લગભગ સ્વચાલિત AI રસાયણશાસ્ત્રી ઔષધીય રસાયણશાસ્ત્રમાં એક પડકારજનક પ્રક્રિયામાં સુધારો કરે છે.

વિજ્ઞાનના ક્ષેત્રમાં OpenAI નું કાર્ય એક સરળ માન્યતાથી પ્રેરિત છે: અદ્યતન AI વૈજ્ઞાનિકો માટે એક શક્તિશાળી ભાગીદાર બની શકે છે, જે તેમને વધુ વિચારોનું અન્વેષણ કરવામાં, અલગ-અલગ ખ્યાલોને જોડવામાં, વધુ સારા પ્રયોગોની રચના કરવામાં અને માનવતાને લાભ કરતી શોધોને વેગ આપવામાં મદદ કરી શકે છે. અમે પહેલેથી જ એવા પ્રારંભિક ઉદાહરણો શેર કર્યા છે જેમાં મોડલ નવા પરિણામોમાં યોગદાન આપી રહ્યા છે, જેમ કે ગણિતમાં, જેમાં યુનિટ ડિસ્ટન્સ પ્રોબ્લેમ⁠ પરના કાર્યનો સમાવેશ થાય છે; સૈદ્ધાંતિક ભૌતિકશાસ્ત્રમાં, ગ્લુઓન એમ્પ્લિટ્યુડ્સ⁠ પરના નવા પરિણામ દ્વારા; અને જીવવિજ્ઞાનમાં, જ્યાં GPT‑5 એ ઓટોમેટેડ લેબમાં સેલ-ફ્રી પ્રોટીન સિન્થેસિસનો ખર્ચ ઘટાડવા⁠ માં મદદ કરી હતી. અમે GPT‑Rosalind⁠ પણ રજૂ કર્યું છે, જે જીવન વિજ્ઞાન સંશોધન અને ઔષધ સંશોધનના વર્કફ્લોને સપોર્ટ કરવા માટે ખાસ હેતુથી બનાવવામાં આવેલ મોડલ છે. 

આ પ્રોજેક્ટ તે દિશાને ઔષધીય રસાયણશાસ્ત્ર સુધી વિસ્તારે છે, જ્યાં પ્રગતિને માત્ર રિઝનિંગથી માપી શકાતી નથી. પરિકલ્પના પ્રયોગશાળામાં વાસ્તવિક અણુઓ, સાધનો અને પ્રયોગાત્મક નૉઇઝ વચ્ચે કારગર સાબિત થવી જ જોઈએ. Molecule.one⁠(નવી વિન્ડોમાં ખૂલે છે) સાથે કામ કરતાં, અમે GPT‑5.4 ને Maria સાથે જોડ્યું—સ્વાયત્ત સંશોધન માટે હાઇ-થ્રૂપુટ પ્રયોગશાળા સાથે સંકલિત એજેન્ટિક રસાયણશાસ્ત્ર AI—અને તેને એક ઓપન-એન્ડેડ લક્ષ્ય આપ્યું: અનેક મહત્વપૂર્ણ પ્રતિક્રિયા વર્ગોમાંથી એકમાં સુધારો કરવો. આ સિસ્ટમે સંશોધન પ્રસ્તાવો તૈયાર કર્યા, પ્રયોગોની રચના કરી અને તે ચલાવ્યા, પ્રયોગાત્મક ડેટાનું વિશ્લેષણ કર્યું, અને અનુગામી પ્રયોગો પ્રસ્તાવિત કર્યા. દિશાનિર્દેશન અને મૂલ્યાંકન માટેના પ્રોમ્પ્ટ ડિઝાઇન કરીને અને પરીક્ષણ માટે પ્રસ્તાવો પસંદ કરીને માનવો પ્રક્રિયામાં સામેલ રહ્યા. તેઓએ પ્રાયોગિક યોજનાઓમાં મર્યાદિત સુધારાઓ પણ કર્યા, મૂળભૂત પ્રયોગશાળા કામગીરીમાં સહાય કરી, અને અંતિમ પરિણામનું સ્વતંત્રપણે માન્યકરણ કર્યું.

સૌથી આશાજનક પ્રસ્તાવ, OAI-M1-03, Chan–Lam કપલિંગના એક મુશ્કેલ પરંતુ ઉપયોગી પ્રકાર પર કેન્દ્રિત હતો, જે એક એવી પ્રક્રિયા છે જેનો ઉપયોગ રસાયણશાસ્ત્રીઓ કાર્બન-નાઇટ્રોજન બોન્ડ બનાવવા માટે કરે છે. પ્રોસેસ કેમિસ્ટ્રી માટે ચાન-લામ કપલિંગમાં સુધારો કરવાના ઓપન-એન્ડેડ લક્ષ્યથી શરૂ કરીને, GPT‑5.4 એ સ્વતંત્ર રીતે પ્રાઇમરી સલ્ફોનામાઇડ્સને એક પડકારજનક, ઉચ્ચ-મૂલ્યવાળા સબસ્ટ્રેટ વર્ગ તરીકે ઓળખી કાઢ્યા અને સૂચવ્યું કે TEMPO સહિતના હળવા ઓક્સિડન્ટ્સ આ પ્રક્રિયામાં સુધારો કરી શકે છે. 

મારિયા લેબમાં પ્રયોગોના બે ચક્રો દરમિયાન, તે વિચારથી નોંધપાત્ર સુધારો જોવા મળ્યો. ઑપ્ટિમાઇઝ કરેલી પરિસ્થિતિઓ હેઠળ, પરીક્ષણ કરાયેલા બોરોનિક એસિડ્સના 88 % અને સલ્ફોનામાઇડ્સના 83 % માટે માપવામાં આવેલી ઉપજોમાં સુધારો જોવા મળ્યો. સરેરાશ ઉપજ 16.6 %થી વધીને 25.2 % થઈ, અને 30 %થી વધુ ઉપજ ધરાવતી પ્રતિક્રિયાઓનું પ્રમાણ 15.6 %થી વધીને 37.5 % થયું. ત્યારબાદ માનવ રસાયણશાસ્ત્રીઓએ બેન્ચ-સ્કેલ પર પ્રતિનિધિરૂપ પ્રતિક્રિયાઓનું પુનરાવર્તન કર્યું. તે પ્રયોગોએ માઇક્રોલિટર-પ્રમાણના પરિણામોની પુષ્ટિ કરી, જેમાં 14 માંથી 11 સબસ્ટ્રેટ જોડીઓ માટે વધુ ઉપજ જોવા મળી, અને મોટા ભાગના કિસ્સાઓમાં બે ગણા કરતાં વધુ વધારો થયો. આ બાબત મહત્વની છે, કારણ કે ઔષધીય રસાયણશાસ્ત્રીઓને એવી રાસાયણિક પ્રતિક્રિયાઓની જરૂર હોય છે જે માત્ર માઇક્રોલિટર-સ્તરના સ્ક્રીનિંગ પ્રયોગોમાં જ નહીં, પરંતુ દવા શોધ દરમિયાન ઉપયોગમાં લેવાતા પ્રેક્ટિકલ લેબ કાર્યપ્રવાહોમાં પણ કામ કરે.

ઔષધીય રસાયણશાસ્ત્રના આ ક્ષેત્રમાં સુધારાઓ ખાસ કરીને રોમાંચક છે કારણ કે સંશ્લેષણ ઘણીવાર દવા શોધમાં મોટો અવરોધ બને છે: વૈજ્ઞાનિકો ફક્ત તે જ અણુઓનું પરીક્ષણ કરી શકે છે જેને તેઓ બનાવી શકે અથવા અન્ય રીતે મેળવી શકે. સલ્ફોનામાઇડ જૂથ કેન્સર વિરોધી દવાઓ, એન્ટિમાઇક્રોબિયલ્સ અને ડાય્યુરેટિક્સ સહિત અનેક સારવાર ક્ષેત્રોની દવાઓમાં જોવા મળે છે, છતાં પ્રાથમિક સલ્ફોનામાઇડ્સનું બોરોનિક એસિડ્સ સાથેનું Chan–Lam કપલિંગ ઐતિહાસિક રીતે નીચી ઉપજ આપતું આવ્યું છે. પ્રતિક્રિયાના આ સ્વરૂપને વધુ વિશ્વસનીય બનાવવાથી ઔષધીય રસાયણશાસ્ત્રીઓને સંભવિત ઉપયોગી અણુઓ બનાવવા અને શોધવા માટે વધુ વ્યાપક અને વધુ વ્યવહારુ રીત મળી શકે છે.

ભલે આ હજુ એક પ્રારંભિક પરિણામ છે, તે અમે જે વ્યાપક દિશા તરફ કામ કરી રહ્યા છીએ તેનું વધુ એક સ્પષ્ટ ઉદાહરણ પૂરું પાડે છે: એવી AI સિસ્ટમ્સ જે સંશોધન ચક્રના મોટા ભાગમાં વૈજ્ઞાનિકો માટે મૂલ્યવાન ભાગીદાર બની શકે. મોડલે સાહિત્યની સમીક્ષા કરી, એક અણધાર્યો વિચાર રજૂ કર્યો, પ્રયોગોની ડિઝાઇન અને વિશ્લેષણ કરવામાં મદદ કરી, અને માનવ રસાયણશાસ્ત્રીઓ જેનું મૂલ્યાંકન કરી શકે એવી વૈજ્ઞાનિક શોધ સુધી પહોંચ્યું.

કાર્બનિક રસાયણશાસ્ત્ર નાના-અણુઓવાળી તમામ દવાઓ, તેમજ કૃષિ, ઇલેક્ટ્રોનિક્સ અને પદાર્થ વિજ્ઞાનના ઉત્પાદનોનો આધાર છે. કોઈ પ્રક્રિયા ત્યારે ખાસ કરીને ઉપયોગી બને છે જ્યારે તે વિવિધ પ્રારંભિક સામગ્રીઓમાં સમાન પ્રકારનો રાસાયણિક બંધ વિશ્વસનીય રીતે બનાવી શકે. જ્યારે પ્રક્રિયાઓમાંથી ઓછી યીલ્ડ મળે છે અથવા ઘણી બધી અનિચ્છનીય આડપેદાશો ઉત્પન્ન થાય છે, ત્યારે રસાયણશાસ્ત્રીઓએ આશાજનક અણુઓને પડતા મૂકવા પડે છે અથવા તો અલગ માર્ગ વિકસાવવામાં નોંધપાત્ર સમય વિતાવવો પડે છે. આ બાબત સંશ્લેષણને ઔષધ સંશોધનમાં એક મોટો અવરોધ બનાવે છે: વૈજ્ઞાનિકો સામાન્ય રીતે માત્ર તે જ અણુઓનું પરીક્ષણ કરી શકે છે જે તેઓ બનાવી શકે છે અથવા અન્ય કોઈ રીતે મેળવી શકે છે.

ઔષધીય રસાયણશાસ્ત્રમાં Chan–Lam કપલિંગ ઉપયોગી છે કારણ કે તે કાર્બન-નાઇટ્રોજન બંધ બનાવે છે, જે દવાઓમાં સામાન્ય રીતે જોવા મળે છે. જોકે, આ પ્રક્રિયા દરેક વર્ગના અણુઓ માટે સમાન રીતે સારી કામગીરી આપતી નથી. ખાસ કરીને, પ્રાઇમરી સલ્ફોનામાઇડ્સનું બોરોનિક એસિડ્સ સાથે કપલિંગ કરવાથી ઐતિહાસિક રીતે ઓછી ઉપજ મળી છે. સલ્ફોનામાઇડ્સ એ અણુઓનો એક મહત્વપૂર્ણ પરિવાર છે જે ઓન્કોલોજી અને ચેપી રોગોની દવાઓમાં જોવા મળે છે. આ પ્રક્રિયાને વધુ વિશ્વસનીય બનાવવાથી ઔષધીય રસાયણશાસ્ત્રીઓને સંભવિત ઉપયોગી અણુઓનું ઉત્પાદન કરવા અને તેના વિશે અન્વેષણ કરવા માટે એક વધુ વ્યાપક અને વ્યવહારુ માર્ગ મળી શકે છે.

સંયુક્ત સિસ્ટમે પૂરક ક્ષમતાઓને જોડી. Maria AI સાથે કામ કરતા વૈજ્ઞાનિકો દ્વારા લખાયેલા પ્રોમ્પ્ટ્સનો ઉપયોગ, હજારો સંભવિત સંશોધન પ્રસ્તાવો બનાવવા અને તેમને ક્રમ આપવા માટે એક હાર્નેસની અંદર GPT‑5.4 સાથે કરવામાં આવ્યો હતો. માનવ રસાયણશાસ્ત્રીઓએ સિસ્ટમ અનુસાર સૌથી ઊંચો ક્રમ ધરાવતા પ્રસ્તાવોના નાના સબસેટની સમીક્ષા કરી અને પ્રયોગશાળામાં પરીક્ષણ કરવા માટે ચારની પસંદગી કરી. ત્યારબાદ Maria AI એ પસંદ કરેલી ઉચ્ચ-સ્તરીય યોજનાઓને પ્રયોગશાળા માટેની વિગતવાર સૂચનાઓમાં રૂપાંતરિત કરી, હજારો હાઇ-થ્રૂપુટ પ્રયોગો ચલાવ્યા, કાચા ડેટાનું વિશ્લેષણ કર્યું અને GPT‑5.4 ને માળખાગત પરિણામો પરત કર્યા. 

પસંદ કરાયેલા ચાર પ્રસ્તાવોમાંથી એક, OAI-M1-03, એ સલ્ફોનામાઇડ સંશ્લેષણ માટે Chan-Lam પ્રતિક્રિયાની કાર્યક્ષમતા સુધારવા માટે TEMPO જેવા સૌમ્ય ઑક્સિડન્ટ્સનો ઉપયોગ કરવાની ભલામણ કરી હતી. રસાયણશાસ્ત્રીઓને આ સૂચન આશ્ચર્યજનક અને રસપ્રદ બંને લાગ્યું. અમે OAI-M1-03 નાં વિગતવાર તારણો આ બ્લોગ પોસ્ટમાં અને શોધપત્ર⁠(નવી વિન્ડોમાં ખૂલે છે)માં શેર કરીએ છીએ.

ત્યારબાદ અંતિમ સંશોધન પ્રસ્તાવનો ઉપયોગ Maria દ્વારા એક્સપેરિમેન્ટલ ગ્રીડ્સ બનાવવા માટે કરવામાં આવ્યો હતો, જેમાં માનવીઓ દ્વારા થોડા સુધારાઓ કરવામાં આવ્યા હતા. સૌથી મોટો માનવીય સુધારો દ્રાવક તરીકે ડાયમિથાઇલ સલ્ફોક્સાઇડ અથવા DMSO નો ઉપયોગ ટાળવાનો હતો, કારણ કે રસાયણશાસ્ત્રીઓને ચિંતા હતી કે તે સરખામણી માટે ઉપયોગમાં લેવાતા વધુ મજબૂત ઓક્સિડન્ટ્સ સાથે પ્રતિક્રિયા આપી શકે છે.

આ સમગ્ર પ્રક્રિયામાં, 4 માર્ચે અપાયેલા પ્રથમ પ્રોમ્પ્ટથી લઈને 4 જૂને સ્વતંત્ર નિષ્ણાતો સાથે OAI-M1-03 ના પરિણામો શેર કરવા સુધી, ત્રણ મહિનાનો સમય લાગ્યો હતો.

અમે આ કાર્યપ્રવાહને સંપૂર્ણ સ્વાયત્ત નહીં, પરંતુ લગભગ સ્વાયત્ત તરીકે વર્ણવીએ છીએ, કારણ કે માનવ રસાયણશાસ્ત્રીઓએ હજુ પણ સમગ્ર પ્રક્રિયા દરમિયાન મહત્વપૂર્ણ નિર્ણયો લીધા હતા. મોડેલે સંશોધનના મુખ્ય વિચારો રજૂ કર્યા હતા, જ્યારે માનવ રસાયણશાસ્ત્રીઓએ ઉચ્ચ-સ્તરીય માર્ગદર્શન અને નિર્ણયક્ષમતા પૂરી પાડી, પ્રાયોગિક વિગતોમાં સુધારા કર્યા હતા, લેબ વપરાશની વસ્તુઓ અને રીએજન્ટ્સ તૈયાર કરવામાં મદદ કરી હતી, તેમજ મુખ્ય પ્રયોગો હાથથી પુનરાવર્તિત કર્યા હતા.

OAI-M1-03 એ અહીં અભ્યાસ કરાયેલા પ્રાથમિક સલ્ફોનામાઇડ Chan-Lam કપલિંગ માટે TEMPO ને ઉપયોગી ઉમેરક તરીકે ઓળખ્યું. ઑપ્ટિમાઇઝ કરેલી પરિસ્થિતિઓ હેઠળ, પ્રતિક્રિયામાં બે રીતે સુધારો થયો: સરેરાશ ઉપજમાં વધારો થયો, અને વધુ સબસ્ટ્રેટ સંયોજનો વ્યવહારિક રીતે ઉપયોગી ઉપજ મળી.

બે ચક્રો દરમિયાન, મારિયાએ કુલ 10,080 પ્રતિક્રિયાઓ હાથ ધરી – જે દરરોજ ત્રણ પ્રતિક્રિયાઓ હાથ ધરનાર રસાયણશાસ્ત્રી દાયકામાં હાથ ધરે તેના કરતાં પણ વધુ છે. તે સ્કેલ મહત્વનો હતો કારણ કે રસાયણશાસ્ત્રના પરિણામો જ્યારે માત્ર થોડાં જ ઉદાહરણો પર પરીક્ષણ કરવામાં આવે ત્યારે ભ્રમિત કરનારા હોઈ શકે છે. કોઈ પ્રતિક્રિયા પ્રારંભિક પદાર્થોની એક જોડી પર આશાસ્પદ લાગી શકે છે, પરંતુ અણુઓના વધુ વ્યાપક સમૂહમાં નિષ્ફળ જઈ શકે છે. હજારો પ્રતિક્રિયાઓના કારણે પરીક્ષણ કરાયેલા દસ ઑક્સિડન્ટ્સમાંથી TEMPO ને ઓળખવું, વિવિધ સંયોજનોમાં તેની અસર પુનરાવર્તિત થતી જોવી અને તેની મર્યાદાઓ શોધવી શક્ય બન્યું.

ડેટાના પ્રથમ તબક્કાનું વિશ્લેષણ કર્યા પછી, સિસ્ટમે અનુવર્તી પરિકલ્પનાઓને ચકાસવા માટે વધુ કેન્દ્રિત બીજા તબક્કાના પ્રયોગો સૂચવ્યા. એક ઉપયોગી અનુગામી તારણ એ હતું કે TEMPO ને ઘણી સસ્તી એનાલોગ, 4-hydroxy-TEMPO, વડે બદલી શકાય છે, જેમાં કાર્યક્ષમતામાં બહુ ઓછી ખોટ થાય છે.

આ પરિણામ Maria Lab ના માઇક્રોલિટર-સ્કેલ સ્ક્રીનિંગ ફોર્મેટથી આગળ પણ યથાવત્ રહ્યું. માનવ રસાયણશાસ્ત્રીઓએ બેન્ચ-સ્કેલ સ્તરે પ્રતિનિધિ પ્રતિક્રિયાઓને હાથથી પુનરુત્પાદિત કરી અને 14 માંથી 11 સબસ્ટ્રેટ જોડીઓ માટે ઉપજમાં વધારો નોંધ્યો; આઠ જોડીઓ માટે આ વધારો બે ગણાથી વધુ હતો. પુનરાવર્તન મહત્વનું છે, કારણ કે ખૂબ નાના પાયાના પ્રયોગો ક્યારેક એવા કૃત્રિમ પરિણામો પેદા કરી શકે છે જે મોટા પાયે અદૃશ્ય થઈ જાય છે. સંશોધન વૈજ્ઞાનિક સામયિકમાં પ્રકાશિત થાય તે પહેલાં બેન્ચ-સ્કેલ માન્યકરણ કરવું પણ સામાન્ય પ્રથા છે.

ચાર બાહ્ય રસાયણશાસ્ત્ર નિષ્ણાતોએ OAI-M1-03 નું વર્ણન કરતી પ્રીપ્રિન્ટની સમીક્ષા કરી. તેમનાં મૂલ્યાંકનોએ અમારા આ મતને સમર્થન આપ્યું કે પરિણામ નવીન હતું અને વૈજ્ઞાનિક સમુદાય સાથે વહેંચવા યોગ્ય હતું. વધુ કડક કસોટી હવે આવશે: શું સ્વતંત્ર પ્રયોગશાળાઓ પરિણામનું પુનરુત્પાદન કરી શકે છે, અને શું રસાયણશાસ્ત્રીઓ તેને અણુઓની વધુ વ્યાપક શ્રેણીમાં ઉપયોગી માને છે.

ત્રણ મહિનાના સમયગાળા દરમિયાન GPT‑5.4 દ્વારા જનરેટ કરવામાં આવેલા અને મારિયા દ્વારા પરીક્ષણ કરાયેલા અન્ય ત્રણ પ્રસ્તાવોમાંથી, OAI-M1-02 અને OAI-M1-04 મારિયા લેબમાં પ્રયોગાત્મક રીતે સાબિત થયા હતા, જ્યારે OAI-M1-01 ખોટો સાબિત થયો હતો. આ પરિણામોનું વિશ્લેષણ ચાલુ છે.

આ કાર્ય દર્શાવે છે કે એક મોડલ કાર્બનિક રસાયણશાસ્ત્રમાં ઉપયોગી યોગદાન આપી શકે છે. તેણે સાહિત્યનો સારાંશ આપવા અથવા કોઈ એકલ-દોકલ પ્રયોગ સૂચવવા કરતાં ઘણું વધારે કામ કર્યું: તેણે એક વિશિષ્ટ આશ્ચર્યજનક પૂર્વધારણા રજૂ કરી અને તેને માનવ સમીક્ષા માટે સામે લાવી, પ્રયોગો ડિઝાઇન કર્યા, પ્રાયોગિક ડેટાનું અર્થઘટન કર્યું અને ફોલો-અપ પ્રયોગો ડિઝાઇન કર્યા.

તે એવું નથી દર્શાવતું કે AI સ્વતંત્ર રીતે રસાયણશાસ્ત્ર સંશોધન કાર્યક્રમને શરૂઆતથી અંત સુધી સંચાલિત કરી શકે છે. માનવીય વિવેક આવશ્યક રહ્યો, અને કાર્યપ્રવાહ વિશિષ્ટ થ્રૂપુટ ધરાવતી ઇન્ફ્રાસ્ટ્રક્ચર પર આધારિત હતો. તે એ પણ સ્થાપિત કરતું નથી કે આ પદ્ધતિ અન્ય કપલિંગ પ્રતિક્રિયાઓ, અન્ય સબસ્ટ્રેટ વર્ગો અથવા ઉત્પાદન પરિસ્થિતિઓમાં વ્યાપક રીતે લાગુ પડી શકશે.

ઉપજના અંદાજો હાઇ‑થ્રૂપુટ પ્લેટફોર્મમાંથી પ્રાપ્ત થયા હતા, અને બેન્ચ વૅલિડેશનમાં 14 પ્રતિનિધિ સબસ્ટ્રેટ જોડીઓ આવરી લેવાઈ હતી. પ્રતિક્રિયા મિકેનિઝમને સ્પષ્ટ કરવા, સબસ્ટ્રેટના વ્યાપને વ્યાખ્યાયિત કરવા, વિવિધ પ્રયોગશાળાની પરિસ્થિતિઓમાં પ્રદર્શન માપવા અને પરિણામોનું સ્વતંત્ર રીતે પુનરાવર્તન કરવા માટે હજુ વધુ કાર્ય કરવાની જરૂર છે.

રસાયણશાસ્ત્ર સંબંધિત ક્ષમતાઓને સાવચેતીપૂર્વક સંભાળવાની જરૂર છે, કારણ કે તે જ ટૂલ્સ જે ચિકિત્સા અને પદાર્થ વિજ્ઞાનને સમર્થન આપી શકે છે, તેમનો દુરુપયોગ પણ થઈ શકે છે. અમે આ કાર્યનો વ્યાપ ઇરાદાપૂર્વક એક માન્ય ઔષધીય-રસાયણશાસ્ત્રની સમસ્યા પૂરતો મર્યાદિત રાખ્યો હતો: જેનો ઉદ્દેશ દવા-સમાન અણુઓ બનાવવા માટે ઉપયોગમાં લેવાતી જાણીતી કપલિંગ પ્રતિક્રિયામાં સુધારો કરવાનો હતો. આ પ્રયોગોમાં વિષાક્ત પદાર્થો, રાસાયણિક હથિયારો અથવા હાનિકારક સંયોજનોની રચના કરવાની વિનંતીઓનો સમાવેશ થતો નહોતો. આ પરિણામોને એ પુરાવા તરીકે ન સમજવા જોઈએ કે સિસ્ટમ તે હાનિકારક ઉપયોગોમાં મદદ કરી શકે છે. પ્રોજેક્ટે તેનું પરીક્ષણ કર્યું નથી અથવા તે દર્શાવ્યું નથી.

અમે અમારા પ્રિપેરડનેસ ફ્રેમવર્ક⁠ દ્વારા અદ્યતન મોડલ ક્ષમતાઓથી ઊભરી રહેલા જોખમોનું મૂલ્યાંકન કરીએ છીએ અને તેમને ઘટાડીએ છીએ, જેમાં રાસાયણિક અને જૈવિક ક્ષેત્રો સંબંધિત જોખમોનો સમાવેશ થાય છે. આ કાર્યમાં ઉપયોગમાં લેવાયેલું મોડલ યુકે AI સિક્યુરિટી ઇન્સ્ટિટ્યૂટ સાથે પહેલેથી જ સંબંધિત મૂલ્યાંકનોમાંથી પસાર થઈ ચૂક્યું હતું, અને સિસ્ટમને હાનિકારક એપ્લિકેશનો પર કેન્દ્રિત વિનંતીઓને નકારવા માટે ડિઝાઇન કરવામાં આવી હતી. પ્રાયોગિક કાર્યપ્રવાહે નિયંત્રણનું વધુ એક સ્તર ઉમેર્યું: માનવ રસાયણશાસ્ત્રીઓએ નક્કી કર્યું કે કયા પ્રસ્તાવો પ્રયોગશાળામાં પ્રવેશે, પ્રાયોગિક યોજનાઓની સમીક્ષા કરી અને ભૌતિક માળખાકીય સુવિધાઓ પર નિયંત્રણ જાળવી રાખ્યું.

અમને લાગે છે કે પ્રાયોગિક રસાયણશાસ્ત્રમાં AI ની ક્ષમતાનો અભ્યાસ કરવાની આ જવાબદારીપૂર્વકનો માર્ગ છે: સ્પષ્ટ વૈજ્ઞાનિક મૂલ્ય ધરાવતા સમસ્યા ક્ષેત્રને પસંદ કરવું, મોડેલ-સ્તરના સુરક્ષા ઉપાયો સાથે નિષ્ણાતોની દેખરેખ જોડવી, અને મર્યાદિત ભૌતિક પ્રયોગો દ્વારા સિસ્ટમનું મૂલ્યાંકન કરવું. જેમ જેમ આ ક્ષમતાઓમાં સુધારો થશે, તેમ તેમ અમે ઉભરતા જોખમોનું મૂલ્યાંકન કરવાનું, સુરક્ષાત્મક પગલાંને મજબૂત બનાવવાનું અને કોઈ પરિણામ શું સૂચવે છે અને શું સૂચવતું નથી તે અંગે ચોક્કસ માહિતી આપવાનું ચાલુ રાખીશું.

તાત્કાલિક આગામી પગલાં વૈજ્ઞાનિક છે: પ્રારંભિક પદાર્થોની વધુ વ્યાપક શ્રેણીનું પરીક્ષણ કરવું, આ એડિટિવ્સ પ્રતિક્રિયામાં શા માટે સુધારો કરે છે તેની તપાસ કરવી, આ અસર ક્યાં કામ કરે છે અને ક્યાં નિષ્ફળ જાય છે તેનું મેપિંગ કરવું અને સ્વતંત્ર પુનરાવર્તનને સમર્થન આપવું. એકસાથે મળીને, આ અભ્યાસો નક્કી કરશે કે પદ્ધતિ કેટલી વ્યાપકપણે લાગુ કરી શકાય છે અને વ્યવહારુ ઔષધીય રસાયણશાસ્ત્ર કાર્યપ્રવાહોમાં તે કેટલી ઉપયોગી છે.

અમારું દીર્ઘકાલીન લક્ષ્ય એ છે કે AI સિસ્ટમો વિશ્વસનીય વૈજ્ઞાનિક ભાગીદારો બની શકે, જે સંશોધકોને પરિકલ્પનાઓ ઊભી કરવામાં, પ્રયોગોની રચના કરવામાં, પરિણામોનું અર્થઘટન કરવામાં અને આગળ શું પરીક્ષણ કરવું તે નક્કી કરવામાં મદદ કરે, અને જે નિષ્ણાતોના નિર્ણય, વિશ્વસનીય માપન અને મજબૂત સુરક્ષા ઉપાયો પર આધારિત હોય. કાર્બનિક રસાયણશાસ્ત્ર ખાસ કરીને ઊંચા પ્રભાવવાળું ક્ષેત્ર છે, કારણ કે નાના અણુઓની શોધ અને ઉત્પાદન ક્ષેત્રે પ્રગતિ અણુઓને વિશ્વસનીય રીતે બનાવવાની ક્ષમતા પર આધાર રાખે છે. વૈજ્ઞાનિકો માત્ર તેવા અણુઓનું જ પરીક્ષણ કરી શકે છે જે તેઓ બનાવી શકે, અને વધુ સારી સંશ્લેષણ પ્રક્રિયા ચિકિત્સા, કૃષિ, ઇલેક્ટ્રોનિક્સ, ઊર્જા અને સામગ્રી વિજ્ઞાન જેવા ક્ષેત્રોમાં તેઓ શોધી શકે તેવા વિચારોની શ્રેણી વિસ્તારી શકે છે. આ પરિણામ તે વ્યાપક દિશાનું એક પ્રારંભિક ઉદાહરણ છે: અત્યાધુનિક મોડલ, વિશિષ્ટ એજન્ટ્સ, સ્વચાલિત પ્રયોગશાળા અને માનવ રસાયણશાસ્ત્રીઓ સંશોધન ચક્રમાં વધુ ઝડપથી આગળ વધવા અને એવા તારણો ઉત્પન્ન કરવા માટે સાથે મળીને કામ કરે છે, જેને વૈજ્ઞાનિક સમુદાય મૂલ્યાંકન કરી શકે, પુનરુત્પાદિત કરી શકે અને તેના પર આગળનું કાર્ય કરી શકે.

અમે Molecule.one ટીમ અને આ કાર્યની સમીક્ષા કરનાર સ્વતંત્ર રસાયણશાસ્ત્રીઓના આભારી છીએ.