معهد MIT يحصل على ما يصل إلى 53 مليون دولار لتطوير ذكاء اصطناعي يبتكر بديلاً للغليفوسات

عندما يدور الحديث عن الذكاء الاصطناعي التوليدي، يتذكر الناس عادةً روبوتات الدردشة ومساعدي البرمجة. لكن إحدى أكثر القصص استقطاباً للتمويل تجري الآن في الكيمياء: النماذج تتعلم لا كتابة النصوص، بل ابتكار الجزيئات. وقد حصل معهد MIT للتو على ما يصل إلى 53 مليون دولار من ARPA-H لهذه المهمة، والهدف ليس الأدوية، بل مبيدات الأعشاب.

ما المشكلة المطروحة

تستخدم الولايات المتحدة كل عام أكثر من مليار رطل من مبيدات الأعشاب. فهي تحمي المحاصيل من الأعشاب الضارة وتتيح زراعة رفيقة بالتربة. لكن لها مشكلتين. أولاً، تكتسب الأعشاب الضارة طفرات المقاومة. فالغليفوسات مثلاً يثبّط إنزيم EPSP synthase الذي لا تستطيع النبتة من دونه إنتاج عدة أحماض أمينية مهمة. وتتيح الطفرات للأعشاب تجاوز هذا الحصار فيتوقف المبيد عن العمل. ثانياً، هناك مخاطر صحية: إذ تُربط مبيدات الأعشاب بارتفاع خطر السرطان والاضطرابات الصماوية والاستقلابية. المزارعون يتلقون الجرعة الأكبر، لكن آثار هذه المواد الكيميائية تصل إلى الغذاء والمياه لدى الجميع.

ويضاف إلى ذلك البعد الجيوسياسي. فالفوسفور، المكوّن الرئيسي للغليفوسات، تستورده الولايات المتحدة في معظمه. ويقول كريستوفر فويت، رئيس قسم الهندسة الحيوية في MIT ومدير مشروع PLOW، بوضوح: إن مقاومة الأعشاب الضارة مقترنةً بسلسلة إمداد هشّة قد تترك البلاد بلا كيماويات زراعية أساسية.

كيف يعمل المشروع: دورة «نموذج — مسح — بيت زجاجي»

ينقسم المشروع إلى ثلاثة فرق، والأهم فيه ليس نموذجاً منفرداً بل حلقة مغلقة.

1. النماذج التوليدية. ستتنبأ مجموعة كونور كولي وريجينا بارزيلاي وألكسندر تروبشا بجزيئات أو بحمض RNA صغير متداخل (siRNA) يعطّل الإنزيمات النباتية الرئيسية نفسها التي تستهدفها مبيدات الأعشاب الحالية. ويجب أن تراعي النماذج في آنٍ واحد عدة أهداف: تصنيعاً رخيصاً، وخطراً منخفضاً لظهور المقاومة، وأقل ضرر ممكن للإنسان والبيئة.
2. المسح عالي الإنتاجية. يُفترض أن تُنتج النماذج مليارات المرشحات. وستفحص مجموعة أنجيلا كولر وجيمي تشيا من معهد Broad المكتبات للتأكد من ارتباطها بالهدف. وستعود نتائج المسح إلى الفريق الحسابي لتحسين النماذج. وهذا في جوهره تعلّم نشط على بيانات مخبرية حقيقية.
3. البيوت الزجاجية. عندما تتقلص مجموعة المرشحين، سيختبر الفريق الثالث أداء الجزيئات في ظروف زراعية مختلفة. ويضم الفريق باحثين من جامعات تينيسي وإلينوي وكارولاينا الشمالية وشركة Robigo الناشئة. ويُفترض أن تنتهي أولى اختبارات مرشحات RNAi بحلول نهاية السنة الأولى من البرنامج.

ويُخصَّص مسار مستقل للأنظمة الميكروبية الحية، وهي بكتيريا وفطريات هندسية تحلل المواد الكيميائية الزراعية قبل وصولها إلى الغذاء والتربة والمياه، محوّلةً إياها ومكونات التركيبات إلى كتلة حيوية.

ما المهم هنا حقاً

أولاً القيود. هذا إعلان عن تمويل وليس نتيجة. فلا توجد في المادة معماريات للنماذج ولا مقاييس ولا دليل على أن النهج التوليدي سيجد جزيئات أفضل من المسح التقليدي. والطريق من مرشح في بيت زجاجي إلى مبيد معتمد طويل، وأمامه إجراءات تنظيمية لن يلغيها الذكاء الاصطناعي. لذا لا ينبغي توقع منتج على الرفوف في السنوات القريبة.

لكن بالنسبة إلى من يبنون منتجات على الذكاء الاصطناعي، ثمة هنا ثلاث إشارات مفيدة.

• القيمة في حلقة التغذية الراجعة. النموذج بحد ذاته لا قيمة له ما لم يُغذَّ ببيانات تجريبية جديدة. ويكسب من أدخل المختبر أو البيئة الحقيقية في حلقة التدريب.
• التحسين متعدد الأهداف يصبح القاعدة. المطلوب ليس جزيئات قوية فحسب، بل جزيئات رخيصة التصنيع، يصعب «اختراقها» بالطفرات، وآمنة الاستخدام. وإذا كنتم تصممون نظاماً توليدياً، فضمّنوا القيود في دالة الهدف منذ البداية.
• الكيمياء الزراعية تنفتح كسوق للذكاء الاصطناعي. الأموال الحكومية وشراكة الجامعات ومعهد Broad وشركة Robigo الناشئة تُظهر أن الفرصة أمام المؤسسين عند تقاطع الأحياء والكيمياء وتعلّم الآلة حقيقية ومموَّلة.

إذا كنتم تعملون بالذكاء الاصطناعي في العلوم، فتابعوا أولى البيانات عن مرشحات RNAi: فهي التي ستُظهر ما إذا كانت هذه الحلقة تعمل عملياً.