العلماء يبنون «خلية افتراضية» بالذكاء الاصطناعي.. هل تسرّع اكتشاف الأدوية؟

آخر مراجعة للمعلومات: 8 أكتوبر 2026. الذكاء الاصطناعي تعلّم بالفعل كتابة النصوص وتوليد الصور وكتابة الأكواد، وحقق قفزات كبيرة في مجالات مثل التنبؤ ببنية البروتينات. لكن العلماء يحاولون الآن شيئًا أكثر طموحًا: بناء نماذج ذكاء اصطناعي تستطيع توقع ما الذي سيحدث داخل خلية حية عندما نغيّر جينًا، أو نضيف دواءً، أو نعدّل البيئة المحيطة بها.

في 7 أكتوبر، أعلنت Biohub توسعًا ضخمًا في مبادرة Virtual Biology Initiative بمشاركة وزارة الطاقة الأمريكية والمعاهد الوطنية للصحة NIH وGoogle DeepMind وIsomorphic Labs وMeta ومؤسسات بحثية أخرى، ضمن جهد تُقدَّر قيمته الإجمالية بنحو 1.8 مليار دولار.

الهدف ليس صنع «خلية بشرية رقمية كاملة» خلال أشهر. الفكرة الأساسية هي بناء بيانات بيولوجية ضخمة وموحّدة يمكن تدريب الذكاء الاصطناعي عليها، حتى تصبح النماذج قادرة مستقبلًا على التنبؤ برد فعل الخلايا قبل إجراء بعض التجارب فعليًا داخل المعمل.

ما المقصود بالخلية الافتراضية؟

الخلية الافتراضية هي نموذج حاسوبي أو نموذج ذكاء اصطناعي يحاول محاكاة جزء من سلوك الخلية الحية. بدل أن يكتفي بوصف ما يعرفه العلماء بالفعل، يحاول أن يتوقع ما سيحدث بعد تغيير معين.

تخيل مثلًا باحثًا يختبر دواءً جديدًا ضد السرطان. في الوضع التقليدي قد يعرّض الخلايا للدواء، ينتظر النتيجة، يقيس تغيرات الجينات والبروتينات، ثم يعيد التجربة مرات عديدة مع تعديلات مختلفة.

لو أصبح نموذج الخلية الافتراضية دقيقًا بما يكفي، يمكن للباحث أن يسأله أولًا:

• ماذا سيحدث إذا أضفنا هذا الدواء إلى هذا النوع من الخلايا؟
• أي جينات ستنشط وأيها سيقل نشاطه؟
• هل تموت الخلية أم تتعافى أم تصبح مقاومة؟
• ماذا يحدث إذا عطّلنا جينًا معينًا؟
• أي تجربة تستحق أن تُجرى فعليًا في المعمل أولًا؟

التجارب الحقيقية لن تختفي، لكن الذكاء الاصطناعي قد يساعد العلماء على اختيار التجارب الأكثر قيمة بدل اختبار عدد هائل من الاحتمالات بطريقة عشوائية أو بطيئة.

لماذا البيولوجيا أصعب بكثير من تدريب نموذج لغوي؟

أحد أسباب تطور نماذج اللغة بسرعة هو وجود مليارات النصوص والصور على الإنترنت. أما البيولوجيا فلا تملك قاعدة بيانات واحدة نظيفة وضخمة بنفس الصورة.

هناك بالفعل كميات هائلة من البيانات الطبية والبيولوجية، لكن التجارب تُجرى في مختبرات مختلفة، وبأجهزة مختلفة، وتحت ظروف وطرق قياس ليست متطابقة. وهذا يجعل دمج النتائج في قاعدة واحدة مناسبة للذكاء الاصطناعي أمرًا صعبًا.

وهنا تظهر المشكلة الحقيقية: نموذج الذكاء الاصطناعي لن يتعلم «قواعد الخلية» بشكل موثوق إذا كانت البيانات التي يتدرب عليها متفرقة أو غير متجانسة أو محدودة.

لذلك تركز المبادرة الجديدة على توليد بيانات تجريبية جديدة ومنظمة، وليس فقط على بناء نموذج أكبر.

من أين يأتي رقم 1.8 مليار دولار؟

رقم 1.8 مليار دولار لا يعني وجود شيك واحد بهذه القيمة. الرقم يجمع تمويلًا جديدًا، واستثمارات سابقة، وموارد بيانات، وقدرات حوسبة، وتقنيات قياس وتجارب.

Biohub كانت قد تعهدت بنحو 500 مليون دولار للمبادرة. كما تخطط وزارة الطاقة الأمريكية لاستثمار أكثر من 500 مليون دولار خلال خمس سنوات في القياس والنمذجة والحوسبة.

المعاهد الوطنية للصحة NIH ستساهم في تنسيق الموارد والبيانات الناتجة عن استثمارات فيدرالية سابقة تتجاوز 500 مليون دولار. وفي الوقت نفسه تضيف Google DeepMind وIsomorphic Labs وMeta نحو 300 مليون دولار أخرى.

بجمع هذه المكونات، تصل قيمة الجهد المنسق إلى نحو 1.8 مليار دولار.

لماذا تهتم Google DeepMind وMeta بالموضوع؟

شركات الذكاء الاصطناعي ترى البيولوجيا كواحدة من أهم الجبهات القادمة للتعلم الآلي.

AlphaFold من Google DeepMind أثبت أن الذكاء الاصطناعي يمكن أن يغيّر مجالًا علميًا كاملًا عندما نجح في التنبؤ ببنية البروتينات على نطاق واسع.

لكن الخلية أكثر تعقيدًا بكثير من بروتين واحد. داخل الخلية آلاف الجينات والبروتينات والإشارات والمسارات الكيميائية والأنظمة المسؤولة عن الطاقة والإصلاح والاستجابة للبيئة.

Meta تستثمر أيضًا في نماذج الذكاء الاصطناعي البيولوجية، بينما تعمل Isomorphic Labs على تطبيق الذكاء الاصطناعي في اكتشاف الأدوية. نموذج قادر على التنبؤ بسلوك الخلايا يمكن أن يصبح تقنية أساسية في كثير من مجالات التكنولوجيا الحيوية.

المشروع الحقيقي ليس النموذج فقط.. بل البيانات

ربما أهم جزء في المشروع ليس «الخلية الافتراضية» نفسها، بل إنشاء بيانات بيولوجية ضخمة وموحدة ومصممة من البداية لتناسب تدريب الذكاء الاصطناعي.

تريد المبادرة قياس كيفية استجابة أنواع كثيرة من الخلايا لتدخلات مختلفة: أدوية، تغييرات جينية، تغييرات بيئية، أو تعديلات في الإشارات الخلوية.

ومن التقنيات التي ستُستخدم: التصوير المجهري المتقدم، التصوير بالتبريد الإلكتروني، القياسات الجزيئية، هندسة الخلايا، المختبرات الآلية، والحوسبة فائقة الأداء.

ببساطة: العلماء سيغيّرون شيئًا محددًا داخل النظام البيولوجي، يقيسون النتيجة بدقة، ثم يستخدمون العلاقة بين «ما تغير» و«ما حدث» لتعليم نماذج الذكاء الاصطناعي.

هل يمكن اختبار الأدوية داخل الكمبيوتر؟

دي واحدة من أكثر الأفكار إثارة، لكنها تحتاج صياغة دقيقة.

الخلية الافتراضية لن تلغي التجارب المعملية أو التجارب على الحيوانات أو التجارب السريرية على البشر في المدى القريب.

لكن حتى لو كانت النماذج غير كاملة، يمكن أن تكون مفيدة جدًا. تخيل أن العلماء أمامهم 100 ألف مركب قد يؤثر على مسار مرض معين. بدل اختبارهم كلهم، قد يرشح الذكاء الاصطناعي مئات قليلة فقط تبدو أكثر وعدًا.

وقتها يتم اختبار هذه المجموعة الأصغر فعليًا في المعمل. إذن الهدف ليس إلغاء التجربة، بل اختيار تجربة أذكى.

كيف يمكن أن يسرّع ذلك اكتشاف الأدوية؟

تطوير الأدوية بطيء ومكلف لأن عددًا كبيرًا من الأفكار الواعدة يفشل في مراحل لاحقة.

أحيانًا ينجح مركب داخل تجربة بسيطة، ثم يفشل لأن العلماء لم يفهموا بالكامل كيف ستتفاعل الخلايا المختلفة معه.

النماذج التنبؤية يمكن مستقبلًا أن تساعد في الإجابة عن أسئلة مثل:

• أي مرضى قد يستجيبون للدواء بشكل مختلف؟
• ماذا يحدث عند الجمع بين دوائين؟
• أي طفرة جينية تجعل الورم مقاومًا للعلاج؟
• أي مسار خلوي يستحق الاستهداف؟
• أي تجربة محتمل أن تفشل قبل أن ننفق عليها وقتًا ومالًا؟

إذا أصبح التنبؤ موثوقًا، يمكن استبعاد الاحتمالات الضعيفة في وقت مبكر، وتقليل عدد التجارب غير الضرورية.

متى يمكن أن نرى خلية افتراضية مفيدة فعلًا؟

الجدول الزمني للمبادرة طموح. التوقعات تشير إلى ظهور أول مجموعة بيانات واسعة خلال نحو عام، بينما تمتد أهداف بناء نماذج أكثر قدرة على التنبؤ عبر فترة تقارب خمس سنوات.

لكن هذا لا يعني ظهور نسخة رقمية كاملة من الخلية البشرية العام المقبل. أول خطوة هي البيانات. وبعدها تأتي الخطوة الأصعب: إثبات أن النموذج يستطيع التنبؤ بنتائج لم يرها من قبل بدقة تكفي لاتخاذ قرارات علمية حقيقية.

لماذا فتح البيانات للباحثين مهم جدًا؟

Biohub تقول إن الموارد الناتجة عن المشروع ستُبنى بحيث تكون متاحة للمجتمع العلمي بصورة مفتوحة قدر الإمكان.

وتشارك جهات مثل Allen Institute وBroad Institute وHuman Cell Atlas وHuman Protein Atlas وWellcome Sanger Institute وغيرها.

الهدف هو الاتفاق على معايير موحدة، وأسماء وطرق قياس متوافقة، حتى تستطيع البيانات الخارجة من مختبرات مختلفة أن تعمل معًا بدل بقائها في جزر منفصلة.

وده مهم جدًا لأن أقوى نموذج في العالم لن يكون مفيدًا إذا كانت البيانات الداخلة إليه غير متجانسة أو لا يمكن مقارنتها.

ما التقنيات التي ستستخدم لإنتاج البيانات؟

• التصوير بالتبريد الإلكتروني لرؤية التفاصيل الدقيقة جدًا داخل الخلايا.
• أنظمة تصوير قادرة على دراسة أعداد ضخمة من الخلايا.
• تقنيات تغيّر الجينات والجزيئات والخلايا بطريقة محكومة.
• الحوسبة فائقة الأداء ونماذج الذكاء الاصطناعي المتقدمة.
• مختبرات آلية عالية الإنتاجية.
• بيانات موحدة تربط كل تدخل بالاستجابة الخلوية الناتجة.

الهدف هو تدريب الذكاء الاصطناعي على «كيف تتغير الخلية» وليس فقط على صور ثابتة أو أوصاف نظرية.

هل يستطيع الذكاء الاصطناعي فعلًا توقع خلية كاملة؟

حتى الآن، هذا سؤال مفتوح.

التنبؤ ببنية بروتين مشكلة أضيق بكثير من محاكاة خلية كاملة. الخلية نظام ديناميكي يتغير مع الوقت ويتأثر بالبيئة والتغذية والإشارات والجينات والعمليات الجزيئية الداخلية.

ولهذا لا يعرف العلماء بعد إلى أي مدى يمكن توسيع نماذج الذكاء الاصطناعي الحالية لتصبح قادرة على التنبؤ بالخلايا بصورة موثوقة.

المبادرة الجديدة تحاول بناء كل من البيانات وآليات الاختبار التي ستخبرنا هل الفكرة تعمل فعلًا أم لا.

الخطر الأكبر: نموذج يبدو واثقًا لكنه مخطئ

الذكاء الاصطناعي يمكن أن ينتج توقعًا يبدو منطقيًا جدًا لكنه يكون خاطئًا.

في كتابة النصوص قد يكون هذا مزعجًا. أما في أبحاث الأدوية فقد يهدر شهورًا من العمل أو يدفع العلماء إلى دراسة مسار خاطئ.

لذلك لن يكفي أن يحصل النموذج على نتيجة قوية في اختبار أو Benchmark. المطلوب أن ينجح في التنبؤ بخلايا وأدوية وظروف جديدة لم يرها أثناء التدريب.

اختبار دقة التنبؤ سيكون بنفس أهمية بناء النموذج نفسه.

هل يمكن أن تقلل الخلايا الافتراضية التجارب على الحيوانات؟

ممكن نظريًا، لكن من غير الواقعي توقع إلغائها قريبًا.

إذا استطاع الذكاء الاصطناعي استبعاد آلاف المركبات الضعيفة قبل الوصول إلى التجارب الحيوانية، فقد يقل عدد التجارب غير الضرورية.

لكن أي تنبؤ رقمي سيظل في حاجة إلى إثبات داخل أنظمة حية حقيقية قبل استخدامه طبيًا.

هل نحن أمام لحظة شبيهة بـAlphaFold؟

ربما، لكن من المبكر جدًا الجزم بذلك.

AlphaFold أحدث ثورة لأنه حل مشكلة محددة بدرجة عالية من النجاح. أما الخلية الافتراضية فهي مشكلة أوسع بكثير وأكثر ديناميكية.

إذا نجحت الفكرة، فقد يكون تأثيرها أوسع من AlphaFold لأنها لن تصف شكل الجزيء فقط، بل ستحاول توقع ما الذي سيحدث عند التدخل في النظام البيولوجي.

لكن التحدي التقني أيضًا أكبر بكثير.

حتى لو تأخر الهدف الكبير، المشروع قد يظل مهمًا

حتى لو لم ينجح العلماء في بناء «خلية رقمية كاملة» خلال خمس سنوات، يمكن للمبادرة أن تنتج شيئًا بالغ القيمة: قاعدة بيانات ضخمة ومنظمة توضح كيف تستجيب الخلايا للأدوية والتغييرات الجينية والبيئية.

هذه البيانات يمكن استخدامها في فهم الأمراض، واكتشاف مؤشرات حيوية جديدة، وتدريب نماذج أصغر، والكشف عن علاقات يصعب ملاحظتها في الدراسات التقليدية.

يعني حتى لو احتاجت الخلية الافتراضية الكاملة وقتًا أطول، البنية العلمية التي تُبنى الآن قد تظل مفيدة جدًا.

متى يمكن أن يستفيد المرضى؟

ليس في القريب بشكل مباشر.

المرحلة الأولى هي إنشاء البيانات والنماذج. أي دواء أو أداة طبية تنتج لاحقًا باستخدام هذه النماذج ستظل مطالبة بالمرور عبر التجارب المعملية ودراسات السلامة والتجارب السريرية.

الفائدة الأقرب هي تسريع البحث نفسه: اختيار تجارب أفضل، اكتشاف أهداف دوائية أكثر وعدًا، واستبعاد المرشحين الضعفاء في وقت مبكر.

لماذا هذه واحدة من أهم قصص الذكاء الاصطناعي الآن؟

معظم أخبار الذكاء الاصطناعي تدور حول الشات بوت، الصور أو أتمتة العمل. لكن Virtual Biology تمثل اتجاهًا مختلفًا: استخدام الذكاء الاصطناعي كأداة علمية.

بدل أن نطلب من النموذج تلخيص ما نعرفه بالفعل، يريد الباحثون أن يتنبأ بنتيجة تجربة لم تُجرَ من قبل.

إذا نجح ذلك، ينتقل الذكاء الاصطناعي من تنظيم المعرفة إلى المساعدة في إنتاج معرفة جديدة.

وده أحد أسباب دخول شركات مثل Google DeepMind وMeta إلى المشروع بجانب مؤسسات حكومية وبحثية ضخمة.

ولقراءة مثال آخر على كيف يمكن للبيولوجيا أن تعطينا مفاتيح غير متوقعة لفهم الشيخوخة، اقرأ أيضًا: جسيمات الأشباح والنيوترينوهات، وهل يسمعك المخ وأنت تحت التخدير؟

أسئلة شائعة

هل تم بالفعل بناء خلية افتراضية كاملة بالذكاء الاصطناعي؟

لا. العلماء ما زالوا يبنون البيانات والتقنيات والنماذج اللازمة للوصول إلى هذا الهدف.

كم تبلغ قيمة المبادرة؟

القيمة الإجمالية تقارب 1.8 مليار دولار، وتشمل تمويلًا وبيانات وقدرات حوسبة وتقنيات قياس وتجارب.

من الجهات المشاركة؟

من أبرز المشاركين Biohub ووزارة الطاقة الأمريكية وNIH وGoogle DeepMind وIsomorphic Labs وMeta، إلى جانب مؤسسات بحثية كبرى أخرى.

هل ستصبح تجربة الأدوية بالكامل داخل الكمبيوتر؟

ليس بالتكنولوجيا الحالية. النماذج قد تساعد في اختيار التجارب والمرشحين الأفضل، لكن التجارب المعملية والسريرية ستظل ضرورية.

هل ستكون البيانات متاحة للباحثين؟

Biohub تقول إن الهدف هو بناء مورد علمي مفتوح يمكن للمجتمع البحثي الاستفادة منه.

الخلاصة

مبادرة Virtual Biology التي تبلغ قيمتها نحو 1.8 مليار دولار ليست مشروعًا لبناء خلية بشرية رقمية مثالية خلال عام واحد. هي محاولة لإنشاء شيء لم يتوفر في البيولوجيا بهذا الحجم من قبل: بيانات تجريبية موحدة ومصممة خصيصًا لتدريب نماذج ذكاء اصطناعي تستطيع التنبؤ بكيفية استجابة الخلايا للتغيير.

لو أصبحت هذه النماذج موثوقة، يمكن للعلماء اختبار بعض الأفكار رقميًا قبل إنفاق الوقت والمال داخل المعمل، وهو ما قد يسرع اكتشاف الأدوية ويكشف آليات مرضية يصعب الوصول إليها بالطرق الحالية.

لكن الاختبار الحقيقي لم يبدأ بعد: هل يستطيع الذكاء الاصطناعي توقع سلوك نظام حي معقد بدقة كافية لكي يثق فيه العلماء؟

لو الإجابة في النهاية كانت نعم، فقد تكون واحدة من أكبر قفزات الذكاء الاصطناعي القادمة بعيدة تمامًا عن الشات بوت… وداخل خلية افتراضية.

المصادر

Biohub — توسع مبادرة Virtual Biology بقيمة تقارب 1.8 مليار دولار.

Reuters — مشاركة الحكومة الأمريكية وGoogle في مشروع Biohub للذكاء الاصطناعي والبيولوجيا.

Reuters — لماذا يحتاج الذكاء الاصطناعي إلى بيانات بيولوجية أفضل لاكتشاف الأدوية.

Biohub — نماذج وبيانات الذكاء الاصطناعي للبيولوجيا التنبؤية.