به گزارش پایگاه اطلاع رسانی بنیان، به دلیل موفقیت‌های رایج (مانند ChatGPT)، صحبت در مورد هوش مصنوعی (AI) امروزه بر لبان همه است. هنگامی که پیشرفت‌های بیوتکنولوژی با پیشرفت‌های هوش مصنوعی ترکیب می‌شوند، راه‌حل‌های بالقوه بی‌سابقه‌ای در دسترس قرار می‌گیرند. این می‌تواند به بسیاری از مشکلات جهانی کمک کند و به اهداف مهم توسعه پایدار کمک کند. نمونه‌های فعلی عبارتند از: امنیت غذایی، سلامت و رفاه، آب پاک، انرژی پاک، مصرف و تولید مسئولانه، اقدام اقلیمی، زندگی زیر آب، یا حفاظت، بازیابی و ترویج استفاده پایدار از اکوسیستم‌های زمینی، مدیریت پایدار جنگل‌ها، مبارزه با بیابان‌زایی، و توقف و معکوس کردن تخریب زمین و توقف از دست دادن تنوع زیستی. هوش مصنوعی امروزه در علوم زیستی در همه جا حضور دارد. 
هوش مصنوعی چیست؟
هوش مصنوعی دارای سنت طولانی در علوم کامپیوتر است که بر هدف کلی ایجاد ماشین‌های "هوشمند" متمرکز شده است، اما اصطلاح هوش به وضوح تعریف نشده است و حتی اندازه‌گیری «هوش» بسیار دشوار است. زمینه هوش مصنوعی در سال 1956 توسط گروهی از دانشمندان کامپیوتر در طی یک کارگاه آموزشی در کالج دارتموث آغاز شد. اهداف بسیار بلندپروازانه بودند. هوش مصنوعی، یادگیری ماشینی (ML) و یادگیری عمیق (DL) همگی مرتبط اما متمایز هستند. در اینجا چند تفاوت اصلی بین این زمینه ها وجود دارد:
هوش مصنوعی یک اصطلاح چتر و یک زمینه گسترده است که به ایجاد سیستم‌های هوشمندی اشاره دارد که می‌توانند وظایفی را انجام دهند که معمولاً به هوش انسانی نیاز دارند، مانند یادگیری، حل مسئله و تصمیم‌گیری. ML زیرشاخه‌ای از هوش مصنوعی است که شامل آموزش رایانه‌های دیجیتال برای انجام وظایف بدون دستورالعمل‌های صریح، با استفاده از الگوها و بینش داده‌ها می‌شود. DL زیرمجموعه‌ای از ML است که از شبکه‌های عصبی مصنوعی با لایه‌های متعدد برای یادگیری و تصمیم گیری استفاده می‌کند. به ویژه برای کارهایی که شامل تجزیه و تحلیل مقادیر زیادی از داده‌ها هستند، مانند تصاویر (مانند DALL-E2) یا متن (مانند ChatGPT) مفید است.
هوش مصنوعی از زمان پیدایش خود یک رشته بسیار گسترده بوده است، از ملاحظات فلسفی تا کاربردهای واقعی در دنیای واقعی. بیش از هر موضوع دیگری، هوش مصنوعی از زمان معرفی رسمی خود به عنوان یک رشته دانشگاهی در شش دهه پیش، فراز و نشیب‌های بسیاری را تجربه کرده است. 
هوش مصنوعی در بیوتکنولوژی
هوش مصنوعی در بیوتکنولوژی کشاورزی
شرکت‌های بیوتکنولوژی اکنون از راه‌حل‌های AI/ML برای توسعه روبات‌های مستقلی استفاده می‌کنند که وظایف مهم کشاورزی مانند برداشت محصولات را با سرعتی بسیار سریع‌تر از انسان‌ها انجام می‌دهند. الگوریتم‌های Computer Vision و DL برای پردازش و تجزیه و تحلیل داده‌های گرفته شده توسط پهپادها استفاده می‌شوند. این به نظارت بر سلامت محصول و خاک کمک می‌کند. الگوریتم‌های ML به ردیابی و پیش بینی تغییرات مختلف محیطی از جمله تغییرات آب و هوایی که بر عملکرد محصول تأثیر می‌گذارد کمک می‌کند. دگرگونی دیجیتال نیز تأثیر زیادی بر حوزه کشاورزی هوشمند دارد. 
هوش مصنوعی در بیوتکنولوژی جنگل
چوب یک منبع مهم فزاینده برای بشریت است و جنگل‌های طبیعی از ارزش اکولوژیکی بسیار بالایی برخوردار هستند. با این حال، این جنگل‌های با رشد آهسته قادر به پاسخگویی به تقاضای فعلی نیستند و در نتیجه منابع جنگلی از بین می‌روند و تخریب می‌شوند. هوش مصنوعی می‌تواند برای تجزیه و تحلیل داده‌های تصاویر ماهواره‌ای، تصاویر هواپیماهای بدون سرنشین و سایر منابع برای پیش‌بینی رشد و عملکرد گونه‌های مختلف درختان در مکان‌های مختلف استفاده شود. این می‌تواند به بهینه سازی کاشت و مدیریت جنگل‌ها برای حداکثر بهره وری کمک کند. هوش مصنوعی می‌تواند برای تجزیه و تحلیل داده‌ها در مورد حضور و گسترش بیماری‌ها و آفات در جنگل‌ها و همچنین برای پیش بینی تأثیر احتمالی آن‌ها بر سلامت و بهره وری درختان استفاده شود. هوش مصنوعی می‌تواند برای بهینه سازی استفاده از منابع مانند آب و مواد مغذی در جنگل‌ها برای به حداکثر رساندن بهره وری و به حداقل رساندن ضایعات استفاده شود.
هوش مصنوعی در بیوتکنولوژی پزشکی
مقررات تشخیصی آزمایشگاهی اروپا (IVDR) به صراحت نرم افزار و در نتیجه الگوریتم‌های هوش مصنوعی را در الزامات خود گنجانده است. این چالش‌های مهمی را برای شرکت‌های تشخیص آزمایشگاهی (IVD) که از هوش مصنوعی برای تجزیه و تحلیل داده‌ها و پشتیبانی تصمیم‌گیری استفاده می‌کنند، ایجاد می‌کند. با این حال، اگر مسائل اخلاقی و قانونی در نظر گرفته شود و به خوبی به آن‌ها پرداخته شود، ما شاهد پتانسیل عظیم هوش مصنوعی برای متحول کردن بیوتکنولوژی پزشکی با امکان شناسایی و توسعه سریع‌تر، دقیق‌تر و مقرون‌به‌صرفه‌تر، فراتر از داروهای جدید هستیم. 
شناسایی هدف دارویی: هوش مصنوعی می‌تواند برای تجزیه و تحلیل داده‌ها از منابع مختلف، مانند داده‌های ژنومی و داده‌های تعامل پروتئین-پروتئین، برای شناسایی اهداف درمانی بالقوه برای درمان بیماری‌ها استفاده شود. این می‌تواند شامل استفاده از الگوریتم‌های یادگیری ماشینی برای شناسایی الگوها و همبستگی‌هایی باشد که ممکن است برای انسان آشکار نباشد.
غربالگری دارو: هوش مصنوعی می‌تواند برای تجزیه و تحلیل داده‌های مربوط به فعالیت داروهای بالقوه علیه اهداف مختلف برای شناسایی مواردی که به احتمال زیاد مؤثر هستند، استفاده شود. این می تواند شامل استفاده از الگوریتم های ML برای پیش بینی احتمال موثر بودن یک داروی خاص بر اساس ویژگی های آن و ویژگی های هدف باشد.
 هوش مصنوعی در بیوانفورماتیک
در حالی که ML در حال حاضر به خوبی در تحقیقات پزشکی با ادغام رویکردهای چندگانه برای زیست شناسی سیستم تثبیت شده است، هنوز چالش‌هایی در علوم زیست محیطی وجود دارد. به عنوان مثال، استفاده از متاپروتئومیک خاک و پیوند به سایر داده‌های omic، یا حتی فقدان این اطلاعات، توان و زمان محاسباتی را مصرف می‌کند، زیرا اندازه پایگاه‌های داده عمومی به طور چشمگیری افزایش می‌یابد. در اینجا، الگوریتم‌های DL ممکن است راه‌حلی برای صرفه‌جویی در منابع باشند، زیرا ML به ویژه برای پیش‌بینی مجموعه‌های داده بزرگ مفید است و انسان در حلقه می‌تواند قدرت توضیحی را با کنار گذاشتن بازدیدهایی که برای اکوسیستم مورد مطالعه قابل قبول نیستند، افزایش دهد. ترکیب داده‌های omics با بیوانفورماتیک و ML امکان حرکت از داده‌هایی را که ماهیت توضیحی دارند به کاربرد در زمینه‌هایی مانند پزشکی و همچنین کشاورزی و جنگل‌داری می‌دهد.
چالش‌های مقطعی
فعال کردن توسعه مدل هوش مصنوعی قابل اعتماد
تحقیقات بیوتکنولوژیکی و زیست پزشکی از مسائل تکرارپذیری در دهه‌های اخیر رنج برده است. مطالعاتی که به طور سیستماتیک به منابع این مشکلات نگاه می‌کنند، نشان می‌دهد که مشکلات در یک بخش خاص بومی سازی نشده‌اند، بلکه در بخش‌های مختلفی از کل زنجیره اشیاء تحقیقاتی، از مواد بیولوژیکی تا داده‌های تولید شده/جمع آوری شده تا داده‌ها بومی سازی شده‌اند. این منجر به توسعه مدل‌های منشأ شده است که تاریخچه مستند اشیاء تحقیقاتی را به روشی قابل خواندن توسط ماشین در محیط‌های چند نهادی توزیع شده، از جمله توسعه استاندارد در ISO به عنوان سری استاندارد 23494، امکان‌پذیر می‌سازد. هنگامی که پسوندهای مدل خاص دامنه در دسترس هستند، و منشأ به طور سیستماتیک ایجاد می‌شود، می‌توان از آن‌ها برای ارزیابی برنامه‌ای کیفیت داده، یعنی تناسب برای اهداف خاص استفاده کرد. منشأ قابل خواندن توسط ماشین همچنین می‌تواند از اهداف نظارتی مختلفی مانند دسترسی و اشتراک مزایا برای منابع ژنتیکی (ABS، همچنین به عنوان پروتکل ناگویا شناخته می‌شود)، یا مستنداتی برای اهداف انطباق با مقررات تشخیصی در شرایط آزمایشگاهی (In Vitro Diagnostic Regulations) پشتیبانی کند. 
به طور خاص برای توسعه مدل‌های هوش مصنوعی، محدودیت‌ها ناشی از در دسترس بودن مقادیر کافی از داده‌ها است که برای هدف مناسب هستند، یعنی کیفیت کافی. سپس در دسترس بودن داده‌ها در بسیاری از موارد به در دسترس بودن مواد بیولوژیکی مناسب برای هدف بستگی دارد. در دسترس بودن داده‌ها به طور کلی با پذیرش گسترده اصول FAIR  و دامنه یا پسوندهای موضعی آن‌ها، مانند FAIR-Health یا FAIR4RS تحریک شده است. در برخی حوزه‌ها، ابتکارات متمرکزی برای تولید مخازن داده‌های با کیفیت بالا برای اهداف هوش مصنوعی وجود دارد، مانند شبکه تحقیقاتی TCGA (https://www.cancer.gov/tcga) با بیش از 2.5 پتابایت داده که به صورت عمومی برای هر کسی در دسترس است. هوش مصنوعی یک اصطلاح بسیار گسترده است که امروزه به طور کلی و عملی برای هر چیزی که در آن هر سیستم پردازش اطلاعات دیجیتال هر داده‌ای را پردازش می‌کند استفاده می‌شود. بنابراین، دیجیتالی شدن و تحول دیجیتال در آغاز هر کاربرد هوش مصنوعی نقش اساسی دارند. این دقیقاً در دسترس بودن حجم داده‌های بزرگ و با کیفیت بالا و افزایش سریع قدرت محاسباتی است که از عوامل تعیین کننده بوده و خواهد بود. اینها در آینده نیز نیروهای محرکه هوش مصنوعی خواهند بود. 
پایان مطلب/.