ಸಮೀಪ-ಸ್ವಾಯತ್ತ AI ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞನು ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಸವಾಲಿನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸುತ್ತಾನೆ

ವಿಜ್ಞಾನದಲ್ಲಿನ OpenAIಯ ಕೆಲಸಕ್ಕೆ ಒಂದು ಸರಳ ನಂಬಿಕೆಯೇ ಪ್ರೇರಣೆ: ಸುಧಾರಿತ AI ವಿಜ್ಞಾನಿಗಳಿಗೆ ಶಕ್ತಿಯುತ ಪಾಲುದಾರನಾಗಬಹುದು, ಹೆಚ್ಚಿನ ಆಲೋಚನೆಗಳನ್ನು ಅನ್ವೇಷಿಸಲು, ದೂರದ ಪರಿಕಲ್ಪನೆಗಳನ್ನು ಜೋಡಿಸಲು, ಉತ್ತಮ ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು, ಮತ್ತು ಮಾನವತೆಗೆ ಲಾಭವಾಗುವ ಕಂಡುಹಿಡಿಕೆಗಳನ್ನು ವೇಗಗೊಳಿಸಲು ಅವರಿಗೆ ಸಹಾಯ ಮಾಡಬಹುದು. ಗಣಿತಶಾಸ್ತ್ರದಲ್ಲಿ ಹೊಸ ಫಲಿತಾಂಶಗಳಿಗೆ ಮಾಡೆಲ್‌ಗಳು ಕೊಡುಗೆ ನೀಡಿದ ಆರಂಭಿಕ ಉದಾಹರಣೆಗಳನ್ನು ನಾವು ಈಗಾಗಲೇ ಹಂಚಿಕೊಂಡಿದ್ದೇವೆ; ಅದರಲ್ಲಿ ಯುನಿಟ್ ಡಿಸ್ಟನ್ಸ್ ಸಮಸ್ಯೆ⁠ ಕುರಿತ ಕೆಲಸ, ಸೈದ್ಧಾಂತಿಕ ಭೌತಶಾಸ್ತ್ರದಲ್ಲಿ ಗ್ಲುವಾನ್ ಆಂಪ್ಲಿಟ್ಯೂಡ್‌ಗಳು⁠ ಕುರಿತ ಹೊಸ ಫಲಿತಾಂಶ, ಮತ್ತು ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ, ಸ್ವಯಂಚಾಲಿತ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ GPT‑5 ಸೆಲ್-ಫ್ರೀ ಪ್ರೋಟೀನ್ ಸಂಶ್ಲೇಷಣೆಯ ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಲು⁠ ಸಹಾಯ ಮಾಡಿದ ಉದಾಹರಣೆ ಸೇರಿವೆ. ಜೀವ ವಿಜ್ಞಾನ ಸಂಶೋಧನೆ ಮತ್ತು ಔಷಧ ಕಂಡುಹಿಡಿಯುವ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ಬೆಂಬಲಿಸಲು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ನಿರ್ಮಿಸಲಾದ ಮಾಡೆಲ್ ಆದ GPT‑Rosalind⁠ ಅನ್ನು ಸಹ ನಾವು ಪರಿಚಯಿಸಿದ್ದೇವೆ. 

ಈ ಯೋಜನೆ ಆ ಪಥವನ್ನು ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರದ ಕ್ಷೇತ್ರಕ್ಕೆ ವಿಸ್ತರಿಸುತ್ತದೆ, ಅಲ್ಲಿ ಪ್ರಗತಿಯನ್ನು ರೀಜನಿಂಗ್ ಮೂಲಕ ಮಾತ್ರ ಅಳೆಯಲು ಸಾಧ್ಯವಿಲ್ಲ. ಒಂದು ಪರಿಕಲ್ಪನೆ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ನೈಜ ಅಣುಗಳು, ಉಪಕರಣಗಳು ಮತ್ತು ಪ್ರಯೋಗಾತ್ಮಕ ಶಬ್ದದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಬೇಕು. Molecule.one⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಜೊತೆಗೆ ಕೆಲಸ ಮಾಡುತ್ತಾ, ನಾವು GPT‑5.4 ಅನ್ನು Maria—ಸ್ವಾಯತ್ತ ಸಂಶೋಧನೆಗಾಗಿ ಹೈ-ಥ್ರೂಪುಟ್ ಪ್ರಯೋಗಾಲಯದೊಂದಿಗೆ ಸಂಯೋಜಿಸಲಾದ ಏಜೆಂಟ್ ರಸಾಯನಶಾಸ್ತ್ರ AI ಗೆ— ಸಂಪರ್ಕಿಸಿದ್ದೇವೆ ಮತ್ತು ಅದಕ್ಕೆ ಒಂದು ಮುಕ್ತ ಗುರಿಯನ್ನು ನೀಡಿದ್ದೇವೆ: ಹಲವು ಪ್ರಮುಖ ಪ್ರತಿಕ್ರಿಯೆ ವರ್ಗಗಳಲ್ಲಿ ಒಂದನ್ನು ಸುಧಾರಿಸುವುದು. ವ್ಯವಸ್ಥೆಯು ಸಂಶೋಧನಾ ಪ್ರಸ್ತಾವನೆಗಳನ್ನು ರಚಿಸಿತು, ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ ನಡೆಸಿತು, ಪ್ರಯೋಗಾತ್ಮಕ ದತ್ತಾಂಶವನ್ನು ವಿಶ್ಲೇಷಿಸಿತು ಮತ್ತು ಅನುಸರಣಾ ಪ್ರಯೋಗಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ಮಾರ್ಗದರ್ಶನ ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮೂಲಕ ಹಾಗೂ ಪರೀಕ್ಷಿಸಲು ಪ್ರಸ್ತಾವನೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡುವ ಮೂಲಕ ಮಾನವರು ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ ಭಾಗಿಯಾಗಿಯೇ ಉಳಿದರು. ಅವರು ಪ್ರಯೋಗಾತ್ಮಕ ಯೋಜನೆಗಳಿಗೆ ಸೀಮಿತ ತಿದ್ದುಪಡಿಗಳನ್ನು ಸಹ ಮಾಡಿದರು, ಮೂಲಭೂತ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯಾಚರಣೆಗಳಿಗೆ ಸಹಾಯ ಮಾಡಿದರು ಮತ್ತು ಅಂತಿಮ ಫಲಿತಾಂಶವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ದೃಢೀಕರಿಸಿದರು.

ಅತ್ಯಂತ ಭರವಸೆಯ ಪ್ರಸ್ತಾವವಾದ OAI-M1-03, ಕಷ್ಟಕರವಾದರೂ ಉಪಯುಕ್ತವಾದ Chan–Lam coupling ಆವೃತ್ತಿಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿತು; ಇದು ಕಾರ್ಬನ್-ನೈಟ್ರೋಜನ್ ಬಂಧಗಳನ್ನು ರೂಪಿಸಲು ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಬಳಸುವ ಪ್ರತಿಕ್ರಿಯೆ. ಪ್ರಕ್ರಿಯಾ ರಸಾಯನಶಾಸ್ತ್ರಕ್ಕಾಗಿ Chan–Lam coupling ಅನ್ನು ಸುಧಾರಿಸುವ ಮುಕ್ತ ಗುರಿಯಿಂದ ಆರಂಭಿಸಿ, GPT‑5.4 ಸ್ವತಂತ್ರವಾಗಿ ಪ್ರಾಥಮಿಕ ಸಲ್ಫೋನಮೈಡ್‌ಗಳನ್ನು ಸವಾಲಿನ, ಹೆಚ್ಚಿನ ಮೌಲ್ಯದ ಸಬ್‌ಸ್ಟ್ರೇಟ್ ವರ್ಗವೆಂದು ಗುರುತಿಸಿತು ಮತ್ತು TEMPO ಸೇರಿದಂತೆ ಮೃದುವಾದ ಆಕ್ಸಿಡೆಂಟ್‌ಗಳು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸಬಹುದು ಎಂದು ಸೂಚಿಸಿತು. 

Maria Labನಲ್ಲಿ ನಡೆದ ಎರಡು ಪ್ರಯೋಗ ಚಕ್ರಗಳಲ್ಲಿ ಆ ಆಲೋಚನೆಯು ಗಮನಾರ್ಹ ಸುಧಾರಣೆಯನ್ನು ನೀಡಿತು. ಅನುಕೂಲಗೊಳಿಸಿದ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, ಪರೀಕ್ಷಿಸಿದ ಬೋರೋನಿಕ್ ಆಮ್ಲಗಳ 88% ಮತ್ತು ಸಲ್ಫೋನಮೈಡ್‌ಗಳ 83% ಗೆ ಅಳೆಯಲಾದ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣಗಳು ಸುಧಾರಿಸಿದವು. ಸರಾಸರಿ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣ 16.6% ನಿಂದ 25.2% ಕ್ಕೆ ಏರಿತು, ಮತ್ತು 30% ಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣದ ಪ್ರತಿಕ್ರಿಯೆಗಳ ಪಾಲು 15.6% ನಿಂದ 37.5% ಕ್ಕೆ ಹೆಚ್ಚಾಯಿತು. ನಂತರ ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಪ್ರತಿನಿಧಿ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಬೆಂಚ್ ಪ್ರಮಾಣದಲ್ಲಿ ಮರುನಡೆಸಿದರು. ಆ ಪ್ರಯೋಗಗಳು ಮೈಕ್ರೋಲಿಟರ್ ಪ್ರಮಾಣದ ಫಲಿತಾಂಶಗಳನ್ನು ದೃಢಪಡಿಸಿದವು; 14 ಸಬ್‌ಸ್ಟ್ರೇಟ್ ಜೋಡಿಗಳಲ್ಲಿ 11ಕ್ಕೆ ಹೆಚ್ಚಿನ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣ ತೋರಿದವು, ಬಹುತೇಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಎರಡು ಪಟ್ಟುಕ್ಕೂ ಹೆಚ್ಚು ಹೆಚ್ಚಳದೊಂದಿಗೆ. ಅದು ಮುಖ್ಯ, ಏಕೆಂದರೆ ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಪ್ರತಿಕ್ರಿಯೆಗಳು ಮೈಕ್ರೋಲಿಟರ್ ಸ್ಕ್ರೀನಿಂಗ್ ಪ್ರಯೋಗಗಳಲ್ಲಿ ಮಾತ್ರವಲ್ಲ, ಔಷಧ ಕಂಡುಹಿಡಿಯುವಿಕೆಯಲ್ಲಿ ಬಳಸುವ ವ್ಯವಹಾರಿಕ ಪ್ರಯೋಗಾಲಯ ವರ್ಕ್‌ಫ್ಲೋಗಳಲ್ಲಿಯೂ ಕೆಲಸ ಮಾಡಬೇಕಾಗುತ್ತದೆ.

ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರದ ಈ ಕ್ಷೇತ್ರದಲ್ಲಿನ ಸುಧಾರಣೆಗಳು ವಿಶೇಷವಾಗಿ ಉತ್ಸಾಹಕಾರಿಯಾಗಿವೆ, ಏಕೆಂದರೆ ಸಂಶ್ಲೇಷಣೆ ಬಹುಪಾಲು ಔಷಧ ಕಂಡುಹಿಡಿಯುವಿಕೆಯಲ್ಲಿ ಪ್ರಮುಖ ಅಡಚಣೆಯಾಗಿರುತ್ತದೆ: ವಿಜ್ಞಾನಿಗಳು ತಾವು ತಯಾರಿಸಬಲ್ಲ ಅಥವಾ ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಪಡೆಯಬಲ್ಲ ಅಣುಗಳನ್ನಷ್ಟೇ ಪರೀಕ್ಷಿಸಬಹುದು. ಸಲ್ಫೋನಮೈಡ್ ಗುಂಪು ಕ್ಯಾನ್ಸರ್ ವಿರೋಧಿ ಔಷಧಗಳು, ಆಂಟಿಮೈಕ್ರೋಬಿಯಲ್‌ಗಳು ಮತ್ತು ಮೂತ್ರವರ್ಧಕಗಳು ಸೇರಿದಂತೆ ವಿಶಾಲ ಚಿಕಿತ್ಸಾ ಕ್ಷೇತ್ರಗಳ ಔಷಧಗಳಲ್ಲಿ ಕಾಣುತ್ತದೆ; ಆದರೂ ಪ್ರಾಥಮಿಕ ಸಲ್ಫೋನಮೈಡ್‌ಗಳು ಮತ್ತು ಬೋರೋನಿಕ್ ಆಮ್ಲಗಳ Chan–Lam coupling ಐತಿಹಾಸಿಕವಾಗಿ ಕಡಿಮೆ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣಗಳನ್ನು ನೀಡಿದೆ. ಈ ರೀತಿಯ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಹೆಚ್ಚು ನಂಬಿಕಾರ್ಹಗೊಳಿಸುವುದರಿಂದ, ಸಾಧ್ಯತೆಯುಳ್ಳ ಉಪಯುಕ್ತ ಅಣುಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಮತ್ತು ಅನ್ವೇಷಿಸಲು ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಹೆಚ್ಚು ವಿಶಾಲ ಮತ್ತು ವ್ಯವಹಾರಿಕ ಮಾರ್ಗ ಸಿಗಬಹುದು.

ಇದು ಇನ್ನೂ ಆರಂಭಿಕ ಫಲಿತಾಂಶವಾದರೂ, ನಾವು ಕೆಲಸ ಮಾಡುತ್ತಿರುವ ವಿಶಾಲ ದಿಕ್ಕಿನ ಮತ್ತೊಂದು ಸ್ಪಷ್ಟ ಉದಾಹರಣೆಯನ್ನು ನೀಡುತ್ತದೆ: ಸಂಶೋಧನಾ ಚಕ್ರದ ಬಹುಭಾಗದಲ್ಲಿ ವಿಜ್ಞಾನಿಗಳಿಗೆ ಮೌಲ್ಯಯುತ ಪಾಲುದಾರರಾಗಬಲ್ಲ AI ವ್ಯವಸ್ಥೆಗಳು. ಮಾಡೆಲ್ ಸಾಹಿತ್ಯವನ್ನು ಪರಿಶೀಲಿಸಿತು, ಅನಿರೀಕ್ಷಿತ ಆಲೋಚನೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು, ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಮತ್ತು ವಿಶ್ಲೇಷಿಸಲು ಸಹಾಯ ಮಾಡಿತು, ಮತ್ತು ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದಾದ ವೈಜ್ಞಾನಿಕ ಕಂಡುಹಿಡಿಕೆಗೆ ತಲುಪಿತು.

ಸಾವಯವ ರಸಾಯನಶಾಸ್ತ್ರವು ಎಲ್ಲಾ ಸಣ್ಣ-ಅಣು ಔಷಧಿಗಳಿಗೂ, ಜೊತೆಗೆ ಕೃಷಿ, ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್ ಮತ್ತು ವಸ್ತು ವಿಜ್ಞಾನದಲ್ಲಿನ ಉತ್ಪನ್ನಗಳಿಗೂ ಆಧಾರವಾಗಿದೆ. ಅನೇಕ ವಿಭಿನ್ನ ಆರಂಭಿಕ ವಸ್ತುಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ರಾಸಾಯನಿಕ ಬಂಧವನ್ನು ನಂಬಿಕಾರ್ಹವಾಗಿ ನಿರ್ಮಿಸಬಲ್ಲಾಗ ಪ್ರತಿಕ್ರಿಯೆ ವಿಶೇಷವಾಗಿ ಉಪಯುಕ್ತವಾಗುತ್ತದೆ. ಪ್ರತಿಕ್ರಿಯೆಗಳು ಕಡಿಮೆ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣಗಳನ್ನು ಅಥವಾ ತುಂಬಾ ಅನಗತ್ಯ ಉಪಉತ್ಪನ್ನಗಳನ್ನು ನೀಡಿದಾಗ, ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಇಲ್ಲದಿದ್ದರೆ ಭರವಸೆಯಿರುವ ಅಣುಗಳನ್ನು ಕೈಬಿಡಬೇಕಾಗಬಹುದು ಅಥವಾ ಬೇರೆ ಮಾರ್ಗವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ಗಣನೀಯ ಸಮಯ ಕಳೆಯಬೇಕಾಗಬಹುದು. ಇದರಿಂದ ಸಂಶ್ಲೇಷಣೆ ಔಷಧ ಕಂಡುಹಿಡಿಯುವಿಕೆಯಲ್ಲಿ ಪ್ರಮುಖ ಅಡಚಣೆಯಾಗುತ್ತದೆ: ವಿಜ್ಞಾನಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ತಾವು ತಯಾರಿಸಬಲ್ಲ ಅಥವಾ ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಪಡೆಯಬಲ್ಲ ಅಣುಗಳನ್ನಷ್ಟೇ ಪರೀಕ್ಷಿಸಬಹುದು.

Chan–Lam coupling ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಉಪಯುಕ್ತವಾಗಿದೆ, ಏಕೆಂದರೆ ಅದು ಔಷಧಗಳಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿರುವ ಕಾರ್ಬನ್-ನೈಟ್ರೋಜನ್ ಬಂಧಗಳನ್ನು ರೂಪಿಸುತ್ತದೆ. ಆದರೆ, ಪ್ರತಿಯೊಂದು ಅಣು ವರ್ಗಕ್ಕೂ ಪ್ರತಿಕ್ರಿಯೆ ಸಮಾನವಾಗಿ ಚೆನ್ನಾಗಿ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ. ವಿಶೇಷವಾಗಿ, ಪ್ರಾಥಮಿಕ ಸಲ್ಫೋನಮೈಡ್‌ಗಳನ್ನು ಬೋರೋನಿಕ್ ಆಮ್ಲಗಳೊಂದಿಗೆ coupling ಮಾಡಿದಾಗ ಐತಿಹಾಸಿಕವಾಗಿ ಕಡಿಮೆ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣ ಸಿಕ್ಕಿದೆ. ಸಲ್ಫೋನಮೈಡ್‌ಗಳು ಆಂಕಾಲಜಿ ಮತ್ತು ಸೋಂಕು ರೋಗಗಳಲ್ಲಿ ಬಳಸುವ ಔಷಧಗಳಲ್ಲಿ ಕಂಡುಬರುವ ಪ್ರಮುಖ ಅಣು ಕುಟುಂಬವಾಗಿದೆ. ಈ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಹೆಚ್ಚು ನಂಬಿಕಾರ್ಹಗೊಳಿಸುವುದರಿಂದ, ಸಾಧ್ಯತೆಯುಳ್ಳ ಉಪಯುಕ್ತ ಅಣುಗಳನ್ನು ಉತ್ಪಾದಿಸಲು ಮತ್ತು ಅನ್ವೇಷಿಸಲು ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಹೆಚ್ಚು ವಿಶಾಲ ಮತ್ತು ವ್ಯವಹಾರಿಕ ಮಾರ್ಗ ಸಿಗಬಹುದು.

ಸಂಯುಕ್ತ ವ್ಯವಸ್ಥೆಯು ಪರಸ್ಪರಪೂರಕ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಜೋಡಿಸಿತು. Maria AI ಜೊತೆ ಕೆಲಸ ಮಾಡುವ ವಿಜ್ಞಾನಿಗಳು ಬರೆದ ಪ್ರಾಂಪ್ಟ್‌ಗಳನ್ನು GPT‑5.4 ಜೊತೆಗೆ ಒಂದು ಹಾರ್ನೆಸ್ ಒಳಗೆ ಬಳಸಿ, ಸಾವಿರಾರು ಸಾಧ್ಯ ಸಂಶೋಧನಾ ಪ್ರಸ್ತಾವಗಳನ್ನು ಸೃಜಿಸಿ ಶ್ರೇಯಾಂಕಗೊಳಿಸಲಾಯಿತು. ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ವ್ಯವಸ್ಥೆಯ ಪ್ರಕಾರ ಅತ್ಯುನ್ನತ ಶ್ರೇಯಾಂಕ ಪಡೆದ ಸಣ್ಣ ಪ್ರಸ್ತಾವಗಳ ಉಪಸಮೂಹವನ್ನು ಪರಿಶೀಲಿಸಿ, ಪ್ರಯೋಗಾಲಯ ಪರೀಕ್ಷೆಗೆ ನಾಲ್ಕನ್ನು ಆಯ್ಕೆ ಮಾಡಿದರು. ನಂತರ Maria AI ಆಯ್ಕೆ ಮಾಡಿದ ಉನ್ನತ-ಮಟ್ಟದ ಯೋಜನೆಗಳನ್ನು ವಿವರವಾದ ಪ್ರಯೋಗಾಲಯ ಸೂಚನೆಗಳಾಗಿ ಅನುವಾದಿಸಿತು, ಸಾವಿರಾರು ಹೈ-ಥ್ರೂಪುಟ್ ಪ್ರಯೋಗಗಳನ್ನು ನಡೆಸಿತು, ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಿತು, ಮತ್ತು ರಚಿತ ಫಲಿತಾಂಶಗಳನ್ನು GPT‑5.4 ಗೆ ಹಿಂತಿರುಗಿಸಿತು. 

ಆಯ್ಕೆಮಾಡಲಾದ ನಾಲ್ಕು ಪ್ರಸ್ತಾವನೆಗಳಲ್ಲಿ ಒಂದಾದ OAI-M1-03, ಸಲ್ಫೋನಮೈಡ್ ಸಂಶ್ಲೇಷಣೆಗೆ Chan-Lam ಪ್ರತಿಕ್ರಿಯೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸುಧಾರಿಸಲು TEMPO ಮುಂತಾದ ಸೌಮ್ಯ ಆಕ್ಸಿಡೆಂಟ್ ಗಳನ್ನು ಬಳಸುವುದನ್ನು ಸೂಚಿಸಿತು. ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಆ ಸಲಹೆ ಆಶ್ಚರ್ಯಕರವಾಗಿಯೂ ಆಸಕ್ತಿದಾಯಕವಾಗಿಯೂ ಕಂಡಿತು. ನಾವು OAI-M1-03 ನ ವಿವರವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಈ ಬ್ಲಾಗ್ ಪೋಸ್ಟ್‌ನಲ್ಲಿ ಮತ್ತು ಪೇಪರ್‌ನಲ್ಲಿ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಹಂಚಿಕೊಳ್ಳುತ್ತೇವೆ.

ಅಂತಿಮ ಸಂಶೋಧನಾ ಪ್ರಸ್ತಾವವನ್ನು ನಂತರ Maria ಪ್ರಯೋಗಾತ್ಮಕ ಗ್ರಿಡ್‌ಗಳನ್ನು ಸೃಜಿಸಲು ಬಳಸಿತು, ಮಾನವರಿಂದ ಸಣ್ಣ ತಿದ್ದುಪಡಿಗಳೊಂದಿಗೆ. ಅತ್ಯಂತ ದೊಡ್ಡ ಮಾನವ ತಿದ್ದುಪಡಿ ಎಂದರೆ ದ್ರಾವಕವಾಗಿ dimethyl sulfoxide, ಅಥವಾ DMSO, ಅನ್ನು ತಪ್ಪಿಸುವುದು; ಏಕೆಂದರೆ ಹೋಲಿಕೆಗಾಗಿ ಬಳಸಿದ ಬಲವಾದ ಆಕ್ಸಿಡೆಂಟ್‌ಗಳೊಂದಿಗೆ ಅದು ಪ್ರತಿಕ್ರಿಯಿಸಬಹುದು ಎಂಬ ಚಿಂತೆಯು ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರಿಗೆ ಇತ್ತು.

ಮಾರ್ಚ್ 4ರಂದು ಮೊದಲ ಪ್ರಾಂಪ್ಟ್‌ನಿಂದ ಜೂನ್ 4ರಂದು OAI-M1-03 ಫಲಿತಾಂಶಗಳನ್ನು ಸ್ವತಂತ್ರ ತಜ್ಞರೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳುವವರೆಗೆ, ಸಂಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆ ಮೂರು ತಿಂಗಳು ತೆಗೆದುಕೊಂಡಿತು.

ಈ ವರ್ಕ್‌ಫ್ಲೋವನ್ನು ನಾವು ಸಂಪೂರ್ಣ ಸ್ವಾಯತ್ತವಲ್ಲ, ಸಮೀಪ-ಸ್ವಾಯತ್ತ ಎಂದು ವಿವರಿಸುತ್ತೇವೆ, ಏಕೆಂದರೆ ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಪ್ರಕ್ರಿಯೆ മുഴುವತ್ತು ಇನ್ನೂ ಪ್ರಮುಖ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಂಡರು. ಮಾಡೆಲ್ ಪ್ರಮುಖ ಸಂಶೋಧನಾ ಆಲೋಚನೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು, ಆದರೆ ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಉನ್ನತ-ಮಟ್ಟದ ದಿಕ್ಕು ಮತ್ತು ತೀರ್ಪನ್ನು ಒದಗಿಸಿದರು, ಪ್ರಯೋಗಾತ್ಮಕ ವಿವರಗಳನ್ನು ತಿದ್ದಿದರು, ಪ್ರಯೋಗಾಲಯ ಉಪಭೋಗ್ಯ ವಸ್ತುಗಳು ಮತ್ತು ರಿಯಾಜೆಂಟ್‌ಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಲು ನೆರವಾದರು, ಮತ್ತು ಪ್ರಮುಖ ಪ್ರಯೋಗಗಳನ್ನು ಕೈಯಿಂದ ಮರುನಡೆಸಿದರು.

OAI-M1-03 ಇಲ್ಲಿ ಅಧ್ಯಯನ ಮಾಡಿದ ಪ್ರಾಥಮಿಕ ಸಲ್ಫೋನಮೈಡ್ Chan-Lam coupling ಗಾಗಿ TEMPO ಅನ್ನು ಉಪಯುಕ್ತ ಸೇರಿಕೆಯಾಗಿಯಾಗಿ ಗುರುತಿಸಿತು. ಅನುಕೂಲಗೊಳಿಸಿದ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ, ಪ್ರತಿಕ್ರಿಯೆ ಎರಡು ರೀತಿಯಲ್ಲಿ ಸುಧಾರಿಸಿತು: ಸರಾಸರಿ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣ ಏರಿತು, ಮತ್ತು ಹೆಚ್ಚು ಸಬ್‌ಸ್ಟ್ರೇಟ್ ಸಂಯೋಜನೆಗಳು ವ್ಯವಹಾರಿಕವಾಗಿ ಉಪಯುಕ್ತ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣಗಳನ್ನು ತಲುಪಿದವು.

MARIAಎರಡು ಸೈಕಲ್‌ಗಳಲ್ಲಿ (cycles) ಒಟ್ಟು 10,080 ರಿಯಾಕ್ಷನ್‌ಗಳನ್ನು (reactions) ನಡೆಸಿದರು – ಇದು ದಿನಕ್ಕೆ ಮೂರು ರಿಯಾಕ್ಷನ್‌ಗಳನ್ನು ನಡೆಸುವ ಒಬ್ಬ ಕೆಮಿಸ್ಟ್ ಇಡೀ ದಶಕದಲ್ಲಿ ನಡೆಸುವುದಕ್ಕಿಂತಲೂ ಹೆಚ್ಚಾಗಿದೆ. ಆ ಪ್ರಮಾಣವು ತುಂಬಾ ಮುಖ್ಯವಾಗಿತ್ತು ಏಕೆಂದರೆ ಕೆಮಿಸ್ಟ್ರಿ ಫಲಿತಾಂಶಗಳನ್ನು ಕೇವಲ ಕೆಲವು ಉದಾಹರಣೆಗಳ ಮೇಲೆ ಪರೀಕ್ಷಿಸಿದಾಗ ಅವು ದಾರಿ ತಪ್ಪಿಸುವಂತಿರಬಹುದು. ಆರಂಭಿಕ ವಸ್ತುಗಳ (starting materials) ಒಂದು ಜೋಡಿಯ ಮೇಲೆ ಭರವಸೆ ಮೂಡಿಸುವಂತೆ ಕಾಣುವ ರಿಯಾಕ್ಷನ್, ಅಣುಗಳ (molecules) ವಿಶಾಲವಾದ ಗುಂಪಿನ ಮೇಲೆ ವಿಫಲವಾಗಬಹುದು. ಸಾವಿರಾರು ರಿಯಾಕ್ಷನ್‌ಗಳನ್ನು ನಡೆಸಿದ್ದರಿಂದಾಗಿ, ಪರೀಕ್ಷಿಸಲಾದ ಹತ್ತು ಆಕ್ಸಿಡೆಂಟ್‌ಗಳ ಪೈಕಿ TEMPO ಅನ್ನು ಗುರುತಿಸಲು, ವಿವಿಧ ಸಂಯೋಜನೆಗಳಲ್ಲಿ ಅದರ ಪ್ರಭಾವವು ಪುನರಾವರ್ತನೆಯಾಗುವುದನ್ನು ಕಾಣಲು ಮತ್ತು ಅದರ ಮಿತಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲು ಸಾಧ್ಯವಾಯಿತು.

ಡೇಟಾದ ಮೊದಲ ಸುತ್ತನ್ನು ವಿಶ್ಲೇಷಿಸಿದ ನಂತರ, ಮುಂದಿನ ಊಹೆಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಹೆಚ್ಚು ಕೇಂದ್ರೀಕೃತ ಎರಡನೇ ಸುತ್ತಿನ ಪ್ರಯೋಗಗಳನ್ನು ವ್ಯವಸ್ಥೆ ಪ್ರಸ್ತಾಪಿಸಿತು. ಒಂದು ಉಪಯುಕ್ತ ಮುಂದಿನ ಕಂಡುಹಿಡಿಕೆ ಏನೆಂದರೆ, ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಅಲ್ಪ ನಷ್ಟದೊಂದಿಗೆ TEMPO ಅನ್ನು ಬಹಳ ಕಡಿಮೆ ವೆಚ್ಚದ ಅನಾಲಾಗ್ 4-hydroxy-TEMPO ನಿಂದ ಬದಲಾಯಿಸಬಹುದು.

ಫಲಿತಾಂಶವು Maria Labನ ಮೈಕ್ರೋಲಿಟರ್ ಪ್ರಮಾಣದ ಸ್ಕ್ರೀನಿಂಗ್ ಸ್ವರೂಪದಾಚೆಯೂ ಸ್ಥಿರವಾಯಿತು. ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಪ್ರತಿನಿಧಿ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಬೆಂಚ್ ಪ್ರಮಾಣದಲ್ಲಿ ಕೈಯಿಂದ ಮರುಉತ್ಪಾದಿಸಿ, 14 ಸಬ್‌ಸ್ಟ್ರೇಟ್ ಜೋಡಿಗಳಲ್ಲಿ 11ಕ್ಕೆ ಉತ್ಪಾದನಾ ಪ್ರಮಾಣ ಹೆಚ್ಚಳವನ್ನು ಗಮನಿಸಿದರು; ಎಂಟು ಜೋಡಿಗಳಿಗೆ ಹೆಚ್ಚಳ ಎರಡು ಪಟ್ಟುಕ್ಕಿಂತ ಹೆಚ್ಚಿನದು. ಆ ಮರುಉತ್ಪಾದನೆ ಮುಖ್ಯ, ಏಕೆಂದರೆ ಅತಿ ಸಣ್ಣ ಪ್ರಮಾಣದ ಪ್ರಯೋಗಗಳು ಕೆಲವೊಮ್ಮೆ ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಅಳಿದುಹೋಗುವ ಕೃತಕ ಪರಿಣಾಮಗಳನ್ನು ಪರಿಚಯಿಸಬಹುದು. ವೈಜ್ಞಾನಿಕ ಜರ್ನಲ್‌ನಲ್ಲಿ ಸಂಶೋಧನೆ ಪ್ರಕಟಿಸುವ ಮೊದಲು ಬೆಂಚ್-ಪ್ರಮಾಣದ ಮಾನ್ಯೀಕರಣವೂ ಸಂಪ್ರದಾಯವಾಗಿದೆ.

ನಾಲ್ವರು ಬಾಹ್ಯ ರಸಾಯನಶಾಸ್ತ್ರ ತಜ್ಞರು OAI-M1-03 ಅನ್ನು ವಿವರಿಸುವ ಪ್ರಿಪ್ರಿಂಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದರು. ಅವರ ಮೌಲ್ಯಮಾಪನಗಳು ಫಲಿತಾಂಶ ಹೊಸದಾಗಿದೆ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಸಮುದಾಯದೊಂದಿಗೆ ಹಂಚಿಕೊಳ್ಳಲು ಯೋಗ್ಯವಾಗಿದೆ ಎಂಬ ನಮ್ಮ ನೋಟವನ್ನು ಬೆಂಬಲಿಸಿದವು. ಇನ್ನಷ್ಟು ಕಠಿಣ ಪರೀಕ್ಷೆ ಮುಂದಿದೆ: ಸ್ವತಂತ್ರ ಪ್ರಯೋಗಾಲಯಗಳು ಫಲಿತಾಂಶವನ್ನು ಮರುಉತ್ಪಾದಿಸಬಹುದೇ, ಮತ್ತು ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಅದನ್ನು ವಿಶಾಲ ಅಣುಗಳ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಉಪಯುಕ್ತವೆಂದು ಕಂಡುಕೊಳ್ಳುವರೇ.

ಮೂರು ತಿಂಗಳ ಅವಧಿಯಲ್ಲಿ GPT‑5.4 ಸೃಜಿಸಿ Maria ಪರೀಕ್ಷಿಸಿದ ಉಳಿದ ಮೂರು ಪ್ರಸ್ತಾವಗಳಲ್ಲಿ, OAI-M1-02 ಮತ್ತು OAI-M1-04 ಅನ್ನು Maria Labನಲ್ಲಿ ಪ್ರಯೋಗಾತ್ಮಕವಾಗಿ ಸಾಬೀತುಪಡಿಸಲಾಯಿತು, ಆದರೆ OAI-M1-01 ತಪ್ಪೆಂದು ಸಾಬೀತಾಯಿತು. ಈ ಫಲಿತಾಂಶಗಳ ವಿಶ್ಲೇಷಣೆ ಮುಂದುವರಿಯುತ್ತಿದೆ.

ಒಂದು ಮಾಡೆಲ್ ಸಾವಯವ ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ ಉಪಯುಕ್ತ ಕೊಡುಗೆ ನೀಡಬಹುದು ಎಂದು ಈ ಕೆಲಸ ತೋರಿಸುತ್ತದೆ. ಇದು ಸಾಹಿತ್ಯವನ್ನು ಸಾರಾಂಶಗೊಳಿಸುವುದಕ್ಕಿಂತ ಅಥವಾ ಒಂದೇ ಸಲದ ಪ್ರಯೋಗವನ್ನು ಸೂಚಿಸುವುದಕ್ಕಿಂತ ಹೆಚ್ಚು ಮಾಡಿತು: ಇದು ನಿರ್ದಿಷ್ಟ ಆಶ್ಚರ್ಯಕರ ಊಹೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ ಮಾನವ ಪರಿಶೀಲನೆಗೆ ಮುಂದಿಟ್ಟಿತು, ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿತು, ಪ್ರಯೋಗಾತ್ಮಕ ಡೇಟಾವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿತು, ಮತ್ತು ಮುಂದಿನ ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿತು.

AI ಸ್ವತಂತ್ರವಾಗಿ ರಸಾಯನಶಾಸ್ತ್ರ ಸಂಶೋಧನಾ ಕಾರ್ಯಕ್ರಮವನ್ನು ಆರಂಭದಿಂದ ಅಂತ್ಯವರೆಗೆ ನಡೆಸಬಹುದು ಎಂದು ಇದು ತೋರಿಸುವುದಿಲ್ಲ. ಮಾನವ ತೀರ್ಪು ಅಗತ್ಯವಾಗಿಯೇ ಉಳಿಯಿತು, ಮತ್ತು ವರ್ಕ್‌ಫ್ಲೋ ವಿಶೇಷ ಹೈ-ಥ್ರೂಪುಟ್ ಮೂಲಸೌಕರ್ಯದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿತ್ತು. ಈ ವಿಧಾನವು ಇತರ coupling ಪ್ರತಿಕ್ರಿಯೆಗಳು, ಇತರ ಸಬ್‌ಸ್ಟ್ರೇಟ್ ವರ್ಗಗಳು ಅಥವಾ ಉತ್ಪಾದನಾ ಪರಿಸ್ಥಿತಿಗಳಿಗೆ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತದೆ ಎಂಬುದನ್ನೂ ಇದು ಸ್ಥಾಪಿಸುವುದಿಲ್ಲ.

ಉತ್ಪಾದನಾ ಪ್ರಮಾಣದ ಅಂದಾಜುಗಳು ಹೈ-ಥ್ರೂಪುಟ್ ವೇದಿಕೆಯಿಂದ ಬಂದವು, ಮತ್ತು ಬೆಂಚ್ ಮಾನ್ಯೀಕರಣವು 14 ಪ್ರತಿನಿಧಿ ಸಬ್‌ಸ್ಟ್ರೇಟ್ ಜೋಡಿಗಳನ್ನು ಒಳಗೊಂಡಿತ್ತು. ಪ್ರತಿಕ್ರಿಯಾ ಯಾಂತ್ರಿಕತೆಯನ್ನು ವಿವರಿಸಲು, ಸಬ್‌ಸ್ಟ್ರೇಟ್ ವ್ಯಾಪ್ತಿಯನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು, ವಿಭಿನ್ನ ಪ್ರಯೋಗಾಲಯ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅಳೆಯಲು, ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ಮರುಉತ್ಪಾದಿಸಲು ಇನ್ನಷ್ಟು ಕೆಲಸ ಅಗತ್ಯ.

ರಸಾಯನಶಾಸ್ತ್ರ ಸಾಮರ್ಥ್ಯಗಳಿಗೆ ಎಚ್ಚರಿಕೆಯ ನಿರ್ವಹಣೆ ಅಗತ್ಯ, ಏಕೆಂದರೆ ಔಷಧ ಮತ್ತು ವಸ್ತು ವಿಜ್ಞಾನವನ್ನು ಬೆಂಬಲಿಸಬಲ್ಲ ಅದೇ ಸಾಧನಗಳನ್ನು ದುರುಪಯೋಗಪಡಿಸಿಕೊಳ್ಳುವ ಸಾಧ್ಯತೆಯೂ ಇದೆ. ನಾವು ಈ ಕೆಲಸವನ್ನು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಕಾನೂನಾತ್ಮಕ ಔಷಧೀಯ-ರಸಾಯನಶಾಸ್ತ್ರ ಸಮಸ್ಯೆಗೆ ಸೀಮಿತಗೊಳಿಸಿದ್ದೇವೆ: ಔಷಧದಂತಿರುವ ಅಣುಗಳನ್ನು ತಯಾರಿಸಲು ಬಳಸುವ ಪರಿಚಿತ coupling ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸುಧಾರಿಸುವುದು. ಪ್ರಯೋಗಗಳಲ್ಲಿ ವಿಷಪದಾರ್ಥಗಳು, ರಾಸಾಯನಿಕ ಆಯುಧಗಳು, ಅಥವಾ ಹಾನಿಕಾರಕ ಸಂಯುಕ್ತಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ವಿನಂತಿಗಳು ಇರಲಿಲ್ಲ. ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಆ ಹಾನಿಕಾರಕ ಅನ್ವಯಗಳಲ್ಲಿ ವ್ಯವಸ್ಥೆ ಸಹಾಯ ಮಾಡಬಹುದು ಎಂಬ ಸಾಕ್ಷ್ಯವೆಂದು ಓದಬಾರದು. ಯೋಜನೆಯು ಅದನ್ನು ಪರೀಕ್ಷಿಸಲಿಲ್ಲ ಅಥವಾ ಪ್ರದರ್ಶಿಸಲಿಲ್ಲ.

ನಮ್ಮ ಪ್ರಿಪೇರ್ಡ್‌ನೆಸ್ ಫ್ರೇಮ್‌ವರ್ಕ್⁠ ಮೂಲಕ, ರಾಸಾಯನಿಕ ಮತ್ತು ಜೈವಿಕ ಕ್ಷೇತ್ರಗಳಿಗೆ ಸಂಬಂಧಿಸಿದ ಅಪಾಯಗಳು ಸೇರಿದಂತೆ, ಸುಧಾರಿತ ಮಾಡೆಲ್ ಸಾಮರ್ಥ್ಯಗಳಿಂದ ಉಂಟಾಗುವ ಉದಯೋನ್ಮುಖ ಅಪಾಯಗಳನ್ನು ನಾವು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ತಗ್ಗಿಸುತ್ತೇವೆ. ಈ ಕಾರ್ಯದಲ್ಲಿ ಬಳಸಿದ ಮಾಡೆಲ್ ಯುಕೆ ಎಐ ಸೆಕ್ಯುರಿಟಿ ಇನ್‌ಸ್ಟಿಟ್ಯೂಟ್‌ನೊಂದಿಗೆ ಈಗಾಗಲೇ ಸಂಬಂಧಿತ ಮೌಲ್ಯಮಾಪನಗಳಿಗೆ ಒಳಗಾಗಿತ್ತು, ಮತ್ತು ಹಾನಿಕಾರಕ ಅನ್ವಯಿಕೆಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸಿದ ವಿನಂತಿಗಳನ್ನು ನಿರಾಕರಿಸುವಂತೆ ವ್ಯವಸ್ಥೆಯನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿತ್ತು. ಪ್ರಯೋಗಾತ್ಮಕ ಕಾರ್ಯಪ್ರವಾಹವು ನಿಯಂತ್ರಣದ ಮತ್ತೊಂದು ಪದರವನ್ನು ಸೇರಿಸಿತು: ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಯಾವ ಪ್ರಸ್ತಾವನೆಗಳನ್ನು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಕೈಗೆತ್ತಿಕೊಳ್ಳಬೇಕು ಎಂಬುದನ್ನು ಆಯ್ಕೆಮಾಡಿದರು, ಪ್ರಯೋಗಾತ್ಮಕ ಯೋಜನೆಗಳನ್ನು ಪರಿಶೀಲಿಸಿದರು, ಮತ್ತು ಭೌತಿಕ ಮೂಲಸೌಕರ್ಯದ ಮೇಲಿನ ನಿಯಂತ್ರಣವನ್ನು ತಮ್ಮಲ್ಲೇ ಉಳಿಸಿಕೊಂಡರು.

ಪ್ರಯೋಗಾತ್ಮಕ ರಸಾಯನಶಾಸ್ತ್ರದಲ್ಲಿ AIಯ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಧ್ಯಯನ ಮಾಡುವ ಜವಾಬ್ದಾರಿಯುತ ಮಾರ್ಗ ಇದು ಎಂದು ನಾವು ಭಾವಿಸುತ್ತೇವೆ: ಸ್ಪಷ್ಟ ವೈಜ್ಞಾನಿಕ ಮೌಲ್ಯವಿರುವ ಸಮಸ್ಯಾ ಸ್ಥಳವನ್ನು ಆಯ್ಕೆಮಾಡುವುದು, ಮಾಡೆಲ್-ಮಟ್ಟದ ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನು ತಜ್ಞರ ಮೇಲ್ವಿಚಾರಣೆಯೊಂದಿಗೆ ಜೋಡಿಸುವುದು, ಮತ್ತು ನಿಯಂತ್ರಿತ ಭೌತಿಕ ಪ್ರಯೋಗಗಳ ಮೂಲಕ ವ್ಯವಸ್ಥೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು. ಈ ಸಾಮರ್ಥ್ಯಗಳು ಸುಧಾರಿಸುತ್ತಿರುವಂತೆ, ನಾವು ಉದಯಿಸುವ ಅಪಾಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತಲೇ ಇರುತ್ತೇವೆ, ರಕ್ಷಣಾ ಕ್ರಮಗಳನ್ನು ಬಲಪಡಿಸುತ್ತೇವೆ, ಮತ್ತು ಒಂದು ಫಲಿತಾಂಶ ಏನನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಏನನ್ನು ಸೂಚಿಸುವುದಿಲ್ಲ ಎಂಬುದರ ಬಗ್ಗೆ ಸ್ಪಷ್ಟವಾಗಿರುತ್ತೇವೆ.

ತಕ್ಷಣದ ಮುಂದಿನ ಹಂತಗಳು ವೈಜ್ಞಾನಿಕವಾಗಿವೆ: ವಿಶಾಲ ಆರಂಭಿಕ ವಸ್ತುಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ಪರೀಕ್ಷಿಸುವುದು, ಸೇರಿಕೆಗಳು ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಏಕೆ ಸುಧಾರಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ತನಿಖೆ ಮಾಡುವುದು, ಪರಿಣಾಮ ಎಲ್ಲಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ ಮತ್ತು ಎಲ್ಲಿ ವಿಫಲವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಕ್ಷೆಗೊಳಿಸುವುದು, ಮತ್ತು ಸ್ವತಂತ್ರ ಮರುಉತ್ಪಾದನೆಯನ್ನು ಬೆಂಬಲಿಸುವುದು. ಒಟ್ಟಾಗಿ, ಈ ಅಧ್ಯಯನಗಳು ವಿಧಾನವನ್ನು ಎಷ್ಟು ವಿಶಾಲವಾಗಿ ಅನ್ವಯಿಸಬಹುದು ಮತ್ತು ವ್ಯವಹಾರಿಕ ಔಷಧೀಯ ರಸಾಯನಶಾಸ್ತ್ರ ವರ್ಕ್‌ಫ್ಲೋಗಳಲ್ಲಿ ಅದು ಎಷ್ಟು ಉಪಯುಕ್ತ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತವೆ.

ನಮ್ಮ ದೀರ್ಘಾವಧಿ ಗುರಿ AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ವೈಜ್ಞಾನಿಕ ಪಾಲುದಾರರನ್ನಾಗಿ ಮಾಡುವುದು; ಅವು ಸಂಶೋಧಕರಿಗೆ ಊಹೆಗಳನ್ನು ಸೃಜಿಸಲು, ಪ್ರಯೋಗಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು, ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಲು, ಮತ್ತು ಮುಂದೇನು ಪರೀಕ್ಷಿಸಬೇಕು ಎಂದು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡಲಿ, ಜೊತೆಗೆ ತಜ್ಞ ತೀರ್ಪು, ವಿಶ್ವಾಸಾರ್ಹ ಅಳತೆ ಮತ್ತು ಬಲವಾದ ರಕ್ಷಣಾ ಕ್ರಮಗಳಲ್ಲಿ ನೆಲೆಗೊಂಡಿರಲಿ. ಸಾವಯವ ರಸಾಯನಶಾಸ್ತ್ರವು ವಿಶೇಷವಾಗಿ ಹೆಚ್ಚಿನ ಪ್ರಭಾವದ ಕ್ಷೇತ್ರ, ಏಕೆಂದರೆ ಸಣ್ಣ-ಅಣುಗಳ ಕಂಡುಹಿಡಿಕೆ ಮತ್ತು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಪ್ರಗತಿ ಅಣುಗಳನ್ನು ನಂಬಿಕಾರ್ಹವಾಗಿ ತಯಾರಿಸುವ ಸಾಮರ್ಥ್ಯದ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ವಿಜ್ಞಾನಿಗಳು ತಾವು ತಯಾರಿಸಬಲ್ಲ ಅಣುಗಳನ್ನಷ್ಟೇ ಪರೀಕ್ಷಿಸಬಹುದು, ಮತ್ತು ಉತ್ತಮ ಸಂಶ್ಲೇಷಣೆ ಔಷಧ, ಕೃಷಿ, ಎಲೆಕ್ಟ್ರಾನಿಕ್ಸ್, ಶಕ್ತಿ ಮತ್ತು ವಸ್ತು ವಿಜ್ಞಾನಗಳಾದ್ಯಂತ ಅವರು ಅನ್ವೇಷಿಸಬಹುದಾದ ಆಲೋಚನೆಗಳ ವ್ಯಾಪ್ತಿಯನ್ನು ವಿಸ್ತರಿಸಬಹುದು. ಈ ಫಲಿತಾಂಶ ಆ ವಿಶಾಲ ದಿಕ್ಕಿನ ಒಂದು ಆರಂಭಿಕ ಉದಾಹರಣೆ: ಫ್ರಂಟಿಯರ್ ಮಾಡೆಲ್, ವಿಶೇಷೀಕೃತ ಏಜೆಂಟ್‌ಗಳು, ಸ್ವಯಂಚಾಲಿತ ಪ್ರಯೋಗಾಲಯ, ಮತ್ತು ಮಾನವ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರು ಒಟ್ಟಾಗಿ ಕೆಲಸ ಮಾಡಿ ಸಂಶೋಧನಾ ಚಕ್ರದ ಮೂಲಕ ವೇಗವಾಗಿ ಸಾಗುವುದು ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಸಮುದಾಯ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬಹುದಾದ, ಮರುಉತ್ಪಾದಿಸಬಹುದಾದ ಹಾಗೂ ಮುಂದುವರಿಸಬಹುದಾದ ಕಂಡುಹಿಡಿಕೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವುದು.

ಈ ಕೆಲಸವನ್ನು ಪರಿಶೀಲಿಸಿದ Molecule.one ತಂಡಕ್ಕೂ ಸ್ವತಂತ್ರ ರಸಾಯನಶಾಸ್ತ್ರಜ್ಞರಿಗೂ ನಾವು ಕೃತಜ್ಞರಾಗಿದ್ದೇವೆ.