طبي حيوي يدمج في آن واحد القدرة على توليد الفرضيات العلمية وتحليل البيانات التجريبية، ويحقق سير عمل مستمر ذو حلقة مغلقة.

يستطيع نظام روبن، من خلال التعاون بين وكيل استرجاع الأدبيات ووكيل تحليل البيانات، إنجاز تحليل آلية المرض، وفحص الأدوية المرشحة، ومراجعة التجارب، وتطوير الفرضيات بشكل شبه مستقل. استخدم فريق البحث التنكس البقعي الجاف المرتبط بالعمر (dAMD)، وهو مرض ذو خيارات علاجية محدودة واحتياجات سريرية ملحة، كسيناريو تطبيقي للتحقق من قدرات روبن في الفحص الذكي للأدوية، مما يوفر نموذجًا عمليًا جديدًا لتطوير الأدوية الجديدة وإعادة استخدام الأدوية القائمة على الذكاء الاصطناعي.

تم نشر نتائج البحث ذات الصلة، بعنوان "نظام متعدد العوامل لأتمتة الاكتشاف العلمي"، في مجلة Nature.

أبرز الأبحاث:

* نظام روبن هو الأول الذي يدمج توليد الفرضيات الأدبية وتحليل البيانات التجريبية البيولوجية في سير عمل مغلق الحلقة مستمر.

* يتميز نظام روبن بقدرته على التكيف مع نتائج البحوث العلمية متعددة التخصصات. ففي مجال تطوير الأدوية العلاجية، يكفي إدخال اسم المرض المستهدف، ليقوم النظام تلقائيًا بفحص الآليات المرضية الرئيسية للمرض، ومطابقة النماذج التجريبية المختبرية، واقتراح الأدوية المرشحة، وإكمال تحليل البيانات التجريبية، وتحديث الجزيئات المرشحة بشكل متكرر.

باستخدام dAMD كمثال بحثي، اقترح روبن لأول مرة استراتيجية جديدة لعلاج التنكس البقعي الجاف باستخدام مثبطات ROCK لتعزيز وظيفة البلعمة في خلايا الظهارة الصبغية للشبكية.

عرض الورقة:
https://www.nature.com/articles/s41586-026-10652-y

مجموعات البيانات: تغطي الأدبيات العامة، ومعايير المعلوماتية الحيوية، والبيانات التجريبية

قامت هذه الدراسة بإنشاء نظام بيانات ثلاثي المستويات يتكون من بيانات الأدبيات المتاحة للجمهور، وبيانات مرجعية عامة في مجال المعلوماتية الحيوية، وبيانات تجريبية ذاتية.يغطي هذا البرنامج أنواعًا مختلفة من المهام، بما في ذلك النصوص الأدبية، ومهام تحليل المعلوماتية الحيوية، والكشف عن الخلايا، وتسلسل النسخ الجيني.يغطي هذا بشكل أساسي سيناريوهات البيانات الأساسية في عملية تطوير الأدوية باستخدام الذكاء الاصطناعي.

أولاً، قام الباحثون بدمج 551 ورقة بحثية علمية صينية وإنجليزية متعلقة بمرض التنكس البقعي المرتبط بالعمر كقاعدة معرفية للنظام لتوليد الفرضيات العلمية.يشمل ذلك 151 دراسة حول آليات المرض و 400 ورقة بحثية حول وظيفة البلعمة للخلايا الظهارية الصبغية الشبكية وارتباطها بالأمراض.لا تقتصر فائدة هذه الدراسات على توضيح آليات الأمراض فحسب، بل توفر أيضًا أساسًا نظريًا لفحص النماذج التجريبية المخبرية وتطوير أدوية مرشحة لإعادة استخدامها. وهي المصدر الأساسي لجهود روبن في استخراج المعرفة.

ثانيًا، استخدم الباحثون مجموعة بيانات BixBench المعيارية العامة للمعلوماتية الحيوية لتقييم قدرات النظام في تحليل البيانات كميًا.اختارت الدراسة 170 سؤالاً اختبارياً متعلقاً بتطوير الأدوية.يغطي هذا الاختبار أنواعًا مختلفة من المهام، بما في ذلك تحليل النسخ الجيني، وعلم الجينوم، وتحليل الإثراء الوظيفي، وتحليل التسلسل، والاختبارات الإحصائية. جميع الأسئلة مصحوبة بحزم بيانات موحدة، وإجابات نموذجية، وخيارات بديلة، والتي يمكن استخدامها لتقييم قدرة العوامل على التكيف والاستقرار بشكل منهجي في سيناريوهات المعلوماتية الحيوية الواقعية.

أيضًا،كما قام الباحثون بإنشاء مجموعة بيانات تجريبية خاصة بهم لتوفير دعم واقعي لتكرار النموذج والتحقق التجريبي.تتضمن البيانات نتائج قياس التدفق الخلوي لخلايا ARPE-19 وخلايا جذعية ظهارية صبغية شبكية بشرية أولية، وبيانات النسخ الجيني RNA-seq بعد معالجات دوائية متعددة، ونتائج السمية الخلوية، والتلوين المناعي الخلوي، واختبار VEGF المناعي المرتبط بالإنزيم. تم الحصول على عينات الخلايا البشرية من بنك نيويورك لإصلاح العيون، وجميعها خلايا جذعية ظهارية صبغية شبكية من متبرعين تبلغ أعمارهم 60 عامًا أو أكثر ولا يعانون من أي أمراض عيون، مما يضمن صحة البيانات التجريبية وقيمتها المرجعية السريرية.

روبن: أنظمة متعددة العوامل لاكتشاف العلوم الطبية الحيوية

يختلف برنامج روبن، المبني على إطار عمل أفياري والذي يعمل في بيئة جوبيتر نوت بوك، عن أدوات الذكاء الاصطناعي البحثية التقليدية التي تؤدي مهامًا منفردة فقط. فهو الأول الذي يحقق سير عمل مغلق الحلقة بشكل مستمر، يشمل "توليد الفرضيات العلمية، والتحليل التجريبي، وتلقي نتائج التغذية الراجعة، وتكرار الفرضيات".يمكنها إكمال عملية البحث العلمي بأكملها بشكل شبه مستقل، بما في ذلك البحث في آلية المرض، وفحص الأدوية المرشحة، وتحليل البيانات التجريبية.

يعتمد النظام على بنية أساسية "ثلاثية العوامل"، تتكون من عاملين للمستندات وعامل واحد لتحليل البيانات يعملان معًا.

في،يُعدّ كل من عميلي استخبارات الوثائق، كرو وفالكون، مسؤولين بشكل أساسي عن استخراج المعرفة من الوثائق وتوليد الفرضيات العلمية.يعتمد كلا النظامين على نموذج OpenAI o4-mini. يتولى نظام Crow مسؤولية استرجاع الأدبيات المتعلقة بالأمراض، وتحليل الآليات المرضية، وفحص النماذج التجريبية، واكتشاف المرشحين الدوائيين الأوليين. كما يتميز بقدرته على دمج الأبحاث المتفرقة بشكل منهجي واستخلاص الاستنتاجات العلمية الرئيسية. أما نظام Falcon، فيتولى مسؤولية التحقق المعمق والتحسين. ويقوم بتحليل الآليات الدوائية والأسس النظرية والقيود المحتملة للحلول المرشحة التي يقترحها نظام Crow، ويصحح الاستشهادات الخاطئة في الأدبيات، مما يقلل من مشكلة "الوهم" التي قد تصاحب النماذج الكبيرة.

الوحدة الأساسية الثالثة، فينش، هي وكيل ذكي مصمم خصيصًا لتحليل البيانات التجريبية البيولوجية.على عكس الأدوات التقليدية التي تعتمد على نصوص تحليل ثابتة، يستخدم برنامج Finch الاستدلال التوليدي، حيث يقوم بإنشاء وتنفيذ أكواد Python أو R في الوقت الفعلي بناءً على خصائص البيانات التجريبية. وهذا يُمكّنه من أداء مهام مثل تحليل التدفق الخلوي، وتحليل التعبير التفاضلي لتسلسل الحمض النووي الريبوزي (RNA-seq)، وإثراء وظائف الجينات، بشكل تكيفي. وهذا يعني أن النظام لم يعد مقيدًا بسير عمل تحليلي مُحدد مسبقًا، بل يُمكنه تعديل استراتيجيات التحليل الخاصة به ديناميكيًا، تمامًا كما يفعل الباحث.

لتقليل عشوائية النماذج الكبيرة في تحليل البيانات،قام روبن أيضاً بتصميم آلية "تحليل المسارات المتعددة + تكامل التوافق".يستطيع النظام تشغيل 8 مسارات تحليلية مستقلة باستخدام خوارزمية فينش في آنٍ واحد. يُكمل كل مسار على حدة عملية توليد الشفرة، وتحليل البيانات، وإخراج النتائج. وفي النهاية، تُدمج استنتاجات المسارات المتعددة من خلال التحليل التلوي، مما يقلل الانحراف الناتج عن التقلبات واختلافات المعلمات في التحليل أحادي الجولة، ويُحسّن استقرار النتائج.

وفيما يتعلق بآليات التقييم، قدم روبن أيضاً نظام مراجعة نماذج واسع النطاق من مستويين.يستخدم النظام نموذج مراجعة Claude 3.7 Sonnet من Anthropic كنموذج أساسي، ويجمعه مع Google Gemini 2.5 Pro للتوافق مع تفضيلات خبراء المجال.تُقيّم الآليات المرشحة والنماذج التجريبية وأنظمة العلاج الدوائي بشكل هرمي من خلال المقارنات الثنائية والتصنيف التنافسي. عندما يكون عدد الأنظمة المراد تقييمها قليلاً، يُستخدم التزاوج الكامل؛ وعندما يكون العدد كبيراً، تُستخدم العينة العشوائية للمقارنة. يُستخدم نموذج برادلي-تيري-لوس لإتمام التصنيف المرجح، مما يضمن دقة التقييم مع التحكم في التكاليف الحسابية.

علاوة على ذلك، ولضمان إمكانية تكرار عملية التحليل، تُشغَّل جميع مهام Finch في بيئات حاويات Docker مستقلة، وتأتي مُثبَّتة مسبقًا بمجموعة أدوات معلوماتية حيوية متكاملة. كما قام فريق البحث بتحسين وتبسيط سير العمل من خلال جولات متعددة من هندسة Prompt، ما أدى إلى ضغط العملية الأصلية المعقدة في سير عمل Jupyter مستقر وسهل الاستخدام، وبالتالي تعزيز قابلية تشغيل النظام في سيناريوهات البحث.

اكتشف روبن أن الليباسوديل يزيد من القدرة على البلعمة بمقدار 1.89 مرة.

تركز هذه الدراسة على dAMD كسيناريو تطبيق أساسي لها، وتصمم مجموعات متعددة من تجارب التحقق حول قدرات توليد الفرضيات لروبن، وقدرات تحليل البيانات، والفعالية المعمارية، وكفاءة تطوير الأدوية الحقيقية.

تركز التجارب الأساسية على فحص الأدوية المرشحة والتحقق من آلية عملها. حدد روبن أولاً 10 آليات مرضية رئيسية لمرض التنكس البقعي المرتبط بالعمر من خلال تحليل الأدبيات وحدد "تعزيز وظيفة البلعمة للخلايا الظهارية الصبغية الشبكية" باعتباره الاتجاه العلاجي الأساسي.في الجولة الأولى من الفحص، اقترح النظام 30 دواءً مرشحًا. اختار الباحثون الإكسيناتيد، والفينغوليمود، وY-27632، وأدوية أخرى من بينها لإجراء التجارب، واستخدموا الدواء الفعال المعروف MFGE8 كعنصر تحكم إيجابي.

بعد ذلك، اقترح روبن بشكل مستقل بروتوكولًا تجريبيًا لتسلسل النسخ الجيني، وأكمل فينش تحليل البيانات. وأظهرت النتائج أن المركب Y-27632 قادر على إعادة برمجة النسخ الجيني لخلايا الظهارة الصبغية الشبكية من خلال تنظيم الهيكل الخلوي للأكتين، ومسار الالتهام الذاتي، وجين نقل الدهون الرئيسي ABCA1، كاشفًا بذلك عن آلية عمل غير معروفة سابقًا.

ولزيادة تعزيز الأهمية السريرية لفحص الأدوية، أجرت الدراسة لاحقاً جولة ثانية من تجارب تكرار الأدوية. أضاف روبن 10 مرشحين جدد للأدوية ووجد أن دواء ريباسوديل لعلاج الجلوكوما المسوق كان أكثر فعالية من Y-27632، مما زاد من قدرة البلعمة الخلوية بحوالي 1.89 مرة.ثم استخدم فريق البحث خلايا جذعية ظهارية صبغية شبكية بشرية أولية، وهي أقرب إلى البيئة الفيزيولوجية الحقيقية، لإعادة الفحص. وأكدت النتائج مرة أخرى التأثيرات المعتمدة على الجرعة للريباسوديل وY-27632، وأظهرت أن الريباسوديل لا يُظهر سمية خلوية واضحة، ويتمتع بإمكانات عالية للتطبيق السريري.

والجدير بالذكر أن روبن اكتشف أيضاً أن منظم الإيقاع اليومي KL001 لديه القدرة على تعزيز وظيفة البلعمة، مما يفتح آفاقاً بحثية جديدة لعلاج التنكس البقعي المرتبط بالعمر. وقد أكدت دراسة النسخ الجيني اللاحقة أن الريباسوديل قادر على رفع مستوى التعبير عن جين ABCA1 بشكل مستقر، مما يوضح آلية عمله الأساسية.

في مقارنة مع أنظمة أبحاث الذكاء الاصطناعي العامة المنافسة، استخدم فريق البحث نفس التعليمات لاستدعاء وكيل البحث العميق من OpenAI. لم يُظهر أي من الأدوية المرشحة السبعة عشر المُولَّدة نشاطًا مُعززًا للبلعمة، كما لم تُحدد الآلية الأساسية لتثبيط ROCK، مما يُبرز مزايا قابلية التكيف لروبن في سيناريوهات طبية حيوية مُحددة.

علاوة على ذلك، في اختبار BixBench المعياري،بلغت الدقة الإجمالية لعامل Finch 22.8±1.7%، وهو أعلى بكثير من 1.6±1.2% لنموذج اللغة الكبير النقي.بلغت معدلات الدقة في مهام الإحصاء الحيوي 47.9 ± 1.51 نقطة لكل 3000 نقطة، وفي تحليل التدفق الخلوي الأساسي 1001 نقطة لكل 3000 نقطة، وفي تحليل تسلسل الحمض النووي الريبوزي 861 نقطة لكل 3000 نقطة. تشير هذه النتائج إلى أن إطار عمل وكيل البحث المصمم خصيصًا يُمكنه تحسين القدرات العملية للنماذج الكبيرة ذات الأغراض العامة في تحليل البيانات البيولوجية بشكل ملحوظ؛ ومع ذلك، لا يزال هناك مجال لمزيد من التحسين في مهام المعلوماتية الحيوية المعقدة ومتعددة الخطوات.

يُظهر نظام روبن أيضًا ميزة واضحة من حيث الكفاءة والتكلفة. تُشير إحصاءات البحث إلى أن متوسط تكلفة سير عمل بحثي كامل باستخدام النظام يبلغ حوالي 10.76 دولارًا فقط؛ في حين،تمكن روبن من إكمال التحليل المتكامل لـ 551 وثيقة في غضون 30 دقيقة.عادةً ما يتطلب إنجاز نفس القدر من العمل أكثر من 800 ساعة يدويًا. وبشكل عام، يُنجز النظام جولة واحدة من عملية البحث في أقل من ساعتين، أي بكفاءة تفوق عمليات البحث اليدوية التقليدية بنحو 200 ضعف.

الكلمات الأخيرة

تتجاوز أهمية روبن مجرد اكتشاف العديد من المرشحين المحتملين للأدوية. والأهم من ذلك، أنه يُظهر لأول مرة إمكانية تطور الذكاء الاصطناعي من مجرد "أداة مساعدة" إلى "نظام بحث شبه مستقل" في علوم الحياة. بالطبع، لا تزال هذه الأنظمة بعيدة كل البعد عن أن تكون "علماء مستقلين" بالمعنى الحقيقي. فقضايا مثل تصميم التجارب المعقدة، وفهم الآليات البيولوجية على مختلف المستويات، وقابلية تفسير النتائج، لا تزال تعتمد بشكل كبير على مشاركة خبراء المجال. ومع ذلك، فإن ظهور روبن يُظهر على الأقل أن الذكاء الاصطناعي لم يعد مجرد أداة لمساعدة الباحثين على "تحسين الكفاءة"، بل إنه يكتسب تدريجياً القدرة على المشاركة في الاكتشاف العلمي نفسه.