سیناپرس: در اردیبهشت سال 92 یک ابررایانه توانست صد هزار مقاله منتشر شده در ژورنالهای مختلف را بخواند و به این ترتیب به دو یافته مهم زیست شناختی دست یابد. این ابررایانه KnIT نام دارد و تنها یکی از ابررایانه هایی است که برای تسریع گسترش دانش بشری و دستیابی به مواردی که از توان بشر خارج است طراحی شده است.
این ابررایانه همانند یک دانشمند به مطالعه یک مقاله نمی پردازد. در مقابل این مقالات را اسکن کرده و کلیدواژه هایی مشخص را جستجو می کند. سال گذشته این ابررایانه به بررسی مقالات حوزه زیست شناسی و جستجو برای یافتن مطالبی مربوط به نوعی پروتئین که p53 نام دارد و دسته ای از آنزیم ها با نام کیناز که با این پروتئین واکنش می دهند پرداخت. پروتئین p53 را «نگهبان ژنوم» می نامند، زیرا موجب سرکوب تولید تومور در بدن می شود. هدف از این جستجو، یافتن مطالبی بود تا بتوان چندین نوع از کیناز p53 را یافت. گفتنی است این یافته می تواند کاربردی بالقوه در ساخت داروهای ضدسرطان داشته باشد.
این ابررایانه تا بررسی مقالات منتشر شده تا سال 2003 توانست 9 نوع کیناز یافت شده در طی ده سال را بیابد. از همه مهمتر این که دو کیناز p53 یافت شده توسط این روش برای دانش امروزی بشر ناشناخته بودند. آزمایشات اولیه درستی این یافته را تائید کرد، البته هنوز آزمایشات بیشتری در جریان است تا کاملاً از این مساله اطیمنان یابیم.
پروژه ابررایانه KnIT با همکاری شرکت آی.بی.ام و کالج پزشکی بایلور در تگزاس شکل گرفته است. این ابررایانه را باید تازه ترین گام بشر برای وارد ساختن ماشین ها در عرضه اکتشافات علمی، آن هم با بررسی پژوهش های پیشین انجام یافته در حوزه هایی علمی دانست.
شاید به طور کلی بتوان گفت که انسان ها در تولید اطلاعات جدید، عملکردی به مراتب بهتر از ماشین ها دارند. اما در مقابل، ماشین ها هم می توانند با سرعت و دقتی به مراتب بیشتر از انسان، در پژوهش های انجام یافته در حوزه های مختلف جستجو کرده و نکات مغفول مانده در آنها را بیابند.
با اینکه پروژه KnIT بر روی بخشی خاص از زیست شناسی متمرکز شده بود، اما نباید کاربردهای ابررایانه در جمع بندی و جستجو در دانش بشری را تنها به همین رشته محدود کرد. دست اندرکاران این پروژه بر این باورند که در آینده هر دانشمندی می تواند با طراحی الگوریتمی ویژه به بررسی سابقه پژوهشی در رشته های مختلف بپردازد.
البته بسط دادن کار پروژه KnIT به سایر رشته ها آن چنان هم ساده نیست. برای نمونه در حوزه فیزیک، شاید لازم باشد که به جای کلماتی مشخص، از واژگان یا نمودارها استفاده شود. در هر صورت در حال حاضر تیم های مختلفی در حال کار برای طراحی این الگوریتم ها هستند.
البته ایده بررسی سابقه پژوهشی در یک حوزه خاص و یافتن ارتباط بین پژوهش های مختلف چیز جدیدی نیست. اولین بار در سال 1986 دانشمندی به نام دون سواندون از دانشگاه شیکاگو به صورت دستی و بدون بهره گیری از رایانه، به بررسی مقالات منتشر شده در ژورنالها برای یافتن رابطه بین روغن ماهی و درمان سندوم رایموند (نوعی اختلال گردش خون) پرداخت و در نهایت توانست به اثر مثبت روغن ماهی در بهبود اثرات این سندروم پی ببرد.
البته حجم مقالات منتشر شده از آن زمان تاکنون به مراتب افزایش یافته و به همین دلیل است که رایانه ها بهترین ابزار برای بررسی این حجم گسترده از مطالب علمی به شمار می روند.
تلاش برای تولید دانش به صورت خودکار در حوزه های مختلف علوم تنها به پروژه KnIT محدود نمی شود. برای نمونه گروهی از دانشمندان دانشگاه منچستر انگلستان نوعی سیستم خودکار با نام «ایو» (Eve) طراحی کرده اند که ظاهراً توانسته دارویی جدید برای درمان مالاریا را نیز کشف کند. این سامانه به صورت رباتیک آزمایشاتی را برای درمان بیماری های مختلف به انجام می رساند. با این حال هنوز جزئیات زیادی از این پروژه منتشر نشده است. بنا بر اعلام این تیم پژوهشی، داروی جدید یکی از ترکیباتی است که در برخی از برندهای خمیر دندان وجود دارد و به همین دلیل فعلا مجاز به افشای جزئیات آن نیستند.
دامنه دانشی که رایانه ها تولید می کنند تنها به کار دانشمندان محدود نمی شود و عموم مردم هم می توانند از آن بهره مند شوند. برای نمونه، گروهی دیگر از دانشمندان دانشگاه منچستر در حال کار بر روی سامانه ای با نام فکتا پلاس هستند. این سامانه در اصل نوعی بانک داده قابل جستجو است که اطلاعات گسترده ای در مورد سرطان را در خود جای داده است. این اطلاعات با استفاده از بررسی سابقه پژوهشی در این حوزه استخراج شده است.
با اینکه این سامانه در اصل برای پژوهشگران طراحی شده، اما مردم عادی نیز می توانند از آن برای به دست آوردن اطلاعاتی در مورد بیماری های مختلف استفاده کنند، بدن اینکه نیاز باشد مقالات علمی پیچیده مربوط به آن را بخوانند.
با اینکه بسیاری از پروژه های مربوط به استخراج داده بر بررسی مطالب موجود و یافتن اطلاعات و ارتباطات جدید بین مطالب مجزا استوار است، اما میتوان به شکلی دیگر نیز از رایانه ها برای تولید دانش بهره گرفت و آن هم بررسی خلاء های موجود در پژوهش های انجام شده و تعیین مواردی که جای کار دارند است.
برای نمونه تیمی از دانشمندان دانشگاه کارنگی ملون در حال استفاده از شیوه ای برای ایجاد مدل هایی رایانه ای از سلول ها هستند که میتوان از آنها برای آزمایش داروهای مختلف بهره گرفت. به طور معمولی، اطلاعات عملی و نظری به دست آمده در طی زمان به شکل گیری یک مدل از واکنش های درون سلولی می انجامد. اما در این شیوه می توان به سرعت مدلی از آن چه درون سلول روی می دهد ایجاد و نتایج موجود در سابقه پژوهشی آن حوزه را بر روی آن اجرا نمود. در گام بعدی نیز باید این مدل را در آزمایشگاه مورد بررسی قرار داد. از آنجا که طراحی یک مدل جدید از اتفاقات درون سلولی سالها زمان می برد، این کار می تواند روند پژوهش های علمی در این بخش از دانش را به طور قابل ملاحظه ای تسریع کند.
خلاصه اینکه استفاده از رایانه ها و الگوریتم های مناسب می تواند جلوی فرآیندهای زمانبر را بگیرد و بسیاری از موارد مغفول مانده از چشمان دانشمندان را مشخص سازد. به این ترتیب شاید در آیندهای نه چندان دور شاهد شتاب گیری هر چه بیشتر تولید دانش باشیم.
newscientist :منبع
No tags for this post.