OpenAI

21 ઑક્ટોબર, 2026

પ્રકાશનસંશોધન

હજારો કૃત્રિમ બુદ્ધિ એજન્ટોથી જૈવિક માહિતીમાં નવી સંશોધન દિશાઓની શોધ

OpenAI, PerturbAI અને સ્ક્રિપ્સ રિસર્ચે વિતરિત કૃત્રિમ બુદ્ધિ એજન્ટોની મદદથી વૈજ્ઞાનિકોને મગજના લાખો કોષોની માહિતીમાં આશાસ્પદ સંશોધન દિશાઓ ઓળખવામાં કેવી રીતે મદદ કરી

જુઓ, OpenAI, PerturbAI અને સ્ક્રિપ્સ રિસર્ચે મગજના લાખો કોષોની જટિલ માહિતીમાં આશાસ્પદ જૈવિક સંબંધો ઓળખવા માટે હજારો કૃત્રિમ બુદ્ધિ એજન્ટોને સમાંતર કેવી રીતે કાર્યરત કર્યા.

⁠

વિડિયો સૌજન્ય: PerturbAI.

લોડિંગ…

જો વૈજ્ઞાનિકો અલ્ઝાઇમર અને પાર્કિન્સન વિશેના નવા સંકેતો મહિનાઓને બદલે મિનિટોમાં શોધી શકે તો. OpenAI, PerturbAI⁠(નવી વિન્ડોમાં ખૂલે છે) અને સ્ક્રિપ્સ રિસર્ચ⁠(નવી વિન્ડોમાં ખૂલે છે)એ સાથે મળીને GPT‑Rosalind આધારિત હજારો કૃત્રિમ બુદ્ધિ એજન્ટો⁠(નવી વિન્ડોમાં ખૂલે છે)નો ઉપયોગ કરીને ઉંદરના મગજના લાખો કોષો⁠(નવી વિન્ડોમાં ખૂલે છે)માંથી મળેલી હાલની પ્રાયોગિક માહિતીનું માત્ર 32 મિનિટમાં વિશ્લેષણ અને અર્થઘટન કર્યું. એજન્ટોએ જનીનોની કામગીરીમાં વિક્ષેપની અસરોને વૈજ્ઞાનિક સાહિત્યનાં તારણો સાથે જોડીને અણધાર્યા જૈવિક સંબંધો શોધ્યા. આ સંબંધો વૈજ્ઞાનિકોને રોગ સમજવામાં અને નવી સારવારો માટે સંશોધનની દિશાઓ ઓળખવામાં મદદ કરી શકે છે. આ કાર્ય દર્શાવે છે કે મોટા જૈવિક પ્રયોગોમાંથી બહાર આવતી વધુ માહિતીનું અન્વેષણ કરવામાં કૃત્રિમ બુદ્ધિ સંશોધકોને કેવી રીતે મદદ કરી શકે છે.

આધુનિક પ્રયોગોમાં એટલી બધી માહિતી ઉત્પન્ન થાય છે કે વૈજ્ઞાનિકો તે બધી ઊંડાણથી તપાસી શકતા નથી. સંશોધકો હવે હજારો જનીનોમાં ફેરફાર કરીને લાખો કોષોમાં તેમની અસરો માપી શકે છે. પરંતુ માનવ રોગોના સંદર્ભમાં આ પરિણામોનો અર્થ સમજવા માટે જટિલ પ્રાયોગિક તારણોને દાયકાઓથી વિખરાયેલા વૈજ્ઞાનિક જ્ઞાન સાથે જોડવાં જરૂરી છે. અહીં કૃત્રિમ બુદ્ધિ વૈજ્ઞાનિકોને એવી આશાસ્પદ સંશોધન દિશાઓ શોધવામાં મદદ કરી શકે છે જે અન્યથા નજર બહાર રહી જાય.

“અમે કોષોના નકશાસંગ્રહો બનાવીએ છીએ જેથી અન્ય વૈજ્ઞાનિકો એવી શોધો કરી શકે જેની અમે હજી કલ્પના પણ કરી નથી. કૃત્રિમ બુદ્ધિ વધુ સંશોધકોને આ સંસાધનોનું અન્વેષણ કરવામાં અને અણધાર્યાં અવલોકનોને ચકાસવા માટેના નવા પ્રશ્નોમાં ફેરવવામાં મદદ કરી શકે છે.”
—સારાહ ટાઇકમન, પીએચ.ડી., કેમ્બ્રિજ યુનિવર્સિટીમાં મૂળકોષ ચિકિત્સાનાં અધ્યક્ષ પ્રાધ્યાપક અને હ્યુમન સેલ એટલસનાં સ્થાપક સહ-અધ્યક્ષ

ટીમે વિશ્લેષણનું કામ GPT‑Rosalind આધારિત હજારો કૃત્રિમ બુદ્ધિ એજન્ટો વચ્ચે વહેંચ્યું. આ અભિગમને અમે વિતરિત જૈવિક রিজনিং કહીએ છીએ. એજન્ટોએ સમગ્ર મગજના CRISPR નકશાસંગ્રહ⁠(નવી વિન્ડોમાં ખૂલે છે)ની તપાસ કરી. આ માહિતી સમૂહ દર્શાવે છે કે જનીનોની કામગીરીમાં વિક્ષેપ ઉંદરના સમગ્ર મગજમાં વિવિધ પ્રકારના કોષોને કેવી રીતે અસર કરે છે. દરેક એજન્ટે એક જનીનની કામગીરીમાં વિક્ષેપની તપાસ કરી, કોષીય પ્રતિક્રિયાઓનું વિશ્લેષણ કર્યું, વૈજ્ઞાનિક સાહિત્ય શોધ્યું અને પરિણામો માટે સંભવિત સમજૂતીઓ રજૂ કરી. તેમના અહેવાલોને એકત્ર કરીને જનીનો, કોષીય અસરો, સંબંધિત પ્રકાશનો અને સંભવિત જૈવિક કાર્યપ્રણાલીઓને જોડતો রিজনিং નકશાસંગ્રહ બનાવાયો.

સંશોધન ટીમના અંદાજ મુજબ, એક સમયે એક પ્રાયોગિક ફેરફારનું આવું વિશ્લેષણ અને સાહિત્ય સમીક્ષા માણસો કરે તો તેમાં કેટલાક મહિનાથી એક વર્ષ જેટલો સમય લાગે. એજન્ટોએ માનવ વિશ્લેષણોમાં મળેલાં તારણો ફરી મેળવ્યાં અને સાથે વધારાની સંશોધન દિશાઓ પણ શોધી. નવીનતા અને વૈજ્ઞાનિક મૂલ્ય અંગે તેમનાં મૂલ્યાંકનો પણ અહેવાલોનો સ્રોત જાણ્યા વિના મૂલ્યાંકન કરતા માનવ નિષ્ણાતોના અભિપ્રાયો સાથે સુસંગત હતાં. આ તારણો સૂચવેલી જૈવિક કાર્યપ્રણાલીઓ ચકાસવા માટે જરૂરી આગળના પ્રયોગોનો પ્રાથમિકતાક્રમ નક્કી કરવામાં મદદ કરે છે.

આમાંથી કેટલીક સમજ મગજના રોગોને સમજવા માટે નવી સંશોધન દિશાઓ સૂચવે છે. એજન્ટોએ રોગ સાથે સંકળાયેલા બે જનીનો મગજના કોષોને કેવી રીતે અસર કરે છે તેમાં અણધાર્યા તફાવતો ઓળખ્યા. તેમણે કોલેસ્ટેરોલના નિયંત્રણ અને ચેતાક્ષય વચ્ચેનો સંભવિત સંબંધ પણ ઓળખ્યો. આ તારણો વૈજ્ઞાનિકોને રોગ કેવી રીતે વિકસે છે અને ભવિષ્યની સારવારો કયા તબક્કે અસર કરી શકે છે તેની તપાસમાં મદદ કરી શકે છે.

“ક્યારેક સંકેતો પહેલેથી જ હોય છે, જુદાં જુદાં ક્ષેત્રોમાં વિખરાયેલા—આપણે માત્ર તેમને જોડ્યા નથી. ચેતાકોષોની કામગીરી અને કોલેસ્ટેરોલના ચયાપચય વચ્ચેનો સંભવિત સંબંધ બતાવે છે કે આ કડીઓ એકવાર જોડાય ત્યારે તે આપણને રોગના જીવવિજ્ઞાન વિશે વિચારવાની નવી રીત આપી શકે છે.”
—તોમાશ નોવાકોવ્સ્કી, પીએચ.ડી., યુસીએસએફમાં ચેતાતંત્રની શસ્ત્રક્રિયાના સહપ્રાધ્યાપક

સંશોધકો આજથી જ આ તારણોનું અન્વેષણ શરૂ કરી શકે છે. આ রিজনিং નકશાસંગ્રહ ઉપલબ્ધ છે⁠(નવી વિન્ડોમાં ખૂલે છે), જેથી વૈજ્ઞાનિકો સંબંધિત જનીનોની સરખામણી કરી શકે, અણધારી પ્રતિક્રિયાઓની તપાસ કરી શકે અને આગળ કામ કરવા માટે આશાસ્પદ સંશોધન દિશાઓ ઓળખી શકે. વિવિધ ક્ષેત્રોના સંશોધકો પોતાની કુશળતા સાથે લાવે અને જાણીતા વિચારોને અણધારી રીતે જોડે ત્યારે ઘણીવાર નવી શોધો થાય છે. કૃત્રિમ બુદ્ધિ નવી માહિતીને વિવિધ શાખાઓમાં વિખરાયેલા જ્ઞાન સાથે જોડીને આવા સંબંધો શોધવાનું કામ ઘણું વિસ્તારી શકે છે. આ તક માત્ર માહિતીનું વધુ ઝડપી વિશ્લેષણ કરવા પૂરતી મર્યાદિત નથી. કૃત્રિમ બુદ્ધિને પ્રાયોગિક જીવવિજ્ઞાન, માનવીય કુશળતા અને વૈજ્ઞાનિક સાહિત્ય સાથે જોડીને, અમે વૈજ્ઞાનિકોને તેમની વધુ માહિતીને પરીક્ષણયોગ્ય વિચારોમાં ફેરવવામાં મદદ કરી શકીએ છીએ.

મોટા પ્રયોગો, અણધાર્યા સંકેતો

પ્રયોગના કેટલાક સૌથી રસપ્રદ સંકેતો વૈજ્ઞાનિકો જે તપાસવા નીકળ્યા હોય તેની બહાર રહેલા હોય છે. હજારો પ્રાયોગિક ફેરફારો સમાવતાં માહિતી સમૂહમાં આવા સંકેતો સહેલાઈથી નજર બહાર રહી શકે છે.

એજન્ટોએ Tsc1 અને Tsc2 વચ્ચે અણધાર્યો તફાવત ઓળખ્યો. આ બંને જનીનો કોષવૃદ્ધિ, ચયાપચય અને વૃદ્ધત્વના મુખ્ય નિયંત્રક mTORને નિયંત્રિત કરવા સાથે મળીને કામ કરે છે. બંનેમાંથી કોઈ પણ જનીનની કામગીરીમાં વિક્ષેપ પાડવાથી ચેતાકોષોના અનેક જૂથોમાં સમાન અસરો થઈ. પરંતુ હલનચલનના સંકલનમાં મદદ કરતા લઘુમસ્તિષ્કમાં, Tsc2ની કામગીરીમાં વિક્ષેપથી ચેતાકોષો વચ્ચેના સંચારમાં ભાગ ભજવતા ડઝનેક જનીનોની સક્રિયતા બદલાઈ, જ્યારે Tsc1ની કામગીરીમાં વિક્ષેપથી બહુ ઓછો ફેરફાર થયો.

આ તફાવત માનવ રોગ માટે પ્રસ્તુત હોઈ શકે છે. ટ્યુબરસ સ્ક્લેરોસિસ ધરાવતા લોકોમાં, લઘુમસ્તિષ્કની અસામાન્યતાઓ TSC2માં થતા પરિવર્તનો સાથે ગાઢ રીતે સંકળાયેલી છે. mTORની સક્રિયતા ઘટાડતી દવાઓ મગજની અમુક ગાંઠો અને આંચકીની સારવાર કરી શકે છે, પરંતુ આ રોગ સાથે સંકળાયેલી શીખવાની અને વર્તનની મુશ્કેલીઓનો ઉપાય કરવો હજી પડકારજનક છે. એજન્ટોએ તપાસ કરવા યોગ્ય ચેતાકોષોનું એક ચોક્કસ જૂથ અને કોષીય ફેરફારો ઓળખ્યાં: હાલની દવાઓ કયા ફેરફારો સુધારી શકે અને કયા ફેરફારો સારવારના નવા અભિગમો તરફ દોરી શકે. આનાથી સંશોધકોને પ્રયોગશાળામાં ચકાસવા માટે વધુ ચોક્કસ પ્રશ્નો મળે છે.

કામ વહેંચો, রিজনিং વધુ ઊંડું બનાવો

શું સમગ્ર માહિતી સમૂહ આપેલો એક જ એજન્ટ સમાંતર કામ કરતા હજારો એજન્ટો જેટલું સારું કામ કરી શકે. અમે મોડલ અને સંસાધનો સમાન રાખીને આની કસોટી કરી. કાર્યભાર વધતાં, એકલ એજન્ટે ઓછું સાહિત્ય શોધ્યું. સૌથી વધુ કાર્યભાર વખતે તેણે માત્ર 11 સંદર્ભો ટાંક્યા, જ્યારે વિતરિત એજન્ટોએ 700થી વધુ સંદર્ભો ટાંક્યા. માનવ નિષ્ણાતોએ પણ વિતરિત એજન્ટોનાં અર્થઘટનોને વધુ પસંદ કર્યાં.

વૈજ્ઞાનિકો પાસે સમય મર્યાદિત હોય છે અને તેઓ ઘણીવાર તેમની માહિતીમાં મળતા સૌથી પ્રબળ સંકેતો પર ધ્યાન કેન્દ્રિત કરે છે. વિતરિત એજન્ટો સૂક્ષ્મ કે અણધારી પ્રતિક્રિયાઓ સહિત વધુ વ્યાપક પ્રતિક્રિયાઓ તપાસવામાં અને તેમને સંબંધિત વૈજ્ઞાનિક સાહિત્ય સાથે જોડવામાં મદદ કરી શકે છે. એજન્ટોને સમાંતર ચલાવવાથી અનેક પ્રાયોગિક ફેરફારોની એકસાથે તપાસ કરી શકાય છે. આનાથી વૈજ્ઞાનિકોને પ્રયોગમાં રહેલી વધુ માહિતી તપાસવામાં અને અન્યથા નજર બહાર રહી જાય તેવી આશાસ્પદ સંશોધન દિશાઓ ઓળખવામાં મદદ મળે છે.

સૌથી વધુ કાર્યભાર વખતે, વિતરિત એજન્ટોએ 700થી વધુ સંદર્ભો ટાંક્યા, જ્યારે એકલ એજન્ટે 11 સંદર્ભો ટાંક્યા.

કરવા યોગ્ય આગામી પ્રયોગની શોધ

કોઈ તારણ કરવા યોગ્ય પ્રયોગની દિશા બતાવે ત્યારે તેનું મૂલ્ય વધે છે. એજન્ટોને આવો જ એક સંકેત DCTN1માં મળ્યો. આ જનીનમાં થતા પરિવર્તનો પેરી સિન્ડ્રોમનું કારણ બને છે, જે પાર્કિન્સન જેવા લક્ષણો ધરાવતો ચેતાક્ષયનો રોગ છે.

DCTN1 ચેતાકોષોની અંદર પદાર્થોની હેરફેરમાં ભાગ ભજવે છે. સમગ્ર મગજના CRISPR નકશાસંગ્રહમાં, Dctn1ની કામગીરીમાં વિક્ષેપ પાડવાથી કોલેસ્ટેરોલ બનાવવામાં ભાગ ભજવતા જનીનોની અભિવ્યક્તિ વધી. એજન્ટોએ આ અવલોકનને એવા સંશોધન સાથે જોડ્યું જે સૂચવે છે કે કોલેસ્ટેરોલના પરિવહનમાં સમસ્યાઓ થવાથી કોષો વધુ કોલેસ્ટેરોલ બનાવી શકે છે. આનાથી અનુવર્તી પ્રયોગો માટે એક પ્રશ્ન ઊભો થયો: શું DCTN1ની કામગીરીમાં વિક્ષેપ ચેતાકોષોની અંદર કોલેસ્ટેરોલના વિતરણને બદલી શકે, અને શું તે ફેરફારો ચેતાક્ષયમાં ફાળો આપી શકે. જો એમ હોય, તો શું કોલેસ્ટેરોલનું સામાન્ય વિતરણ પુનઃસ્થાપિત કરવાથી ચેતાકોષોને સુરક્ષિત રાખવામાં મદદ મળી શકે.

માનવ નિષ્ણાતોએ પણ આ પૂર્વધારણાને નવીન, મહત્ત્વપૂર્ણ અને વધુ તપાસ કરવા યોગ્ય ગણાવી. આ ઉદાહરણ બતાવે છે કે અણધાર્યા પરિણામને હાલના જ્ઞાન સાથે જોડવાથી એક સંકેત પરીક્ષણયોગ્ય વિચાર બની શકે છે અને સંભવતઃ રોગની સારવાર માટે નવી દિશા પણ આપી શકે છે.

અહેવાલોનો સ્રોત જાણ્યા વિના કરેલી સરખામણીઓમાં, માનવ નિષ્ણાતોએ 75% કિસ્સાઓમાં એકલ એજન્ટના અહેવાલો કરતાં વિતરિત એજન્ટોના અહેવાલોને વધુ પસંદ કર્યા.

શોધપ્રક્રિયાના કેન્દ્રમાં વૈજ્ઞાનિકો જ રહે છે. વધુ આશાસ્પદ સંશોધન દિશાઓ શોધીને, કૃત્રિમ બુદ્ધિ સંશોધકોને કયા વિચારો પર આગળ કામ કરવું તે નક્કી કરવામાં, પ્રયોગો ઘડવામાં અને પરિણામોનું અર્થઘટન કરવામાં મદદ કરી શકે છે. ધ્યેય એ છે કે જૈવિક પ્રયોગોમાંથી મળતી વધુ માહિતીને એવા જ્ઞાનમાં ફેરવવી જે સમય જતાં વધુ સારી દવાઓના વિકાસને દિશા આપવામાં મદદરૂપ બને.

લેખક

OpenAI