ხელოვნურმა ინტელექტმა პირველად შექმნა ფუნქციური ვირუსების სრული გენომები — რას ნიშნავს ეს მედიცინისა და ბიოუსაფრთხოებისთვის?
შესავალი — ანალიტიკური კომენტარი
ხელოვნური ინტელექტის გამოყენება ბიომედიცინაში ახალ ეტაპზე გადავიდა. თუ რამდენიმე წლის წინ მისი მთავარი როლი ცილების სტრუქტურის პროგნოზირება, გენეტიკური ვარიანტების ანალიზი და სამკურნალო მოლეკულების მოძიება იყო, ახლა მკვლევრებმა აჩვენეს, რომ გენომური ხელოვნური ინტელექტის მოდელებს შეუძლიათ მთლიანი ვირუსული გენომების დიზაინიც.
2026 წელს ჟურნალ Science-ში გამოქვეყნებულმა კვლევამ აჩვენა, რომ სტენფორდის უნივერსიტეტისა და Arc Institute-ის მეცნიერებმა გენომური მოდელების გამოყენებით შექმნეს ახალი ბაქტერიოფაგების სრული გენეტიკური თანმიმდევრობები. ლაბორატორიული სინთეზისა და შემდგომი ექსპერიმენტული შემოწმების შედეგად რამდენიმე დიზაინი ფუნქციურ ვირუსად ჩამოყალიბდა, რომელსაც ბაქტერიის ინფიცირება და გამრავლება შეეძლო. [1] (bioRxiv)
ეს შედეგი მნიშვნელოვანია, რადგან აქ ხელოვნურმა ინტელექტმა მხოლოდ ერთი ცილა ან ერთი გენი კი არ შეარჩია, არამედ მთლიანი გენომური სისტემის დიზაინში მიიღო მონაწილეობა.
თუმცა ამ მიღწევის შეფასებისას განსაკუთრებით მნიშვნელოვანია სიზუსტე.
კვლევაში შექმნილი ვირუსები იყვნენ ბაქტერიოფაგები — ვირუსები, რომლებიც ბაქტერიებს აინფიცირებენ. ისინი არ წარმოადგენდნენ ადამიანის ვირუსებს და კვლევა არ ადასტურებს, რომ იგივე მიდგომით დღეს შესაძლებელია ადამიანის ინფექციური პათოგენის საიმედოდ შექმნა.
ამიტომ ორი უკიდურესი ინტერპრეტაცია ერთნაირად მცდარია:
„ხელოვნურმა ინტელექტმა სიცოცხლე შექმნა“ — გადაჭარბებული ფორმულირებაა.
მაგრამ ასევე არასაკმარისია იმის თქმა, რომ ეს მხოლოდ კომპიუტერული სიმულაცია იყო.
რეალურად მოხდა უფრო მნიშვნელოვანი რამ: ხელოვნური ინტელექტის მიერ შეთავაზებული მთლიანი გენომური დიზაინების ნაწილი ფიზიკურად სინთეზირდა და ლაბორატორიულ პირობებში ფუნქციური აღმოჩნდა. [1]
საზოგადოებრივი ჯანმრთელობისთვის ეს ერთდროულად აჩენს დიდ შესაძლებლობას და დიდ პასუხისმგებლობას — გენომური ხელოვნური ინტელექტი შეიძლება მომავალში დაეხმაროს ანტიმიკრობული რეზისტენტობის წინააღმდეგ ბრძოლას, მაგრამ ამავე ტექნოლოგიის განვითარება მოითხოვს მკაცრ ბიოუსაფრთხოებას, ეთიკურ ზედამხედველობასა და საერთაშორისო რეგულაციას.
პრობლემის აღწერა
მთავარი მეცნიერული პრობლემა, რომელსაც ეს კვლევა ეხება, არის კითხვა: შეუძლია თუ არა ხელოვნური ინტელექტის მოდელს არა მხოლოდ უკვე არსებული გენეტიკური ინფორმაციის გაანალიზება, არამედ ისეთი ახალი გენომური თანმიმდევრობის შექმნა, რომელიც ბიოლოგიურ სისტემაში ნამდვილად იმუშავებს?
ეს გაცილებით რთული ამოცანაა, ვიდრე ერთი გენის დიზაინი.
გენომი არის ურთიერთდაკავშირებული გენეტიკური ინსტრუქციების სისტემა. ცალკეული ელემენტის შეცვლამ შეიძლება გავლენა მოახდინოს სხვა გენებზე, ცილების წარმოქმნაზე, რეგულაციაზე, სტრუქტურაზე და საბოლოოდ მთელი ვირუსის ფუნქციონირებაზე.
სწორედ ამიტომ სიცოცხლისუნარიანი მთლიანი გენომის დიზაინი ბიოინჟინერიისთვის მნიშვნელოვანი ტექნიკური ზღვარი იყო.
Samuel King-ის, Brian Hie-სა და მათი კოლეგების კვლევაში გამოყენებული იყო გენომური ენობრივი მოდელები Evo 1 და Evo 2. მკვლევრებმა ხელოვნური ინტელექტის მიერ გენერირებული მრავალი ვარიანტიდან დაახლოებით 300-მდე კანდიდატი შეარჩიეს ექსპერიმენტული შემოწმებისთვის, ხოლო საბოლოოდ 16 დიზაინმა წარმოქმნა სიცოცხლისუნარიანი ბაქტერიოფაგი. [1] (bioRxiv)
ეს ნიშნავს, რომ წარმატებული იყო მხოლოდ შერჩეული დიზაინების ნაწილი.
ამ დეტალს განსაკუთრებული მნიშვნელობა აქვს, რადგან იგი აჩვენებს ტექნოლოგიის დღევანდელ რეალურ შესაძლებლობას: ხელოვნურ ინტელექტს უკვე შეუძლია ბიოლოგიურად საინტერესო და ზოგ შემთხვევაში ფუნქციური გენომური ვარიანტების შეთავაზება, თუმცა მისი შედეგები ჯერ კიდევ საჭიროებს მასშტაბურ ლაბორატორიულ შემოწმებას და ავტომატურად ფუნქციური არ არის.
სამეცნიერო და კლინიკური ანალიზი
ხელოვნური ინტელექტის გენომური მოდელები გარკვეული თვალსაზრისით ენობრივ მოდელებს ჰგავს, თუმცა მათი „ენა“ ბუნებრივი სიტყვები კი არა, დნმ-ის თანმიმდევრობებია.
დნმ ოთხ ძირითად ნუკლეოტიდურ ერთეულს ეყრდნობა:
ადენინს, თიმინს, გუანინსა და ციტოზინს.
გენომური მოდელი სწავლობს, როგორ არის ეს თანმიმდევრობები ორგანიზებული მილიონობით ბუნებრივ გენომში და რა კანონზომიერებები უკავშირდება გენების ფუნქციას, რეგულაციასა და ევოლუციურ თავსებადობას.
Evo 2 ამ მიმართულების ერთ-ერთი ყველაზე დიდი მოდელია. 2026 წელს Nature-ში გამოქვეყნებული კვლევის მიხედვით, ის გაწვრთნილია დაახლოებით 9.3 ტრილიონ დნმ-ის ბაზაზე და მოიცავს სიცოცხლის სხვადასხვა სფეროს გენომურ მონაცემებს. მოდელს შეუძლია დიდი გენომური კონტექსტის ანალიზი, გენეტიკური ვარიანტების ფუნქციური მნიშვნელობის შეფასება და ახალი გენომური თანმიმდევრობების გენერირება. [2] (PubMed)
ამ ტექნოლოგიის მთავარი განსხვავება ჩვეულებრივი ბიოინფორმატიკისგან ის არის, რომ სისტემა მხოლოდ არსებული გენეტიკური თანმიმდევრობების კლასიფიკაციას აღარ აკეთებს.
იგი ცდილობს ახალი ბიოლოგიური დიზაინის შექმნას.
თუმცა „დიზაინი“ და „ბიოლოგიური შექმნა“ ერთი და იგივე არ არის.
ხელოვნური ინტელექტი ქმნის ციფრულ გენეტიკურ თანმიმდევრობას. ამის შემდეგ მეცნიერებს სჭირდებათ გენეტიკური მასალის ფიზიკური სინთეზი, მისი შესაბამის ბიოლოგიურ სისტემაში შეტანა და ექსპერიმენტული შემოწმება.
სწორედ ეს მოხდა აღნიშნულ კვლევაშიც.
ხელოვნური ინტელექტის მიერ გენერირებული გენომები ლაბორატორიულად სინთეზირდა და შემოწმდა, შეეძლოთ თუ არა მათ რეალური ბაქტერიოფაგების წარმოქმნა.
16 შემთხვევაში პასუხი დადებითი აღმოჩნდა. [1]
რატომ არის ბაქტერიოფაგი საინტერესო მედიცინისთვის
ბაქტერიოფაგები ბუნებაში ფართოდ გავრცელებული ვირუსებია, რომლებიც ბაქტერიებს აინფიცირებენ.
ეს თვისება მათ სამედიცინო თვალსაზრისით საინტერესო ხდის, რადგან თეორიულად შესაძლებელია ისეთი ფაგის გამოყენება, რომელიც კონკრეტულ დაავადების გამომწვევ ბაქტერიას ამოიცნობს და ანადგურებს.
ამ მიდგომას ფაგოთერაპია ეწოდება.
ფაგოთერაპიის მიმართ ინტერესი განსაკუთრებით გაიზარდა ანტიბიოტიკებისადმი რეზისტენტობის გაძლიერების ფონზე.
ანტიმიკრობული რეზისტენტობა უკვე გლობალური საზოგადოებრივი ჯანმრთელობის ერთ-ერთი ყველაზე მნიშვნელოვანი საფრთხეა. როდესაც ბაქტერიები ჩვეულებრივ ანტიბიოტიკებს აღარ ემორჩილებიან, ინფექციების მკურნალობა რთულდება, იზრდება ჰოსპიტალიზაციის ხანგრძლივობა, მკურნალობის ღირებულება და მძიმე შედეგების რისკი.
ამ კონტექსტში ხელოვნური ინტელექტით ახალი ბაქტერიოფაგების დიზაინი შეიძლება საინტერესო მიმართულებად იქცეს.
King-ისა და კოლეგების კვლევაში ხელოვნური ინტელექტით შექმნილი ფაგების ნარევმა ლაბორატორიულ პირობებში შეძლო რამდენიმე ისეთი ნაწლავის ჩხირის შტამის წინააღმდეგ მოქმედებაც, რომლებმაც ბუნებრივი ფაგის მიმართ რეზისტენტობა გამოიმუშავეს. [1] (bioRxiv)
ეს შედეგი ჯერ არ ნიშნავს, რომ ასეთი მკურნალობა მზად არის ადამიანებში გამოყენებისთვის.
კვლევა წარმოადგენს ადრეულ ექსპერიმენტულ ეტაპს და არ არის კლინიკური კვლევა პაციენტებში.
მაგრამ იგი აჩენს პერსპექტივას, რომ მომავალში ხელოვნური ინტელექტი გამოყენებული იყოს არა მხოლოდ არსებული ფაგების მოსაძებნად, არამედ ახალი კანდიდატების სწრაფად შესაქმნელადაც.
სად მთავრდება დღევანდელი მეცნიერება და იწყება მომავლის სცენარი
შესაძლებელია წარმოვიდგინოთ მომავალი, როდესაც პაციენტის ინფექციის გამომწვევი ბაქტერია სწრაფად გენომურად იქნება გაანალიზებული, შემდეგ ალგორითმი შეარჩევს ან შექმნის შესაბამის ფაგის კანდიდატს, რომელიც ლაბორატორიულად შემოწმდება და მხოლოდ ამის შემდეგ გამოიყენება მკურნალობისთვის.
თუმცა ეს ჯერ კლინიკური რეალობა არ არის.
ასეთი სისტემის შესაქმნელად საჭირო იქნება:
კლინიკური უსაფრთხოების დამტკიცება;
ფაგების ორგანიზმში ქცევის შესწავლა;
იმუნური პასუხის შეფასება;
რეზისტენტობის მონიტორინგი;
წარმოების სტანდარტიზაცია;
ხარისხის კონტროლი;
მარეგულირებელი ჩარჩოს შექმნა.
ამიტომ ხელოვნური ინტელექტით შექმნილი ბაქტერიოფაგები დღეს უნდა განვიხილოთ როგორც პერსპექტიული კვლევითი პლატფორმა და არა როგორც დამტკიცებული მკურნალობის მეთოდი.
ბიოუსაფრთხოება — რატომ შეიცვალა დისკუსია
ამ კვლევის ალბათ ყველაზე მნიშვნელოვანი შედეგი მხოლოდ ის არ არის, რომ მეცნიერებმა ახალი ბაქტერიოფაგები მიიღეს.
უფრო ფართო მნიშვნელობა აქვს იმას, რომ დადასტურდა პრინციპი: გენერაციულ ხელოვნურ ინტელექტს შეუძლია შექმნას სრული ვირუსული გენომური დიზაინები, რომელთა ნაწილი ექსპერიმენტულად ფუნქციურია.
სწორედ აქ ჩნდება ორმაგი გამოყენების პრობლემა.
ორმაგი გამოყენების ტექნოლოგია ნიშნავს შესაძლებლობას, რომელსაც შეუძლია როგორც სასარგებლო, ისე პოტენციურად საზიანო მიზნებისთვის გამოყენება.
ამიტომ ბიოუსაფრთხოების ექსპერტები ხაზს უსვამენ, რომ ხელოვნური ინტელექტის ბიოლოგიურ დიზაინში გამოყენებასთან ერთად საჭიროა განვითარდეს არა ერთი, არამედ რამდენიმე დამცავი ფენა — კვლევითი ზედამხედველობა, უსაფრთხო მონაცემთა მართვა, გენეტიკური სინთეზის შემოწმება და შესაბამისი საერთაშორისო წესები.
ბიოუსაფრთხოების საკითხზე მიმდინარე სამეცნიერო დისკუსია სწორედ იმას უსვამს ხაზს, რომ გენერაციული ბიოლოგიის შესაძლებლობები სწრაფად ვითარდება, ხოლო უსაფრთხოების მექანიზმებმა ეს ცვლილება დროულად უნდა გაითვალისწინონ. (arXiv)
ამ თემის განხილვისას მნიშვნელოვანია კიდევ ერთი საზღვრის დაცვა: ბიოუსაფრთხოების რისკის ახსნა არ უნდა გადაიქცეს ისეთი ტექნიკური დეტალების გავრცელებად, რომლებიც საზიანო ბიოლოგიური სისტემების შექმნას გაამარტივებდა.
საზოგადოებრივი ჯანმრთელობისთვის საჭირო ინფორმაცია არის ის, რა შესაძლებლობა გაჩნდა, რა სარგებელი შეიძლება ჰქონდეს და რა ტიპის კონტროლია საჭირო, და არა კონკრეტული ოპერაციული ინსტრუქციები.
ვაგრძელებ ნაწილი 2/3-ს. ამ ნაწილში ყურადღება გადადის მტკიცებულებებზე, ანტიმიკრობულ რეზისტენტობაზე, გენომური ხელოვნური ინტელექტის რეალურ შესაძლებლობებსა და საქართველოსთვის მნიშვნელობაზე. Evo 2-ის 2026 წლის Nature-ის პუბლიკაცია ადასტურებს, რომ მოდელი დაახლოებით 9 ტრილიონ დნმ-ის ბაზაზეა გაწვრთნილი და გენომის მასშტაბის თანმიმდევრობების გენერირებაც შეუძლია. (Nature)
ნაწილი 2/3
სტატისტიკა და მტკიცებულებები
ხელოვნური ინტელექტით შექმნილი ბაქტერიოფაგების კვლევის შეფასებისას ყველაზე მნიშვნელოვანი არა მხოლოდ ის არის, რომ რამდენიმე დიზაინმა იმუშავა, არამედ ისიც, რამდენად რთული აღმოჩნდა ფუნქციური ვარიანტის მიღება.
მკვლევრებმა ხელოვნური ინტელექტის მიერ გენერირებული ძალიან დიდი რაოდენობის შესაძლო გენომური თანმიმდევრობიდან რამდენიმე ასეული კანდიდატი შეარჩიეს ფიზიკური სინთეზისა და ლაბორატორიული შემოწმებისთვის. საბოლოოდ 16 დიზაინმა წარმოქმნა ფუნქციური ბაქტერიოფაგი, რომელსაც ნაწლავის ჩხირის ინფიცირება შეეძლო. [1]
ეს შედეგი ორი მიზეზით არის მნიშვნელოვანი.
პირველი — დადასტურდა, რომ გენომური მოდელის მიერ შექმნილი მთლიანი ვირუსული გენომის ნაწილი რეალურ ბიოლოგიურ სისტემაში შეიძლება ფუნქციური აღმოჩნდეს.
მეორე — წარმატების მაჩვენებელი ჯერ კიდევ შედარებით მცირე იყო. ეს მიუთითებს, რომ ხელოვნური ინტელექტი დღეს არ წარმოადგენს „ვირუსების ავტომატურ კონსტრუქტორს“, რომელიც ნებისმიერ მოთხოვნაზე აუცილებლად ფუნქციურ ორგანიზმს შექმნის. კომპიუტერულ დიზაინსა და რეალურად მოქმედ ბიოლოგიურ სისტემას შორის კვლავ რჩება მნიშვნელოვანი ექსპერიმენტული ბარიერი. [1]
ამ განსხვავების სწორად ახსნა განსაკუთრებით მნიშვნელოვანია საზოგადოებისთვის, რადგან სათაური „ხელოვნურმა ინტელექტმა ვირუსები შექმნა“ ტექნიკურად შეიძლება მართებული იყოს, მაგრამ კონტექსტის გარეშე მარტივად ქმნის მცდარ წარმოდგენას, თითქოს კომპიუტერულ პროგრამას უკვე ნებისმიერ დროს ნებისმიერი სახის ვირუსის შექმნა შეუძლია.
მეცნიერება ამას ჯერ არ აჩვენებს.
გენომური ხელოვნური ინტელექტის მასშტაბი
Evo 2-ის შესაძლებლობები უკეთ გვიჩვენებს, რატომ გახდა ასეთი კვლევა შესაძლებელი.
2026 წელს ჟურნალ Nature-ში გამოქვეყნებული მონაცემებით, Evo 2 გაწვრთნილია დაახლოებით 9 ტრილიონ დნმ-ის ბაზაზე, რომლებიც სიცოცხლის სხვადასხვა სფეროს გენომურ მონაცემებს მოიცავს. მოდელს შეუძლია ერთნუკლეოტიდიანი სიზუსტით ძალიან დიდი გენომური კონტექსტის დამუშავება. [2]
მან ექსპერიმენტებსა და შეფასებებში შეძლო:
- გენეტიკური ვარიანტების შესაძლო ფუნქციური ეფექტების პროგნოზირება;
- გენომის მარეგულირებელი სტრუქტურების ამოცნობა;
- ცილებთან დაკავშირებული გენეტიკური კანონზომიერებების სწავლა;
- მიტოქონდრიული, პროკარიოტული და ეუკარიოტული გენომური თანმიმდევრობების გენერირება. [2]
თუმცა გენომის მსგავსი თანმიმდევრობის გენერირება არ ნიშნავს ფუნქციური ორგანიზმის ავტომატურ შექმნას.
დიდი და რთული გენომი შეიცავს ათასობით ურთიერთდაკავშირებულ კომპონენტს. ამიტომ ბაქტერიოფაგის შედარებით მცირე გენომიდან დამოუკიდებელი უჯრედული ორგანიზმის გენომის სრულფასოვან დიზაინამდე უზარმაზარი ტექნიკური და ბიოლოგიური განსხვავებაა.
ადამიანის გენომი დაახლოებით 3 მილიარდ ბაზის წყვილს შეიცავს, მაშინ როდესაც აღნიშნულ ექსპერიმენტში გამოყენებული ბაქტერიოფაგის გენომი მხოლოდ რამდენიმე ათასი ბაზის წყვილის მასშტაბის იყო. [1,2]
ამიტომ ფრაზა „ხელოვნური ინტელექტი უკვე ქმნის სიცოცხლეს“ მეცნიერულად არაზუსტია.
რატომ არის ანტიმიკრობული რეზისტენტობა მთავარი სამედიცინო არგუმენტი
ბაქტერიოფაგების მიმართ სამედიცინო ინტერესი განსაკუთრებით ძლიერდება ანტიმიკრობული რეზისტენტობის ფონზე.
ანტიბიოტიკები თანამედროვე მედიცინის საფუძველია. ისინი საჭიროა არა მხოლოდ ინფექციების სამკურნალოდ, არამედ ქირურგიის, ინტენსიური თერაპიის, ონკოლოგიური მკურნალობის, ორგანოთა ტრანსპლანტაციისა და მრავალი სხვა სამედიცინო ჩარევის უსაფრთხოდ ჩასატარებლად.
როდესაც ბაქტერიები ანტიბიოტიკების მიმართ რეზისტენტული ხდებიან, მკურნალობის არჩევანი მცირდება და იზრდება მძიმე გართულებებისა და სიკვდილიანობის რისკი.
ფაგოთერაპიის იდეა სწორედ აქ იძენს მნიშვნელობას: ბაქტერიოფაგებს შეუძლიათ კონკრეტული ბაქტერიული უჯრედების ინფიცირება და განადგურება ისე, რომ ადამიანის უჯრედებს უშუალოდ არ შეუტიონ.
ხელოვნური ინტელექტით ახალი ფაგების დიზაინი თეორიულად შეიძლება სასარგებლო გახდეს მაშინ, როდესაც ბუნებაში მოძიებული ფაგი კონკრეტულ ბაქტერიაზე აღარ მოქმედებს.
კვლევაში ხელოვნური ინტელექტით შექმნილი ზოგიერთი ფაგის კომბინაციამ ლაბორატორიულ პირობებში შეძლო ისეთ ბაქტერიულ ვარიანტებზე მოქმედებაც, რომლებიც საწყისი ბუნებრივი ფაგის მიმართ რეზისტენტული გახდნენ. [1]
ეს საინტერესო წინასაკლინიკო შედეგია, მაგრამ ჯერ კიდევ არ არსებობს საფუძველი იმის სათქმელად, რომ ხელოვნური ინტელექტით დაპროექტებული ფაგები უკვე მზად არის ფართო კლინიკური გამოყენებისთვის.
რა რისკები შეიძლება ჰქონდეს ფაგოთერაპიას
ბაქტერიოფაგის გამოყენება ავტომატურად უსაფრთხოს არ ნიშნავს.
საჭიროა შეფასდეს:
- რამდენად სპეციფიკურად მოქმედებს ფაგი სამიზნე ბაქტერიაზე;
- რა გავლენას ახდენს ადამიანის მიკრობიომზე;
- შეიძლება თუ არა ბაქტერიამ მის მიმართ რეზისტენტობა გამოიმუშაოს;
- როგორ რეაგირებს ადამიანის იმუნური სისტემა;
- რამდენად სტაბილური და სუფთაა სამკურნალო პროდუქტი;
- ხომ არ შეიცავს ის არასასურველ გენეტიკურ ან ბიოლოგიურ კომპონენტებს.
კლინიკურ მედიცინაში სწორედ ამიტომ ვერ იქნება საკმარისი ის, რომ ფაგმა ბაქტერია ლაბორატორიულ ჭურჭელში გაანადგურა.
თერაპიის გამოყენებამდე საჭიროა პრეკლინიკური კვლევები, ხარისხის კონტროლი, კლინიკური კვლევები და შესაბამისი მარეგულირებელი შეფასება.
საერთაშორისო გამოცდილება
გენომური ხელოვნური ინტელექტის სწრაფი განვითარება საერთაშორისო მეცნიერებაში უკვე ცვლის დისკუსიის მთავარ მიმართულებას.
დღემდე მთავარი კითხვა იყო: რამდენად კარგად შეუძლია ხელოვნურ ინტელექტს ბიოლოგიური მონაცემების გაგება?
ახლა ამას ემატება მეორე კითხვა: რამდენად კარგად შეუძლია მას ახალი ბიოლოგიური სისტემების დიზაინი?
Evo 2-ის Nature-ში გამოქვეყნებული კვლევა აჩვენებს, რომ თანამედროვე მოდელებს უკვე შეუძლიათ გენომის მასშტაბის ინფორმაციის დამუშავება და ახალი გენეტიკური თანმიმდევრობების გენერირება. ამავე დროს კვლევის ავტორებმა უსაფრთხოების, უსაფრთხო მონაცემთა შერჩევისა და ეთიკური საკითხების შეფასებაც ცალკე მიმართულებად ჩართეს. [2]
ამ ტექნოლოგიასთან დაკავშირებული საერთაშორისო რეგულირების ერთ-ერთი ცენტრალური საკითხია გენეტიკური მასალის სინთეზის უსაფრთხოების კონტროლიც.
დღეს უკვე განიხილება არა მხოლოდ ის, რა შეუძლია კონკრეტულ მოდელს, არამედ ისიც, როგორ უნდა შეიქმნას უსაფრთხოების რამდენიმე დამოუკიდებელი ბარიერი, რათა მაღალი შესაძლებლობის ტექნოლოგია საზიანო გამოყენებისთვის მარტივად ხელმისაწვდომი არ გახდეს.
ეს შეიძლება მოიცავდეს:
- ბიოლოგიური კვლევების ეთიკურ და უსაფრთხოების ზედამხედველობას;
- გენეტიკური სინთეზის უსაფრთხოების კონტროლს;
- მაღალი რისკის კვლევების შეფასებას;
- ლაბორატორიული ბიოუსაფრთხოების სტანდარტების დაცვას;
- ხელოვნური ინტელექტის მოდელებში შესაბამისი უსაფრთხოების მექანიზმების განვითარებას.
ეს მიდგომა მნიშვნელოვანია იმიტომ, რომ მხოლოდ ერთი დამცავი მექანიზმი ტექნოლოგიური რისკის სამართავად საკმარისი შეიძლება არ იყოს.
ღია მეცნიერება და უსაფრთხოება — რთული ბალანსი
Evo 2-ის მნიშვნელოვანი თავისებურება ისაა, რომ მისი მნიშვნელოვანი კომპონენტები ღია სამეცნიერო რესურსის სახითაა ხელმისაწვდომი. [2]
ღია მეცნიერებას უზარმაზარი სარგებელი აქვს: მკვლევრებს შეუძლიათ შედეგების გადამოწმება, მეთოდების გაუმჯობესება, ახალი სამედიცინო გამოყენებების ძიება და ტექნოლოგიის განვითარებაში მონაწილეობის მიღება.
მაგრამ ბიოლოგიურ ხელოვნურ ინტელექტში ღიაობა დამატებით კითხვებსაც აჩენს.
რაც უფრო ძლიერდება მოდელის შესაძლებლობა ბიოლოგიური სისტემების დიზაინში, მით უფრო რთული ხდება ზღვრის გავლება სამეცნიერო ხელმისაწვდომობასა და ბიოუსაფრთხოებას შორის.
ამ საკითხზე ერთიანი საერთაშორისო პასუხი ჯერ არ არსებობს.
ამიტომ მომდევნო წლებში მეცნიერებისთვის ერთ-ერთი მთავარი გამოწვევა იქნება ისეთი მოდელის შექმნა, სადაც სამედიცინო პროგრესი არ მოითხოვს ბიოლოგიური უსაფრთხოების შესუსტებას.
საქართველოს კონტექსტი
საქართველოსთვის გენომური ხელოვნური ინტელექტი ჯერ შეიძლება შორეულ ტექნოლოგიურ თემად ჩანდეს, თუმცა რეალურად რამდენიმე მიმართულებით უკვე მნიშვნელოვანი ხდება.
პირველი არის ანტიმიკრობული რეზისტენტობა.
საქართველოშიც ბაქტერიული ინფექციების მკურნალობაში ანტიბიოტიკებისადმი რეზისტენტობა კლინიკური და საზოგადოებრივი ჯანმრთელობის მნიშვნელოვანი საკითხია. ამიტომ ახალი ანტიმიკრობული მიდგომები, მათ შორის ფაგოთერაპია, ქვეყანას მომავალში პირდაპირ შეიძლება შეეხოს.
მეორე მიმართულებაა გენომური დიაგნოსტიკა.
ხელოვნური ინტელექტის გამოყენება შეიძლება გახდეს მნიშვნელოვანი გენეტიკური დაავადებების, ონკოლოგიის, მიკრობიოლოგიისა და ინფექციური დაავადებების კვლევაში.
თუმცა ტექნოლოგიის ეფექტიანი დანერგვა მხოლოდ პროგრამული უზრუნველყოფის შეძენას არ ნიშნავს.
საჭიროა:
- ხარისხიანი გენომური ლაბორატორიები;
- ბიოინფორმატიკის სპეციალისტები;
- მონაცემთა უსაფრთხოების სისტემა;
- ეთიკური ზედამხედველობა;
- პაციენტის გენეტიკური ინფორმაციის კონფიდენციალურობა;
- საერთაშორისო ხარისხის კონტროლი.
ამ საკითხებზე საქართველოსთვის განსაკუთრებით მნიშვნელოვანია აკადემიური დისკუსიის განვითარება. www.gmj.ge შეიძლება წარმოადგენდეს შესაბამის აკადემიურ სივრცეს ხელოვნური ინტელექტის, გენომიკის, ინფექციური დაავადებებისა და საზოგადოებრივი ჯანმრთელობის ურთიერთკავშირის განხილვისთვის.
www.publichealth.ge-ის საზოგადოებრივი ჯანმრთელობის პერსპექტივიდან კი განსაკუთრებით მნიშვნელოვანია ანტიმიკრობული რეზისტენტობის მონიტორინგი, ანტიბიოტიკების რაციონალური გამოყენება და ახალი ტექნოლოგიების შეფასება მოსახლეობის რეალური საჭიროებების მიხედვით.
ხარისხის, ლაბორატორიული სტანდარტებისა და სერტიფიკაციის კუთხით ტექნოლოგიური ინოვაცია უნდა დაეყრდნოს გამჭვირვალე მოთხოვნებსა და კონტროლის სისტემას, რაც www.certificate.ge-ის თემატიკასაც პირდაპირ უკავშირდება.
www.sheniekimi.ge-ისთვის კი ამ საკითხის გაშუქების მთავარი პრინციპი უნდა დარჩეს მკაფიო: არ გადავაქციოთ მნიშვნელოვანი სამეცნიერო მიღწევა არც სენსაციურ განცხადებად — „ხელოვნურმა ინტელექტმა სიცოცხლე შექმნა“ — და არც შევამციროთ მისი რეალური მნიშვნელობა.
ფაქტი ასეთია: ხელოვნური ინტელექტის მიერ გენერირებული სრული ვირუსული გენომების ნაწილმა ლაბორატორიულ პირობებში ფუნქციური ბაქტერიოფაგები წარმოქმნა.
ეს მნიშვნელოვანი ეტაპია.
მაგრამ სწორედ მისი მნიშვნელობის გამო ტექნოლოგიის განვითარებას პარალელურად უნდა მიჰყვეს უსაფრთხოება, ხარისხი, ეთიკა და პასუხისმგებლიანი რეგულირება.
ვაგრძელებ ნაწილი 3/3-ს — მითები და რეალობა, ხშირად დასმული კითხვები, საზოგადოებრივი ჯანდაცვის დასკვნა და სრული წყაროები.
ნაწილი 3/3
მითები და რეალობა
მითი: „ხელოვნურმა ინტელექტმა სიცოცხლე შექმნა.“
რეალობა: ეს ფორმულირება მეცნიერულად გადაჭარბებულია. ხელოვნურმა ინტელექტმა შექმნა ახალი გენომური თანმიმდევრობების ციფრული დიზაინები. ამის შემდეგ მკვლევრებმა შესაბამისი გენეტიკური მასალა ლაბორატორიულად სინთეზირეს და ექსპერიმენტულად შეამოწმეს. დიზაინების ნაწილმა წარმოქმნა ფუნქციური ბაქტერიოფაგები, რომლებსაც ბაქტერიის ინფიცირება და გამრავლება შეეძლოთ. [1]
ამასთან, ვირუსების „ცოცხალ ორგანიზმებად“ კლასიფიკაციაც ბიოლოგიაში ერთმნიშვნელოვანი არ არის. ვირუსები დამოუკიდებლად ვერ მრავლდებიან და ამისთვის მასპინძელი უჯრედი სჭირდებათ.
კვლევის მნიშვნელობა სხვა რამეშია: ხელოვნური ინტელექტის მიერ შექმნილი სრული გენომური დიზაინების ნაწილი ფიზიკურ ბიოლოგიურ სისტემაში ფუნქციური აღმოჩნდა.
მითი: „ხელოვნურ ინტელექტს უკვე შეუძლია ნებისმიერი ვირუსის შექმნა.“
რეალობა: ასეთი დასკვნა კვლევიდან არ გამომდინარეობს.
ექსპერიმენტი ეხებოდა კონკრეტული ტიპის შედარებით მცირე გენომის მქონე ბაქტერიოფაგებს. ხელოვნური ინტელექტის მიერ შეთავაზებული ყველა დიზაინი ფუნქციური არ ყოფილა — ექსპერიმენტულად შემოწმებული რამდენიმე ასეული კანდიდატიდან ფუნქციური ფაგი მხოლოდ 16 შემთხვევაში მიიღეს. [1]
გარდა ამისა, ადამიანის დამაინფიცირებელი ვირუსების ბიოლოგია, მასპინძელთან ურთიერთქმედება და უსაფრთხოების საკითხები შეიძლება მნიშვნელოვნად განსხვავდებოდეს.
მითი: „კვლევაში ადამიანის საშიში ვირუსები შექმნეს.“
რეალობა: არა. კვლევა ჩატარდა ბაქტერიოფაგებზე — ვირუსებზე, რომლებიც ბაქტერიებს აინფიცირებენ და არა ადამიანებს. [1]
სწორედ ამიტომ სათაური „ხელოვნურმა ინტელექტმა მოქმედი ვირუსები შექმნა“ კონტექსტის გარეშე შესაძლოა შეცდომაში შემყვანი იყოს. უფრო ზუსტია იმის თქმა, რომ ხელოვნური ინტელექტის გამოყენებით შეიქმნა სრული ბაქტერიოფაგული გენომების დიზაინები, რომელთა ნაწილი ლაბორატორიულად ფუნქციური აღმოჩნდა.
მითი: „ეს მხოლოდ კომპიუტერული სიმულაცია იყო.“
რეალობა: არც ეს არის სწორი.
კვლევა კომპიუტერული გენერაციით დაიწყო, მაგრამ ამით არ დასრულებულა. შერჩეული გენომური დიზაინები ფიზიკურად სინთეზირდა და ლაბორატორიაში ექსპერიმენტულად შემოწმდა. სწორედ ამ ეტაპზე დადასტურდა, რომ ზოგიერთი მათგანი ფუნქციური იყო. [1]
ამიტომ კვლევის მნიშვნელობა კომპიუტერული პროგნოზისა და რეალური ბიოლოგიური ფუნქციის ერთმანეთთან დაკავშირებაში მდგომარეობს.
მითი: „ხელოვნური ინტელექტით შექმნილი ფაგები უკვე შეიძლება პაციენტების სამკურნალოდ გამოვიყენოთ.“
რეალობა: არა. კვლევა არ ყოფილა ადამიანებზე ჩატარებული კლინიკური კვლევა.
ხელოვნური ინტელექტით დაპროექტებული ფაგების კლინიკურ გამოყენებამდე საჭიროა მათი უსაფრთხოების, ეფექტიანობის, იმუნოლოგიური ეფექტების, გენეტიკური სტაბილურობის, წარმოების ხარისხისა და სხვა მრავალი საკითხის შეფასება.
ხშირად დასმული კითხვები (Q&A)
რა არის ბაქტერიოფაგი?
ბაქტერიოფაგი არის ვირუსი, რომელიც ბაქტერიას აინფიცირებს. ბუნებაში ფაგები ძალიან ფართოდ არის გავრცელებული და სხვადასხვა ბაქტერიასთან თანაარსებობენ.
ადამიანისთვის საშიშია კვლევაში შექმნილი ფაგები?
კვლევა ადამიანის ვირუსებზე არ ჩატარებულა. ექსპერიმენტში გამოყენებული ბაქტერიოფაგები სამიზნე ბაქტერიების ინფიცირებისთვის იყო განკუთვნილი. თუმცა ნებისმიერი ახალი ბიოლოგიური აგენტის სამედიცინო გამოყენებამდე აუცილებელია უსაფრთხოების სათანადო შეფასება. [1]
რატომ გვჭირდება ფაგები, თუ ანტიბიოტიკები არსებობს?
მთავარი მიზეზი ანტიმიკრობული რეზისტენტობაა. ზოგიერთი ბაქტერია რამდენიმე ანტიბიოტიკის მიმართ ერთდროულად ხდება რეზისტენტული, რაც მკურნალობის შესაძლებლობებს ამცირებს. ასეთ შემთხვევებში ფაგოთერაპია ერთ-ერთ შესაძლო დამატებით მიმართულებად განიხილება.
შეცვლის ფაგოთერაპია ანტიბიოტიკებს?
დღეს ამის თქმა არ შეიძლება. უფრო რეალისტურია ფაგების განხილვა როგორც შესაძლო დამატებითი ან ალტერნატიული საშუალებისა კონკრეტულ რთულ ინფექციებში. მათი ფართო გამოყენება დამოკიდებული იქნება მომავალი კლინიკური კვლევების შედეგებზე.
როგორ სწავლობს ხელოვნური ინტელექტი დნმ-ს?
გენომური მოდელები სწავლობენ დიდი რაოდენობის გენეტიკურ თანმიმდევრობაში არსებულ კანონზომიერებებს. თუ ჩვეულებრივი ენობრივი მოდელი ტექსტის სტრუქტურას სწავლობს, გენომური მოდელი დნმ-ის თანმიმდევრობებში არსებულ ურთიერთკავშირებს სწავლობს.
ეს მხოლოდ მარტივი შედარებაა — ბიოლოგიური გენომი ბუნებრივ ენაზე გაცილებით განსხვავებული და ფუნქციურად რთული სისტემაა.
რა არის Evo 2?
Evo 2 არის გენომური ხელოვნური ინტელექტის მოდელი, რომელიც შექმნილია ფართომასშტაბიანი ბიოლოგიური თანმიმდევრობების შესასწავლად. 2026 წელს Nature-ში გამოქვეყნებული ნაშრომის მიხედვით, იგი დაახლოებით 9 ტრილიონ დნმ-ის ბაზაზეა გაწვრთნილი და შეუძლია გენომური ინფორმაციის როგორც ანალიზი, ისე ახალი თანმიმდევრობების გენერირება. [2]
შეუძლია თუ არა ხელოვნურ ინტელექტს ადამიანის გენომის შექმნა?
გენომური მოდელები შეიძლება აგენერირებდნენ ძალიან დიდ დნმ-ის თანმიმდევრობებს, მაგრამ გენეტიკური ტექსტის გენერირება და ფუნქციური ადამიანის ან თუნდაც დამოუკიდებელი უჯრედული ორგანიზმის შექმნა სრულიად განსხვავებული ამოცანებია.
ადამიანის ორგანიზმის განვითარება მხოლოდ დნმ-ის თანმიმდევრობით არ განისაზღვრება. საჭიროა უჯრედული გარემო, გენების რეგულაცია, ეპიგენეტიკური პროცესები, განვითარების ბიოლოგია და უამრავი ურთიერთდაკავშირებული მექანიზმი.
რატომ არის ამ ტექნოლოგიასთან დაკავშირებული ბიოუსაფრთხოების დისკუსია მნიშვნელოვანი?
იმიტომ, რომ ბიოლოგიური დიზაინის ტექნოლოგიას შეიძლება ჰქონდეს ორმაგი გამოყენების პოტენციალი.
ის შეიძლება დაეხმაროს ახალი თერაპიების, დიაგნოსტიკური საშუალებებისა და ანტიმიკრობული მიდგომების შექმნას, მაგრამ ტექნოლოგიური შესაძლებლობების ზრდასთან ერთად საჭიროა შესაბამისი უსაფრთხოების სისტემების განვითარებაც.
რა არის რეალური სამედიცინო პერსპექტივა
ხელოვნური ინტელექტის მიერ გენომების დიზაინი განსაკუთრებით საინტერესოა პერსონალიზებული ინფექციური მედიცინის პერსპექტივიდან.
თეორიულად, მომავალში შეიძლება შეიქმნას სისტემა, სადაც პირველ ეტაპზე განისაზღვრება პაციენტის ინფექციის გამომწვევი ბაქტერიის გენეტიკური და ბიოლოგიური თავისებურებები.
შემდეგ შესაძლებელი იქნება შესაბამისი ფაგის კანდიდატების მოძიება ან გენომური მოდელების დახმარებით ახალი ვარიანტების შემუშავება.
მაგრამ ამ პროცესში ხელოვნური ინტელექტი ვერ შეცვლის ექსპერიმენტულ მეცნიერებას.
ნებისმიერი კანდიდატი კვლავ საჭიროებს ლაბორატორიულ შეფასებას, უსაფრთხოების კონტროლს და, კლინიკური გამოყენების შემთხვევაში, შესაბამის მარეგულირებელ პროცედურებს.
სწორედ ეს არის ამ კვლევის ერთ-ერთი მთავარი გაკვეთილი: ხელოვნური ინტელექტი შეიძლება გახდეს ბიოლოგიური დიზაინის ძლიერი ინსტრუმენტი, მაგრამ საბოლოო გადაწყვეტილება რეალური ექსპერიმენტული მტკიცებულებით უნდა დადასტურდეს.
ბიოუსაფრთხოება უნდა ვითარდებოდეს ტექნოლოგიასთან ერთად
გენომური ხელოვნური ინტელექტის განვითარება მხოლოდ მეცნიერების ან ტექნოლოგიური კომპანიების საკითხი აღარ არის.
იგი ეხება საზოგადოებრივ ჯანმრთელობას, ეროვნული უსაფრთხოების პოლიტიკას, სამეცნიერო ეთიკას, მონაცემთა მართვასა და საერთაშორისო თანამშრომლობას.
საჭიროა რამდენიმე ერთმანეთისგან დამოუკიდებელი დაცვის მექანიზმი.
ერთი მიმართულებაა ხელოვნური ინტელექტის მოდელების უსაფრთხოება და მაღალი რისკის გამოყენებების კონტროლი.
მეორეა დნმ-ის სინთეზის სფეროში შესაბამისი შემოწმებისა და უსაფრთხოების სისტემები.
მესამეა ლაბორატორიული ბიოუსაფრთხოება.
მეოთხეა კვლევების ეთიკური და ინსტიტუციური ზედამხედველობა.
მეხუთე კი საერთაშორისო თანამშრომლობაა, რადგან ციფრული ტექნოლოგიები სახელმწიფო საზღვრებით პრაქტიკულად არ იზღუდება.
ამასთან, რეგულაცია ისეთი უნდა იყოს, რომ სასარგებლო სამედიცინო კვლევები გაუმართლებლად არ შეაფერხოს.
სწორედ ამ ბალანსის მოძებნა იქნება მომდევნო წლების ერთ-ერთი ყველაზე რთული ამოცანა.
საქართველოს კონტექსტი
საქართველოსთვის ახლა საუკეთესო დროა ამ ტექნოლოგიის შესახებ დისკუსიის დასაწყებად — მანამდე, სანამ გენომური ხელოვნური ინტელექტის კლინიკური და კვლევითი გამოყენება ფართოდ გავრცელდება.
ქვეყანას ეტაპობრივად დასჭირდება:
- გენომიკისა და ბიოინფორმატიკის სპეციალისტების მომზადება;
- თანამედროვე მოლეკულური ლაბორატორიების განვითარება;
- ბიოუსაფრთხოების საერთაშორისო სტანდარტების გაძლიერება;
- გენეტიკური მონაცემების დაცვის მკაფიო წესები;
- კვლევის ეთიკური ზედამხედველობა;
- ანტიმიკრობული რეზისტენტობის ძლიერი მონიტორინგი;
- ახალი თერაპიების ხარისხისა და უსაფრთხოების შეფასების შესაძლებლობა.
განსაკუთრებული ყურადღება უნდა დაეთმოს განათლებასაც. ექიმებს, ბიოლოგებს, საზოგადოებრივი ჯანმრთელობის სპეციალისტებსა და ხელოვნური ინტელექტის მკვლევრებს ერთმანეთთან თანამშრომლობა დასჭირდებათ.
ამ მიმართულებით სამეცნიერო დისკუსიის განვითარებისთვის www.gmj.ge შეიძლება მნიშვნელოვანი აკადემიური სივრცე იყოს, ხოლო საზოგადოებრივი ჯანმრთელობისა და ანტიმიკრობული რეზისტენტობის საკითხების ფართო განხილვისთვის შესაბამისი რესურსია www.publichealth.ge.
ახალი ბიოტექნოლოგიების კლინიკურ ან ლაბორატორიულ დანერგვასთან ერთად განსაკუთრებული მნიშვნელობა ექნება ხარისხის, სერტიფიკაციისა და საერთაშორისო სტანდარტების დაცვას, რაზეც ინფორმაცია ხელმისაწვდომია www.certificate.ge-ზე.
www.sheniekimi.ge-ის მსგავსი სამედიცინო პლატფორმებისთვის კი მთავარი ამოცანაა საზოგადოების ინფორმირება ისე, რომ სამეცნიერო მიღწევა არც ხელოვნურად შემცირდეს და არც სენსაციურ საფრთხედ იქცეს.
დასკვნა — საზოგადოებრივი ჯანდაცვის პერსპექტივით
ხელოვნური ინტელექტით ფუნქციური ბაქტერიოფაგების სრული გენომების დიზაინი მნიშვნელოვანი ეტაპია გენომიკისა და სინთეზური ბიოლოგიის განვითარებაში.
ამ კვლევის არსი არ არის ის, რომ „ხელოვნურმა ინტელექტმა სიცოცხლე შექმნა“.
არც ის, რომ ხელოვნურ ინტელექტს უკვე ნებისმიერი ვირუსის შექმნა შეუძლია.
რეალური მიღწევა უფრო ზუსტი და მეცნიერულად საინტერესოა: გენომური ხელოვნური ინტელექტის მიერ გენერირებული სრული ბაქტერიოფაგული გენომების ნაწილი მეცნიერებმა ლაბორატორიულად სინთეზირეს და მათგან ფუნქციური ბიოლოგიური სისტემები მიიღეს. [1]
ეს მნიშვნელოვანი გადასვლაა.
ხელოვნური ინტელექტი ბიომედიცინაში თანდათან მოძრაობს:
ბიოლოგიის წაკითხვიდან → ბიოლოგიის პროგნოზირებაზე → ბიოლოგიური დიზაინისკენ.
ამ შესაძლებლობას შეიძლება დიდი სარგებელი ჰქონდეს.
ფაგების უკეთესი დიზაინი მომავალში შესაძლოა დაგვეხმაროს ანტიბიოტიკების მიმართ რეზისტენტული ინფექციების წინააღმდეგ ბრძოლაში. გენომური მოდელები შეიძლება გამოყენებულ იქნეს გენეტიკური დაავადებების კვლევაში, ონკოლოგიაში, მიკრობიოლოგიაში, მედიკამენტების აღმოჩენასა და პერსონალიზებულ მედიცინაში.
მაგრამ ტექნოლოგიის შესაძლებლობის ზრდასთან ერთად იზრდება პასუხისმგებლობაც.
საზოგადოებრივი ჯანმრთელობისთვის მთავარი პრინციპი ამიტომ უნდა იყოს არა ტექნოლოგიის შიში და არც მისი უკონტროლო მიღება, არამედ მტკიცებულებებზე დაფუძნებული განვითარება, ბიოუსაფრთხოება, ეთიკა, ხარისხის კონტროლი და საერთაშორისო თანამშრომლობა.
მომდევნო წლების მთავარი კითხვა მხოლოდ ის აღარ იქნება:
„რისი შექმნა შეუძლია ხელოვნურ ინტელექტს?“
არანაკლებ მნიშვნელოვანი გახდება მეორე კითხვა:
„რა უსაფრთხოების სისტემები უნდა არსებობდეს მანამდე, სანამ მისი ბიოლოგიური შესაძლებლობები კიდევ უფრო გაიზრდება?“
სწორედ ამ ორ კითხვას შორის ბალანსზე იქნება დამოკიდებული, გადაიქცევა თუ არა გენომური ხელოვნური ინტელექტი უპირველესად ადამიანის ჯანმრთელობის დაცვის ინსტრუმენტად.
წყაროები
- King S, Hie BL, et al. Generative genome-scale design of functional bacteriophages. Science. 2026.
- Brixi G, et al. Genome modeling and design across all domains of life with Evo 2. Nature. 2026.
- Nguyen E, et al. Sequence modeling and design from molecular to genome scale with Evo. Science. 2024;386(6723).
- Arc Institute. Evo 2: Genome modeling and design across all domains of life. 2025–2026.
- World Health Organization. Antimicrobial resistance. Geneva: WHO. Available from: https://www.who.int/news-room/fact-sheets/detail/antimicrobial-resistance
- National Institute of Allergy and Infectious Diseases. Antimicrobial Resistance. Bethesda: NIH. Available from: https://www.niaid.nih.gov/research/antimicrobial-resistance
- Centers for Disease Control and Prevention. Antimicrobial Resistance. Atlanta: CDC. Available from: https://www.cdc.gov/antimicrobial-resistance/
- U.S. Food and Drug Administration. Considerations for the Development of Phage Therapy Products. Silver Spring: FDA.
- Stanford University. Evo and generative genomic design. Stanford University; 2026.
- Johns Hopkins Center for Health Security. Generative biological design, biosafety and biosecurity considerations. Baltimore: Johns Hopkins University; 2026.
