آینده‌ای که در آن بیولوژیست‌ها به میکروسکوپ نیاز ندارند؟
اگر برنامه‌ی استفن کوئِیک (Stephen Quake) محقق برجسته از موسسه Chan Zuckerberg موفق شود، آینده‌ی زیست‌شناسی سلولی دیگر بر پایه آزمایش‌های وقت‌گیر نخواهد بود. به‌گفته‌ی او:
«هدف ما این است که زیست‌شناسی سلولی از حالتی که ۹۰٪ تجربی و ۱۰٪ محاسباتی است، به حالتی برود که ۹۰٪ محاسباتی و ۱۰٪ تجربی باشد.»
در همین راستا، گروهی از دانشمندان در حال توسعه نسل جدیدی از سلول‌های مجازی هستند — مدل‌هایی مبتنی بر هوش مصنوعی که می‌توانند به‌جای هفته‌ها آزمایش، تنها با داده‌ها پیش‌بینی کنند که مثلاً سلول‌های سرطانی چگونه به یک دارو واکنش نشان می‌دهند.
سلول مجازی: ابزار آینده برای درک بیماری‌ها
کوئیک می‌گوید:
«سلول‌های مجازی ابزاری قدرتمند برای درک اختلالات در عملکرد سلول‌ها و ابتلا به بیماری‌ها هستند. در آینده، دانشمندان فقط برای تأیید نتایج این مدل‌ها آزمایش انجام خواهند داد.»
اگرچه هنوز در مراحل ابتدایی هستیم، اما این ایده توجه زیادی را به خود جلب کرده است. موسساتی مانند Chan Zuckerberg Initiative (CZI) قصد دارند طی ۱۰ سال آینده، صدها میلیون دلار روی ساخت این مدل‌ها سرمایه‌گذاری کنند. Google DeepMind نیز پروژه‌ای مشابه با نام «Virtual Cell» راه‌اندازی کرده است.
پروژه‌های نوظهور، مسیر دشوار
یان النبرگ (Jan Ellenberg)، زیست‌شناس مولکولی در سوئد و یکی از سرپرستان پروژه Alpha Cell (که در سال ۲۰۲۶ عرضه می‌شود)، می‌گوید:
«کار بسیار بزرگی در پیش داریم. فعلاً زمان آن است که پروژه‌های پیشگامانه‌ای اجرا شوند تا نشان دهند این کار اصولاً شدنی است.»
با این حال، برخی محققان معتقدند موج اخیر هیاهوی زیادی دارد اما خروجی علمی ملموس یا مسیر واضحی برای موفقیت ندارد. آنشول کونداجه (Anshul Kundaje) از دانشگاه استنفورد می‌گوید:
«این جریان بیشتر به‌عنوان یک شعار جذب سرمایه عمل کرده و مؤثر هم بوده است.»
گذشته و حال مدل‌سازی سلولی
مدل‌سازی سلول‌ها با کمک کامپیوتر موضوع تازه‌ای نیست. در سال ۲۰۱۲، دانشمندان موفق به ساخت اولین مدل محاسباتی کامل از یک سلول شدند: باکتری Mycoplasma genitalium که تنها ۵۲۵ ژن دارد. اما آن مدل‌ها بیشتر بر مبنای اصول مکانیکی و دقیق عمل می‌کردند، نه داده‌محور.
حالا با ورود مدل‌های بزرگ هوش مصنوعی و یادگیری ماشین، رویکرد جدید بر «یادگیری از داده‌ها» متمرکز شده است — مشابه چیزی که در مدل‌های زبانی بزرگ (LLMs) دیده‌ایم.
تمرکز فعلی: داده‌های توالی‌یابی RNA
نسل اول سلول‌های مجازی بیشتر از داده‌های تک‌سلولی RNA استفاده می‌کنند. این داده‌ها وضعیت فعلی سلول را از طریق فعالیت ژن‌ها ثبت می‌کنند و می‌توانند تنوع پنهان سلولی را آشکار کنند.
موسسه CZI قصد دارد اطلاعات مربوط به بیش از یک میلیارد سلول را منتشر کند و اخیراً Arc Institute نیز داده‌های ۱۰۰ میلیون سلول سرطانی را که در معرض صدها دارو قرار گرفته‌اند، منتشر کرده است.
به‌گفته‌ی هانی گودرضی از Arc، این نوع داده‌ها از نظر مقیاس و هزینه بسیار مناسب‌اند و می‌توانند سلول‌های مجازی را همانند مدل‌های زبانی پیشرفته، تغذیه کنند.
رقابت بر سر ساختن «سلول کامل»
Arc Institute به‌تازگی مدل اولیه‌ای به نام State معرفی کرده و مسابقه‌ای با جایزه ۱۷۵ هزار دلاری راه‌اندازی کرده است تا محققان بتوانند واکنش سلول‌های بنیادی انسانی را نسبت به تغییرات ژنتیکی پیش‌بینی کنند.
با این حال، برخی کارشناسان نسبت به کیفیت این مدل‌ها بدبین‌اند. کونداجه می‌گوید:
«این مدل‌ها در استفاده از داده‌های جدید عملاً شکست می‌خورند و فقط روی داده‌هایی که آموزش دیده‌اند، جواب می‌دهند.»
فراتر از RNA: نیاز به داده‌های تصویری
برای اینکه مدل‌های سلول مجازی واقعاً دقیق و کارآمد شوند، باید داده‌های دیگری نیز مانند تصاویر میکروسکوپی نوری و الکترونی را در خود بگنجانند. این داده‌ها تعامل اجزای درونی سلول را در طول زمان نشان می‌دهند.
النبرگ تأکید می‌کند:
«وقت آن رسیده که از صرفاً داده‌های توالی‌یابی تک‌سلولی عبور کنیم.»
آیا اصلاً تعریف مشخصی از «سلول مجازی» وجود دارد؟
ظاهراً نه. جونا کول، سرپرست پروژه میلیارد سلول در CZI، می‌گوید:
«اصلاً تعریف واحدی برای سلول مجازی وجود ندارد.»
تیم میچی‌سون از دانشگاه هاروارد هم که در یکی از جلسات برنامه‌ریزی سلول مجازی شرکت داشته، از نبود توافق میان دانشمندان خبر می‌دهد. با این حال، او معتقد است که ساخت مدل‌های دقیق برای سلول‌های خاص مانند سلول‌های قلب یا روده، یا برای فرآیندهایی مانند تنظیم ژن، در آینده نزدیک امکان‌پذیر است.
راهی دشوار اما ضروری
استفن کوئیک در پایان اذعان می‌کند:
«این مسیر آسان نیست. بیولوژیست‌ها هنوز برای استفاده از این مدل‌ها آماده نیستند… اما خود مدل‌ها هم برای دانشمندان آماده نیستند!»
ساخت سلول‌های مجازی شاید رؤیای امروز باشد، اما در آینده می‌تواند مسیر تشخیص، درمان و فهم عمیق‌تری از حیات را رقم بزند.
