ಸಾವಿರಾರು AI ಏಜೆಂಟ್‌ಗಳನ್ನು ಬಳಸಿ ಜೈವಿಕ ಡೇಟಾದಲ್ಲಿ ಹೊಸ ಸುಳಿವುಗಳ ಪತ್ತೆ

ಅಲ್ಝೈಮರ್ಸ್ ಮತ್ತು ಪಾರ್ಕಿನ್ಸನ್ ಕಾಯಿಲೆಗಳ ಬಗ್ಗೆ ಹೊಸ ಸುಳಿವುಗಳನ್ನು ಕಂಡುಕೊಳ್ಳಲು ವಿಜ್ಞಾನಿಗಳಿಗೆ ತಿಂಗಳುಗಳ ಬದಲು ನಿಮಿಷಗಳಷ್ಟೇ ಸಾಕಾದರೆ ಹೇಗಿರುತ್ತದೆ? OpenAI, PerturbAI⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಮತ್ತು Scripps Research⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಒಟ್ಟಾಗಿ ಕೆಲಸ ಮಾಡಿ, GPT‑Rosalind ಆಧಾರಿತ ಸಾವಿರಾರು AI ಏಜೆಂಟ್‌ಗಳನ್ನು⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಬಳಸಿಕೊಂಡು ಲಕ್ಷಾಂತರ ಇಲಿ ಮೆದುಳಿನ ಕೋಶಗಳಿಂದ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಈ ಹಿಂದೆ ಸಂಗ್ರಹಿಸಿದ್ದ ಪ್ರಾಯೋಗಿಕ ಡೇಟಾವನ್ನು ಕೇವಲ 32 ನಿಮಿಷಗಳಲ್ಲಿ ವಿಶ್ಲೇಷಿಸಿ, ಅರ್ಥೈಸಿದವು. ಜೀನ್‌ಗಳ ಕಾರ್ಯಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸಿದಾಗ ಉಂಟಾಗುವ ಪರಿಣಾಮಗಳನ್ನು ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯದಲ್ಲಿನ ಫಲಿತಾಂಶಗಳೊಂದಿಗೆ ಏಜೆಂಟ್‌ಗಳು ಜೋಡಿಸಿದವು. ಹೀಗೆ ಹೊರಬಂದ ಅನಿರೀಕ್ಷಿತ ಜೈವಿಕ ಸಂಬಂಧಗಳು ರೋಗವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಮತ್ತು ಹೊಸ ಚಿಕಿತ್ಸೆಗಳ ಸಂಶೋಧನೆಗೆ ದಿಕ್ಕುಗಳನ್ನು ಗುರುತಿಸಲು ವಿಜ್ಞಾನಿಗಳಿಗೆ ನೆರವಾಗಬಲ್ಲವು. ದೊಡ್ಡ ಜೈವಿಕ ಪ್ರಯೋಗಗಳು ಬಹಿರಂಗಪಡಿಸುವ ಅಂಶಗಳನ್ನು ಇನ್ನಷ್ಟು ಅನ್ವೇಷಿಸಲು AI ಸಂಶೋಧಕರಿಗೆ ಹೇಗೆ ನೆರವಾಗಬಲ್ಲದು ಎಂಬುದನ್ನು ಈ ಕೆಲಸ ತೋರಿಸುತ್ತದೆ.

ವಿಜ್ಞಾನಿಗಳು ಕೂಲಂಕಷವಾಗಿ ಪರಿಶೀಲಿಸಲು ಸಾಧ್ಯವಾಗುವುದಕ್ಕಿಂತ ಬಹಳ ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಆಧುನಿಕ ಪ್ರಯೋಗಗಳು ಉತ್ಪಾದಿಸುತ್ತವೆ. ಈಗ ಸಂಶೋಧಕರು ಸಾವಿರಾರು ಜೀನ್‌ಗಳನ್ನು ಬದಲಾಯಿಸಿ, ಲಕ್ಷಾಂತರ ಕೋಶಗಳಲ್ಲಿ ಅವುಗಳ ಪರಿಣಾಮಗಳನ್ನು ಅಳೆಯಬಲ್ಲರು. ಆದರೆ ಮಾನವ ರೋಗಗಳಿಗೆ ಈ ಫಲಿತಾಂಶಗಳ ಮಹತ್ವವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು, ಸಂಕೀರ್ಣ ಪ್ರಯೋಗ ಫಲಿತಾಂಶಗಳನ್ನು ದಶಕಗಳಿಂದ ಚದುರಿಹೋಗಿರುವ ವೈಜ್ಞಾನಿಕ ಜ್ಞಾನದೊಂದಿಗೆ ಜೋಡಿಸಬೇಕಾಗುತ್ತದೆ. ಇಲ್ಲಿಯೇ AI, ಇಲ್ಲದಿದ್ದರೆ ಗಮನಕ್ಕೆ ಬಾರದಿರಬಹುದಾದ ಭರವಸೆಯ ಸುಳಿವುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ವಿಜ್ಞಾನಿಗಳಿಗೆ ನೆರವಾಗಬಲ್ಲದು.

ತಂಡವು ವಿಶ್ಲೇಷಣೆಯ ಕೆಲಸವನ್ನು GPT‑Rosalind ಆಧಾರಿತ ಸಾವಿರಾರು AI ಏಜೆಂಟ್‌ಗಳಿಗೆ ಹಂಚಿತು. ಈ ವಿಧಾನವನ್ನು ನಾವು ವಿತರಿತ ಜೈವಿಕ ರೀಜನಿಂಗ್ ಎಂದು ಕರೆಯುತ್ತೇವೆ. ಏಜೆಂಟ್‌ಗಳು ಸಂಪೂರ್ಣ ಮೆದುಳಿನ CRISPR ಅಟ್ಲಾಸ್⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ) ಅನ್ನು ಪರಿಶೀಲಿಸಿದವು. ಜೀನ್‌ಗಳ ಕಾರ್ಯಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸಿದಾಗ ಇಲಿ ಮೆದುಳಿನ ವಿವಿಧ ಬಗೆಯ ಕೋಶಗಳ ಮೇಲೆ ಆಗುವ ಪರಿಣಾಮಗಳನ್ನು ತೋರಿಸುವ ಡೇಟಾಸೆಟ್ ಇದು. ಪ್ರತಿಯೊಂದು ಏಜೆಂಟ್ ಒಂದು ಜೀನ್‌ನ ಕಾರ್ಯಕ್ಕೆ ಉಂಟಾದ ಅಡ್ಡಿಯನ್ನು ತನಿಖೆ ಮಾಡಿ, ಕೋಶಗಳ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಿ, ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯವನ್ನು ಹುಡುಕಿ, ಫಲಿತಾಂಶಗಳಿಗೆ ವಿವರಣೆಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ಅವುಗಳ ವರದಿಗಳನ್ನು ಒಗ್ಗೂಡಿಸಿ, ಜೀನ್‌ಗಳು, ಕೋಶಗಳ ಮೇಲಿನ ಪರಿಣಾಮಗಳು, ಸಂಬಂಧಿತ ಪ್ರಕಟಣೆಗಳು ಮತ್ತು ಸಂಭಾವ್ಯ ಜೈವಿಕ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಜೋಡಿಸುವ ರೀಜನಿಂಗ್ ಅಟ್ಲಾಸ್ ಅನ್ನು ರಚಿಸಲಾಯಿತು.

ಒಂದೊಂದೇ ಪ್ರಾಯೋಗಿಕ ಬದಲಾವಣೆಯನ್ನು ತೆಗೆದುಕೊಂಡು ಮನುಷ್ಯರು ಇದೇ ಮಟ್ಟದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ಸಾಹಿತ್ಯ ವಿಮರ್ಶೆ ನಡೆಸಲು ಹಲವು ತಿಂಗಳುಗಳಿಂದ ಒಂದು ವರ್ಷದವರೆಗೆ ಬೇಕಾಗಬಹುದು ಎಂದು ಸಂಶೋಧನಾ ತಂಡ ಅಂದಾಜಿಸಿತು. ಏಜೆಂಟ್‌ಗಳು ಮಾನವ ವಿಶ್ಲೇಷಣೆಗಳ ಫಲಿತಾಂಶಗಳನ್ನು ಪುನರುತ್ಪಾದಿಸುವ ಜೊತೆಗೆ ಹೆಚ್ಚುವರಿ ಸುಳಿವುಗಳನ್ನೂ ಕಂಡುಕೊಂಡವು. ನವೀನತೆ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಮೌಲ್ಯದ ಬಗ್ಗೆ ಅವುಗಳ ಮೌಲ್ಯಮಾಪನಗಳು, ವರದಿಯ ಮೂಲ ತಿಳಿಸದೆ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ ಮಾನವ ತಜ್ಞರ ನಿರ್ಣಯಗಳೊಂದಿಗೆ ಹೊಂದಿಕೊಂಡವು. ಪ್ರಸ್ತಾಪಿಸಿದ ಜೈವಿಕ ಕಾರ್ಯವಿಧಾನಗಳನ್ನು ಪರೀಕ್ಷಿಸಲು ಅಗತ್ಯವಾದ ಮುಂದಿನ ಪ್ರಯೋಗಗಳಿಗೆ ಆದ್ಯತೆ ನಿಗದಿಪಡಿಸಲು ಈ ಫಲಿತಾಂಶಗಳು ನೆರವಾಗುತ್ತವೆ.

ಈ ಒಳನೋಟಗಳಲ್ಲಿ ಕೆಲವು ಮೆದುಳಿನ ರೋಗವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಹೊಸ ಸುಳಿವುಗಳನ್ನು ನೀಡುತ್ತವೆ. ರೋಗಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಎರಡು ಜೀನ್‌ಗಳು ಮಿದುಳಿನ ಕೋಶಗಳ ಮೇಲೆ ಬೀರುವ ಪರಿಣಾಮಗಳಲ್ಲಿ ಅನಿರೀಕ್ಷಿತ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಏಜೆಂಟ್‌ಗಳು ಗುರುತಿಸಿದವು. ಜೊತೆಗೆ, ಕೊಲೆಸ್ಟರಾಲ್ ನಿಯಂತ್ರಣ ಮತ್ತು ನರಕ್ಷಯದ ನಡುವಿನ ಸಂಭಾವ್ಯ ಸಂಬಂಧವನ್ನೂ ಗುರುತಿಸಿದವು. ರೋಗ ಹೇಗೆ ಬೆಳೆಯುತ್ತದೆ ಮತ್ತು ಭವಿಷ್ಯದ ಚಿಕಿತ್ಸೆಗಳು ಯಾವ ಹಂತದಲ್ಲಿ ಅದನ್ನು ತಡೆಯಬಹುದು ಎಂಬುದನ್ನು ತನಿಖೆ ಮಾಡಲು ಈ ಫಲಿತಾಂಶಗಳು ವಿಜ್ಞಾನಿಗಳಿಗೆ ನೆರವಾಗಬಹುದು.

ಸಂಶೋಧಕರು ಇಂದಿನಿಂದಲೇ ಈ ಫಲಿತಾಂಶಗಳನ್ನು ಅನ್ವೇಷಿಸಲು ಆರಂಭಿಸಬಹುದು. ರೀಜನಿಂಗ್ ಅಟ್ಲಾಸ್ ಲಭ್ಯವಿದೆ⁠(ಹೊಸ ಕಿಟಕಿಯಲ್ಲಿ ತೆರೆಯುತ್ತದೆ). ಇದರ ಮೂಲಕ ವಿಜ್ಞಾನಿಗಳು ಸಂಬಂಧಿತ ಜೀನ್‌ಗಳನ್ನು ಹೋಲಿಸಬಹುದು, ಅನಿರೀಕ್ಷಿತ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ತನಿಖೆ ಮಾಡಬಹುದು ಮತ್ತು ಮುಂದುವರಿಸಲು ಭರವಸೆಯ ಸುಳಿವುಗಳನ್ನು ಗುರುತಿಸಬಹುದು. ವಿವಿಧ ಕ್ಷೇತ್ರಗಳ ಸಂಶೋಧಕರು ತಮ್ಮ ಪರಿಣತಿಯನ್ನು ಒಟ್ಟುಗೂಡಿಸಿ, ಪರಿಚಿತ ಕಲ್ಪನೆಗಳನ್ನು ಅನಿರೀಕ್ಷಿತ ರೀತಿಯಲ್ಲಿ ಜೋಡಿಸಿದಾಗ ಹೊಸ ಆವಿಷ್ಕಾರಗಳು ಹೆಚ್ಚಾಗಿ ಹೊರಹೊಮ್ಮುತ್ತವೆ. ವಿವಿಧ ಜ್ಞಾನಶಾಖೆಗಳಲ್ಲಿ ಚದುರಿರುವ ಜ್ಞಾನವನ್ನು ಹೊಸ ಡೇಟಾದೊಂದಿಗೆ ಜೋಡಿಸುವ ಮೂಲಕ AI ಇಂತಹ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಕೊಳ್ಳುವ ವ್ಯಾಪ್ತಿಯನ್ನು ಗಣನೀಯವಾಗಿ ಹೆಚ್ಚಿಸಬಲ್ಲದು. ಈ ಅವಕಾಶ ಕೇವಲ ಡೇಟಾವನ್ನು ವೇಗವಾಗಿ ವಿಶ್ಲೇಷಿಸುವುದಕ್ಕೆ ಸೀಮಿತವಾಗಿಲ್ಲ. AI ಅನ್ನು ಪ್ರಾಯೋಗಿಕ ಜೀವಶಾಸ್ತ್ರ, ಮಾನವ ಪರಿಣತಿ ಮತ್ತು ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯದೊಂದಿಗೆ ಒಗ್ಗೂಡಿಸುವ ಮೂಲಕ, ವಿಜ್ಞಾನಿಗಳು ತಮ್ಮ ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸಬಹುದಾದ ಕಲ್ಪನೆಗಳಾಗಿ ಪರಿವರ್ತಿಸಲು ನಾವು ನೆರವಾಗಬಹುದು.

ಒಂದು ಪ್ರಯೋಗದ ಅತ್ಯಂತ ಆಸಕ್ತಿದಾಯಕ ಸುಳಿವುಗಳಲ್ಲಿ ಕೆಲವು, ವಿಜ್ಞಾನಿಗಳು ತನಿಖೆ ಮಾಡಲು ಹೊರಟ ವಿಷಯದ ಹೊರಗಿರುತ್ತವೆ. ಸಾವಿರಾರು ಪ್ರಾಯೋಗಿಕ ಬದಲಾವಣೆಗಳನ್ನು ಒಳಗೊಂಡ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಅಂತಹ ಸುಳಿವುಗಳು ಸುಲಭವಾಗಿ ಗಮನ ತಪ್ಪಬಹುದು.

Tsc1 ಮತ್ತು Tsc2 ನಡುವಿನ ಅನಿರೀಕ್ಷಿತ ವ್ಯತ್ಯಾಸವನ್ನು ಏಜೆಂಟ್‌ಗಳು ಗುರುತಿಸಿದವು. ಈ ಎರಡು ಜೀನ್‌ಗಳು ಒಟ್ಟಾಗಿ mTOR ಅನ್ನು ನಿಯಂತ್ರಿಸುತ್ತವೆ; mTOR ಕೋಶಗಳ ಬೆಳವಣಿಗೆ, ಚಯಾಪಚಯ ಮತ್ತು ವಯಸ್ಸಾಗುವಿಕೆಯನ್ನು ನಿಯಂತ್ರಿಸುವ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ. ಈ ಎರಡರಲ್ಲಿ ಯಾವುದೇ ಜೀನ್‌ನ ಕಾರ್ಯಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸಿದರೂ, ನರಕೋಶಗಳ ಹಲವು ಗುಂಪುಗಳಲ್ಲಿ ಒಂದೇ ರೀತಿಯ ಪರಿಣಾಮಗಳು ಕಂಡುಬಂದವು. ಆದರೆ ಚಲನೆಯನ್ನು ಸಮನ್ವಯಗೊಳಿಸಲು ನೆರವಾಗುವ ಕಿರುಮಿದುಳಿನಲ್ಲಿ, Tsc2 ಕಾರ್ಯಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸಿದಾಗ ನರಕೋಶಗಳ ನಡುವಿನ ಸಂವಹನದಲ್ಲಿ ಪಾತ್ರ ವಹಿಸುವ ಹತ್ತಾರು ಜೀನ್‌ಗಳ ಚಟುವಟಿಕೆ ಬದಲಾಯಿತು. Tsc1 ಕಾರ್ಯಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸಿದಾಗ ಮಾತ್ರ ಅಲ್ಪ ಬದಲಾವಣೆ ಕಂಡುಬಂದಿತು.

ಮಾನವ ರೋಗವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಲ್ಲಿ ಆ ವ್ಯತ್ಯಾಸ ಮಹತ್ವದ್ದಾಗಿರಬಹುದು. ಟ್ಯೂಬರಸ್ ಸ್ಕ್ಲೆರೋಸಿಸ್ ಇರುವವರಲ್ಲಿ, ಕಿರುಮೆದುಳಿನ ಅಸಹಜತೆಗಳು TSC2 ರೂಪಾಂತರಗಳೊಂದಿಗೆ ಬಲವಾದ ಸಂಬಂಧ ಹೊಂದಿವೆ. mTOR ಚಟುವಟಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಔಷಧಿಗಳು ಕೆಲವು ಮೆದುಳಿನ ಗಡ್ಡೆಗಳು ಮತ್ತು ಸೆಳವುಗಳಿಗೆ ಚಿಕಿತ್ಸೆ ನೀಡಬಲ್ಲವು. ಆದರೆ ಈ ರೋಗಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಕಲಿಕೆ ಮತ್ತು ನಡವಳಿಕೆಯ ತೊಂದರೆಗಳನ್ನು ನಿವಾರಿಸುವುದು ಇನ್ನೂ ಸವಾಲಾಗಿದೆ. ತನಿಖೆಗೆ ಯೋಗ್ಯವಾದ ನಿರ್ದಿಷ್ಟ ನರಕೋಶಗಳ ಗುಂಪು ಮತ್ತು ಕೋಶಮಟ್ಟದ ಬದಲಾವಣೆಗಳನ್ನು ಏಜೆಂಟ್‌ಗಳು ನಿಖರವಾಗಿ ಗುರುತಿಸಿದವು: ಈಗಿರುವ ಔಷಧಿಗಳು ಯಾವ ಬದಲಾವಣೆಗಳನ್ನು ಸರಿಪಡಿಸಬಹುದು ಮತ್ತು ಯಾವ ಬದಲಾವಣೆಗಳು ಹೊಸ ಚಿಕಿತ್ಸಾ ವಿಧಾನಗಳಿಗೆ ದಾರಿ ತೋರಬಹುದು? ಇದು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಪರೀಕ್ಷಿಸಲು ಸಂಶೋಧಕರಿಗೆ ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾದ ಪ್ರಶ್ನೆಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಇಡೀ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಒಂದೇ ಏಜೆಂಟ್‌ಗೆ ನೀಡಿದರೆ, ಅದು ಸಮಾನಾಂತರವಾಗಿ ಕೆಲಸ ಮಾಡುವ ಸಾವಿರಾರು ಏಜೆಂಟ್‌ಗಳಷ್ಟೇ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಲ್ಲದೇ? ಮಾಡೆಲ್ ಮತ್ತು ಸಂಪನ್ಮೂಲಗಳನ್ನು ಬದಲಿಸದೆ ನಾವು ಇದನ್ನು ಪರೀಕ್ಷಿಸಿದೆವು. ಕಾರ್ಯಭಾರ ಹೆಚ್ಚಾದಂತೆ, ಏಕ ಏಜೆಂಟ್ ಪರಿಶೀಲಿಸಿದ ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯದ ಪ್ರಮಾಣ ಕಡಿಮೆಯಾಯಿತು. ಗರಿಷ್ಠ ಕಾರ್ಯಭಾರದಲ್ಲಿ ಅದು ಕೇವಲ 11 ಉಲ್ಲೇಖಗಳನ್ನು ನೀಡಿದರೆ, ವಿತರಿತ ಏಜೆಂಟ್‌ಗಳು 700 ಕ್ಕೂ ಹೆಚ್ಚಿನ ಉಲ್ಲೇಖಗಳನ್ನು ನೀಡಿದವು. ಮಾನವ ತಜ್ಞರೂ ವಿತರಿತ ಏಜೆಂಟ್‌ಗಳ ವ್ಯಾಖ್ಯಾನಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿದರು.

ವಿಜ್ಞಾನಿಗಳಿಗೆ ಸಮಯ ಸೀಮಿತವಾಗಿರುವುದರಿಂದ, ಅವರು ಸಾಮಾನ್ಯವಾಗಿ ತಮ್ಮ ಡೇಟಾದಲ್ಲಿನ ಅತ್ಯಂತ ಸ್ಪಷ್ಟ ಸೂಚನೆಗಳ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸುತ್ತಾರೆ. ವಿತರಿತ ಏಜೆಂಟ್‌ಗಳು ಸೂಕ್ಷ್ಮ ಅಥವಾ ಅನಿರೀಕ್ಷಿತ ಪ್ರತಿಕ್ರಿಯೆಗಳೂ ಸೇರಿದಂತೆ ಹೆಚ್ಚು ವೈವಿಧ್ಯಮಯ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಮತ್ತು ಅವುಗಳನ್ನು ಸಂಬಂಧಿತ ವೈಜ್ಞಾನಿಕ ಸಾಹಿತ್ಯದೊಂದಿಗೆ ಜೋಡಿಸಲು ನೆರವಾಗಬಲ್ಲವು. ಏಜೆಂಟ್‌ಗಳನ್ನು ಸಮಾನಾಂತರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವಂತೆ ಮಾಡುವುದರಿಂದ ಹಲವು ಪ್ರಾಯೋಗಿಕ ಬದಲಾವಣೆಗಳನ್ನು ಏಕಕಾಲಕ್ಕೆ ತನಿಖೆ ಮಾಡಬಹುದು. ಇದು ಪ್ರಯೋಗವೊಂದರ ಫಲಿತಾಂಶಗಳನ್ನು ಇನ್ನಷ್ಟು ಆಳವಾಗಿ ಅನ್ವೇಷಿಸಲು ಮತ್ತು ಇಲ್ಲದಿದ್ದರೆ ಗಮನಕ್ಕೆ ಬಾರದಿರಬಹುದಾದ ಭರವಸೆಯ ಸುಳಿವುಗಳನ್ನು ಗುರುತಿಸಲು ವಿಜ್ಞಾನಿಗಳಿಗೆ ನೆರವಾಗುತ್ತದೆ.

ಒಂದು ಸಂಶೋಧನಾ ಫಲಿತಾಂಶವು ನಡೆಸಲು ಯೋಗ್ಯವಾದ ಪ್ರಯೋಗಕ್ಕೆ ದಾರಿ ತೋರಿಸಿದಾಗ, ಅದರ ಮೌಲ್ಯ ಹೆಚ್ಚುತ್ತದೆ. ಏಜೆಂಟ್‌ಗಳು ಅಂತಹ ಒಂದು ಸುಳಿವನ್ನು DCTN1 ಜೀನ್‌ನಲ್ಲಿ ಕಂಡುಬಂದವು. ಈ ಜೀನ್‌ನ ರೂಪಾಂತರಗಳು ಪಾರ್ಕಿನ್ಸನ್‌ನಂತಹ ಲಕ್ಷಣಗಳಿರುವ ನರಕ್ಷಯ ರೋಗವಾದ ಪೆರ್ರಿ ಸಿಂಡ್ರೋಮ್‌ಗೆ ಕಾರಣವಾಗುತ್ತವೆ.

ನರಕೋಶಗಳ ಒಳಗೆ ವಸ್ತುಗಳನ್ನು ಸಾಗಿಸುವಲ್ಲಿ DCTN1 ಪಾತ್ರ ವಹಿಸುತ್ತದೆ. ಸಂಪೂರ್ಣ ಮಿದುಳಿನ CRISPR ನಕ್ಷಾಸಂಗ್ರಹದಲ್ಲಿ, Dctn1 ಕಾರ್ಯಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸಿದಾಗ ಕೊಲೆಸ್ಟರಾಲ್ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಭಾಗವಹಿಸುವ ಜೀನ್‌ಗಳ ಅಭಿವ್ಯಕ್ತಿ ಹೆಚ್ಚಾಯಿತು. ಕೊಲೆಸ್ಟರಾಲ್ ಸಾಗಣೆಯಲ್ಲಿನ ಸಮಸ್ಯೆಗಳು ಕೋಶಗಳು ಹೆಚ್ಚು ಕೊಲೆಸ್ಟರಾಲ್ ಉತ್ಪಾದಿಸಲು ಕಾರಣವಾಗಬಹುದು ಎಂದು ಸೂಚಿಸುವ ಸಂಶೋಧನೆಯೊಂದಿಗೆ ಏಜೆಂಟ್‌ಗಳು ಈ ಅವಲೋಕನವನ್ನು ಜೋಡಿಸಿದವು. ಇದು ಮುಂದಿನ ಪ್ರಯೋಗಗಳಿಗೆ ಒಂದು ಪ್ರಶ್ನೆ ಮೂಡಿಸಿತು: DCTN1 ಕಾರ್ಯಕ್ಕೆ ಅಡ್ಡಿಪಡಿಸಿದರೆ ನರಕೋಶಗಳ ಒಳಗೆ ಕೊಲೆಸ್ಟರಾಲ್‌ನ ಹಂಚಿಕೆ ಬದಲಾಗಬಹುದೇ ಮತ್ತು ಆ ಬದಲಾವಣೆಗಳು ನರಕ್ಷಯಕ್ಕೆ ಕಾರಣವಾಗಬಹುದೇ. ಹಾಗಿದ್ದರೆ, ಕೊಲೆಸ್ಟರಾಲ್‌ನ ಸಹಜ ಹಂಚಿಕೆಯನ್ನು ಮರುಸ್ಥಾಪಿಸುವುದು ನರಕೋಶಗಳನ್ನು ರಕ್ಷಿಸಲು ನೆರವಾಗಬಹುದೇ?

ಮಾನವ ತಜ್ಞರೂ ಈ ಪರಿಕಲ್ಪನೆಯನ್ನು ನವೀನ, ಮಹತ್ವಪೂರ್ಣ ಮತ್ತು ಮುಂದಿನ ಅಧ್ಯಯನಕ್ಕೆ ಯೋಗ್ಯವೆಂದು ಪರಿಗಣಿಸಿದರು. ಅನಿರೀಕ್ಷಿತ ಫಲಿತಾಂಶವನ್ನು ಈಗಾಗಲೇ ಇರುವ ಜ್ಞಾನದೊಂದಿಗೆ ಜೋಡಿಸಿದಾಗ, ಒಂದು ಸುಳಿವು ಹೇಗೆ ಪರೀಕ್ಷಿಸಬಹುದಾದ ಕಲ್ಪನೆಯಾಗಿ, ಸಾಧ್ಯವಾದರೆ ರೋಗಚಿಕಿತ್ಸೆಗೆ ಹೊಸ ದಿಕ್ಕಾಗಿ ರೂಪುಗೊಳ್ಳಬಹುದು ಎಂಬುದನ್ನು ಈ ಉದಾಹರಣೆ ತೋರಿಸುತ್ತದೆ.

ಆವಿಷ್ಕಾರದ ಕೇಂದ್ರಬಿಂದುವಾಗಿ ವಿಜ್ಞಾನಿಗಳೇ ಉಳಿಯುತ್ತಾರೆ. ಹೆಚ್ಚು ಭರವಸೆಯ ಸುಳಿವುಗಳನ್ನು ಹೊರತರುವ ಮೂಲಕ, ಯಾವ ಕಲ್ಪನೆಗಳನ್ನು ಮುಂದುವರಿಸಬೇಕು ಎಂದು ನಿರ್ಧರಿಸಲು, ಪ್ರಯೋಗಗಳನ್ನು ರೂಪಿಸಲು ಮತ್ತು ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥೈಸಲು AI ಸಂಶೋಧಕರಿಗೆ ನೆರವಾಗಬಲ್ಲದು. ಜೈವಿಕ ಪ್ರಯೋಗಗಳಲ್ಲಿನ ಹೆಚ್ಚಿನ ಮಾಹಿತಿಯನ್ನು ಜ್ಞಾನವಾಗಿ ಪರಿವರ್ತಿಸುವುದೇ ಗುರಿಯಾಗಿದೆ. ಕಾಲಕ್ರಮೇಣ ಈ ಜ್ಞಾನವು ಉತ್ತಮ ಔಷಧಿಗಳ ಅಭಿವೃದ್ಧಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡಬಲ್ಲದು.