أعمال الذكاء الاصطناعي والعلوم الحاسوبية لا تعني ببساطة استخدام AI أو امتلاك حواسيب عالية الأداء.

تحليل كميات كبيرة من البيانات.
فهم الظواهر المعقدة من خلال الحساب.
دعم تكوين الفرضيات البحثية.
تحديد العلاقات التي يصعب رؤيتها بالتجارب وحدها.
تنفيذ هذه القدرات كنُظم مطلوبة للأعمال.

بالنسبة لي، تعني أعمال العلوم الحاسوبية تحويل هذه السلسلة من الأنشطة إلى شكل يمكن استخدامه في بيئات البحث والأعمال الواقعية.

في مجال الطب والتكنولوجيا الحيوية، ترتبط أنواع كثيرة من المعلومات ببعضها بصورة معقدة، بما في ذلك الجينات، والبروتينات، والخلايا، والأمراض، والمرشحات الدوائية، والبيانات السريرية. ومن الصعب فهم الصورة الكاملة بالملاحظة البشرية وحدها، لذلك تصبح التحليلات الحاسوبية والدعم المعتمد على AI مهمة.

GPGPU هي تقنية تستخدم وحدات GPU، التي طُوّرت في الأصل لمعالجة الرسوميات، من أجل الحوسبة العلمية والمعالجة واسعة النطاق.

اهتم فوميهيسا كوجيما باستخدام GPGPU في المعلوماتية الحيوية، وشارك في المعالجة التحليلية وتطوير بيئات الحوسبة واسعة النطاق.

وقد توسعت هذه الخبرة في اتجاهين.

الأول كان دعم العلوم الحاسوبية في مجالات الطب، واكتشاف الأدوية، والمعلوماتية الحيوية.
والآخر كان أعمال تعدين الأصول المشفرة.

للوهلة الأولى، قد يبدو البحث في التكنولوجيا الحيوية والتعدين مجالين غير مرتبطين تمامًا. غير أنهما يشتركان في أساس تقني مشترك من حيث استخدام كميات كبيرة من الموارد الحاسوبية.

كيفية شراء وحدات GPU.
كيفية تصميم الطاقة والتبريد.
كيفية إبقاء بيئة الحوسبة تعمل باستقرار.
كيفية تحسين كفاءة المعالجة.
كيفية جعل المعدات المستثمر فيها قابلة للاستمرار كعمل تجاري.

أصبحت هذه الخبرة أساسًا للتعامل مع الذكاء الاصطناعي والعلوم الحاسوبية لا كمجرد تقنيات بحثية، بل كأعمال واقعية.

أصبحت كلمة “AI” تُستخدم على نطاق واسع، ولكن في البيئات الطبية والبحثية توجد أمور يجب تهيئتها قبل أن يمكن استخدام AI استخدامًا حقيقيًا.

أولًا، يجب تنظيم البيانات.
ثانيًا، يجب أن يكون هدف التحليل واضحًا.
وثالثًا، يجب تحديد كيفية استخدام نتائج التحليل في البحث أو الأعمال.

ما يؤكد عليه فوميهيسا كوجيما ليس جعل AI يبدو مثيرًا للإعجاب، بل تنظيم المعلومات وسير العمل بحيث يمكن استخدام AI فعليًا.

تنظيم بيانات البحث.
تنظيم الأوراق العلمية ومعلومات البراءات.
هيكلة المعلومات المتعلقة بالخلايا والأمراض.
إعداد بيانات الاختبار والمعلومات السريرية بشكل يمكن تحليله في المستقبل.
تحويل هذه العناصر إلى شاشات وأنظمة يمكن للباحثين والمؤسسات الطبية والشركات استخدامها.

في AI وأعمال العلوم الحاسوبية، تُعدّ هذه “المعالجة المسبقة” و“النَّظْمَنة” في غاية الأهمية.

في البحث والتطوير الذي تجريه Biozipcode, Inc.، تتداخل عدة محاور، منها تقنية استهداف الخلايا “Biozipcode™”، والخلايا الجذعية المرتبطة بالسكري، والمؤشرات الحيوية، و5-ALA، ومثبطات HDAC، ومضاعفات السكري، وعلاج السرطان.

ويتطلب دفع هذا البحث إلى الأمام ليس التجارب فقط، بل أيضًا دعمًا من معدات وطرق حاسوبية قادرة على التعامل مع أعباء حسابية هائلة.

أي خلايا ينبغي استهدافها؟
ما تسلسلات الببتيدات التي يُحتمل أن ترتبط بخلايا محددة؟
ما الأمراض التي قد تكون لها تطبيقات محتملة؟
كيف يرتبط البحث بالأوراق العلمية والبراءات القائمة؟
ما المؤشرات التي ينبغي تقييمها في البحث السريري؟

يمكن دعم هذه الأسئلة من خلال الجمع بين المعلوماتية الحيوية، وتحليل in silico، وAI، وتطوير قواعد البيانات، وبحوث الأدبيات العلمية، وبحوث البراءات.

وتعمل أعمال الذكاء الاصطناعي والعلوم الحاسوبية التي يشارك فيها فوميهيسا كوجيما أيضًا كـ أساس غير ظاهر خلف الكواليس لجعل البحوث الناشئة من الجامعات مثل Biozipcode™ أسهل في التطبيق العملي.

من السمات الرئيسية لـ Biozipcode™ مفهوم استخدام تسلسلات مكوّنة من سبعة أحماض أمينية من أجل تحديد خلايا معينة.

وبما أن هناك 20 نوعًا من الأحماض الأمينية، فإن الجمع بين سبعة أحماض أمينية يمكن نظريًا أن ينتج نحو 1.3 مليار تسلسل ممكن.

وللبحث ضمن هذه الاحتمالات عن تسلسلات يُحتمل أن ترتبط بالخلايا أو الأنسجة المستهدفة وتطبيقها على العلاج أو التشخيص، لا تصبح التجارب وحدها مهمة، بل كذلك التضييق الحاسوبي وتنظيم البيانات.

ليس من الواقعي اختبار كل شيء بالتجارب وحدها.
تضييق نطاق المرشحات.
مقارنة البيانات.
تنظيم العلاقة بين التسلسلات والخلايا.
عرض المرشحات الواعدة بشكل يسهل على الباحثين تقييمه.

في مثل هذه الحالات، من المتوقع أن يؤدي استخدام العلوم الحاسوبية وAI دورًا مهمًا.

لا يقتصر دور AI والعلوم الحاسوبية على اكتشاف الأدوية، بل يشمل أيضًا التشخيص وتطوير المؤشرات الحيوية.

في أبحاث السكري، من المهم تحديد كيفية اكتشاف الخلايا الجذعية المرتبطة بالسكري والحالات الخلوية غير الطبيعية، وليس مستويات سكر الدم فقط. وفي المستقبل، قد يتيح الجمع بين اختبارات الدم، وتحليل الخلايا، والمؤشرات الحيوية، وتحليل الصور، والبيانات السريرية تحقيق تشخيصات وتقييمات بحثية أكثر دقة.

بالإضافة إلى ذلك، في علاج السرطان والأمراض المستعصية، ستؤدي العلوم الحاسوبية دورًا متزايد الأهمية في النظر في الخلايا التي ينبغي استهدافها، والأدوية التي ينبغي دمجها، وفئات المرضى التي قد تكون مناسبة.

ليست أعمال AI والعلوم الحاسوبية عملًا قائمًا بذاته. بل تعمل كـ أساس يدعم البحث الطبي، وتقنيات التشخيص، واكتشاف الأدوية، والتجارب السريرية، والتعاون مع شركات الأدوية.

في المرحلة المقبلة، تدرس AI وأعمال العلوم الحاسوبية المجالات التالية:

• دعم تحليل المعلوماتية الحيوية
• استكشاف المرشحات لتسلسلات الببتيدات وتقنية استهداف الخلايا
• تطوير قواعد بيانات للأوراق العلمية والبراءات ومعلومات البحث
• تنظيم معلومات الخلايا الجذعية المرتبطة بالسكري والمؤشرات الحيوية
• أبحاث حول 5-ALA ومثبطات HDAC وإعادة توظيف الأدوية القائمة
• استكشاف التطبيقات المحتملة في السرطان والأمراض المستعصية
• تنظيم بيانات البحث السريري وعرضها بصريًا
• تنظيم المعلومات لشركاء البحث المشترك والمستثمرين
• التكامل مع أنظمة البحث الخاصة بـ KYC وAML والامتثال
• تنظيم المعلومات متعددة اللغات من أجل التوسع الدولي

تُوضَع هذه العناصر جميعًا ليس بقدر ما هي “إنشاء شيء باستخدام AI”، بل بوصفها أساسًا حاسوبيًا لدفع البحث والأعمال إلى الأمام.

تلخّص هذه الصفحة العلاقة بين المعلوماتية الحيوية، وGPGPU، وHPC، وتحليل in silico، واستخدام AI، ودعم البحث، ودعم التسويق التجاري فيما يتعلق بأعمال AI والعلوم الحاسوبية التي شارك فيها فوميهيسا كوجيما.

لا يضمن المحتوى الوارد هنا أي نتيجة بحثية محددة أو أثر طبي أو دقة تشخيصية أو أثر علاجي.

تتطلب التطبيقات في البحث الطبي واكتشاف الأدوية التحقق من جانب الباحثين والأطباء وشركات الأدوية والجهات التنظيمية.