(ब्लूमबर्ग ओपिनियन) – अल्फाबेट की कृत्रिम बुद्धिमत्ता सहायक कंपनी, गूगल डीपमाइंड ने मानव जीव विज्ञान को उजागर करने के अपने प्रयासों में एक और छलांग लगाई है: जीवन के पाठ में कई अभी भी रहस्यमय अध्यायों की व्याख्या करने के लिए एआई का उपयोग करने की दिशा में प्रगति।
डीएनए अनुक्रमण, जो एक समय बहुत बड़ी उपलब्धि थी, अब सस्ता और आसान है। हालाँकि, उस कोड में अरबों अक्षरों को समझना एक अलग कहानी है – खासकर जब यह समझने की बात आती है कि पाठ में स्वाभाविक रूप से होने वाली कई टाइपिंग त्रुटियाँ हानिरहित हैं, और जो बीमारी में शामिल हैं।
डीपमाइंड के अल्फ़ाजीनोम को दर्ज करें, एक ऐसा प्लेटफ़ॉर्म जो, जैसा कि इस सप्ताह प्रकाशित नेचर पेपर में बताया गया है, उन टाइपो को एक विशेष फ़ंक्शन से जोड़ने का प्रयास करता है। इसके संभावित रूप से वास्तविक जीवन में बहुत सारे अनुप्रयोग हो सकते हैं: एक दुर्लभ आनुवंशिक बीमारी के प्रभाव की भविष्यवाणी करने के प्रयासों में तेजी लाना; यह निर्धारित करना कि मरीज के ट्यूमर में उभर रहे कई उत्परिवर्तनों में से कौन सा उत्परिवर्तन उनके कैंसर का कारण बन रहा है; और आनुवांशिक चिकित्सा के विकास में तेजी लाना, इनमें से कुछ का नाम लेना।
उन महत्वाकांक्षाओं को साकार करने के लिए बहुत अधिक काम करना होगा। फिर भी हमारे डीएनए में 3 अरब अक्षरों में अर्थ भरने के लिए एआई के उपयोग में तेजी से हुई प्रगति का अभी भी जश्न मनाया जाना चाहिए।
डीपमाइंड ने जीनोम के पाठ को जैविक अंतर्दृष्टि में अनुवाद करने के लिए मशीन लर्निंग का उपयोग करने में अविश्वसनीय प्रगति की है। अब तक इसकी सबसे प्रमुख प्रगति – जिसने 2024 में अपने शोधकर्ताओं को नोबेल पुरस्कार दिलाया – अल्फाफोल्ड का विकास रहा है, एक कार्यक्रम जिसने प्रकृति में लगभग सभी ज्ञात प्रोटीनों की उनके आनुवंशिक अनुक्रम से 3-डी संरचना की भविष्यवाणी की थी। जैसा कि मैंने पहले लिखा है, वह जबरदस्त उपलब्धि तुरंत दवा के विकास का आधार बन गई।
अल्फ़ाजीनोम कहीं अधिक जटिल समस्या से निपट रहा है। हमारी प्रत्येक कोशिका में आनुवंशिक निर्देशों का एक ही सेट होता है, फिर भी विभिन्न प्रकार – हृदय कोशिका, उदाहरण के लिए, यकृत कोशिका के विपरीत – बेतहाशा अलग-अलग तरीकों से व्यवहार करती हैं। यह जटिल ऑर्केस्ट्रेशन “डार्क जीनोम” द्वारा संचालित होता है, जो हमारे डीएनए का विशाल विस्तार है जो जीन को नियंत्रित करता है जो यह निर्धारित करता है कि कब, कहाँ और कितने विभिन्न प्रोटीन बनते हैं।
उस ऑर्केस्ट्रेशन का अधिकांश भाग एक रहस्य बना हुआ है – वास्तविक दुनिया के परिणामों के साथ। हर दिन, ऑन्कोलॉजिस्ट मरीजों के ट्यूमर को क्रमबद्ध करके उनके कैंसर के कारणों का पता लगाने, उपचार तैयार करने और उनकी बीमारी के पाठ्यक्रम की भविष्यवाणी करने का प्रयास करते हैं। मेमोरियल स्लोअन केटरिंग कैंसर सेंटर के चिकित्सक-शोधकर्ता उमर अब्देल-वहाब कहते हैं, फिर भी डॉक्टरों को “हर समय ऐसी जानकारी मिलती है जिसके बारे में हम नहीं जानते कि क्या करना है।” जब वे किसी के डीएनए में कोई नई टाइपो त्रुटि देखते हैं, तो वे जानना चाहते हैं कि इसका कार्य महत्वपूर्ण है या नहीं।
यहीं पर अल्फ़ाजीनोम आता है। यह एक अनुक्रम से लगभग एक दर्जन प्रकार के कार्यों की भविष्यवाणी कर सकता है, जैसे कि क्या यह जीन पर वॉल्यूम को ट्यून करता है या जहां एक जीन को अलग कर दिया जाता है। उनमें से कुछ कार्यों को पहले से ही शोधकर्ताओं द्वारा उपयोग किए गए मौजूदा उपकरणों द्वारा संबोधित किया गया है, और नेचर पेपर में, डीपमाइंड वैज्ञानिकों ने दिखाया है कि अल्फ़ाजेनोम ने उन सभी के बराबर या बेहतर प्रदर्शन किया है। (उदाहरण के लिए, अब्देल-वहाब पहले से ही स्प्लिस एआई नामक एक उपकरण का उपयोग कर रहा है ताकि यह अनुमान लगाया जा सके कि किसी मरीज का उत्परिवर्तन प्रासंगिक है या नहीं, और उसने मुझे बताया कि वह इस बात से प्रभावित है कि अल्फ़ाजीनोम इससे बेहतर प्रदर्शन करता है।)
यह कार्य बहुत सारी चेतावनियों के साथ आता है। शुरुआत के लिए, डीपमाइंड का प्लेटफ़ॉर्म कुछ जीन कार्यों की भविष्यवाणी करने के लिए अच्छा काम करता है, लेकिन सभी का नहीं। वैज्ञानिकों ने मुझे बताया कि अभी के लिए, इसे खोजक के बजाय एक फिल्टर माना जा सकता है – यानी, यह संभावित रोग चालकों को कुशलतापूर्वक कम कर सकता है, बजाय आत्मविश्वास से अपराधी को पहचानने के।
और अभी, अल्फाजीनोम केवल कुछ प्रकार की कोशिकाओं के बारे में भविष्यवाणियां कर सकता है, एक सीमा जिसका प्रशिक्षण के लिए प्रयोगात्मक डेटा की कमी की तुलना में एल्गोरिदम की शक्ति से कम लेना-देना है। यह एक ऐसी समस्या है जिसे केवल सरल इंजीनियरिंग द्वारा हल नहीं किया जा सकता है, कोल्ड स्प्रिंग हार्बर प्रयोगशाला के प्रोफेसर पीटर कू कहते हैं, जो जीन को उनके कार्य से जोड़ने के लिए गहन शिक्षण विधियां विकसित करते हैं। कू कहते हैं, “वे हमें उस स्तर की ओर धकेल रहे हैं जो हम मौजूदा डेटा से हासिल कर सकते हैं।”
विडंबना यह है कि प्रगति प्रयोगशाला में मनुष्यों पर निर्भर करती है – जीवविज्ञानी जो अल्फ़ाजीनोम को आगे बढ़ाने के लिए आवश्यक सबसे महत्वपूर्ण डेटा को सूचीबद्ध कर सकते हैं। कू का कहना है कि यह काम सोच-समझकर किया जाना चाहिए, प्रयोगों को प्राथमिकता देने पर ध्यान देना चाहिए, जिससे मॉडल को बेहतर बनाने में मदद मिलेगी।
जैसा कि वैज्ञानिक समुदाय को पता चलता है कि डीपमाइंड टूल सबसे उपयोगी कहां हो सकता है और इसे और भी बेहतर बनाने के लिए आवश्यक डेटा का निर्माण करता है, हालांकि डीपमाइंड ने टूल को गैर-व्यावसायिक उपयोग के लिए स्वतंत्र रूप से उपलब्ध कराया है, यह कल्पना करना आसान है कि अकादमिक प्रयोगशालाएं इसके उपयोग के आधार पर खोजें करती हैं – भले ही उनके स्वयं के डेटा ने इसकी सटीकता में सुधार करने में योगदान दिया हो।
अल्फ़ाफोल्ड की तरह, अल्फ़ाजीनोम भी बड़े, सार्वजनिक रूप से उपलब्ध, सार्वजनिक रूप से वित्त पोषित डेटासेट तक पहुंच के बिना संभव नहीं होगा। ऐसे समय में जब सरकार द्वारा प्रायोजित शोध के लिए धन की कमी है, यह प्रगति अमेरिका में वैज्ञानिकों द्वारा किए गए रोजी-रोटी के काम के महत्व की याद दिलाती होनी चाहिए। इसका प्रभाव एक परियोजना या एक मरीज़ से कहीं आगे तक फैल सकता है – यह एक दिन अगली गेम-चेंजिंग तकनीक की नींव बन सकता है।
ब्लूमबर्ग राय से अधिक:
यह कॉलम लेखक के व्यक्तिगत विचारों को दर्शाता है और जरूरी नहीं कि यह संपादकीय बोर्ड या ब्लूमबर्ग एलपी और उसके मालिकों की राय को प्रतिबिंबित करता हो।
लिसा जार्विस बायोटेक, स्वास्थ्य देखभाल और फार्मास्युटिकल उद्योग को कवर करने वाली ब्लूमबर्ग ओपिनियन स्तंभकार हैं। पहले, वह केमिकल एंड इंजीनियरिंग न्यूज़ की कार्यकारी संपादक थीं।
इस तरह की और भी कहानियाँ उपलब्ध हैं ब्लूमबर्ग.com/opinion
