AI ยังไม่พร้อมถอดรหัสจีโนมอันซับซ้อนของมนุษย์ และรายงานล่าสุดจาก Wired ซึ่งนำมาจาก Quanta Magazine ก็อธิบายเหตุผลไว้ชัดเจน จีโนมมนุษย์ยังคงต้านทานการสร้างแบบจำลองแบบ input-output ที่แมชชีนเลิร์นนิงทำได้ดีในด้านอื่น โมเดล foundation model ด้านจีโนม เช่น Evo 2, Genos และ AlphaGenome ของ Google DeepMind ทำนายได้ว่าการเปลี่ยนแปลงของดีเอ็นเอจุดหนึ่งอาจส่งผลต่อลักษณะทางชีวภาพอย่างไร แต่ยังอธิบายไม่ได้ว่าทำไมถึงเป็นเช่นนั้น เพราะตรรกะการควบคุมของจีโนมเรายุ่งเหยิงกว่าสคริปต์หรือพิมพ์เขียวมาก
เรื่องนี้สำคัญเกินกว่าแวดวงชีววิทยาเชิงวิชาการ สตาร์ทอัพเฮลธ์เทค ทีมข้อมูลของบริษัทยา และบริษัทซอฟต์แวร์ที่สำรวจงาน AI และแมชชีนเลิร์นนิง สำหรับลูกค้าในธุรกิจวิทยาศาสตร์ชีวภาพ ต้องเข้าใจช่องว่างนี้ มันเปลี่ยนระดับความไว้วางใจที่ควรให้กับ AI เมื่อเทียบกับงานจดจำภาพหรือสร้างข้อความ ช่องว่างระหว่างการทำนายกับความเข้าใจมีผลโดยตรงต่อการออกแบบผลิตภัณฑ์ ความเสี่ยงด้านกฎระเบียบ และความไว้วางใจของลูกค้า
เหตุผลที่ AI ยังไม่พร้อมถอดรหัสจีโนมอันซับซ้อนในวันนี้
มีเพียงประมาณร้อยละ 2 ของจีโนมมนุษย์เท่านั้นที่เป็นยีนสร้างโปรตีนจริง ส่วนที่เหลือเคยถูกมองว่าเป็นขยะทางพันธุกรรม นักวิจัยปัจจุบันทราบแล้วว่าส่วนใหญ่ทำหน้าที่ควบคุมยีน คือกระบวนการเปิดหรือปิดยีนตามชนิดของเซลล์ จังหวะเวลา และสัญญาณจากภายนอก
บทความอ้างคำพูดของ Karen Adelman นักชีววิทยาจาก Harvard Medical School ที่ระบุว่ายีนเองอาจไม่ใช่ส่วนที่น่าสนใจที่สุดของจีโนม ปัญหาที่ยากกว่าคือการควบคุม Transcription factor และ enhancer ทำงานร่วมกันแบบผสมผสานและขึ้นกับบริบท แบคทีเรียมักมีสัญญาณเดียวสั่งเปิดหรือปิดการทำงาน แต่การควบคุมในมนุษย์คล้ายตรรกะ "AND" มากกว่า ต้องมีสัญญาณหลายอย่างมาประจวบกันก่อนที่ยีนจะทำงาน Wendy Bickmore จาก University of Edinburgh ชี้ว่าผ่านมา 23 ปีแล้วนับจากโครงการ Human Genome Project เสร็จสิ้นในเดือนเมษายน 2003 นักวิทยาศาสตร์ก็ยังทำแผนที่เชื่อมโยง enhancer ทั้งหมดกับยีนที่มันควบคุมไม่ได้
จุดที่โมเดล foundation model ด้านจีโนมยังสะดุด
โมเดล foundation model ด้านจีโนมถูกฝึกให้หาความสัมพันธ์เชิงสถิติในข้อมูลลำดับดีเอ็นเอ วิธีนี้ได้ผลดีเมื่อมีตัวอย่างที่มีป้ายกำกับเพียงพอ และรูปแบบเบื้องหลังค่อนข้างคงที่ แต่การควบคุมยีนในมนุษย์ไม่เป็นแบบนั้น มันเกี่ยวข้องกับหลายชั้นพร้อมกัน
- Enhancer ที่อาจอยู่ห่างไกลจากยีนที่มีอิทธิพล บางครั้งต้องอาศัยการพับตัวของโครโมโซมแบบสามมิติเพื่อให้มาสัมผัสกัน
- Transcription factor ที่ทำงานต่างกันไปขึ้นอยู่กับว่ามีปัจจัยอื่นใดอยู่ในเซลล์เดียวกัน
- ชุดการควบคุมที่เจาะจงเฉพาะชนิดเซลล์และช่วงเวลาหนึ่ง ไม่ใช่กฎตายตัว
โมเดลที่ฝึกจากเซลล์ไลน์และประชากรที่ถูกศึกษามาอย่างดีมักทำงานแย่ลงกับชนิดเซลล์หายาก กลุ่มชาติพันธุ์ที่มีข้อมูลน้อย หรือช่วงพัฒนาการที่ไม่ครอบคลุมในข้อมูลฝึกฝน นี่คือปัญหาคลาสสิกเรื่องการ generalize โมเดลอาจดูแม่นยำสูงในเอกสาร benchmark แต่ยังทำนายผิดพลาดอย่างมั่นใจในกรณีขอบเขตของโลกจริง
ทำไมเรื่องนี้สำคัญต่อผู้บริหารธุรกิจ ไม่ใช่แค่นักวิทยาศาสตร์
บริษัทที่สร้างผลิตภัณฑ์บน AI ด้านจีโนม หรือให้คำปรึกษาแก่ลูกค้าที่ทำเช่นนั้น ควรมองเรื่องนี้เป็นประเด็นด้านธรรมาภิบาลข้อมูลและการบริหารความเสี่ยง ไม่ใช่เพียงเรื่องน่าสนใจทางวิทยาศาสตร์
- การทำนายไม่ใช่การอธิบาย โมเดลตั้งข้อสังเกตได้ว่าความแปรผันของลำดับพันธุกรรมหนึ่งมีแนวโน้มก่อโรค แต่ไม่ระบุกลไกเบื้องหลัง การตรวจสอบทางคลินิกหรือกฎหมายจึงยากขึ้น
- อคติในข้อมูลฝึกฝนสะสมอย่างเงียบ ๆ ชุดข้อมูลจีโนมมักเอนเอียงไปทางประชากรบางกลุ่มและชนิดเซลล์ที่ถูกศึกษามาดี ความมั่นใจของโมเดลจึงไม่เท่ากับความแม่นยำสำหรับทุกคน
- การตรวจสอบจากหน่วยงานกำกับดูแลเข้มงวดขึ้น หน่วยงานด้านสุขภาพในสหรัฐฯ สหภาพยุโรป และในเอเชียเริ่มขอให้ผู้ให้บริการ AI บันทึกเอกสารว่าคำทำนายได้รับการตรวจสอบอย่างไร ไม่ใช่แค่รายงานคะแนนความแม่นยำ
บริษัทใดก็ตามที่นำ AI ด้านจีโนมหรือชีววิทยาไปผนวกกับผลิตภัณฑ์ ไม่ว่าจะเป็นสตาร์ทอัพด้านการวินิจฉัยโรคหรือแพลตฟอร์มข้อมูล ต้องมีชั้นการตรวจสอบก่อนที่ผลลัพธ์จากโมเดลจะถึงมือผู้ตัดสินใจ
ขั้นตอนที่เป็นรูปธรรมที่บริษัทควรพิจารณา
- รักษาผู้เชี่ยวชาญมนุษย์ไว้ในวงจรตรวจทาน สำหรับคำทำนายทางจีโนมใดที่ป้อนเข้าสู่การตัดสินใจทางคลินิก ประกันภัย หรือการจ้างงาน
- บันทึกเอกสารว่าประชากรและชนิดเซลล์ใดบ้างที่ข้อมูลฝึกฝนครอบคลุมจริง และทำเครื่องหมายคำทำนายนอกขอบเขตนั้นว่ามีความเชื่อมั่นต่ำ
- ตั้งงบประมาณสำหรับรอบการตรวจสอบในห้องปฏิบัติการหรือทางคลินิก แทนที่จะมองผลลัพธ์โมเดลเป็นคำตอบสุดท้าย
- สอบถามผู้ให้บริการ AI โดยตรงว่าจัดการความไม่แน่นอนในการเชื่อมโยง enhancer กับยีนอย่างไร เพราะนี่คือปัญหาที่ยังไม่มีคำตอบทั่วทั้งวงการ ไม่ใช่ช่องว่างเฉพาะของผู้ให้บริการรายใด
- แยกกรณีใช้งานแบบเครื่องมือวิจัยเชิงสำรวจออกจากกรณีใช้งานแบบฟีเจอร์ในผลิตภัณฑ์ มาตรฐานของอย่างหลังควรสูงกว่ามาก
จุดที่เรื่องนี้เชื่อมโยงกับงานซอฟต์แวร์และข้อมูลทั่วไป
บริษัทส่วนใหญ่จะไม่สร้างโมเดลจีโนมขึ้นมาเอง แต่หลายแห่งจะนำคำทำนายจาก AI ของพาร์ทเนอร์หรือผู้ให้บริการมาผนวกกับแดชบอร์ด CRM หรือเครื่องมือภายในองค์กร วินัยเดียวกันนี้ใช้ได้ผลที่นั่นด้วย บันทึกเวอร์ชันของโมเดล บันทึกคะแนนความเชื่อมั่น และอย่าปล่อยให้ระบบปลายทางเข้าใจคำทำนายเชิงความน่าจะเป็นเป็นข้อเท็จจริงที่ยืนยันแล้วโดยไม่รู้ตัว เราพบรูปแบบคล้ายกันเมื่อสร้าง ฟีเจอร์ AI และแมชชีนเลิร์นนิงเข้ากับระบบธุรกิจ ความเสี่ยงทางเทคนิคที่ใหญ่ที่สุดมักไม่ใช่ตัวโมเดลเอง แต่เป็นวิธีที่ซอฟต์แวร์รอบข้างนำเสนอผลลัพธ์อย่างมั่นใจเกินไปต่อผู้ใช้ที่ไม่มีพื้นฐานด้านเทคนิค
ทีมที่ทำงานกับข้อมูลสุขภาพหรือพันธุกรรมที่ละเอียดอ่อนต้องคิดเรื่องการปกป้องข้อมูลและการควบคุมการเข้าถึงตั้งแต่ก่อนชั้น AI ชุดข้อมูลที่รั่วไหลถือเป็นความเสี่ยงทางธุรกิจที่ใหญ่กว่าคำทำนายไม่สมบูรณ์แบบ หากทีมของคุณกำลังประเมินงาน เชื่อมต่อระบบผ่าน API เพื่อเชื่อมผู้ให้บริการ AI ด้านจีโนมเข้ากับระบบภายใน ควรสร้าง audit trail ตั้งแต่วันแรก บันทึกว่าใครสอบถามอะไร โมเดลเวอร์ชันใดตอบกลับ และคะแนนความเชื่อมั่นที่ได้คืออะไร ทีม cybersecurity ของเราช่วยวางขอบเขตของชั้นนี้ก่อนขึ้นใช้งานจริงได้
ข้อสังเกตเรื่องกรอบเวลา
นักชีววิทยาในบทความของ Quanta ยอมรับตรงไปตรงมาว่าความเข้าใจเชิงกลไกอย่างสมบูรณ์เกี่ยวกับการควบคุมยีนอาจต้องใช้เวลาอีกหลายทศวรรษ หากจะมาถึงจริง นี่คือการปรับมาตรฐานที่มีประโยชน์สำหรับการวางแผนธุรกิจ AI ด้านจีโนมจะพัฒนาขึ้นทีละน้อย แต่ยังไม่อยู่บนเส้นทางที่จะให้คำตอบอธิบายได้ครบถ้วนและพร้อมตรวจสอบได้ภายในรอบผลิตภัณฑ์ถัดไป วางแผนการเชื่อมต่อระบบ เอกสารด้านการปฏิบัติตามกฎระเบียบ และคำมั่นสัญญากับลูกค้าโดยยึดความจริงข้อนี้ ไม่ใช่ตามคำโฆษณาของผู้ให้บริการ หากแผนงานของคุณขึ้นอยู่กับความคาดหวังว่าคำทำนายทางจีโนมที่อธิบายได้จะมาถึงเร็ว ๆ นี้ ควรวางแผนสำรองตั้งแต่ตอนนี้ เพราะวิทยาศาสตร์พื้นฐานยังตามไม่ทันความต้องการ ทีมที่กำลังพิจารณาว่า AI ควรอยู่ตรงไหนในกลยุทธ์ business intelligence ที่กว้างขึ้น ควรใช้ความระมัดระวังแบบเดียวกันกับผู้ให้บริการรายใดก็ตามที่อ้างว่าอธิบายได้ในระยะเวลาอันใกล้
