15 تحديًا للذكاء الاصطناعي التوليدي في بيولوجيا الخلية: ماذا يقول مقال Cell

ليزا إرنست · 21.08.2026 · الذكاء الاصطناعي · 13 دقيقة.

في 17 أغسطس 2026، نشرت مجلة Cell مقال الرأي "خمسة عشر تحديًا لتطبيقات الذكاء الاصطناعي التوليدي في بيولوجيا الخلية". بدلاً من الإعلان عن نموذج كبير آخر كاختراق، يطرح فريق المؤلفين سؤالاً أكثر أساسية: ما هي المهام التي يجب على الذكاء الاصطناعي التوليدي حلها بالفعل قبل أن نتحدث عن تنبؤ موثوق والتحكم المستهدف في الخلايا؟

الإجابة هي 15 تحديًا، تتراوح من التفاعلات الجزيئية، وحالات الخلايا، وآليات العمل، إلى المؤشرات الحيوية، واستجابات الكائنات الحية، والتجارب السريرية. وبالتالي، فإن الورقة أقل من كونها ترتيبًا للنماذج الحالية، بل هي اقتراح لأهداف علمية أفضل: يجب قياس النجاح بناءً على ما إذا كان النموذج يقدم تنبؤات مفيدة وقابلة للتحقق تجريبيًا في مواقف بيولوجية غير معروفة.

المصدر: Pexels / CDC

مختصر ومفيد

• يصيغ المقال 15 تحديًا محددًا للذكاء الاصطناعي التوليدي في بيولوجيا الخلية ويصنفها ضمن أربعة مستويات: التفاعلات الجزيئية، والوظيفة الجزيئية، ووظيفة الخلية/النظام، والترجمة.
• النقطة الأساسية ليست ما إذا كان النموذج يعيد بناء البيانات البيولوجية بشكل مقنع، بل ما إذا كان يتخذ تنبؤات صحيحة وذات صلة عملية خارج مواقف التدريب المعروفة.
• التحديات الخاصة صعبة بشكل خاص فيما يتعلق بالسببية: أي تدخل يغير حالة الخلية، ولماذا يعمل الدواء، وكيف تتواصل الخلايا مع بعضها البعض، أو ما هي نتيجة دراسة لم يتم إجراؤها بعد؟
• لذلك، فإن نماذج الأساس الحالية ليست "خلايا افتراضية" تلقائيًا. على سبيل المثال، أظهر مقياس أداء نُشر في عام 2025 أن العديد من نماذج التعلم العميق لم تتمكن من التفوق باستمرار على خطوط الأساس البسيطة في التنبؤ بالاضطرابات الوراثية.
• تجمع التحديات الـ 15 بين تطوير الذكاء الاصطناعي وعلم الأحياء التجريبي: يجب تصميم مقاييس الأداء الجيدة بحيث يمكن ترجمة التقدم إلى اكتشاف بيولوجي قابل للقياس.

ما يسعى مقال Cell لتحقيقه بالفعل

عمل ليو دوبير و 14 مؤلفًا آخر - بمن فيهم ثيوفانيس كاراليتسوس، وشانا أو. كيلي، وإيما لوندبرغ، وجيان ما، وستيفن آر. كواك، وأندريا كاليفانو - هو منظور، أي مساهمة توجيهية ونقاش علمي. لا يقدم نموذجًا خلويًا جديدًا واحدًا بأداء جديد. بدلاً من ذلك، يحاول توجيه المجال نحو المهام التي يكون لحلها معنى بيولوجي.

هذا مهم لأن "الأداء الجيد" في علم الأحياء الحسابي يعتمد بشكل كبير على ما يتم قياسه بالضبط. يمكن للنموذج تصنيف أنواع الخلايا المعروفة بشكل جيد للغاية أو إكمال القيم المفقودة بشكل معقول، ومع ذلك يفشل في التنبؤ بالاستجابة لاضطراب وراثي جديد، أو نسيج غير معروف، أو عامل علاجي جديد. بالنسبة لبيولوجيا الخلية التنبؤية حقًا، فإن هذا التعميم أمر حاسم.

المصدر: pexels.com

مقياس الذكاء الاصطناعي المفيد بيولوجيًا ليس مجرد قيمة جيدة لمقياس الأداء. الأهم هو ما إذا كانت التنبؤات تصمد في التجارب تحت ظروف جديدة وتساعد الباحثين في اتخاذ القرار التالي.

ينظم المؤلفون المهام الـ 15 على طول مقياس بيولوجي متزايد. في الأسفل، يتم تقديم العناوين الأصلية باللغة الإنجليزية للتحديات. التوضيحات باللغة الألمانية هي تصنيف تحريري لنوع التنبؤ أو مهمة التصميم التي يجب اختبارها؛ إنها ليست ترجمة حرفية للنص الكامل للمقال.

نظرة عامة على التحديات الـ 15

المستوى 1: التفاعلات الجزيئية

في المستوى الأول، يتعلق الأمر بالعلاقات الأساسية التي ينشأ منها سلوك الخلية. لا يحتاج النموذج إلى التعرف فقط على الجزيئات التي تحدث معًا، بل يجب أن يكون قادرًا على التعامل بشكل موثوق مع السياق التنظيمي، وحالة الكروماتين، والتواصل بين الخلايا.

المصدر: commons.wikimedia.org / National Institutes of Health

ينشأ سلوك الخلية من الهياكل والتفاعلات على مستويات متعددة. يوضح تصوير NIH خلايا HeLa مع الأكتين باللون الأحمر، والأنيبيبات الدقيقة باللون السماوي، والنوى باللون الأزرق - مثال توضيحي للتنظيم الجزيئي والخلوي الموجود في نفس الوقت.

المستوى 2: الوظيفة الجزيئية

ينقل المستوى الثاني السؤال من العلاقات المرصودة إلى الوظيفة. هنا يصبح من المثير للاهتمام ما إذا كان الذكاء الاصطناعي يمكن أن يستنتج التأثير البيولوجي من التسلسلات والمكونات الجزيئية أو حتى يبتكر آليات وظيفية جديدة.

المستوى 3: وظيفة الخلية والنظام

في هذا المستوى، يصبح التنبؤ الجزيئي مهمة نظام. تمتلك الخلية العديد من الحالات المحتملة، وتستجيب لبيئتها، ويمكن إعادة برمجتها من خلال التدخلات. هنا بالضبط يتضح لماذا لا يكون "نموذج اللغة للجينات" خلية افتراضية كاملة تلقائيًا.

المصدر: pexels.com

تتطلب العديد من المهام المقترحة حلقة مغلقة من النموذج والتجربة: صياغة التنبؤ، واختباره في مزرعة خلايا خاضعة للرقابة، وقياس الانحرافات، واشتقاق جيل النموذج التالي منها.

المستوى 4: الترجمة

المستوى الرابع هو اختبار الواقع الأصعب. الآن، يجب أن تؤدي التنبؤات الجزيئية والخلية إلى أسئلة ذات صلة بتطوير الأدوية والطب. لا يزداد التعقيد البيولوجي فحسب، بل تزداد أيضًا أهمية جودة البيانات، وعدم تجانس المرضى، والتحقق الاستباقي.

المصدر: pexels.com

تمتد التحديات الأخيرة إلى الترجمة. كلما اقترب التنبؤ من سلامة الأدوية، أو فعاليتها، أو الدراسات السريرية، زادت المتطلبات على البيانات المستقلة، وقابلية التكرار، والتأكيد الاستباقي.

لماذا مقاييس الأداء الحالية للخلايا "الافتراضية" غير كافية

تضرب التحديات الـ 15 نقطة حساسة في بيولوجيا الذكاء الاصطناعي الحالية: يمكن أن يكون مقياس الأداء نظيفًا تقنيًا ومع ذلك يولد فهمًا خاطئًا للتقدم. إذا كانت بيانات التدريب والاختبار متشابهة جدًا، فيمكن للنموذج استيفاء الأنماط دون فهم الآلية الأساسية بشكل كافٍ. لذلك، تتطلب قوة التنبؤ الحقيقية حالات اختبار مصممة عمدًا للخروج عن التوزيع المعروف - مثل الاضطرابات الجديدة، أو أنواع الخلايا الأخرى، أو الأنسجة الأخرى، أو التركيبات التي لم يراها النموذج أثناء التدريب.

أظهرت أهمية هذا الاعتراض في عام 2025 عمل مفتوح الوصول في Nature Methods. قارن كونستانتين أهلمان-إلتزه، وولفغانغ هوبر، وسيمون أندرس خمسة نماذج أساسية للخلية الواحدة وخمسة نماذج تعلم عميق أخرى مع خطوط أساس بسيطة بشكل متعمد في التنبؤ بالتغيرات النسخية بعد الاضطرابات الوراثية. في المهام التي تم فحصها، لم يتمكن أي من النماذج المعقدة من التفوق باستمرار على خطوط الأساس البسيطة. يؤكد المؤلفون أنفسهم أن هذا لا يعني أن التعلم العميق غير مناسب لبيولوجيا الخلية الواحدة بشكل أساسي. بدلاً من ذلك، يوضح الاكتشاف مدى أهمية خطوط الأساس القوية والاختبارات الصعبة للتنبؤات حول التعميم.

مقالة Cell تبدأ بالضبط من هذه النقطة: لا ينبغي للنموذج المستقبلي أن يقنع من خلال إعادة إنشاء البيانات المعروفة بشكل واقعي بشكل خاص، بل من خلال تحسين تنبؤاته للقرار التجريبي التالي. هذا يحول السؤال الرئيسي من "ما مدى تشابه المخرجات؟" إلى "ما هو البيان البيولوجي الجديد الذي يمكننا اختباره بمعدل خطأ معقول؟"

ثلاث مشاكل هيكلية وراء التحديات الـ 15

1. البيانات البيولوجية غنية، ولكنها ليست بالضرورة بيانات تدريب صحيحة

تحتوي أطالس الخلايا الفردية اليوم على كميات هائلة من القياسات. ومع ذلك، بالنسبة للعديد من المهام التنبؤية، تفتقر إلى البيانات التي تسمح ببيانات سببية: التدخلات الخاضعة للرقابة، والسلاسل الزمنية، وعلاقات الجرعة والاستجابة، والسياق المكاني، وقياسات الأوميكس المتعددة، وأنظمة بيولوجية مستقلة كافية. مليار خلية مرصودة أقل إفادة لبعض الأسئلة من مجموعة بيانات أصغر ومنظمة بشكل جيد مع تدخلات مستهدفة.

تتبع مبادرة تشان زوكربيرج أو بيوهاب، بالتوازي مع بناء مجموعات بيانات خلوية كبيرة، هدفًا واضحًا يتمثل في إنشاء خلية افتراضية تعتمد على الذكاء الاصطناعي، والتي من شأنها التنبؤ بسلوك الخلايا وجعله مفهومًا. كما أن المقالة المنشورة في "سيل" عام 2024 بعنوان "كيف تبني الخلية الافتراضية بالذكاء الاصطناعي" تصف الخلية الافتراضية كنموذج متعدد المقاييس ومتعدد الوسائط للجزيئات والخلايا والأنسجة. يمكن قراءة التحديات الـ 15 لعام 2026 كاختبارات أكثر تحديدًا يمكن قياس هذا الهدف الطموح بها.

2. علم الأحياء الخلوي تركيبي ويعتمد على السياق

اللغة لها قواعد وأنماط متكررة؛ وكذلك الخلايا - ولكن يتم تشكيل مساحة حالتها في نفس الوقت عن طريق التنظيم الجيني، وتفاعلات البروتين، والتمثيل الغذائي، وعلم الوراثة اللاجيني، والجوار المكاني، وتاريخ التطور، والبيئة. حتى التغييرات الصغيرة يمكن أن تغير تأثيرها اعتمادًا على نوع الخلية أو السياق. لذلك، فإن النموذج الذي يعرف مكونًا واحدًا بشكل صحيح لا يعني أنه يمكنه التنبؤ بشكل صحيح بعواقب مزيج من عدة تدخلات.

هذا يدعم النماذج التي لا تتعامل مع المعرفة البيولوجية المسبقة كشرح لاحق، بل تأخذها في الاعتبار في الهيكلية والتدريب والتقييم: مثل شبكات التفاعل المعروفة، والقيود الفيزيائية، ومسارات التفاعل، أو بيانات الاضطراب الصريحة. يمكن أن تكون أعداد المعلمات الأكبر مفيدة، لكنها لا تحل محل هذا الهيكل تلقائيًا.

3. الارتباط ليس كافيًا للعديد من التحديات

في إعادة برمجة حالة الخلية، أو آليات العمل، أو تأثير الأدوية، يتعلق الأمر بالتدخلات: ماذا يحدث إذا غيرنا X؟ هذا السؤال بالذات يفصل الارتباط عن السببية. يمكن للنموذج ربط علامة بشكل مثالي بحالة مرضية دون معرفة ما إذا كانت العلامة هي السبب، أو النتيجة، أو مجرد عرض مصاحب. بالنسبة للتحديات 8 و 11 و 12 و 13، هذا التمييز وثيق الصلة بشكل مباشر.

مثال توضيحي لدورة التحقق المطلوبة هو تقرير زيرلو حول فرضية السرطان التي أكدها معمل ديب مايند/ييل: هناك، أدى نموذج إلى فرضية ملموسة تعتمد على السياق، والتي تم اختبارها بعد ذلك في نماذج خلوية بشرية. مثل هذه النتيجة لا تثبت "خلية افتراضية" عامة، ولكنها توضح لماذا التجارب الاستشرافية أكثر إفادة بكثير من المقاييس الارتجاعية البحتة.

ما يجب أن تكون عليه "خلية الذكاء الاصطناعي الافتراضية" المفيدة حقًا

يُستخدم مصطلح "خلية الذكاء الاصطناعي الافتراضية" بشكل متكرر لنماذج الأساس التي تتعلم تمثيلات من مجموعات بيانات خلوية واحدة كبيرة. هذا مكون مهم، لكن التحديات الـ 15 تشير إلى مستوى أعلى. ستحتاج الخلية الافتراضية المفيدة ليس فقط إلى ترميز الحالة الحالية، ولكن أيضًا إلى القدرة على محاكاة التدخلات وعواقبها.

• التعميم: يجب أن تظل التنبؤات قوية لأنواع الخلايا غير المرئية، أو الاضطرابات، أو البيئات.
• ربط المقاييس المتعددة: يجب ربط التفاعلات الجزيئية بحالة الخلية، والأنسجة، وفي النهاية بردود فعل الكائن الحي.
• تحديد عدم اليقين: يجب أن يسمح النموذج بمعرفة متى تفتقر البيانات إلى التنبؤات القوية، بدلاً من جعل كل مخرج يبدو مؤكدًا بنفس القدر.
• قابلة للدحض تجريبياً: يجب أن تكون التنبؤات محددة بما يكفي لتفنيدها أو تأكيدها في المختبر.
• مفيدة ميكانيكيًا: بالنسبة للبحث وتطوير الأدوية، لا يهم فقط التنبؤ بتأثير ما، ولكن أيضًا، قدر الإمكان، الآليات التي تنشأ من خلالها وتحت أي ظروف.

هذا يوضح أيضًا لماذا يقع التحدي 15 - نتائج التجارب السريرية - في نهاية المقياس. بين ملف التعبير الجيني ونتيجة الدراسة، توجد طبقات عديدة: الجرعة، الديناميكا الدوائية، الاستجابات المناعية، الأمراض المصاحبة، اختيار المرضى، بروتوكول الدراسة، والنقاط النهائية الإحصائية. سيكون النموذج الذي يربط كل هذه العوامل بشكل موثوق شيئًا مختلفًا من الناحية النوعية عن نظام لتصنيف أنواع الخلايا.

ما يمكن لفرق الذكاء الاصطناعي والبيولوجيا استخلاصه من الورقة

يمكن استخلاص استراتيجية تطوير عملية من التحديات الـ 15. ما يلي هو توليف تحريري من الورقة ونقاش المعيار الحالي، وليس قائمة إضافية للمؤلفين:

1. حدد القرار البيولوجي أولاً. قبل اختيار مقياس للنموذج، يجب أن يكون واضحًا أي قرار تجريبي أو ترجمي سيتحسن بفضل التنبؤ.
2. خذ خطوط الأساس البسيطة على محمل الجد. يجب أن يتنافس نموذج أساسي معقد ضد خطوط أساس بسيطة، خطية، ومتخصصة في المجال. خلاف ذلك، سيظل من غير الواضح ما إذا كانت التعقيدات الإضافية توفر مكاسب معلومات حقيقية.
3. خطط لبيانات الاختبار بناءً على التعميم. التقسيمات المعقولة تحتفظ بالحالات التي يُقصد التنبؤ بها لاحقًا: اضطرابات جديدة، سياقات خلوية جديدة، أو مجموعات بيانات مستقلة بالكامل.
4. افصل بين التقييم الارتجاعي والاستشرافي. تساعد المقاييس الارتجاعية في مقارنة الطرق. ومع ذلك، تختبر التجارب الاستشرافية ما إذا كان النموذج يمكنه بالفعل التنبؤ بالبيولوجيا الجديدة وغير المعروفة.
5. دمج المعرفة البيولوجية المسبقة وعدم اليقين. يمكن للشبكات والآليات والقيود الفيزيائية هيكلة مساحة البحث؛ تقديرات عدم اليقين تساعد على تجنب الإفراط في التفسير المحفوف بالمخاطر.
6. انشر النتائج السلبية. إذا كان النموذج الكبير لا يتفوق على خطوط الأساس البسيطة، فهذا ذو قيمة علمية. مثل هذه النتائج تمنع المجال من الخلط بين الجهد الحسابي والتقدم البيولوجي.

لماذا الورقة ذات صلة بما هو أبعد من علم الأحياء الخلوي

المنظور هو مثال لمشكلة عامة في الذكاء الاصطناعي التوليدي: كلما زادت القدرة على إنتاج مخرجات رائعة، كلما كان من الأسهل الخلط بين المعقولية والصحة. في علم الأحياء الخلوي، يبرز هذا الاختلاف بشكل خاص لأن التنبؤ المعقول يمكن أن يفشل في التجربة - ولأن الافتراضات الخاطئة تكلف لاحقًا الوقت أو الحيوانات أو العينات أو الموارد السريرية.

لذلك، فإن التحديات الـ 15 تمثل رد فعل مكملاً مفيدًا للتفكير في التوسع البحت. إنها تتطلب مهام تصبح حلولها أكثر صعوبة وقيمة علمية كلما ابتعدت عن إعادة البناء الجزيئي باتجاه التحكم الخلوي السببي والترجمة السريرية. سواء كانت المحولات الحالية، أو النماذج المستندة إلى الرسوم البيانية، أو الأنظمة الميكانيكية الهجينة، أو الهياكل الجديدة ستحل هذه المهام بشكل أفضل، تترك الورقة ذلك مفتوحًا عمدًا.

أسئلة شائعة

الخلاصة

"خمس عشرة تحديًا لتطبيقات الذكاء الاصطناعي التوليدي في علم الأحياء الخلوي" هي في المقام الأول دعوة لتعريف أكثر تطلبًا للتقدم. تحول المهام الـ 15 التركيز من إعادة بناء البيانات المثيرة للإعجاب إلى التعميم، والآلية، والتدخل، والتأكيد الاستشرافي. كلما تقدمت القائمة نحو الترجمة، قل اعتماد النموذج الذي يعيد إنتاج الأنماط البيولوجية بشكل معقول.

بالنسبة للنقاش حول خلايا الذكاء الاصطناعي الافتراضية، هذا مقياس مفيد: الخلية الافتراضية الحقيقية لن تكون مجرد نموذج كبير جدًا للتعبير الجيني، بل نظام يتنبأ بحالات بيولوجية جديدة، ويسمح بتحديد عدم اليقين الخاص به، ويقدم نتائج مفيدة بشكل متكرر في تجارب حقيقية. حتى ذلك الحين، فإن التحديات الـ 15 هي أقل دليل على ما تم تحقيقه كأجندة بحثية ملموسة لما لا يزال مفقودًا.