في عالم البحث العلمي، غالبًا ما تعرقل عملية الاكتشافات العلمية بسبب الحاجة المُلحة لتطوير أدوات حاسوبية تصعب على العلماء تحليل البيانات التجريبية المعقدة. يُعد تطوير هذه الأدوات عملية مُكلفة وتستغرق وقتًا طويلًا، حيث يحتاج العلماء إلى مراجعة الأدبيات بشكل دوري واختبار الافتراضات العلمية مقارنة بالبيانات التجريبية لتحقيق نتائج مرضية.

في هذا السياق، دخلت نماذج اللغة الضخمة (Large Language Models) كحلاً محتملاً، فقد أثبتت قدرتها الفائقة على تحليل الأدبيات، والتفكير بناءً على البيانات التجريبية، وتوليد الأكواد الخاصة بالمجالات العلمية، مما يفتح آفاق جديدة لتسريع تطوير الأساليب الحاسوبية. ومع ذلك، فإن الأنظمة القائمة على هذه النماذج تركز إما على إجراء تحليلات علمية باستخدام الأساليب الحاسوبية الموجودة أو تطوير هذه الأساليب لعمليات التعلم الآلي بشكل عام، ولكن دون دمج المعرفة غير المنظمة في المجالات العلمية.

هنا يأتي دور TusoAI، نظام الذكاء الاصطناعي الجديد الذي يقدم طريقة مبتكرة للتعامل مع المهام العلمية. يعمل النظام بناءً على وصف المهمة العلمية ووظيفة التقييم لتطوير وتحسين الأساليب الحاسوبية بشكل مستقل. يقوم TusoAI بدمج المعرفة العلمية في تمثيل شجرة معرفية، ويؤدي تحسينات دورية وقائمة على المجال، مما يحسن الأداء بشكل كبير عن مجموعة من الحلول المحتملة.

أظهرت التقييمات الشاملة التي أُجريت أن TusoAI يتفوق على أساليب الخبراء الحالية ووكلاء التعلم الآلي التقليدية، وكذلك وكلاء الذكاء الاصطناعي المستخدمين في المجالات العلمية، عبر مهام متنوعة مثل معالجة بيانات RNA-seq بأبعاد خلوية واحدة ومراقبة الأرض عبر الأقمار الصناعية.

عند تطبيق TusoAI على مشكلتين مفتوحتين رئيسيتين في علم الوراثة، تم تحسين الأساليب الحاسوبية الحالية واكتشاف بيولوجيا جديدة، بما في ذلك تسعة ارتباطات جديدة بين أمراض المناعة الذاتية وأنماط خلايا T وسبعة روابط لم تكن مُبلغ عنها سابقًا بين تنويعات الأمراض والجينات المستهدفة لها.

للمزيد من المعلومات، يمكنكم الاطلاع على الشيفرة الخاصة بالنظام المتاحة للجمهور على الرابط [https://github.com/Alistair-Turcan/TusoAI].