हजारो एआय एजंटच्या मदतीने जैविक डेटातून संशोधनाच्या नव्या दिशा शोधणे
OpenAI, PerturbAI आणि स्क्रिप्स रिसर्च यांनी वितरित एआय एजंट वापरून मेंदूच्या लाखो पेशींच्या डेटातून संशोधनाच्या आशादायक दिशा ओळखण्यात शास्त्रज्ञांना कशी मदत केली
OpenAI, PerturbAI आणि स्क्रिप्स रिसर्च यांनी मेंदूच्या लाखो पेशींच्या गुंतागुंतीच्या डेटामधील आशादायक जैविक संबंध ओळखण्यासाठी हजारो एआय एजंट एकाच वेळी कसे कार्यरत केले ते पाहा.
चित्रफीत सौजन्य: PerturbAI.
अल्झायमर आणि पार्किन्सनबद्दल नवे धागेदोरे शोधण्यासाठी शास्त्रज्ञांना महिन्यांऐवजी काही मिनिटेच लागली तर? OpenAI, PerturbAI(नवीन विंडोमध्ये उघडेल) आणि स्क्रिप्स रिसर्च(नवीन विंडोमध्ये उघडेल) यांनी एकत्र येऊन GPT‑Rosalind वर चालणाऱ्या हजारो एआय एजंटचा(नवीन विंडोमध्ये उघडेल) वापर केला आणि उंदरांच्या मेंदूतील लाखो पेशींच्या(नवीन विंडोमध्ये उघडेल) आधीच उपलब्ध असलेल्या प्रायोगिक डेटाचे विश्लेषण करून अवघ्या 32 मिनिटांत त्याचा अर्थ लावला. एजंटनी जनुकांचे कार्य बाधित केल्याने होणाऱ्या परिणामांचा वैज्ञानिक साहित्यातील निष्कर्षांशी संबंध जोडला. यातून अनपेक्षित जैविक संबंध उघड झाले, जे शास्त्रज्ञांना रोग समजून घेण्यात आणि नव्या उपचारांसाठी संशोधनाच्या दिशा ओळखण्यात मदत करू शकतात. मोठ्या जैविक प्रयोगांतून उलगडणाऱ्या माहितीचा अधिक व्यापक अभ्यास करण्यास एआय संशोधकांना कशी मदत करू शकते, हे या कामातून दिसते.
आधुनिक प्रयोगांतून शास्त्रज्ञांना सखोलपणे तपासता येईल त्यापेक्षा कितीतरी अधिक डेटा निर्माण होतो. संशोधक आता हजारो जनुकांमध्ये बदल करू शकतात आणि लाखो पेशींवर त्यांचे होणारे परिणाम मोजू शकतात. पण मानवी रोगांच्या दृष्टीने या निष्कर्षांचा अर्थ समजून घेण्यासाठी, गुंतागुंतीच्या प्रायोगिक निष्कर्षांचा अनेक दशकांपासून विखुरलेल्या वैज्ञानिक ज्ञानाशी संबंध जोडावा लागतो. इथेच AI शास्त्रज्ञांना अन्यथा दुर्लक्षित राहू शकणारे आशादायक धागेदोरे शोधण्यात मदत करू शकते.
“इतर शास्त्रज्ञांना आपण अद्याप कल्पनाही न केलेले शोध लावता यावेत, यासाठी आम्ही पेशींचे नकाशासंग्रह तयार करतो. एआय अधिक संशोधकांना या साधनसामग्रीचा अभ्यास करण्यास आणि अनपेक्षित निरीक्षणांतून तपासून पाहण्याजोगे नवे प्रश्न मांडण्यास मदत करू शकते.”
संघाने विश्लेषणाचे काम GPT‑Rosalind वर चालणाऱ्या हजारो एआय एजंटमध्ये विभागले. या पद्धतीला आम्ही वितरित जैविक रीझनिंग म्हणतो. एजंटनी संपूर्ण मेंदूच्या CRISPR नकाशासंग्रहाचा(नवीन विंडोमध्ये उघडेल) अभ्यास केला. या डेटासंचात जनुकांचे कार्य बाधित केल्याने उंदराच्या मेंदूतील विविध प्रकारच्या पेशींवर कसे परिणाम होतात हे दाखवले आहे. प्रत्येक एजंटने एका जनुकाचे कार्य बाधित केल्याचे परिणाम तपासले, पेशींच्या प्रतिसादांचे विश्लेषण केले, वैज्ञानिक साहित्याचा शोध घेतला आणि निष्कर्षांमागील संभाव्य कारणे मांडली. त्यांचे अहवाल एकत्र करून जनुके, पेशींवरील परिणाम, संबंधित प्रकाशने आणि संभाव्य जैविक कार्यप्रक्रिया यांना जोडणारा रीझनिंग नकाशासंग्रह तयार करण्यात आला.
एका वेळी जनुकातील एक बदल तपासत, माणसांनी याच तोडीचे विश्लेषण आणि संशोधन साहित्याचा आढावा घ्यायचे ठरवल्यास काही महिने ते वर्षभर लागेल, असा संशोधन संघाने अंदाज व्यक्त केला. एजंटनी मानवी विश्लेषणांतून मिळालेले निष्कर्ष पुन्हा मिळवले आणि त्याचबरोबर आणखी काही धागेदोरेही शोधले. नावीन्य आणि वैज्ञानिक महत्त्व यांबाबत त्यांनी केलेली मूल्यमापनेही अहवालांचा स्रोत माहीत नसलेल्या मानवी तज्ज्ञांच्या मतांशी जुळली. प्रस्तावित जैविक कार्यप्रक्रिया तपासण्यासाठी आवश्यक असलेल्या पुढील प्रयोगांचा प्राधान्यक्रम ठरवण्यात हे निष्कर्ष मदत करतात.
यातील काही निरीक्षणे मेंदूचे आजार समजून घेण्यासाठी नवे धागेदोरे देतात. रोगाशी संबंधित दोन जनुकांचा मेंदूच्या पेशींवर होणाऱ्या परिणामांत एजंटना अनपेक्षित फरक आढळले. तसेच कोलेस्टेरॉलचे नियमन आणि चेतापेशींचा ऱ्हास यांच्यात संभाव्य संबंधही आढळला. रोग कसा विकसित होतो आणि भविष्यातील उपचार कोणत्या टप्प्यांवर प्रभावी ठरू शकतात, हे तपासण्यात हे निष्कर्ष शास्त्रज्ञांना मदत करू शकतात.
“कधीकधी धागेदोरे आधीपासूनच विविध क्षेत्रांत विखुरलेले असतात—आपण फक्त त्यांची सांगड घातलेली नसते. चेतापेशींचे कार्य आणि कोलेस्टेरॉलचा चयापचय यांच्यातील संभाव्य संबंध दाखवतो की हे धागेदोरे एकत्र आणल्यावर रोगाच्या जीवशास्त्राचा विचार करण्याची नवी दृष्टी मिळू शकते.”
संशोधक आजच या निष्कर्षांचा अभ्यास सुरू करू शकतात. रीझनिंग नकाशासंग्रह उपलब्ध आहे(नवीन विंडोमध्ये उघडेल). त्याच्या मदतीने शास्त्रज्ञ संबंधित जनुकांची तुलना करू शकतात, अनपेक्षित प्रतिसाद तपासू शकतात आणि पुढील अभ्यासासाठी आशादायक धागेदोरे ओळखू शकतात. विविध क्षेत्रांतील संशोधक आपापले कौशल्य एकत्र आणतात आणि परिचित कल्पनांची अनपेक्षित प्रकारे सांगड घालतात, तेव्हा अनेकदा नवे शोध लागतात. नव्या डेटाचा विविध शाखांमध्ये विखुरलेल्या ज्ञानाशी संबंध जोडून एआय अशा सांगडी घालण्याचे प्रमाण लक्षणीयरीत्या वाढवू शकते. ही संधी केवळ डेटाचे अधिक वेगाने विश्लेषण करण्यापुरती मर्यादित नाही. एआयची प्रायोगिक जीवशास्त्र, मानवी तज्ज्ञता आणि वैज्ञानिक साहित्याशी सांगड घालून आपण शास्त्रज्ञांना त्यांच्या अधिकाधिक डेटाचे रूपांतर तपासून पाहता येणाऱ्या कल्पनांमध्ये करण्यास मदत करू शकतो.
शास्त्रज्ञ ज्या गोष्टीचा तपास करायला निघतात, त्याच्या पलीकडे प्रयोगातील काही सर्वात लक्षवेधी धागेदोरे दडलेले असतात. जनुकांमध्ये केलेल्या हजारो बदलांचा समावेश असलेल्या डेटासंचात हे धागेदोरे सहज नजरेतून सुटू शकतात.
एजंटना Tsc1 आणि Tsc2 या दोन जनुकांमध्ये अनपेक्षित फरक आढळला. ही दोन्ही जनुके पेशींची वाढ, चयापचय आणि वृद्धत्व यांचे प्रमुख नियामक असलेल्या mTOR वर नियंत्रण ठेवण्यासाठी एकत्र काम करतात. यापैकी कोणत्याही जनुकाचे कार्य बाधित केल्यावर चेतापेशींच्या अनेक गटांमध्ये सारखेच परिणाम दिसले. पण हालचालींचा समन्वय साधण्यास मदत करणाऱ्या लघुमेंदूमध्ये, Tsc2 चे कार्य बाधित केल्याने चेतापेशींमधील संदेशवहनात सहभागी असलेल्या अनेक डझन जनुकांची सक्रियता बदलली, तर Tsc1 चे कार्य बाधित केल्याने फारसा बदल झाला नाही.
हा फरक मानवी रोगाच्या दृष्टीने महत्त्वाचा असू शकतो. ट्यूबरस स्क्लेरोसिस असलेल्या व्यक्तींमध्ये लघुमेंदूतील विकृतींचा TSC2 मधील उत्परिवर्तनांशी घनिष्ठ संबंध असतो. mTOR ची सक्रियता कमी करणाऱ्या औषधांनी मेंदूतील काही गाठींवर आणि झटक्यांवर उपचार करता येतात. मात्र, या आजाराशी संबंधित शिकण्याच्या आणि वर्तनाच्या अडचणी दूर करणे अद्याप आव्हानात्मक आहे. एजंटनी पुढील तपास करण्याजोगा चेतापेशींचा एक विशिष्ट गट आणि पेशींतील बदल नेमके ओळखले: विद्यमान औषधांनी कोणते बदल पूर्ववत होऊ शकतील आणि कोणते बदल नव्या उपचारपद्धतींची दिशा दाखवू शकतील? यामुळे संशोधकांना प्रयोगशाळेत तपासण्यासाठी अधिक नेमके प्रश्न मिळतात.
संपूर्ण डेटासंच दिलेला एकच एजंट एकाच वेळी काम करणाऱ्या हजारो एजंटइतकी चांगली कामगिरी करू शकेल का? मॉडेल आणि संसाधने समान ठेवून आम्ही हे तपासले. कामाचा भार वाढत गेला तसतसे एकट्या एजंटने कमी संशोधन साहित्याचा शोध घेतला. सर्वाधिक कामाच्या भारावर त्याने केवळ 11 संदर्भ दिले, तर वितरित एजंटनी 700 हून अधिक संदर्भ दिले. मानवी तज्ञांनीही वितरित एजंटनी लावलेल्या अर्थांना पसंती दिली.
शास्त्रज्ञांकडे मर्यादित वेळ असतो आणि ते अनेकदा त्यांच्या डेटातील सर्वात ठळक संकेतांवर लक्ष केंद्रित करतात. वितरित एजंट सूक्ष्म किंवा अनपेक्षित प्रतिसादांसह अधिक विविध प्रतिसाद तपासण्यात आणि त्यांचा संबंधित वैज्ञानिक साहित्याशी संबंध जोडण्यात मदत करू शकतात. एजंट एकाच वेळी कार्यरत असल्याने जनुकांमध्ये केलेल्या अनेक बदलांचा एकाच वेळी अभ्यास करता येतो. यामुळे शास्त्रज्ञांना प्रयोगातून मिळालेल्या माहितीचा अधिक व्यापक अभ्यास करता येतो आणि अन्यथा दुर्लक्षित राहू शकणारे आशादायक धागेदोरे ओळखता येतात.
सर्वाधिक कामाच्या भारावर वितरित एजंटनी 700 हून अधिक संदर्भ दिले, तर एकट्या एजंटने 11 संदर्भ दिले.
एखादा निष्कर्ष करण्याजोग्या प्रयोगाची दिशा दाखवतो, तेव्हा त्याचे महत्त्व आणखी वाढते. एजंटना असाच एक धागेदोरा DCTN1 या जनुकात सापडला. या जनुकातील उत्परिवर्तनांमुळे पार्किन्सनसारखी लक्षणे असलेला, चेतापेशींचा ऱ्हास घडवणारा पेरी सिंड्रोम हा आजार होतो.
चेतापेशींच्या आत पदार्थांची वाहतूक करण्यात DCTN1 चा सहभाग असतो. संपूर्ण मेंदूच्या CRISPR नकाशासंग्रहात, Dctn1 चे कार्य बाधित केल्याने कोलेस्टेरॉलच्या निर्मितीत सहभागी असलेल्या जनुकांची अभिव्यक्ती वाढली. कोलेस्टेरॉलच्या वाहतुकीतील अडचणींमुळे पेशी अधिक कोलेस्टेरॉल तयार करू शकतात, असे सुचवणाऱ्या संशोधनाशी एजंटनी या निरीक्षणाचा संबंध जोडला. यातून पुढील प्रयोगांसाठी एक प्रश्न उभा राहिला: DCTN1 चे कार्य बाधित झाल्याने चेतापेशींमध्ये कोलेस्टेरॉलचे वितरण बदलू शकते का, आणि हे बदल चेतापेशींच्या ऱ्हासाला हातभार लावू शकतात का? तसे असल्यास, कोलेस्टेरॉलचे सामान्य वितरण पूर्ववत केल्याने चेतापेशींचे संरक्षण होऊ शकेल का?
मानवी तज्ञांनाही हे गृहीतक नवीन, महत्त्वपूर्ण आणि पुढील तपास करण्याजोगे वाटले. अनपेक्षित निष्कर्षाचा विद्यमान ज्ञानाशी संबंध जोडल्याने एखाद्या धागेदोऱ्याचे रूपांतर तपासून पाहता येणाऱ्या कल्पनेत आणि कदाचित रोगावरील उपचारांच्या नव्या दिशेत कसे होऊ शकते, हे या उदाहरणातून दिसते.
अहवालांचा स्रोत न सांगता केलेल्या तुलनांमध्ये, मानवी तज्ज्ञांनी 75% वेळा एकट्या एजंटच्या अहवालांपेक्षा वितरित एजंटच्या अहवालांना पसंती दिली.
नव्या शोधांच्या केंद्रस्थानी शास्त्रज्ञच असतात. अधिक आशादायक धागेदोरे शोधून एआय संशोधकांना कोणत्या कल्पनांचा पुढील अभ्यास करायचा हे ठरवण्यात, प्रयोगांची आखणी करण्यात आणि निष्कर्षांचा अर्थ लावण्यात मदत करू शकते. जैविक प्रयोगांमधील अधिकाधिक माहितीचे ज्ञानात रूपांतर करणे हे उद्दिष्ट आहे, जे कालांतराने अधिक चांगली औषधे विकसित करण्यासाठी मार्गदर्शक ठरू शकेल.


