هوش مصنوعی چگونه هدف های مولکولی جدیدی برای پیری سالم را پیدا می کند

دانشمندانی که پیری را مطالعه می کنند اکنون یک ابزار جدید دارند: سیستم های هوش مصنوعی که می توانند هزاران مولکول یا مجموعه داده های ژنتیکی را در روزها اسکن کنند و حفنه ای از مولکول های احتمالی که برای تاثیر بر نحوه پیری سلول ها را مشخص کنند. چندین پروژه در هفته های اخیر علنی شده است که نشان می دهد این در عمل چگونه کار می کند - از جمله یک آزمایشگاه دانشگاهی برزیلی، یک شرکت بیوتکنولوژی بین المللی، و یک تیم تحقیقاتی که در پایگاه های داده ژنومی عمومی بزرگ می کاود - و همه آن ها با هدف یکسان مشکل اصلی: استرس اکسیداتیو و آسیب سلولی که با سن جمع می شود.

مدل هوش مصنوعی قابل تفسیری به دنبال پپتیدهای آنتی اکسیدانت است

در دانشگاه پونتیفیکال کاتولیک ریو دو ژانیرو (PUC-Rio)، تیمی به رهبری استاد شیمی André Silva Pimentel، با همکاری محققان Maria Carolina J. A. Schneider و Marina Geisiely Damaso Godinho Alves، مطالعه ای در مورد هوش مصنوعی قابل تفسیری اعمال شده بر پپتیدهای آنتی اکسیدانت منتشر کردند، بر اساس مقاله ای که تیم برای The Conversation Brasil در 5 اکتبر 2026 نوشت. پپتیدها زنجیره های کوتاهی از اسیدهای آمینه هستند که به طور طبیعی در پروتئین های غذایی یافت می شوند یا می توانند مصنوعی ساخته شوند، و برخی از آن ها می توانند رادیکال های آزاد را خنثی کنند - مولکول های ناپایدار که وقتی سریع تر از توانایی سیستم های آنتی اکسیدانت بدن برای پاک کردن آن ها جمع شوند، سلول ها را آسیب می زنند.

گروه PUC-Rio از روشی به نام هوش مصنوعی قابل تفسیری استفاده کردند، که در یک جنبه کلیدی با مدل های یادگیری ماشین استاندارد متفاوت است: به جای تنها یک پیش بینی، همچنین نشان می دهد کدام بخش های توالی اسیدهای آمینه پپتید بر آن پیش بینی تاثیر گذاشت. طبق گفته محققان، این به دانشمندان اجازه می دهد ببینند کدام ویژگی های ساختاری یک پپتید را احتمالاً یک آنتی اکسیدانت می کنند، نه اینکه هوش مصنوعی را به عنوان یک جعبه سیاه درمان کنند. این کار توسط FAPERJ، بنیاد پژوهشی دولت ریو دو ژانیرو، تمویل شد و توسط خروجی برزیلی Brasil em Folhas نیز پوشش داده شد، که آزمایشگاه و روش شناسی یکسان را توصیف کرد.

ارزش عملی، همانطور که محققان نوشتند، سرعت است: به جای آزمایش تعداد زیادی از کاندیدای پپتیدی یکی یکی در آزمایشگاه، مدل هوش مصنوعی یک لیست طولانی را به چند توالی ای که ارزش آزمایش تجربی دارند کاهش می دهد. تیم گفت کاربردهای احتمالی فراتر از لوازم آرایشی ضد پیری و مکملات تغذیه ای تا تحقیق در مورد شرایط مرتبط با استرس اکسیداتیو مانند بیماری آلزایمر، بیماری پارکینسون و سرطان است - اگرچه آن ها این را به عنوان جهتی برای مطالعه بیشتر، نه یک درمان تمام شده توصیف کردند.

سیستم های بزرگتر هوش مصنوعی ژنوم ها و کتابخانه های داروی را برای اهداف پیری اسکن می کنند

تلاش جداگانه و بزرگتری از Insilico Medicine، یک شرکت بیوتکنولوژی که ابزارهای هوش مصنوعی را برای کشف داروها توسعه می دهد، می آید. در 17 سپتامبر 2026، شرکت مطالعه ای را بر روی جلد مجله Cell منتشر کرد که توصیف یک کیت ابزار منبع باز برای تحقیقات طول عمر، ساخت شده با Liquid AI، موسسه Buck برای پژوهش درباره پیری، دانشکده پزشکی هارورد و بیمارستان زنان Brigham، طبق اعلام خود Insilico Medicine.

کیت ابزار دارای سه قسمت است: LongevityBench، معیاری که نحوه استدلال مدل های هوش مصنوعی در مورد بیولوژی پیری را در پنج نوع داده از جمله ژنتیکس و پروتئومیکس آزمایش می کند؛ Longevity-LLMs، خانواده ای از مدل های زبان فشرده (از 0.6 تا 9 میلیارد پارامتر) آموزش دیده خصوصاً بر روی داده های مرتبط با پیری؛ و Longevity Claw، پلتفرم تحقیقاتی مستقل طراحی شده برای شناسایی و رتبه بندی اهداف تدخل پیری احتمالی. Insilico Medicine گزارش کرد که مدل تخصصی 9 میلیارد پارامتری آن برابر یا بیشتر از 16 سیستم هوش مصنوعی سراسری کاربرد عام در کارهای بیولوژی پیری است، و اینکه Longevity Claw 328 هدف تدخل پیری کاندید پیشنهاد کرد، که گفت آن غنای تا 5.6 برابری را نشان داد برای ژن های مرتبط با پیری وقتی با مجموعه مرجع منتشر شده به طور مستقل از اهداف پیری تایید شده تجربی مقایسه می شود.

روش سوم، توصیف شده توسط وب سایت تحقیقات پیری Lifespan.io، از ابزار هوش مصنوعی به نام ClockBase Agent استفاده کرد - ساخته شده توسط تیمی به رهبری محقق Vadim Gladyshev - برای کاوش در بیش از 2 میلیون مجموعه داده RNA-sequencing و epigenetic موجود که 43,529 مداخله بیولوژیکی ثبت شده را پوشش می دهد. این سیستم داروهای شناخته شده ای مانند رپامایسین، متفورمین، فنوفیبرات و اوابایین را به عنوان مرتبط با پیری بیولوژیکی کندتر در داده ها مشخص کرد؛ Lifespan.io گزارش کرد که در آزمایش های تعقیبی بر روی موش های 20 ماهه، سه ماه درمان با اوابایین با امتیازات بهبود یافته ی ضعف، عملکرد شناختی، وضعیت خز و عملکرد قلب مرتبط بود، اگرچه پیش چاپ توصیف کننده مطالعه کامل در نوامبر 2025 ارسال شد و در آزمایش های بالینی انسان تایید نشده است.

این تحقیق چه نشان می دهد و چه نشان نمی دهد

هیچ یک از این پروژه ها ادعا نمی کند که درمان موافقت شده برای پیری تولید کرده اند. مدل پپتیدی PUC-Rio و لیست اهداف Insilico Medicine ابزارهای پیش بینی هستند که برای تعیین اولویت کاندیداهای برای تست آزمایشگاهی و بالینی، نه درمان های تمام شده. نتایج توصیف شده توسط Lifespan.io در مورد اوابایین از آزمایش های حیوانی، نه آزمایش های بالینی انسان می آیند. محققان درگیر در مطالعه PUC-Rio و Insilico Medicine هر دو کار خود را به عنوان باریک کردن یک فضای جستجو بسیار بزرگ - میلیون ها مولکول یا اهداف ژن احتمالی - طوری که منابع نادر آزمایشگاهی و بالینی برای تست کاندیداهای واقع بینانه ترین اول خرج می شود، توصیف می کنند.

• هوش مصنوعی قابل تفسیری (PUC-Rio): تسلسل های اسیدهای آمینه در پپتیدهای مشتق شده از غذا یا مصنوعی را که احتمالاً آنتی اکسیدانت هستند، تشخیص می دهد.
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine، با موسسه Buck و دانشکده پزشکی هارورد): معیار و رتبه بندی اهداف ژن مرتبط با پیری در مجموعه های داده omics.
• ClockBase Agent (تیم تحقیقاتی Gladyshev): مجموعه های داده ژنومی عمومی موجود را برای شناسایی داروهای موجود مرتبط با پیری بیولوژیکی کندتر در داده های حیوانی می کاود.