GPT-5 Pro يفك لغزاً مناعياً استمر لثلاث سنوات ويُحدث ثورة في أبحاث الخلايا التائية

استغل عالم المناعة (Immunologist) ديريا أونوتماز، الأستاذ في مختبر جاكسون (The Jackson Laboratory) وجامعة كونيتيكت (University of Connecticut)، قوة نموذج GPT-5 Pro من OpenAI لحل لغز معقد استمر لثلاث سنوات يتعلق بالتأثير الدقيق للجلوكوز (glucose) على تطور وتخصص الخلايا التائية (T cell). هذا الإنجاز، الذي أصبح ممكناً بفضل نموذج الذكاء الاصطناعي (AI model) الذي صدر في أواخر عام 2025، يؤكد الإمكانات التحويلية للنماذج اللغوية الكبيرة المتقدمة (advanced large language models) في تسريع الاكتشاف البيولوجي (biological discovery) الأساسي.

يكمن جوهر اللغز في تجربة أُجريت عام 2022، والتي تركت الباحثين دون فهم كامل لكيفية تأثير تلاعبات معينة بالجلوكوز (glucose manipulations) على مسارات الخلايا التائية (T cell pathways). قدم GPT-5 Pro رؤية حاسمة: فقد أشار إلى أن الديوكسي جلوكوز (deoxyglucose) يتداخل مع بناء بروتين إنترلوكين-2 (IL-2 protein). واستنتج النموذج أن هذا التداخل كان حاسماً في منع الخلايا التائية (T cells) من التمايز (differentiating) إلى خلايا Th17 المسببة للاستجابة الالتهابية (inflammatory-response Th17 cells)، وهو اكتشاف رئيسي له آثار على فهم أمراض المناعة الذاتية (autoimmune diseases) والاستجابات المناعية (immune responses).

قدرات تنبؤية مؤكدة

إلى جانب حل الألغاز القائمة، أظهر GPT-5 Pro قدرات تنبؤية (predictive capabilities) ملحوظة. استخدم أونوتماز الذكاء الاصطناعي (AI) لمحاكاة (simulate) تجربة جديدة تماماً، متوقعاً نتيجة فعالية الخلايا التائية CD8+ (CD8+ T cells) في استهداف خلايا الليمفوما (lymphoma cells). وقد ثبتت دقة تنبؤ النموذج، مما يؤكد قدرته ليس فقط على التحليل بأثر رجعي (retrospective analysis) ولكن أيضاً على توجيه التصميم التجريبي المستقبلي (prospective experimental design) والتنبؤ بالاستجابات البيولوجية (forecasting biological responses). تمثل هذه القدرة على محاكاة (simulate) وتوقع التفاعلات الخلوية (cellular interactions) المعقدة بدقة قفزة نوعية للذكاء الاصطناعي (AI) في المنهجية العلمية (scientific methodology).

إن مشاركة أونوتماز مع أدوات الذكاء الاصطناعي المتقدمة (advanced AI tools) ليست جديدة؛ فقد جرب سابقاً نماذج (models) مثل Codex و GPT-5.2 Deep Research. ركزت هذه التطبيقات المبكرة على تجميع مجموعات بيانات واسعة لطفرات السرطان (cancer mutation datasets) وتوليد مواد بحث أولية. يسلط التطبيق الناجح لـ GPT-5 Pro في حل سؤال مناعي طويل الأمد الضوء على نضج كبير في فائدة الذكاء الاصطناعي (AI)، حيث انتقل من تجميع البيانات (data aggregation) وتوليد المحتوى (content generation) إلى حل المشكلات المباشر والتنبؤ التجريبي (experimental prediction) في المجالات العلمية المتخصصة للغاية (highly specialized scientific domains). يشير هذا التطور إلى حقبة جديدة للبحث القائم على الذكاء الاصطناعي (AI-driven research)، حيث تعمل النماذج المتطورة (sophisticated models) كمتعاونين أساسيين في كشف العمليات البيولوجية (biological processes) المعقدة.