از شناسایی صدها هزار نورون تا پیش‌بینی ویژگی‌های شیمیایی ارتباطات عصبی؛ سه پژوهش علمی نشان می‌دهند هوش مصنوعی چگونه به دانشمندان کمک می‌کند ساختارهای پیچیده زیستی را با جزئیات بیشتری بررسی کنند.
تصور کنید بخواهید نقشه یک شهر را تهیه کنید؛ اما نه فقط خیابان‌ها و ساختمان‌های آن، بلکه تمام مسیرهایی را که هر ساختمان از طریق آن‌ها با ساختمان‌های دیگر ارتباط دارد. حالا تصور کنید این شهر به‌جای چند هزار ساختمان، صدها هزار واحد داشته باشد و مسیرهای ارتباطی آن به ده‌ها میلیون اتصال برسد.
تهیه چنین نقشه‌ای به تنهایی کار دشواری است. حالا اگر این شهر، مغز یک موجود زنده باشد و مسیرهای ارتباطی آن در تصاویر میکروسکوپی پنهان شده باشند، مسئله پیچیده‌تر هم می‌شود.
این دقیقاً یکی از چالش‌هایی است که پژوهشگران علوم اعصاب با آن روبه‌رو هستند: چگونه می‌توان ساختار ارتباطی مغز را با جزئیات بسیار زیاد بازسازی کرد و از میان میلیون‌ها اتصال، الگوهای معناداری به دست آورد؟
در اکتبر ۲۰۲۴، پژوهشگران در مجله علمی Nature نقشه اتصالات کل مغز یک مگس بالغ ماده را منتشر کردند؛ نقشه‌ای شامل ۱۳۹٬۲۵۵ نورون و ۵۴٫۵ میلیون اتصال سیناپسی. در پژوهشی دیگر، دانشمندان ویژگی‌های شبکه‌ای این اتصالات را بررسی کردند تا شناخت بهتری از سازمان‌دهی شبکه عصبی به دست آورند.
در اکتبر ۲۰۲۵ نیز پژوهشی به‌صورت پیش‌چاپ منتشر شد که نقشه بازسازی‌شده دستگاه عصبی مرکزی مگس نر را معرفی می‌کرد. این مطالعه امکان مقایسه دقیق‌تر مدارهای عصبی مگس نر و ماده را فراهم کرد.
وجه مشترک این سه پژوهش فقط مطالعه مغز یک حشره نیست. این مطالعات نمونه‌ای واقعی از همکاری هوش مصنوعی، روش‌های محاسباتی و تخصص انسانی در حل یک مسئله علمی پیچیده‌اند.
اما هوش مصنوعی دقیقاً چه کاری انجام می دهد؟ آیا خودش نورون‌ها را شناسایی می کند؟ آیا می تواند ارتباطات مغز را بفهمد؟ و آیا می‌توان تمام این دستاوردها را نتیجه عملکرد هوش مصنوعی دانست؟
برای پاسخ به این پرسش‌ها، باید ببینیم پژوهشگران چگونه از تصاویر میکروسکوپی به یک نقشه عصبی قابل‌تحلیل رسیدند.
1. نخستین چالش: چگونه می‌توان صدها هزار نورون را از میان تصاویر شناسایی کرد؟
مغز از تعداد بسیار زیادی سلول عصبی یا نورون تشکیل شده است. این سلول‌ها از طریق زوائد خود با یکدیگر ارتباط برقرار می‌کنند و شبکه‌ای پیچیده می‌سازند. برای بازسازی این شبکه، پژوهشگران ابتدا باید بتوانند نورون‌ها و مسیر زوائد آن‌ها را در تصاویر میکروسکوپی شناسایی کنند.
یکی از ابزارهای مهم برای انجام این کار، میکروسکوپ الکترونی است. این روش تصاویر بسیار دقیقی از ساختارهای سلولی تولید می‌کند؛ اما همین تصاویر دقیق نیز یک چالش بزرگ دارند: تشخیص اینکه هر بخش از تصویر به کدام نورون تعلق دارد، به‌ویژه زمانی که زوائد نورون‌های مختلف از کنار یکدیگر عبور می‌کنند.
برای حل این مسئله، پژوهشگران از روش‌های بینایی ماشین و شبکه‌های عصبی استفاده کردند.
شبکه عصبی کانولوشنی چیست و چه کمکی می‌کند؟
شبکه عصبی کانولوشنی یا CNN نوعی مدل هوش مصنوعی است که برای تحلیل تصاویر طراحی شده است. این شبکه می‌تواند الگوهای تصویری مانند لبه‌ها، شکل‌ها، بافت‌ها و ساختارهای پیچیده‌تر را شناسایی کند.
برای درک ساده‌تر آن، یک تصویر میکروسکوپی از بافت مغز را در نظر بگیرید. این تصویر از تعداد زیادی نقطه کوچک یا پیکسل تشکیل شده است. تفاوت‌های ظریف میان پیکسل‌ها می‌توانند اطلاعاتی درباره مرز سلول‌ها، زوائد نورونی و ساختارهای موجود در بافت ارائه دهند.
شبکه عصبی کانولوشنی با آموزش روی نمونه‌های تصویری، الگوهایی را یاد می‌گیرد که به شناسایی این ساختارها کمک می‌کنند. در نتیجه، می‌تواند بخش‌هایی از تصویر را که احتمالاً به یک نورون یا ساختار مشخص تعلق دارند، از بخش‌های دیگر متمایز کند.
البته این به معنای آن نیست که مدل، مانند یک دانشمند علوم اعصاب، معنای زیستی تصویر را درک می‌کند. مدل الگوهای آماری موجود در داده‌ها را یاد می‌گیرد و براساس آن‌ها پیش‌بینی انجام می‌دهد.
در پژوهش مربوط به مغز مگس ماده، از شبکه عصبی برای تشخیص مرزهای ساختارهای عصبی در تصاویر استفاده شد. سپس روش‌های محاسباتی به پژوهشگران کمک کردند قطعات شناسایی‌شده را کنار هم قرار دهند و بازسازی پیوسته‌تری از نورون‌ها به دست آورند.
در پژوهش مربوط به دستگاه عصبی مرکزی مگس نر نیز از روشی به نام شبکه‌های پرکردن سیلابی یا Flood-Filling Networks (FFN) استفاده شد. این روش برای بازسازی ساختارهای سه‌بعدی در تصاویر میکروسکوپی طراحی شده است و به شناسایی بخش‌هایی کمک می‌کند که به یک سلول عصبی تعلق دارند.
بنابراین، روش‌های به‌کاررفته در این دو پژوهش کاملاً یکسان نبودند؛ اما هر دو از روش‌های یادگیری ماشین برای کمک به بازسازی ساختارهای عصبی استفاده کردند.
با وجود این، نتیجه اولیه مدل‌ها همیشه بی‌نقص نیست. گاهی ممکن است بخشی از یک نورون به اشتباه به نورون دیگری متصل شود یا یک ساختار واحد به چند قطعه جداگانه تقسیم شود. به همین دلیل، بازسازی خودکار همچنان به بررسی و اصلاح انسانی نیاز دارد.
کاربرد هوش مصنوعی در این مرحله روشن است: به‌جای آنکه انسان مجبور باشد تمام مرزهای پیچیده تصاویر را از ابتدا و به‌صورت دستی مشخص کند، مدل می‌تواند بخش بزرگی از شناسایی اولیه را انجام دهد تا نتیجه برای بررسی و اصلاح آماده شود.
2. از شناسایی نورون‌ها تا کشف میلیون‌ها اتصال
شناسایی نورون‌ها تنها بخشی از مسئله است. برای بازسازی نقشه ارتباطی مغز، پژوهشگران باید مشخص کنند نورون‌ها از کجا و چگونه با یکدیگر ارتباط برقرار می‌کنند.
یکی از مهم‌ترین نقاط ارتباطی میان نورون‌ها، سیناپس‌ها هستند. سیناپس‌ها محل‌هایی‌اند که در آن‌ها ارتباط میان سلول‌های عصبی برقرار می‌شود. شناسایی این نقاط به پژوهشگران امکان می‌دهد نقشه‌ای از ارتباطات موجود میان نورون‌ها بسازند.
اما وقتی تعداد نورون‌ها به صدها هزار و تعداد اتصالات به ده‌ها میلیون می‌رسد، شناسایی دستی تک‌تک سیناپس‌ها به کاری بسیار زمان‌بر تبدیل می‌شود.
در این مرحله، الگوریتم‌های هوش مصنوعی می‌توانند تصاویر میکروسکوپی را بررسی کنند و محل‌هایی را که احتمال وجود سیناپس در آن‌ها بیشتر است، مشخص کنند.
برای مثال، فرض کنید یک سامانه قرار است سیناپس‌های موجود در مجموعه‌ای از تصاویر را شناسایی کند. این سامانه می‌تواند براساس ویژگی‌های تصویری آموخته‌شده، نقاط احتمالی اتصال را مشخص کند؛ اما همه پیش‌بینی‌های آن لزوماً درست نخواهند بود.
برای ارزیابی عملکرد چنین سامانه‌ای، دو معیار مهم به کار می‌روند: دقت (Precision) و بازیابی (Recall).
- دقت (Precision): از میان مواردی که مدل به‌عنوان سیناپس شناسایی کرده است، چه تعداد واقعاً سیناپس هستند؟
- بازیابی (Recall): از میان تمام سیناپس‌های واقعی موجود در داده‌ها، مدل چه تعداد را شناسایی کرده است؟
در پژوهش مربوط به دستگاه عصبی مرکزی مگس نر، عملکرد سامانه شناسایی سیناپس با دقت حدود ۸۲ درصد و بازیابی حدود ۸۱ درصد گزارش شد.
این اعداد نشان می‌دهند مدل توانسته است بخش بزرگی از سیناپس‌ها را شناسایی کند؛ بااین‌حال، همچنان تعدادی از اتصالات را از دست داده یا مواردی را به‌اشتباه سیناپس تشخیص داده است.
نکته مهم این است که شناسایی یک اتصال با درک نقش زیستی آن تفاوت دارد. هوش مصنوعی ممکن است محل یک سیناپس را در تصویر تشخیص دهد، اما این کار به‌تنهایی مشخص نمی‌کند آن اتصال چه نقشی در رفتار، یادگیری یا فعالیت‌های عصبی دارد.
برای رسیدن به چنین شناختی، پژوهشگران باید اطلاعات ساختاری را در کنار داده‌های دیگر و دانش علوم اعصاب بررسی کنند.
۳. هوش مصنوعی چگونه از تصمیم‌های متخصصان یاد گرفت؟
یکی از بخش‌های دشوار بازسازی مغز، بررسی و اصلاح نتایج اولیه مدل‌هاست. حتی اگر یک سامانه بتواند بیشتر نورون‌ها را به‌صورت خودکار شناسایی کند، باز هم ممکن است بخش‌هایی از یک نورون به‌اشتباه از هم جدا شده باشند یا قطعات متعلق به نورون‌های متفاوت به یکدیگر متصل شده باشند.
فرض کنید سامانه تصویری، شاخه‌های یک نورون را شناسایی کرده است؛ اما بخشی از شاخه‌ها به‌صورت قطعات جداگانه باقی مانده‌اند. آیا این قطعات واقعاً متعلق به نورون‌های متفاوت هستند یا بخشی از یک نورون واحدند؟
پاسخ به این پرسش ممکن است به بررسی دقیق تصاویر و تصمیم‌گیری متخصصان نیاز داشته باشد. اما در مقیاس صدها هزار نورون، بررسی تک‌تک خطاها می‌تواند بسیار زمان‌بر باشد.
در اینجا، روشی به نام AutoProof اهمیت پیدا می‌کند.
AutoProof برای کمک به فرایند بررسی و اصلاح بازسازی‌های خودکار طراحی شد. ایده اصلی این بود که تصمیم‌های متخصصان در جریان بازبینی نتایج، خود به منبعی برای آموزش یک مدل یادگیری ماشین تبدیل شوند.
به‌عبارت دیگر، سامانه تنها براساس مجموعه‌ای از قواعد ازپیش‌تعیین‌شده عمل نمی‌کرد؛ بلکه از نمونه‌هایی که متخصصان بررسی و تأیید کرده بودند، الگوهایی درباره پذیرش یا رد پیشنهادهای اصلاحی یاد می‌گرفت.
در این فرایند، حدود ۲۰۰ هزار پیشنهاد با اطمینان بالا پذیرفته شدند. استفاده از این روش به افزودن حدود ۲٫۴ میلیون ساختار پس‌سیناپسی یا PSD و ۳۰۹ هزار ساختار پیش‌سیناپسی موسوم به T-bar کمک کرد.
اهمیت این اعداد در آن است که بررسی و تأیید تعداد زیادی از ساختارهای عصبی، بدون کمک روش‌های خودکار، به نیروی انسانی قابل‌توجهی نیاز داشت. برآورد پژوهش نشان می‌داد که انجام این مرحله با روش‌های انسانی می‌توانست معادل حدود چهار سال کار یک نفر زمان ببرد.
البته این به معنای حذف کامل خطاها نبود. پژوهشگران همچنان نتایج را بررسی کردند و با نمونه‌برداری از خروجی‌ها، میزان خطای باقی‌مانده را ارزیابی کردند. برآورد خطای حدود سه درصد در این بررسی‌ها نیز باید در همین چارچوب تفسیر شود؛ این عدد تضمین نمی‌کند که تمام خروجی‌های سامانه بدون خطا هستند.
این نمونه یکی از کاربردهای مهم یادگیری ماشین در پژوهش علمی را نشان می‌دهد: مدل می‌تواند از تصمیم‌های متخصصان الگو بگیرد و به تسریع بخشی از کار کمک کند، درحالی‌که ارزیابی و تأیید نهایی همچنان به نظارت انسانی وابسته است.
۴. هوش مصنوعی چگونه نوع انتقال‌دهنده عصبی را پیش‌بینی کرد؟
تا اینجا، هوش مصنوعی به شناسایی نورون‌ها، یافتن سیناپس‌ها و اصلاح بازسازی‌های عصبی کمک کرده است. اما آیا می‌توان از تصاویر میکروسکوپی اطلاعات بیشتری نیز به دست آورد؟
یکی از پرسش‌های مهم در علوم اعصاب این است که نورون‌ها از چه نوع انتقال‌دهنده عصبی برای ارتباط با سلول‌های دیگر استفاده می‌کنند. انتقال‌دهنده‌های عصبی مواد شیمیایی‌ای هستند که در انتقال پیام میان نورون‌ها نقش دارند. نوع این مواد می‌تواند اطلاعات مهمی درباره ویژگی‌های ارتباطی و عملکرد احتمالی نورون‌ها ارائه دهد. در پژوهش مربوط به مغز مگس ماده، پژوهشگران از یک شبکه عصبی کانولوشنی برای پیش‌بینی شش گروه اصلی انتقال‌دهنده عصبی براساس تصاویر میکروسکوپی استفاده کردند. در این روش، مدل ویژگی‌های تصویری مرتبط با نورون‌ها را بررسی می‌کرد و احتمال تعلق هر نورون به گروه‌های مختلف انتقال‌دهنده عصبی را تخمین می‌زد. عملکرد مدل در پیش‌بینی نوع انتقال‌دهنده عصبی در سطح هر سیناپس حدود ۸۷ درصد گزارش شد. هنگامی که احتمال‌های پیش‌بینی‌شده در سطح یک نورون تجمیع شدند، دقت پیش‌بینی به حدود ۹۴ درصد رسید.
چرا تجمیع اطلاعات در سطح نورون می‌تواند مفید باشد؟
زیرا ممکن است پیش‌بینی مربوط به یک سیناپس به‌تنهایی چندان قابل‌اعتماد نباشد؛ اما وقتی اطلاعات تعداد زیادی از سیناپس‌های مرتبط با یک نورون کنار هم قرار می‌گیرند، الگوی کلی می‌تواند روشن‌تر شود.
البته این پیش‌بینی‌ها نیز بدون محدودیت نبودند. پژوهشگران برخی از نتایج را با استفاده از دانش زیستی موجود بررسی و اصلاح کردند. برای نمونه، اطلاعات شناخته‌شده درباره نورون‌های خاصی مانند سلول‌های کنین یا Kenyon cells در تفسیر و اصلاح برخی پیش‌بینی‌ها به کار رفت.
این موضوع اهمیت همکاری میان هوش مصنوعی و دانش تخصصی را دوباره نشان می‌دهد. مدل می‌تواند الگوهایی را از داده‌های تصویری استخراج کند که بررسی آن‌ها در مقیاس بزرگ دشوار است؛ اما دانشمندان همچنان باید نتایج را با شواهد زیستی موجود مقایسه کنند.
در نتیجه، هوش مصنوعی در این مرحله فقط به بازسازی شکل و اتصال نورون‌ها کمک نکرد؛ بلکه امکان پیش‌بینی برخی ویژگی‌های شیمیایی ارتباطات عصبی را نیز فراهم کرد.
۵. بعد از بازسازی مغز، نوبت تحلیل شبکه می‌رسد
پس از شناسایی نورون‌ها و اتصالات آن‌ها، پژوهشگران می‌توانند ساختار بازسازی‌شده را به‌عنوان یک شبکه بررسی کنند.
در نظریه گراف، یک شبکه از دو جزء اصلی تشکیل می‌شود: گره‌ها و یال‌ها. در شبکه عصبی، نورون‌ها را می‌توان گره‌ها و ارتباطات میان آن‌ها را یال‌ها در نظر گرفت. این نمایش این امکان را می‌دهد که ویژگی‌هایی مانند تعداد ارتباطات هر نورون، نحوه توزیع اتصالات و الگوهای ارتباطی میان گروه‌های مختلف نورونی بررسی شوند.
در یکی از پژوهش‌های مرتبط با نقشه مغز مگس ماده، ساختار شبکه عصبی با استفاده از روش‌های آماری و نظریه گراف تحلیل شد. هدف این بود که مشخص شود اتصالات چگونه سازمان‌دهی شده‌اند و آیا می‌توان الگوهای تکرارشونده یا گروه‌های خاصی از نورون‌ها را در شبکه شناسایی کرد.
یکی از مفاهیم بررسی‌شده، Rich Club یا باشگاه غنی است. این اصطلاح به گروهی از گره‌ها اشاره دارد که در مقایسه با سایر گره‌ها، ارتباطات بیشتری با یکدیگر دارند. برای درک روش آن‌ها، می‌توان مغز را شبکه‌ای در نظر گرفت که در آن برخی نورون‌ها ارتباطات بسیار زیادی دارند. اگر این نورون‌ها علاوه بر داشتن ارتباطات فراوان، به‌شکل ویژه‌ای با یکدیگر نیز در ارتباط باشند، می‌توان ساختاری شبیه به یک باشگاه غنی را در شبکه شناسایی کرد.
در تحلیل انجام‌شده، حدود ۳۰ درصد از نورون‌های شبکه بررسی‌شده در گروهی با ارتباطات متراکم قرار داشتند. چنین تحلیلی می‌تواند به شناسایی بخش‌هایی از شبکه کمک کند که از نظر ساختاری نقش مهمی در ارتباط میان نورون‌ها دارند.
پژوهشگران همچنین الگوهای کوچک و تکرارشونده ارتباطی یا Motifs را بررسی کردند. این الگوها نشان می‌دهند چند نورون چگونه می‌توانند از طریق شکل‌های مختلفی از اتصال به یکدیگر مرتبط شوند.
علاوه بر این، شبکه عصبی براساس ۷۸ ناحیه تشریحی مغز بررسی شد تا سازمان‌دهی اتصالات میان بخش‌های مختلف بهتر شناخته شود.
نکته مهم این است که تمام این تحلیل‌ها مستقیماً با هوش مصنوعی انجام نشده‌اند. نظریه گراف و روش‌های آماری ابزارهای شناخته‌شده‌ای برای تحلیل شبکه هستند. در این مجموعه پژوهش‌ها، هوش مصنوعی به بازسازی ساختارها و پیش‌بینی برخی ویژگی‌های زیستی کمک کرد و روش‌های محاسباتی و آماری امکان تحلیل شبکه حاصل را فراهم کردند.
به این ترتیب، بازسازی با کمک هوش مصنوعی نقطه پایان پژوهش نیست؛ بلکه نقطه شروع تحلیل‌های دقیق‌تر درباره سازمان‌دهی شبکه عصبی است.
۶. چرا بازسازی دستگاه عصبی مگس نر هم اهمیت دارد؟
نقشه مغز مگس ماده به پژوهشگران امکان داد ساختار ارتباطی مغز را با جزئیات بسیار زیادی بررسی کنند. اما برای شناخت بهتر سازمان‌دهی دستگاه عصبی مگس، مطالعه مگس نر نیز اهمیت دارد.
در اکتبر ۲۰۲۵، پژوهشی به‌صورت پیش‌چاپ منتشر شد که بازسازی دستگاه عصبی مرکزی مگس نر را معرفی می‌کرد. دستگاه عصبی مرکزی در این مطالعه شامل مغز و طناب عصبی شکمی بود.
این بازسازی شامل ۱۶۶٬۶۹۱ نورون و ۱۱٬۶۹۱ نوع سلولی بود و امکان بررسی گسترده‌تر ساختار عصبی مگس نر را فراهم کرد.
البته تعداد نورون‌های این بازسازی را نباید مستقیماً با تعداد نورون‌های نقشه مغز مگس ماده مقایسه کرد؛ زیرا دامنه این دو بازسازی یکسان نیست. نقشه نخست به کل مغز مگس ماده مربوط بود، درحالی‌که پژوهش مگس نر دستگاه عصبی مرکزی شامل مغز و طناب عصبی شکمی را بررسی می‌کرد.
با وجود این تفاوت، کنار هم قرار دادن اطلاعات این دو پژوهش می‌تواند به بررسی شباهت‌ها و تفاوت‌های سازمان‌دهی عصبی میان دو جنس کمک کند.
پژوهشگران با مقایسه مدارهای عصبی توانستند برخی تفاوت‌های مرتبط با جنسیت را در انواع سلول‌ها و سازمان‌دهی اتصالات بررسی کنند. در این مطالعات، صدها نوع سلولی مرتبط با تفاوت‌های جنسی نیز مورد توجه قرار گرفتند.
هوش مصنوعی و روش‌های محاسباتی در این مرحله نقش مهمی داشتند؛ زیرا بدون بازسازی دقیق نورون‌ها و اتصالات، مقایسه ساختارهای عصبی در چنین مقیاسی بسیار دشوار می‌شد.
بااین‌حال، شناسایی تفاوت‌های ساختاری به‌تنهایی به معنای توضیح کامل تفاوت‌های رفتاری نیست. برای پیوند دادن ساختار مدارهای عصبی به رفتار، به شواهد و آزمایش‌های بیشتری نیاز است و نمی‌توان این نتیجه‌گیری‌ها را صرفاً به هوش مصنوعی نسبت داد.
همچنین باید توجه داشت که پژوهش مربوط به دستگاه عصبی مرکزی مگس نر در زمان انتشار به‌صورت پیش‌چاپ ارائه شده بود؛ بنابراین وضعیت انتشار علمی آن با مقاله منتشرشده در یک مجله علمی یکسان نبود.
۷. آیا هوش مصنوعی جای پژوهشگران را گرفت؟
با مشاهده تعداد نورون‌ها و اتصالات بازسازی‌شده، ممکن است این تصور ایجاد شود که هوش مصنوعی تمام فرایند را به‌صورت خودکار انجام داده است. اما واقعیت پیچیده‌تر است. در پژوهش مربوط به مغز مگس ماده، برآورد شده بود که بررسی و اصلاح بازسازی‌ها با نیروی انسانی می‌توانست معادل حدود ۳۳ سال کار یک نفر زمان ببرد.
در پروژه مربوط به دستگاه عصبی مرکزی مگس نر نیز حدود ۲۹ متخصص در فرایندی سه‌ساله مشارکت داشتند؛ میزان کاری که در مجموع معادل حدود ۴۴ سال کار یک نفر برآورد شد.
البته منظور از «سال کار یک نفر» مدت زمانی است که یک فرد برای انجام مجموع آن کارها نیاز دارد؛ این مفهوم لزوماً به معنای طولانی‌تر شدن تقویمی پروژه به همان اندازه نیست. هنگامی که افراد زیادی هم‌زمان روی بخش‌های مختلف کار می‌کنند، مدت اجرای پروژه می‌تواند کوتاه‌تر از مجموع سال‌های کاری باشد.
این اعداد نشان می‌دهند که بازسازی یک شبکه عصبی در چنین مقیاسی، حتی با وجود ابزارهای خودکار، به تلاش انسانی گسترده‌ای نیاز دارد. هوش مصنوعی توانست بخش‌هایی از کار را خودکار کند، ساختارهای احتمالی را شناسایی کند، پیشنهادهای اصلاحی ارائه دهد و از تصمیم‌های متخصصان الگو بگیرد. این قابلیت‌ها حجم زیادی از کار تکراری را کاهش دادند و امکان بررسی داده‌ها در مقیاسی بزرگ‌تر را فراهم کردند.
اما متخصصان همچنان باید کیفیت بازسازی‌ها را بررسی می‌کردند، خطاها را اصلاح می‌کردند و نتایج را در چارچوب دانش زیستی تفسیر می‌کردند.
نمونه AutoProof نیز همین موضوع را نشان می‌دهد. این سامانه توانست از تصمیم‌های متخصصان یاد بگیرد و به بررسی پیشنهادهای اصلاحی کمک کند؛ اما خود این فرایند به نمونه‌های تأییدشده انسانی و ارزیابی نتایج وابسته بود.
بنابراین، نه می‌توان گفت هوش مصنوعی تمام کار را به‌تنهایی انجام داد و نه می‌توان نقش آن را به یک ابزار ساده و کم‌اهمیت تقلیل داد.
دستاورد اصلی، همکاری میان الگوریتم‌ها و پژوهشگران بود: الگوریتم‌ها در پردازش داده‌ها و شناسایی الگوها کمک کردند و انسان‌ها بر کیفیت، اعتبار و تفسیر علمی نتایج نظارت داشتند.
۸. این سه پژوهش چه چیزی درباره آینده هوش مصنوعی در علم نشان می‌دهند؟
این سه پژوهش نمونه‌هایی از کاربردهای متفاوت هوش مصنوعی در یک مسئله علمی پیچیده هستند. بررسی آن‌ها نشان می‌دهد که هوش مصنوعی می‌تواند در چند مرحله از فرایند پژوهش نقش داشته باشد:
۱. استخراج ساختار از تصاویر پیچیده
مدل‌های بینایی ماشین می‌توانند به شناسایی نورون‌ها و مرزهای آن‌ها در تصاویر میکروسکوپی کمک کنند. این قابلیت، بازسازی ساختارهای زیستی را در مقیاس‌های بزرگ‌تر امکان‌پذیر می‌کند.
۲. شناسایی خودکار اتصالات
الگوریتم‌ها می‌توانند نقاط احتمالی سیناپسی را شناسایی کنند و به ساخت نقشه ارتباطی میان نورون‌ها کمک کنند؛ هرچند خروجی آن‌ها همچنان به ارزیابی و اصلاح نیاز دارد.
۳. یادگیری از تخصص انسانی
مدل‌های یادگیری ماشین می‌توانند از تصمیم‌های متخصصان الگو بگیرند و در فرایندهایی مانند بررسی و اصلاح بازسازی‌ها به کار گرفته شوند. این رویکرد امکان استفاده دوباره از تجربه انسانی را در مقیاس بزرگ‌تر فراهم می‌کند.
۴. پیش‌بینی ویژگی‌های زیستی
هوش مصنوعی می‌تواند با تحلیل الگوهای تصویری، برخی ویژگی‌های زیستی مانند گروه انتقال‌دهنده عصبی را پیش‌بینی کند. چنین پیش‌بینی‌هایی می‌توانند مسیرهای تازه‌ای برای تحلیل داده‌ها ایجاد کنند، اما باید با دانش و شواهد علمی بررسی شوند.
۵. فراهم کردن زمینه برای تحلیل‌های بعدی
بازسازی خودکار ساختارهای عصبی، داده‌هایی تولید می‌کند که می‌توانند با روش‌های آماری و نظریه گراف بررسی شوند. در نتیجه، پژوهشگران می‌توانند الگوهای ارتباطی و ویژگی‌های شبکه‌ای را در مقیاسی مطالعه کنند که بررسی دستی آن بسیار دشوار است.
بااین‌حال، یک نکته اساسی را نباید فراموش کرد: بازسازی نقشه اتصالات مغز با درک کامل عملکرد مغز یکسان نیست. دانستن اینکه نورون‌ها چگونه به یکدیگر متصل شده‌اند، اطلاعات ارزشمندی فراهم می‌کند؛ اما به‌تنهایی برای توضیح کامل رفتار، یادگیری یا تمام فرایندهای مغزی کافی نیست.
همچنین، نمی‌توان صرفاً براساس این پژوهش‌ها نتیجه گرفت که انجام چنین پروژه‌هایی بدون هوش مصنوعی الزاماً دهه‌ها طول می‌کشید. آنچه روشن است، این است که روش‌های هوش مصنوعی و محاسباتی امکان پردازش و بررسی داده‌ها را در مقیاسی بسیار بزرگ فراهم کرده‌اند و در کنار تخصص انسانی، به پیشرفت پژوهش کمک کرده‌اند.
در نهایت، ارزش این سه پژوهش فقط در تعداد نورون‌ها یا اتصالات بازسازی‌شده نیست؛ بلکه در نشان دادن شیوه‌ای از همکاری میان هوش مصنوعی، محاسبات علمی و دانش انسانی است که می‌تواند در حوزه‌های دیگر علم نیز کاربرد داشته باشد.
آینده هوش مصنوعی در علم فقط به این بستگی ندارد که مدل‌ها چقدر هوشمند به نظر می‌رسند؛ بلکه به این بستگی دارد که در حل مسائل واقعی، چه کاری را می‌توانند دقیق‌تر، در مقیاس بزرگ‌تر و با صرف نیروی انسانی کمتر انجام دهند.
این مقاله بر پایه بررسی و تحلیل سه پژوهش علمی نوشته شده است، منابع مورد استفاده عبارت است از :
Scientific References
Neuronal Wiring Diagram of an Adult Brain
Authors: Sven Dorkenwald, Arie Matsliah, Amy R. Sterling, Philipp Schlegel, and colleagues (FlyWire Consortium).
Journal: Nature, 2024, Volume 634, pp. 124–138.
Research focus: Reconstruction of the neuronal wiring diagram of the adult female Drosophila melanogaster brain, comprising 139,255 neurons and approximately 54.5 million chemical synapses.
DOI: https://doi.org/10.1038/s41586-024-07558-y
Full article: https://www.nature.com/articles/s41586-024-07558-y
Network Statistics of the Whole-Brain Connectome of Drosophila
Authors: Albert Lin, Runzhe Yang, Sven Dorkenwald, Arie Matsliah, Amy R. Sterling, Philipp Schlegel, Szi-chieh Yu, Claire E. McKellar, Marta Costa, Katharina Eichler, Alexander Shakeel Bates, Nils Eckstein, Jan Funke, Gregory S. X. E. Jefferis, and Mala Murthy.
Journal: Nature, 2024, Volume 634, pp. 153–165.
Research focus: Analysis of the structural and network properties of the Drosophila whole-brain connectome, including connectivity patterns, network organization, and relationships between neuronal properties and connectivity.
DOI: https://doi.org/10.1038/s41586-024-07968-y
Full article: https://www.nature.com/articles/s41586-024-07968-y
Sexual Dimorphism in the Complete Drosophila Male Central Nervous System Connectome
Authors: Stuart Berg, Isabella R. Beckett, Marta Costa, Philipp Schlegel, Michał Januszewski, Elizabeth C. Marin, and colleagues.
Journal: Cell, 2026, Volume 189, pp. 5504–5526.
Publication date: September 3, 2026.
Research focus: Reconstruction of the male Drosophila central nervous system, including the brain and ventral nerve cord, and investigation of sex-related differences in neuronal circuits and connectivity.
DOI: https://doi.org/10.1016/j.cell.2026.08.015
Published article: https://doi.org/10.1016/j.cell.2026.08.015
Original preprint (2025): https://www.biorxiv.org/content/10.1101/2025.10.09.680999v2
