برای بسیاری از کسانی که در علوم محاسباتی با استفاده از روش های رایانه ای فعالیت می کنند مثل بیوانفورماتیک یا ریاضیات زیستی این جمله آشناست: آیا نتایج شما تایید تجربی یا آزمایشگاهی شده است؟
معمولا این جمله از طرف کسانی شنیده می شود که در ظاهر یا لایه های درونی تر ذهنشون یک بدبینی یا بدگمانی به روش های محاسباتی، ریاضیاتی و نظری و به عبارت کلی تر استدلال منطقی فراتر از مشاهده تجربی وجود دارد. بسیاری از مشکلات علمی یا اجتماعی و حتی سیاسی از یک جا شروع میشه و اون نارسایی زبان مورد استفاده است. در اینجا منظورم زبان خاصی مثل زبان فارسی یا انگلیسی نیست؛ بلکه منظورم مجموعه لغات یا عبارات متداول دانشمندان یا دانشوران هر رشته تخصصی است. این عبارات متداول، با هدف خلاصه سازی و رهایی از اطناب (طولانی شدن) کلام، به نحوی مورد استفاده قرار می گیرند که گهگاه به خوبی نماینده مفهومی که موردنظر گوینده است، نیستند. یک مثال از این دست، عبارت توزیع نرمال است که به وفور در علوم مختلف تجربی با استناد به یک مفهوم آماری استفاده می شود. در حالی که دیده شده در بسیاری از مواقع آنچه توسط مخاطبان یا حتی گوینده استنباط می شود یک مفهوم عمومی از کلمه نرمال به معنی حالتی طبیعی، استاندارد، درست، صحیح و حتی دوست داشتنی (!) است.
در این مورد هم به نظر چنین مشکلی وجود دارد. به عبارتی دقیقتر، آیا مشاهده تجربی صرف می تواند تایید کننده یک استدلال منطقی و عقلی باشد؟ به عنوان مثال، اگر نتایج یک تحقیق محاسباتی نشان داد که یک پدیده زیستی مثل کنترل رشد سلول های سرطانی در صورت شروع، چگونه با استفاده از یک ماده شیمیایی می تواند خاتمه یابد؛ آیا بایستی با کشت سلول های سرطانی در محیط آزمایشگاه تایید گردد تا نشان دهد روش محاسباتی درست کار می کند یا خیر؟ البته که در این نوشته منظورم مخالفت با انجام روش های آزمایشگاهی نیست بلکه می خواهم توجه شما را به استفاده صحیح از زبان جلب کنم و نشان دهم چگونه خلاصه سازی نابجای متن منجر به درک اشتباه و در نتیجه توقع نابجا می شود.
اولین نکته مربوط می شود به مفهوم یک روش محاسباتی. به زبانی ساده، روش محاسباتی یا یک مدل محاسباتی تشکیل شده از فرضیات یا یکسری مشاهدات (تجربی) پیشین به علاوه روابطی منطقی و ریاضیاتی است. به عبارتی دیگر در مثال فوق، می دانیم که سرطان پدیده ای زیستی ناشی از رشد و تکثیر افسار گسیخته سلول های بدن است و یکی از روابط منطقی و ریاضیاتی عملگر جمع و ضرب است مثلا ۲ ضربدر ۲ می شود ۴. روشن است که اگر مدل محاسباتی ما نتوانست تعداد سلول های سرطانی در زمانی مفروض را درست تشخیص دهد، مشکل از عملگر جمع و ضرب نیست بلکه مشکل از فرضیه ماست که در رشد و تکثیر افسارگسیخته، قید مواد مغذی و ارتباط با سلول های ایمنی در بدن را در نظر نگرفتیم. در واقع ما از تایید تجربی استفاده می کنیم برای تایید فرضیات ناشی از مشاهدات تجربی نه قسمت عملیاتی محاسباتی تحقیق. ما نیازمند یک تایید آزمایشگاهی یا تجربی هستیم برای فرضیات تجربی یا آزمایشگاهی که در ساخت مدل از آنها استفاده کردیم. بنابراین، اگر یک مدل نتایج مطابق مشاهدات ما ندارد به اعتبار محاسباتی بودنش این اتفاق نمی افتد بلکه با فرضیاتی غلط یا ناقص بنا شده است. به عبارتی دیگر وظیفه ما بررسی درستی یا غلط بودن یک مدل نیست بلکه وظیفه ما بررسی کار کردن یک مدل در شرایط مورد نظر ماست. به نظر می رسد که بهتر باشه که این جمله مشهور جرج باکس را به این گونه اصلاح کنیم که:
نکته دوم که از نظر من اهمیت بیشتری دارد، توجه به مفهوم مشاهده تجربی است. آیا منظور ما از یک مشاهده تجربی واقعا فقط یک مشاهده تجربی صرف است. همانطور که از نام علوم تجربی می شود تا حدودی استنباط کرد، علوم تجربی به بخشی از دانش بشری اشاره می کند که با استفاده از تجربه حواس پنچگانه خصوصا مشاهده بدست می آید. اما این نکته را نباید فراموش کرد که این تجربه یا مشاهده بایستی تکرار شود. تکرار در شرایط مختلف زمانی و مکانی و توسط افراد مختلف، تا با مجموعه ای از مشاهدات یا تجربه ها مواجه شویم و بتوانیم یک استنتاج علمی با توجه به روابط علّی و معلولی کنیم. گزارش تجربه های بدون تکرار (case report) هم به امید تکرار مجدد است که ارزش علمی دارد و به تنهایی قابلیت استنتاج علمی ندارند.
حال این سوال مطرح می شود که تجربه ای که ۱۰ بار تکرار شده ۹ بار مشابه بوده و یک بار متفاوت بوده را چگونه می توان استنتاج نمود؟ آن یک بار مشاهده مختلف چه مقدار بختانه (شانسی) اتفاق افتاده اند یا تحت شرایط کنترل نشده یا ناشناخته بودند؟ اگر مشاهده ای دیگر ۱۰۰۰۰ بار تکرار شده و ۹۶۰۰ بار شبیه بوده و ۴۰۰ بار نتایج متفاوتی داده را چطور؟ آیا به راحتی می شود از ۴۰۰ مشاهده متفاوت گذشت؟ اصلا مفهوم شباهت بین مشاهدات به چه معناست؟ چطور می توان گفت دو مشاهده شبیه یکدیگرند؟ اگر هستند، شباهت زیاد است یا کم است؟ از کجا می توان گفت این شباهت آنقدر کم است که تفاوت را نشان می دهد؟ ارزش تکرار تکنیکی و نمونه گیری زیاد یا کم چه مقدار است؟
اگر به سوالات فوق دوباره دقت کنیم، روشن است که برای همه آنها پاسخ هایی وجود دارد اما نه از جنس مشاهدات تجربی بلکه روش های محاسباتی، منطقی، آماری و ریاضیاتی. به عبارت دیگر یک مشاهده تجربی فی نفسه، زمانی ارزش علمی (از نوع تجربی) دارد و می توان از آن گزاره علمی استنتاج کرد که توسط یکسری روش های محاسباتی بدست آمده باشد. همیشه اولین سوال ما از یک زیست شناسی تجربی یا آزمایشگاهی یا به عبارت دقیقتر یک زیست شناس خیس (wet lab) این است که آیا نتایجی که به دست آورده بختانه بوده یا خیر؟ برای پاسخ به این سوال، معمولا مقدار پی ولیو (فارغ از مشکلات ناشی از استفاده نادرست از آن، برای اطلاع بیشتر به نوشته ای دیگر از اینجانب در این لینک رجوع کنید) گزارش می شود. نکته جالب اینجاست که دقیقا این سوال نیز همیشه از یک زیست شناسی خشک (dry lab) هم پرسیده می شود تا احتمال بختانه بودن نتایج بررسی شود. به عبارتی دیگر می توان گفت که:
البته در این نوشته به این نکته نپرداختم که بواسطه بسیاری از تکنولوژی های جدید آنچه ما آنرا یک مشاهده تجربی فرض می کنیم در واقع با استفاده از روش های پیچیده محاسباتی بدست آمده، نه یک احساس ساده با یکی از حواس پنج گانه. در این زمینه، بررسی ساختار و عملکرد ردیابی کننده ها (Detector) در تجهیزات آزمایشگاهی از میکروسکوپ گرفته تا دستگاه کروماتوگرافی و ... توصیه شود.
در انتها پیشنهاد می کنم در مواجه با نتایج یک مدل محاسباتی، اولا به درستیِ فرضیات مدل دقت کنیم نه خروجیِ مدل؛ ثانیا اگر یک زیست شناس خیس هستید به جای توقع نابجا از زیست شناس خشک در ارائه شواهدی آزمایشگاهی، به این موضوع فکر کنیم که چگونه می توان با روش های خیس همراه با تاییدهای محاسباتی (مثل مقدار خطای نوع اول، نوع دوم و فاصله اطمینان)، چیزی به نتایج مدل مفروض اضافه کنید.
