البحوث البيولوجية باستخدام الذكاء الاصطناعي: تطبيقات وتحديات حقيقية

إنفورماتيك ديجيتال » موارد » البحوث البيولوجية باستخدام الذكاء الاصطناعي: تطبيقات وتحديات حقيقية

لطالما تبادلت الأبحاث البيولوجية والذكاء الاصطناعي النظرات الحذرة لعقود، لكنهما أصبحا في السنوات الأخيرة شريكين لا غنى عنهما. فما كان يُنجز سابقاً باستخدام المجاهر والماصات والدفاتر فقط، بات يعتمد الآن على خوارزميات قادرة على تحليل ملايين البيانات، والتنبؤ بالبنى الجزيئية التي يستحيل حلها يدوياً، واقتراح تجارب جديدة.

تجمع هذه المرحلة الجديدة من العلوم بين علم الأحياء الحاسوبي، وعلم البيانات، ونماذج التعلم العميق، والمنصات المفتوحة لمعالجة مشاكل متنوعة كأصل الحياة، وتشخيص الأمراض المعقدة، والطب الدقيق، وتصميم الأدوية. والنتيجة هي تحول جذري في المفاهيم: يُكتب علم الأحياء، حرفيًا، بلغة البرمجة.

من المعلوماتية الحيوية الكلاسيكية إلى التعلم العميق في علم الأحياء

لطالما تباينت وتيرة تقدم علم الأحياء والذكاء الاصطناعي بشكل كبير: فعلم الأحياء معقد ومليء بالاستثناءات والسياقات ، بينما تحتاج الخوارزميات التقليدية إلى بيانات نظيفة ومتجانسة ومنظمة جيدًا لتعمل بكفاءة. وقد شكل هذا التباين أحد أهم العقبات التي تحول دون انتشار استخدام الذكاء الاصطناعي على نطاق واسع في المختبرات.

في مجال البيولوجيا الحاسوبية، لا يُعدّ الذكاء الاصطناعي جديدًا؛ فقد طُبّقت أساليب التعلّم الآلي في ثمانينيات القرن الماضي لتصنيف تسلسلات البروتينات والحمض النووي ، وسرعان ما بدأ استخدام الشبكات العصبية للتنبؤ بالبنى الثانوية للبروتينات. ومنذ ذلك الحين، أصبحت هذه التقنيات جزءًا أساسيًا من أدوات المعلوماتية الحيوية.

عند مناقشة الذكاء الاصطناعي في علم الأحياء، من المهم التمييز بين تقنيات التعلم الآلي "الكلاسيكية" وأساليب التعلم العميق . وقد استُخدم التعلم الآلي الخاضع للإشراف وغير الخاضع للإشراف بنجاح لبناء مصنفات (على سبيل المثال، التمييز بين عينات "السرطان" و"غير السرطان") أو لتجميع الجينات والعينات وفقًا لأنماط التعبير، مما يساعد على توليد الفرضيات وتحديد أولويات الأهداف التجريبية.

أحدثت منهجيات التعلم العميق ، ولا سيما الشبكات العصبية العميقة ، ثورة في مجالات محددة تتسم بكميات هائلة من البيانات وبنية معقدة، مثل تحليل صور المجهر أو علم الأنسجة المرضية. في هذه المجالات، يتفوق الذكاء الاصطناعي بشكل كبير على القدرات البشرية في اكتشاف الأنماط الدقيقة والمتكررة.

لا تستفيد جميع مجالات علم الأحياء بالتساوي: فالمجالات التي تضم ملايين التسلسلات المخزنة بدقة، مثل قواعد بيانات البروتينات كـ UniProtKB ، توفر بيئة مثالية لتدريب نماذج قوية. في المقابل، لا تسمح مستودعات التفاعلات المحددة، وهي أصغر حجمًا وأكثر تنوعًا، للتعلم العميق بالاستفادة الكاملة من إمكاناته حتى الآن.

نماذج اللغة للبروتينات والدافع لعلم الأحياء الهيكلي

من أبرز التطورات المفاجئة اعتماد نماذج اللغة، المستوحاة من معالجة اللغة الطبيعية ، للعمل مع تسلسلات البروتينات. فكما يتعلم نموذج النص الأنماط النحوية والدلالية، يستطيع نموذج مُدرَّب على ملايين تسلسلات الأحماض الأمينية استخلاص الانتظامات التي تعكس البنية والوظيفة والتطور.

في التقييمات الدولية الحديثة لأساليب التنبؤ بوظائف البروتينات، مثل مشروع CAFA5، تعتمد الغالبية العظمى من أفضل النماذج على هذا النوع من التمثيل العميق . يتم تدريب هذه النماذج على قواعد بيانات مثل UniProtKB، الغنية بالتسلسلات، وهي قادرة على التعميم على البروتينات غير الموصوفة جيدًا لاقتراح وظائف محتملة.

يُعزز هذا التقدم من تأثير نماذج مثل AlphaFold، التي وضعت التنبؤ بالبنية الثلاثية للبروتينات باستخدام الذكاء الاصطناعي في صدارة الاهتمام. لدرجة أن جائزة نوبل في الكيمياء اعترفت مؤخرًا بتطوير البروتينات الاصطناعية الوظيفية وخوارزميات التنبؤ بالبنية باعتبارها إنجازًا علميًا بارزًا.

مع ذلك، تُطرح هذه النماذج تحديات أيضاً: فهي أشبه بـ "صناديق سوداء" يصعب تفسيرها . وقد أدى ذلك إلى ظهور مجال فرعي كامل، هو الذكاء الاصطناعي القابل للتفسير (XAI)، الذي يسعى إلى كشف الأنماط المحددة التي يستخدمها النموذج وأسباب اتخاذه قرارات معينة، وهو أمر بالغ الأهمية عند التعامل مع البيانات الطبية الحيوية.

إلى جانب الهياكل، أصبح تطبيق نماذج لغة البروتين لشرح وظائف الجينات غير المعروفة أداة أساسية للاستفادة من ملايين التسلسلات التي تفتقر حاليًا إلى التوصيف التجريبي.

الذكاء الاصطناعي لإعادة بناء أصل الحياة والتمثيل الغذائي البدائي

لا يقتصر دور دمج علم الأحياء الحاسوبي والذكاء الاصطناعي على استشراف المستقبل فحسب، بل يمتد ليشمل إعادة عقارب الساعة التطورية واستكشاف الماضي البعيد للحياة . ومن الأمثلة البارزة على ذلك عمل معهد علم الأحياء النظمي التكاملي (I2SysBio)، حيث استُخدمت استراتيجية " الأيض التوليدي " لتتبع أصل الحياة من السلف المشترك العالمي الأخير (LUCA) وصولاً إلى المراحل الأولى للحياة.

يُمكّننا علم الوراثة المقارن من تقدير عمر الأسلاف المشتركة بين الأنواع : فكلما زاد تشابه الجينومات، كان سلفها المشترك الأخير أحدث؛ وكلما زاد اختلافها، كان ذلك أقدم في الزمن. ومع التراكم الهائل للجينومات المُتسلسلة، تمّ تحسين مفهوم السلف المشترك الأخير (LUCA) - ذلك الكائن السلفي الذي تنحدر منه جميع الكائنات الحية اليوم - ويُقدّر عمره الآن بحوالي 4.200 مليار سنة.

كان التحدي الأكبر، حتى الآن، هو ربط الكيمياء ما قبل الحيوية للأرض المبكرة بعمليات الأيض المنظمة بالفعل لدى الكائن الحي الأخير المشترك (LUCA ). لم تنجح أي من المناهج التصاعدية (من الكيمياء البسيطة إلى البيولوجيا) أو التنازلية (من الكائنات الحية الحالية إلى الوراء) في سد هذه الفجوة.

يستخدم نهج الأيض التوليدي خوارزميات تولد شبكات أيضية من مجموعات من قواعد التفاعل . ومن خلال العمل بشكل عكسي، يستنتج هذا النهج الجينات والإنزيمات السلفية التي ربما امتلكها الكائن الحي الأخير المشترك (LUCA) والتفاعلات التي كانت محتملة في بيئة بدائية محددة، مما يوسع نطاق الأيض إلى ما وراء المسارات المعروفة اليوم.

وبهذا الشكل، يعمل الذكاء الاصطناعي كنوع من "المحقق الجزيئي" القادر على إعادة بناء مسارات أيضية افتراضية ، رابطًا التفاعلات الحالية بمجموعات معقولة من التفاعلات ما قبل الحيوية. هذا النهج، المستخدم على نطاق واسع في البيولوجيا التركيبية والهندسة الأيضية، يُعاد توظيفه هنا لمعالجة أحد أعظم الألغاز: كيف نشأ الأيض المعقد من كيمياء بسيطة وغير منظمة.

علم البيانات وتطبيقاته في علم الأحياء: من المختبر الرطب إلى لوحة المفاتيح

أصبحت الأبحاث البيولوجية الحديثة رقمية بشكل مكثف. اليوم، يحتاج عالم الأحياء الذي يرغب في أن يكون في طليعة هذا المجال إلى إدارة الجينومات الكاملة والصور عالية الدقة والبيانات السريرية والبيئية ، وكلها مدمجة في مسارات تحليلية معقدة بشكل متزايد.

في هذا السياق، أصبح علم البيانات التطبيقي في علم الأحياء مجالاً بالغ الأهمية. فالباحث القادر على الجمع بين علم الأحياء والبرمجة والإحصاء يستطيع أن يتجاوز مجرد تفسير النتائج، إذ يصمم تجارب تعتمد على البيانات، ويبني نماذج تنبؤية، ويتعاون بشكل وثيق مع المهندسين وعلماء الحاسوب.

في علم الجينوم، تُنتج تقنيات التسلسل من الجيل التالي مليارات القراءات لكل تجربة، وهو أمر يستحيل إدارته دون تقنيات قوية للتعلم الآلي والإحصاء والحوسبة الموزعة . تتيح هذه الأدوات تجميع الجينومات، وتحديد المتغيرات المرتبطة بالأمراض، وتحليل بيانات التعبير الجيني (RNA-seq) لاكتشاف الجينات التي يتم تنشيطها أو تثبيطها في ظل ظروف مختلفة.

يعتمد علم الأحياء النظمي، من جانبه، على علم البيانات لإعادة بناء شبكات تنظيم الجينات، وتفاعلات البروتين-بروتين، والمسارات الأيضية . لم يعد الهدف دراسة جين معزول، بل فهم الخلية كشبكة معقدة، وتحديد "العُقد" الرئيسية، ومحاكاة كيفية تغير النظام في حال التلاعب بهذه العُقد.

يُعدّ علم الميكروبيوم وعلم الجينوم البيئي مجالًا ناشئًا آخر . في هذا المجال، يُساعد الذكاء الاصطناعي في تصنيف آلاف الأنواع الميكروبية في عينة واحدة، وربط تركيبها بالنظام الغذائي أو الأمراض أو العلاجات، ونمذجة التفاعلات البيئية بين الميكروبات وبيئتها. فبدون هذه الأدوات، سيظل الميكروبيوم مجرد قائمة لا تنتهي من الأسماء؛ أما مع الذكاء الاصطناعي، فيُصبح منجمًا ذهبيًا للمؤشرات الحيوية والأهداف العلاجية الجديدة.

التعلم العميق للتصوير البيولوجي وصحة الرحم

تُنتج تقنيات المجهر الحديثة صورًا ثلاثية الأبعاد وزمنية بالغة التعقيد . إن تحليل كل هذه الصور يدويًا أمر غير عملي، ولهذا السبب أصبحت تقنيات رؤية الحاسوب والتعلم العميق أدوات أساسية في علم الأحياء الخلوي والطب.

تستطيع الخوارزميات الحالية عدّ الخلايا وتصنيفها، وتقسيم الأنسجة، والكشف عن الأورام في الخزعات الرقمية، وتتبع حركة الخلايا في الوقت الفعلي. وهذا لا يوفر وقت العاملين في المختبر فحسب، بل يضفي أيضاً الموضوعية وقابلية التكرار على التحليلات.

في مجال صحة الرحم، يُحدث دمج علم الأحياء النظمي والذكاء الاصطناعي تغييرًا جذريًا في فهمنا لأمراض مثل الانتباذ البطاني الرحمي، ومتلازمة أشرمان، وأنواع معينة من العقم. فبدلًا من الاكتفاء بدراسة مؤشر واحد أو صورة معزولة، يتم دمج البيانات الجينومية والبروتينية والنسيجية والسريرية لبناء نماذج تصف الرحم كنظام ديناميكي.

بفضل هذه النماذج، يمكن تطوير أدوات الطب الشخصي لتحسين علاجات الخصوبة ، وتعديل البروتوكولات الهرمونية بناءً على الاستجابة المتوقعة لكل مريضة، والكشف المبكر عن المؤشرات الحيوية لاختلال وظائف الرحم. وتعمل مؤسسات مثل مؤسسة كارلوس سيمون تحديدًا على هذا النوع من المناهج التكاملية.

المشاريع المفتوحة وأنظمة الذكاء الاصطناعي التعاونية في علوم الحياة

لا يعتمد التوظيف الفعال للذكاء الاصطناعي في علم الأحياء على امتلاك نماذج جيدة فحسب، بل يعتمد أيضاً على بناء أنظمة بيئية مفتوحة تتيح الوصول إلى البيانات والأدوات والموارد الحاسوبية . وهنا، تلعب البرمجيات الحرة والحوسبة السحابية الأكاديمية والشراكات بين القطاعين العام والخاص دوراً محورياً.

ومن الأمثلة على ذلك التعاون بين Red Hat Research و Mass Open Cloud Alliance (MOC-A) ، الذي يروج لسحابة مفتوحة تتشارك فيها الجامعات والمراكز العامة والشركات في البنية التحتية: وحدة المعالجة المركزية، ووحدة معالجة الرسومات، والتخزين، وقواعد البيانات الكبيرة، والأدوات، ونماذج الذكاء الاصطناعي المستضافة في مركز بيانات محايد للكربون.

على سبيل المثال، تم نشر منصة مزودة بـ Red Hat OpenShift AI لإجراء تجارب اكتشاف الأدوية ، وتستخدم في المنتديات حيث يمكن للباحثين تدريب واختبار نماذج المصادر المفتوحة، وتوسيع نطاق الموارد وفقًا لاحتياجاتهم، والاستمرار في الوصول إلى أعمالهم بعد انتهاء الأحداث.

تُعدّ إمكانية الوصول أمراً بالغ الأهمية: فالعديد من المجموعات الأكاديمية والمستشفيات الإقليمية تفتقر إلى البنية التحتية المحلية الكافية لأعباء العمل الكبيرة المتعلقة بالذكاء الاصطناعي . وتُتيح المنصات المشتركة مثل MOC-A الوصول إلى الموارد التي كانت حكراً على شركات الأدوية الكبرى أو مراكز الأبحاث الرائدة.

إلى جانب سهولة الوصول، تُعدّ الشفافية والقدرة على تدقيق النماذج وتكييفها أمورًا بالغة الأهمية في الطب الحيوي. يتيح المصدر المفتوح مراجعة الشفرة البرمجية، وتعديل النماذج لتناسب السياقات المحلية، وإنشاء حلول مصممة خصيصًا لسير العمل المحدد، وهو أمر يصعب تحقيقه باستخدام الأدوات المغلقة والاحتكارية.

AI4LIFE، وبيانات FAIR، ونماذج الصور الجاهزة للذكاء الاصطناعي

في أوروبا، تركز مشاريع مثل AI4LIFE على جعل الذكاء الاصطناعي في متناول علماء الأحياء الذين لا يملكون خبرة متقدمة في البرمجة . هدفها هو سد الفجوة بين قوة تقنيات التعلم العميق والواقع اليومي لمختبرات علوم الحياة.

تقوم AI4LIFE بتطوير منصات سهلة الاستخدام لتحليل الصور البيولوجية باستخدام الذكاء الاصطناعي : تجزئة الخلايا، والكشف عن البنية، واستخراج الميزات... كل ذلك ضمن إطار مبدأ FAIR للبيانات (قابلة للتحديد، ويمكن الوصول إليها، وقابلة للتشغيل البيني، وقابلة لإعادة الاستخدام)، ومُكيَّفة مع مجموعات الصور والنماذج "الجاهزة للذكاء الاصطناعي".

يهدف المشروع إلى تعزيز معايير ترميز وتوثيق مجموعات بيانات الصور، مما يسهل إعادة استخدامها لتدريب نماذج جديدة أو تحسين النماذج الحالية. وهذا يقلل الحاجة إلى إعادة معالجة البيانات بشكل متكرر، ويوفر الوقت الحسابي، ويعزز التعاون بين المجموعات.

يُعدّ "مستودع نماذج الصور البيولوجية " حجر الزاوية في مشروع AI4LIFE ، وهو عبارة عن مستودع مجتمعي لنماذج تحليل الصور البيولوجية . يستطيع العلماء من خلاله تنزيل النماذج المدربة، وتطبيقها باستخدام أدوات التحليل الشائعة، والمساهمة بنماذجهم الخاصة، مما يُنشئ نظامًا بيئيًا حيويًا ومتطورًا باستمرار.

إضافةً إلى ذلك، ينظم المشروع مبادرات مثل الدعوات المفتوحة لدعم حالات استخدام محددة ومسابقات "تحدي إزالة التشويش"، حيث يتم تطوير ومقارنة أساليب تحسين جودة صور المجهر. هذا النهج التعاوني يُسرّع الابتكار، ويزيد من وضوح الأدوات الجديدة، ويُسهّل اعتمادها.

اكتشاف مضادات حيوية جديدة وتصميم الأدوية العقلاني

ينطبق المنطق نفسه الذي يجمع بين التسلسلات ونماذج اللغة والتجارب العملية على مشكلة بالغة الأهمية: مقاومة المضادات الحيوية. وتستكشف مختبرات مثل مجموعة بيولوجيا الآلة، بقيادة سيزار دي لا فوينتي، استخدام الذكاء الاصطناعي لتحديد وتصميم جزيئات جديدة مضادة للميكروبات.

تتضمن استراتيجيتهم استخدام التعلم العميق لتحليل ملايين البروتينات والببتيدات ، من الكائنات الحية الحالية والأنواع المنقرضة، في نهج يسمى "الإزالة الجزيئية للانقراض": إنقاذ الجزيئات من الماضي ذات الإمكانات المضادة للميكروبات وتحسينها من خلال البيولوجيا التركيبية.

جزء من هذا العمل مستوحى من مصادر طبيعية مثل الببتيدات المضادة للميكروبات من جلد البرمائيات ، والتي يتم تعديلها وتحسينها باستخدام الذكاء الاصطناعي لزيادة فعاليتها ضد البكتيريا المقاومة وتقليل السمية والآثار غير المرغوب فيها على الميكروبات البشرية.

لا تقتصر نماذج التعلم الآلي على التنبؤ بالتسلسلات التي قد تعمل كمضادات حيوية، بل تساعد أيضاً في تحسين الاستقرار والذوبان والانتقائية وغيرها من المعايير الأساسية قبل الانتقال إلى التجارب المخبرية. وهذا يقلل بشكل كبير الوقت اللازم للانتقال من الفكرة الأولية إلى المرشحين في المرحلة ما قبل السريرية.

وبالنظر إلى المستقبل في مجال البحث، فإنّ الكفاءات التي تتقن علم الأحياء والبرمجة وتقنيات الذكاء الاصطناعي تتصدر هذا النموذج الجديد لاكتشاف الأدوية بمساعدة الخوارزميات.

الذكاء الاصطناعي والخلايا الجذعية: إعادة البرمجة والعلاجات والتحديات

يُعدّ مجال التقاء الذكاء الاصطناعي وبيولوجيا الخلايا الجذعية مجالاً آخر سريع التطور . ولا يقتصر التركيز هنا على تحليل البيانات فحسب، بل يشمل أيضاً تصميم عمليات خلوية أكثر كفاءة وأماناً للتطبيقات السريرية.

من أبرز التطورات التي حظيت باهتمام واسع التعاون بين شركتي OpenAI و Retro Biosciences ، والذي أدى إلى تحسينات في عوامل ياماناكا الشهيرة، المسؤولة عن تحويل الخلايا البالغة إلى خلايا جذعية مستحثة متعددة القدرات (iPSCs). وباستخدام نماذج الذكاء الاصطناعي المتخصصة في علم الأحياء، تم تحديد متغيرات ذات قدرة إعادة برمجة أكبر بكثير.

تشير النتائج إلى إعادة برمجة الخلايا بكفاءة تصل إلى 50 ضعفًا ، مع تحسين إصلاح الحمض النووي وتجديد الخلايا بشكل أكثر فعالية. وهذا يمهد الطريق لعلاجات تجديدية أكثر قوة وأمانًا، مما يقلل من خطر حدوث طفرات أو سلوكيات غير مرغوب فيها في الخلايا المعاد برمجتها.

في غضون ذلك، تعمل مجموعات في اليابان، بالتعاون مع شركات مثل جوجل، على أتمتة إنتاج الخلايا الجذعية المحفزة متعددة القدرات باستخدام الذكاء الاصطناعي . والهدف هو توحيد وتحسين كل خطوة من خطوات العملية، مما يقلل التكاليف والتباين، وبالتالي يجعل العلاجات الخلوية قابلة للتطبيق على نطاق واسع.

كما يتم استخدام الذكاء الاصطناعي لتحليل البيانات المعقدة من الأنظمة البيولوجية (نهج من نوع SysBioAI) ، والكشف عن المخاطر في المراحل المبكرة، وتخصيص العلاجات بناءً على الملف الجزيئي لكل مريض، وتعديل العلاجات في الوقت الفعلي وفقًا للاستجابة الملاحظة.

تتراوح التطبيقات المحتملة بين تسريع التجارب السريرية وخفض التكاليف، وصولاً إلى الطب التجديدي الشخصي، وتجديد الخلايا، ودمج الذكاء الاصطناعي في جميع مراحل سلسلة التوريد الطبية الحيوية. وبالطبع، ينطوي ذلك على تحديات جسيمة: عدم تجانس الخلايا، ومخاطر السلامة ، واللوائح التنظيمية، والأخلاقيات، والحاجة المستمرة إلى بيانات عالية الجودة.

وفي الوقت نفسه، تسعى لوائح مثل قانون الذكاء الاصطناعي للاتحاد الأوروبي إلى ضمان نشر هذه التطورات في إطار الشفافية والإشراف البشري وضمانات الأمن، لا سيما في التطبيقات الطبية عالية المخاطر.

ألفا جينوم و"المادة المظلمة" للجينوم البشري

إذا كان مشروع AlphaFold قد غير طريقة فهمنا لطي البروتين، فإن مشروع AlphaGenome يهدف الآن إلى ترجمة شفرة الحمض النووي إلى معلومات وظيفية ، مع اهتمام خاص بنسبة 98% من الجينوم التي لا تشفر للبروتينات ولكنها تركز معظم المتغيرات المتعلقة بالأمراض المعقدة.

تم تطوير AlphaGenome بواسطة فريق Google DeepMind، وهو نموذج ذكاء اصطناعي قائم على التعلم العميق تم تدريبه على جينومات الإنسان والفأر ، وهو قادر على تحليل أجزاء طويلة من الحمض النووي والتنبؤ بآلاف الإشارات الجينية المتعلقة بتنظيم الجينات والبروتينات.

في التقييمات المعيارية، تتطابق تنبؤاته مع النماذج الرائدة الأخرى أو تتفوق عليها في جميع الاختبارات تقريبًا، مما دفع العديد من الخبراء إلى اعتباره نقطة تحول في علم الجينوم الحاسوبي . وقدرته على تفسير المناطق غير المشفرة تجعله أداة أساسية لفك شفرة "المادة المظلمة" للجينوم.

الآثار العملية هائلة: يمكن لـ AlphaGenome تحسين تفسير الاختبارات الجينية، وتحديد المتغيرات النادرة المتورطة في الأمراض ، وتوجيه تطوير علاجات جديدة، ومحاكاة كيفية تغيير الطفرات في المناطق التنظيمية للتعبير الجيني.

يؤكد الباحثون من مراكز مثل CNB-CSIC ومعهد فرانسيس كريك أو ويلكوم سانجر أنه على الرغم من أنها ليست عصا سحرية تحل جميع المشاكل ، إلا أنها قطعة هندسية رائعة تدمج العديد من الأفكار السابقة وتأخذها إلى مستوى أعلى بكثير من الأداء.

ومع ذلك، يؤكدون أيضًا على نقطة أساسية: تعتمد هذه النماذج بشكل حاسم على جودة بيانات التدريب وتنوعها وتوحيدها . ويتمثل التحدي الأكبر في المستقبل في توليد ومشاركة بيانات بيولوجية قوية ومفتوحة وموثقة جيدًا لتغذية الجيل القادم من الذكاء الاصطناعي الجينومي.

في ضوء هذا السيناريو، يبرز البحث البيولوجي المدعوم بالذكاء الاصطناعي كمجال متوسع باستمرار، حيث يؤدي الجمع بين مجموعات البيانات الضخمة والنماذج المتقدمة والبنى التحتية المفتوحة والتعاون متعدد التخصصات إلى إعادة تعريف كيفية صياغة الأسئلة العلمية وكيفية البحث عن الإجابات، بدءًا من أصل الحياة وحتى العلاجات الأكثر تخصيصًا في الطب الحالي.