حين يدير الذكاء الاصطناعي مختبر الجينات…

من الأذرع الروبوتية إلى مسؤولية الإنسان
مختبر في شنغهاي يحوّل التوجيهات البشرية إلى تجارب جزيئية متكاملة، ويفتح نقاشًا حول مستقبل البحث العلمي وحدود الاستقلال الآلي

سلسلة (خواطر وراثية) الحلقة (70)
شبكة بيئة أبو ظبي، بقلم: د. قاسم زكي (*)، أستاذ الوراثة المتفرغ بكلية الزراعة، جامعة المنيا، مصر، 14 نوفمبر 2026
اعتدنا أن نتخيل مختبر الوراثة مكانًا يتحرك فيه الباحث بين الأنابيب والماصات وأجهزة التحليل، مسجلًا الملاحظات ومراجعًا النتائج. لكن مشهدًا مختلفًا يتشكل اليوم: أذرع روبوتية تتولى الحركة، وأنظمة ذكاء اصطناعي تنسق العمل، وباحث يحدد الهدف ثم يتابع ما يحدث. هنا يتجاوز السؤال قدرة الآلة على تنفيذ مهمة متكررة، ليصبح متعلقًا بقدرتها على إدارة سلسلة تجريبية مترابطة. وإذا نجح هذا التحول، فقد تتغير علاقتنا بالمختبر، وتتبدل المهارات المطلوبة من الأجيال الجديدة من العلماء.

في دراسة نشرتها دورية «نيتشر» في الرابع من نوفمبر 2026، قدم باحثون نظام «أوتو دي إن إيه» AutoDNA، بمشاركة جامعة شنغهاي جياو تونغ. ينسق النظام أكثر من عشرين نوعًا من الأجهزة، وينفذ عمليات تشمل تخليق الأحماض النووية ونسخها وتضخيمها وتحديد تسلسلها. وأظهر قدرته على إنجاز مشروع يتجاوز أحد عشر ألف خطوة. ويبدأ العمل بتوجيه بشري، بينما يتولى وكلاء الذكاء الاصطناعي التخطيط والتنفيذ، مع استمرار الحاجة إلى البشر لتجديد المواد والمستهلكات وصيانة المعدات.

تتجلى أهمية الفكرة في الانتقال من أتمتة جهاز منفرد إلى تنسيق المختبر بوصفه منظومة. ويمكن تقريب الفرق بمثال الأوركسترا: امتلاك آلات موسيقية متقنة لا يكفي لإنتاج مقطوعة منسجمة؛ فلا بد من تنظيم الأدوار والتوقيت. وبالمثل، تحتاج التجربة الجزيئية إلى انتقال منضبط بين مراحل متتابعة. ومن هذا المنظور، تصبح قيمة الذكاء الاصطناعي في الربط بين القرارات والأفعال، لا في كتابة إجابة مقنعة على شاشة الحاسوب وحدها.

وفي التطبيقات التي عرضتها الدراسة، حقق النظام مردودًا لتخليق الحمض النووي مماثلًا لبروتوكولات حسّنها خبراء، وسرّع تنفيذ بروتوكولات متزامنة بمقدار 3.2 مرة. كما أنجز دورة لتخزين بيانات في الحمض النووي واستعادتها دون خطأ، وحدد طفرة KRAS G13D سبق رصدها سريريًا وتحقق منها. وهذه نتائج محددة ضمن اختبارات الدراسة؛ فلا يجوز تحويل نسبة التسريع إلى وعد عام لكل التجارب، ولا اعتبار تجربة كشف الطفرة اعتمادًا شاملًا للتشخيص الطبي.

تدعونا هذه النتائج إلى التفكير في معنى الإنتاجية العلمية. فزيادة عدد التجارب لا تساوي تلقائيًا زيادة المعرفة؛ إذ يمكن تنفيذ آلاف القياسات حول سؤال ضعيف، فتنتج وفرة من الأرقام وقليل من الفهم. لذلك ينبغي أن نقيس نجاح المختبر الذكي بقدرته على خدمة سؤال واضح، وإنتاج نتائج قابلة للفحص، وإظهار أسباب قبول الاستنتاج أو رفضه. أما الانبهار بسرعة الأذرع الروبوتية فقد يحجب عنا المعيار الأهم: هل أصبحت الأدلة أقوى؟

ومن منظور البحث الزراعي، يمكن تصور تطبيقات مستقبلية لهذه المنظومات في فحص التنوع الوراثي، ودراسة استجابة النباتات للإجهاد، ومقارنة مؤشرات جزيئية مرتبطة بمقاومة الأمراض. وهذه آفاق مقترحة، وليست إنجازات زراعية أثبتتها الدراسة المذكورة. ولكي تخدم الزراعة المصرية، يجب أن تبدأ من احتياجات الحقل: مشكلة مرضية مؤثرة، أو صفة يحتاجها المزارع، أو سؤال يتعلق بكفاءة استخدام الموارد. فالتكنولوجيا تكتسب قيمتها حين ترتبط بمشكلة واقعية قابلة للحل.

ويظل التحقق المستقل شرطًا جوهريًا. فإذا اقترح النظام خطة ثم نفذها وحلل نتائجها، فإننا نحتاج إلى ضمانات تمنع انتقال خطأ مبكر عبر جميع المراحل. ويشمل ذلك تصميم ضوابط مناسبة، وتوثيق مصدر العينة، ومراجعة معايير الجودة، وإتاحة سجل يوضح القرارات والتعديلات. وهذه متطلبات ينبغي وضعها عند تقييم أي مختبر مستقل، حتى نستطيع التمييز بين تجربة ناجحة بحق، وتجربة تبدو ناجحة لأن منظومتها لم تبحث بجدية عن مواضع الإخفاق.

وتطرح العينات البشرية سؤالًا إضافيًا: من يحق له الوصول إلى البيانات الوراثية، وكيف نضمن استخدامها في الغرض الموافق عليه؟ إن نقل العمل إلى منظومة آلية لا ينقل المسؤولية الأخلاقية إليها. ولذلك ينبغي أن تكون صلاحيات التشغيل والوصول محددة، وأن تظل الموافقة على الاستخدامات الحساسة واضحة وموثقة. كما يجب أن نستطيع إيقاف التنفيذ عندما تظهر مشكلة، وأن نعرف الجهة المسؤولة عن مراجعتها وتصحيحها قبل استئناف العمل.

أما في الجامعات العربية، فربما تكون البداية الأجدى هي بناء قدرات متدرجة، بدل اختزال التحديث في شراء مختبر باهظ. يمكن البدء بتوثيق الإجراءات رقميًا، وتحسين إدارة العينات، وربط الأجهزة، وتدريب فرق تجمع بين الأحياء والحوسبة والهندسة. ثم نختبر قيمة الأتمتة في مهام محددة قبل توسيعها. وينبغي أن يدخل في حساب الجدوى ثمن الصيانة والمستهلكات والتدريب واستمرارية الدعم؛ فالمنظومة التي تتوقف طويلًا لا تصبح استثمارًا ناجحًا لمجرد حداثتها.

وقد يغير ذلك أيضًا طريقة تعليم الوراثة. فطالب المستقبل يحتاج إلى فهم التجربة التي ينفذها النظام، واستيعاب افتراضات التحليل، واكتشاف النتيجة غير المعقولة. وتظل الخبرة العملية مهمة، لأنها تمنحه إحساسًا بما قد يحدث للعينة خارج النموذج الحسابي. ومن المفيد أن يتعلم كيف يسأل الآلة، لكن الأهم أن يتعلم كيف يختبر إجابتها. فالمهارة العلمية لا تكتمل بإصدار الأمر، بل بالقدرة على مساءلة ما ترتب عليه.

إن مختبر «أوتو دي إن إيه» يفتح نافذة مهمة على مستقبل تتداخل فيه البرمجيات مع العمل التجريبي. غير أن اتجاه هذا المستقبل سيتحدد بالاختيارات التي نتخذها: أي الأسئلة نعطيها الأولوية؟ وكيف نوزع فرص الوصول إلى الأدوات؟ وما المعايير التي نضعها للثقة؟ قد تتولى الروبوتات نقل الأنابيب، وقد تنظم الخوارزميات خطوات العمل، لكن تحديد الغاية وتفسير الدلالة وتحمل المسؤولية تبقى أعمالًا بشرية. وعندها يصبح تقدم المختبر فرصة لتوسيع المعرفة وخدمة المجتمع، لا مجرد استعراض لقدرة الآلة.

(*) د. قاسم زكي:
أستاذ الوراثة المتفرغ بكلية الزراعة، جامعة المنيا، وعضو اتحاد كتاب مصر.

المرجع العلمي :
Wu, M., Wang, Z., Wang, J., Dong, Z., Yang, J., Li, Q., Huang, T., Zhang, C., Song, P., Zhao, L., Li, M., Zuo, X., Wang, F., Fan, C., & Chen, H. (2026). An AI-native experimental laboratory for autonomous biomolecular operations. Nature. https://doi.org/10.1038/s41586-026-11228-6