အလိုအလျောက်နီးပါး လုပ်ဆောင်နိုင်သော AI ဓာတုဗေဒပညာရှင်သည် ဆေးဝါးဓာတုဗေဒတွင် ခက်ခဲသော တုံ့ပြန်မှုတစ်ခုကို တိုးတက်ကောင်းမွန်စေသည်

သိပ္ပံနယ်ပယ်ရှိ OpenAI ၏လုပ်ငန်းများကို ရိုးရှင်းသော ယုံကြည်ချက်တစ်ခုက တွန်းအားပေးထားသည်- အဆင့်မြင့် AI သည် သိပ္ပံပညာရှင်များအတွက် အစွမ်းထက်သော မိတ်ဖက်တစ်ဦး ဖြစ်လာနိုင်ပြီး၊ ၎င်းတို့အား အယူအဆများကို ပိုမိုစူးစမ်းလေ့လာရန်၊ ဝေးကွာနေသော အယူအဆများကို ချိတ်ဆက်ရန်၊ ပိုမိုကောင်းမွန်သော စမ်းသပ်မှုများကို ဒီဇိုင်းရေးဆွဲရန်နှင့် လူသားမျိုးနွယ်အတွက် အကျိုးပြုသော ရှာဖွေတွေ့ရှိမှုများကို ပိုမိုမြန်ဆန်စေရန် အကူအညီပေးနိုင်သည်။ မော်ဒယ်များသည် သင်္ချာတွင် ယူနစ်အကွာအဝေး ပုစ္ဆာ⁠ ဆိုင်ရာ လုပ်ဆောင်မှုများအပါအဝင် ရလဒ်အသစ်များသို့ ပါဝင်အထောက်အကူပြုနိုင်ကြောင်း၊ သီအိုရီရူပဗေဒတွင် ဂလူအွန် အမ်ပလီကျူးဒ်များ⁠ ဆိုင်ရာ ရလဒ်အသစ်တစ်ခုမှတစ်ဆင့် ပါဝင်အထောက်အကူပြုနိုင်ကြောင်း၊ နှင့် ဇီဝဗေဒတွင် GPT‑5 က အလိုအလျောက် ဓာတ်ခွဲခန်းတစ်ခု၌ ဆဲလ်မဲ့ ပရိုတိန်း ပေါင်းစပ်ထုတ်လုပ်မှု၏ ကုန်ကျစရိတ်ကို လျှော့ချရန်⁠ ကူညီခဲ့ကြောင်း ပြသသည့် အစောပိုင်း ဥပမာများကို ကျွန်ုပ်တို့ မျှဝေပြီးဖြစ်ပါသည်။ ကျွန်ုပ်တို့သည် အသက်သိပ္ပံဆိုင်ရာ သုတေသနနှင့် ဆေးဝါး ရှာဖွေဖော်ထုတ်ရေး လုပ်ငန်းစဉ်များကို ပံ့ပိုးရန် ရည်ရွယ်ချက်အထူးပြု တည်ဆောက်ထားသော မော်ဒယ်ဖြစ်သည့် GPT‑Rosalind⁠ ကိုလည်း မိတ်ဆက်ခဲ့ပါသည်။ 

ဤစီမံကိန်းသည် ထိုလမ်းကြောင်းကို ဆေးဝါးဓာတုဗေဒ နယ်ပယ်အထိ တိုးချဲ့ထားပြီး၊ ထိုနယ်ပယ်တွင် တိုးတက်မှုကို ကျိုးကြောင်းသင့်လျော်စွာ စဉ်းစားပေးသော အရာတစ်ခုတည်းဖြင့် မတိုင်းတာနိုင်ပါ။ ယူဆချက်တစ်ခုသည် ဓာတ်ခွဲခန်းတွင် အမှန်တကယ်ရှိသော မော်လီကျူးများ၊ ကိရိယာများနှင့် စမ်းသပ်မှုဆိုင်ရာ ဆူညံမှုများဖြင့် အလုပ်ဖြစ်ရမည်။ Molecule.one⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် ပူးပေါင်းလုပ်ဆောင်ရာတွင်၊ ကျွန်ုပ်တို့သည် GPT‑5.4 ကို Maria —ကိုယ်ပိုင်အလိုအလျောက် သုတေသနအတွက် ဆောင်ကြဉ်းပေးမှု ပမာဏ မြင့်မားသော ဓာတ်ခွဲခန်းနှင့် ပေါင်းစည်းထားသည့် အေးဂျင့်ဆန်သော ဓာတုဗေဒ AI — နှင့် ချိတ်ဆက်ပြီး၊ အရေးကြီးသော ဓာတ်ပြုမှုအမျိုးအစားများအနက် တစ်ခုကို တိုးတက်ကောင်းမွန်စေရန်ဟူသော ဖွင့်လှစ်ထားသည့် ပန်းတိုင်တစ်ခုကို ပေးခဲ့သည်။ စနစ်သည် သုတေသနအဆိုပြုလွှာများကို ဖန်တီးထုတ်ပေးခဲ့ပြီး၊ စမ်းသပ်မှုများကို ဒီဇိုင်းရေးဆွဲကာ လုပ်ဆောင်ခဲ့သည်၊ စမ်းသပ်မှုဆိုင်ရာ ဒေတာများကို ခွဲခြမ်းစိတ်ဖြာခဲ့ပြီး၊ နောက်ဆက်တွဲ စမ်းသပ်မှုများကို အဆိုပြုခဲ့သည်။ လူများသည် ထိန်းကျောင်းရေးနှင့် အကဲဖြတ်ရေး တုံ့ပြန်ညွှန်ကြားချက်များကို ဒီဇိုင်းရေးဆွဲခြင်းနှင့် စမ်းသပ်ရန် အဆိုပြုချက်များကို ရွေးချယ်ခြင်းဖြင့် လုပ်ငန်းစဉ်တွင် ဆက်လက်ပါဝင်နေခဲ့သည်။ ၎င်းတို့သည် စမ်းသပ်မှုအစီအစဉ်များအတွက် အကန့်အသတ်ရှိသော ပြင်ဆင်ချက်များကိုလည်း ပြုလုပ်ခဲ့ပြီး၊ အခြေခံ ဓာတ်ခွဲခန်းလုပ်ငန်းဆောင်တာများတွင် ကူညီခဲ့ကာ၊ နောက်ဆုံးရလဒ်ကိုလည်း လွတ်လပ်စွာ အတည်ပြုစစ်ဆေးခဲ့သည်။

အလားအလာအကောင်းဆုံး အဆိုပြုချက်ဖြစ်သည့် OAI-M1-03 သည် ဓာတုဗေဒပညာရှင်များက ကာဗွန်–နိုက်ထရိုဂျင် ဘွန်းများ ဖွဲ့စည်းရန် အသုံးပြုသော ခက်ခဲသော်လည်း အသုံးဝင်သော Chan–Lam coupling ၏ ပုံစံတစ်မျိုးကို အဓိကထားခဲ့သည်။ လုပ်ငန်းစဉ် ဓာတုဗေဒအတွက် Chan–Lam coupling ကို ပိုမိုကောင်းမွန်စေရန် ဟူသည့် အဖွင့်အဆုံးရှိသော ရည်မှန်းချက်မှ စတင်၍ GPT‑5.4 သည် အဓိက ဆူလ်ဖိုနမိုက်ဒ်များကို ခက်ခဲသော်လည်း တန်ဖိုးမြင့် substrate အတန်းအစားအဖြစ် ကိုယ်တိုင်လွတ်လပ်စွာ ဖော်ထုတ်သတ်မှတ်ခဲ့ပြီး TEMPO အပါအဝင် သက်သာသော အောက်စီဒန်များက တုံ့ပြန်မှုကို ပိုမိုကောင်းမွန်စေနိုင်ကြောင်း အကြံပြုခဲ့သည်။ 

Maria Lab တွင် စမ်းသပ်မှု စက်ဝန်းနှစ်ခုတစ်လျှောက် ထိုစိတ်ကူးသည် သိသာထင်ရှားသော တိုးတက်မှုကို ဖြစ်ပေါ်စေခဲ့သည်။ အကောင်းဆုံးဖြစ်အောင် ပြင်ဆင်ထားသော အခြေအနေများအောက်တွင်၊ စမ်းသပ်ထားသော ဘိုရိုနစ်အက်ဆစ်များ၏ 88% နှင့် ဆာလ်ဖိုနာမိုက်များ၏ 83% တွင် တိုင်းတာရရှိသော ထွက်နှုန်းများ တိုးတက်လာခဲ့သည်။ ပျမ်းမျှအထွက်နှုန်းသည် 16.6% မှ 25.2% သို့ မြင့်တက်ခဲ့ပြီး၊ အထွက်နှုန်း 30% အထက်ရှိသော တုံ့ပြန်မှုများ၏ အချိုးသည် 15.6% မှ 37.5% သို့ တိုးလာခဲ့သည်။ ထို့နောက် လူသား ဓာတုဗေဒပညာရှင်များသည် ကိုယ်စားပြု တုံ့ပြန်မှုများကို ဓာတ်ခွဲခန်းအဆင့်ဖြင့် ထပ်မံပြုလုပ်ခဲ့သည်။ ထိုစမ်းသပ်မှုများသည် မိုက်ခရိုလီတာအဆင့် ရလဒ်များကို အတည်ပြုပေးခဲ့ပြီး၊ ဆပ်စထရိတ်အတွဲ 14 တွဲအနက် 11 တွဲတွင် ထွက်နှုန်းများ ပိုမိုမြင့်မားကြောင်းနှင့် အများစုတွင် နှစ်ဆကျော် တိုးမြင့်လာကြောင်း ပြသခဲ့သည်။ အကြောင်းမှာ ဆေးဝါးဓာတုဗေဒပညာရှင်များအနေဖြင့် ဓာတုတုံ့ပြန်မှုများသည် မိုက်ခရိုလီတာအဆင့် စစ်ဆေးစမ်းသပ်မှုများတွင်သာမက ဆေးဝါးအသစ် ရှာဖွေဖော်ထုတ်ရေးကာလအတွင်း အသုံးပြုသော လက်တွေ့အသုံးပြုနိုင်သည့် ဓာတ်ခွဲခန်းလုပ်ငန်းစဉ်များတွင်လည်း အလုပ်ဖြစ်ရန် လိုအပ်သောကြောင့် ဖြစ်သည်။

ဆေးဖက်ဆိုင်ရာ ဓာတုဗေဒ၏ ဤနယ်ပယ်တွင် ရရှိနေသော တိုးတက်မှုများသည် အထူးစိတ်လှုပ်ရှားဖွယ်ကောင်းသည်။ အကြောင်းမှာ ဆေးဝါးရှာဖွေဖော်ထုတ်မှုတွင် ဓာတုပေါင်းစပ်မှုသည် မကြာခဏ အဓိက ပိတ်ဆို့ကန့်သတ်ချက်တစ်ခု ဖြစ်နေသောကြောင့်ဖြစ်သည်- သိပ္ပံပညာရှင်များသည် ၎င်းတို့ ဖန်တီးနိုင်သော သို့မဟုတ် အခြားနည်းဖြင့် ရရှိနိုင်သော မော်လီကျူးများကိုသာ စမ်းသပ်နိုင်သည်။ ဆယ်လ်ဖိုနာမိုက် (sulfonamide) အုပ်စုသည် ကင်ဆာတိုက်ဖျက်ဆေးများ၊ အဏုဇီဝပိုးတိုက်ဖျက်ဆေးများ၊ ဆီးရွှင်ဆေးများ အပါအဝင် ကုထုံးနယ်ပယ်များစွာရှိ ဆေးဝါးများတွင် တွေ့ရှိရသော်လည်း၊ ပရိုမိုက်ရီ ဆယ်လ်ဖိုနာမိုက်များနှင့် ဘိုရွနစ် အက်ဆစ်များ၏ Chan-Lam coupling သည် သမိုင်းအရ ထွက်နှုန်းနည်းပါးခဲ့သည်။ ဤတုံ့ပြန်မှုအမျိုးအစားကို ပိုမိုယုံကြည်စိတ်ချရစေရန် ပြုလုပ်နိုင်ပါက၊ ဆေးဝါးဓာတုဗေဒပညာရှင်များအတွက် အသုံးဝင်နိုင်ခြေရှိသော မော်လီကျူးများကို ထုတ်လုပ်ရန်နှင့် စူးစမ်းလေ့လာရန် ပိုမိုကျယ်ပြန့်ပြီး လက်တွေ့အသုံးချနိုင်သော နည်းလမ်းတစ်ခုကို ပေးနိုင်သည်။

ဤရလဒ်သည် အစောပိုင်းရလဒ်တစ်ခုသာ ဖြစ်နေသေးသော်လည်း၊ ကျွန်ုပ်တို့ ဦးတည်ဆောင်ရွက်နေသော ပိုမိုကျယ်ပြန့်သည့် ဦးတည်ချက်ကို ပြသသည့် နောက်ထပ် လက်တွေ့ကျသော ဥပမာတစ်ခုကို ပေးစွမ်းထားသည် - သုတေသန လည်ပတ်စက်ဝန်း၏ အစိတ်အပိုင်းအများစုတစ်လျှောက် သိပ္ပံပညာရှင်များအတွက် တန်ဖိုးရှိသော မိတ်ဖက်များ ဖြစ်လာနိုင်သည့် AI စနစ်များ ဖြစ်သည်။ မော်ဒယ်သည် သုတေသနစာပေများကို ပြန်လည်သုံးသပ်ခဲ့ပြီး မမျှော်လင့်ထားသော အယူအဆတစ်ခုကို အဆိုပြုခဲ့ကာ စမ်းသပ်မှုများကို ဒီဇိုင်းရေးဆွဲခြင်းနှင့် ခွဲခြမ်းစိတ်ဖြာခြင်းတွင် ကူညီပေးခဲ့ပြီး လူသား ဓာတုဗေဒပညာရှင်များက အကဲဖြတ်နိုင်သော သိပ္ပံဆိုင်ရာ တွေ့ရှိချက်တစ်ခုသို့ ရောက်ရှိခဲ့သည်။

အော်ဂဲနစ် ဓာတုဗေဒသည် မော်လီကျူးအသေးစား ဆေးဝါးအားလုံးအပြင် စိုက်ပျိုးရေး၊ အီလက်ထရွန်နစ်နှင့် ပစ္စည်းသိပ္ပံနယ်ပယ်များရှိ ထုတ်ကုန်များ၏ အခြေခံအုတ်မြစ်ဖြစ်သည်။ ဓာတ်ပြုမှုတစ်ခုသည် အမျိုးမျိုးသော စတင်ပစ္စည်းများစွာတွင် တူညီသော ဓာတုနှောင်ကြိုးအမျိုးအစားကို ယုံကြည်စိတ်ချရစွာ ဖန်တီးနိုင်ပါက အထူးအသုံးဝင်သည်။ တုံ့ပြန်မှုများက ထွက်နှုန်းနည်းပါးစွာသာ ရရှိစေခြင်း၊ သို့မဟုတ် မလိုလားသော ဘေးထွက်ပစ္စည်းများ အလွန်များစွာ ထွက်ပေါ်စေခြင်း ဖြစ်ပါက၊ ဓာတုဗေဒပညာရှင်များသည် မဟုတ်ပါက အလားအလာကောင်းရှိသော မော်လီကျူးများကိုပင် စွန့်လွှတ်ရနိုင်သည်၊ သို့မဟုတ် အခြားသော ပေါင်းစပ်လမ်းကြောင်းတစ်ခု ဖော်ထုတ်ရန် အချိန်များစွာ အသုံးပြုရနိုင်သည်။ ဤအချက်ကြောင့် ဓာတုပေါင်းစပ်ထုတ်လုပ်မှုသည် ဆေးဝါးအသစ် ရှာဖွေဖော်ထုတ်ရေးတွင် အဓိက ကန့်သတ်ချက်တစ်ခု ဖြစ်လာသည် - သိပ္ပံပညာရှင်များသည် ယေဘုယျအားဖြင့် မိမိတို့ ထုတ်လုပ်နိုင်သော သို့မဟုတ် အခြားနည်းလမ်းဖြင့် ရယူနိုင်သော မော်လီကျူးများကိုသာ စမ်းသပ်နိုင်ကြသည်။

Chan-Lam coupling သည် ဆေးဝါးဓာတုဗေဒတွင် အသုံးဝင်သည်၊ အကြောင်းမှာ ၎င်းသည် ဆေးဝါးများတွင် အဖြစ်များသော ကာဗွန်-နိုက်ထရိုဂျင် ဓာတုချိတ်ဆက်မှုများကို ဖွဲ့စည်းပေးသောကြောင့် ဖြစ်သည်။ သို့သော် ဤဓာတ်ပြုမှုသည် မော်လီကျူးအမျိုးအစားတိုင်းအတွက် တူညီသောထိရောက်မှုဖြင့် မလုပ်ဆောင်နိုင်ပါ။ အထူးသဖြင့်၊ ပထမအဆင့် ဆာလ်ဖိုနမိုက်များ (primary sulfonamides) ကို ဘိုရိုနစ်အက်ဆစ်များ (boronic acids) နှင့် တွဲဆက်တုံ့ပြန်စေခြင်းသည် ယခင်ကတည်းက ထွက်နှုန်းနည်းပါးမှုကို ဖြစ်ပေါ်စေခဲ့သည်။ ဆာလ်ဖိုနမိုက်များသည် ကင်ဆာကုသရေး၊ နှင့် ကူးစက်ရောဂါကုသရေးတွင် အသုံးပြုသော ဆေးဝါးများ၌ တွေ့ရှိရသော အရေးကြီးသော မော်လီကျူးအုပ်စုတစ်ခု ဖြစ်သည်။ ဤဓာတုတုံ့ပြန်မှုကို ပိုမိုယုံကြည်စိတ်ချရအောင် ပြုလုပ်နိုင်ပါက၊ ဆေးဝါးဆိုင်ရာ ဓာတုဗေဒပညာရှင်များအတွက် အသုံးဝင်နိုင်ချေရှိသော မော်လီကျူးများကို ထုတ်လုပ်ပြီး စူးစမ်းလေ့လာရန် ပိုမိုကျယ်ပြန့်ပြီး လက်တွေ့အသုံးချရလွယ်ကူသော နည်းလမ်းတစ်ခုကို ပေးစွမ်းနိုင်မည်ဖြစ်သည်။

ပေါင်းစပ်ထားသော စနစ်သည် အပြန်အလှန်ဖြည့်စွမ်းနိုင်သော စွမ်းရည်များကို တွဲဖက်ထားသည်။ Maria AI နှင့် လုပ်ကိုင်နေသော သိပ္ပံပညာရှင်များ ရေးသားထားသည့် တုံ့ပြန်ညွှန်ကြားချက်များကို GPT‑5.4 ဖြင့် harness အတွင်း အသုံးပြု၍ ဖြစ်နိုင်သော သုတေသနအဆိုပြုချက် ထောင်ပေါင်းများစွာကို ဖန်တီးပြီး အဆင့်သတ်မှတ်ခဲ့သည်။ လူသား ဓာတုဗေဒပညာရှင်များသည် စနစ်၏ အဆင့်သတ်မှတ်ချက်အရ အမြင့်ဆုံးနေရာရခဲ့သော အဆိုပြုချက်များထဲမှ အုပ်စုခွဲငယ်ကို ပြန်လည်သုံးသပ်ပြီး ဓာတ်ခွဲခန်းတွင် စမ်းသပ်ရန် လေးခုကို ရွေးချယ်ခဲ့သည်။ ထို့နောက် Maria AI သည် ရွေးချယ်ထားသော အဆင့်မြင့်အစီအစဉ်များကို အသေးစိတ် ဓာတ်ခွဲခန်း လမ်းညွှန်ချက်များအဖြစ် ပြောင်းလဲရေးသားခဲ့ပြီး၊ ဆောင်ကြဉ်းပေးမှု ပမာဏ မြင့်မားသော စမ်းသပ်မှုများကို ထောင်ပေါင်းများစွာ လုပ်ဆောင်ခဲ့ကာ၊ မူရင်းဒေတာကို ခွဲခြမ်းစိတ်ဖြာပြီး ဖွဲ့စည်းထားသော ရလဒ်များကို GPT‑5.4 သို့ ပြန်လည်ပေးပို့ခဲ့သည်။ 

ရွေးချယ်ထားသော အဆိုပြုချက် လေးခုအနက် တစ်ခုဖြစ်သည့် OAI-M1-03 သည် sulfonamide ပေါင်းစပ်ထုတ်လုပ်မှုအတွက် Chan-Lam တုံ့ပြန်မှု၏ စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် TEMPO ကဲ့သို့သော အပျော့စား အောက်ဆီဒန့်များကို အသုံးပြုရန် အကြံပြုထားသည်။ ဓာတုဗေဒပညာရှင်များသည် ထိုအဆိုပြုချက်ကို အံ့အားသင့်စရာကောင်းသလို စိတ်ဝင်စားစရာကောင်းသည်ဟု တွေ့ရှိခဲ့ကြသည်။ OAI-M1-03 မှ အသေးစိတ်တွေ့ရှိချက်များကို ဤဘလော့ဂ်ပို့စ်နှင့် စာတမ်း⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) တွင် မျှဝေထားပါသည်။

အဆုံးသတ် သုတေသနအဆိုပြုချက်ကို ထို့နောက် မာရီယာက စမ်းသပ်မှုဇယားကွက်များ ဖန်တီးရန် အသုံးပြုခဲ့ပြီး လူများက အနည်းငယ် ပြင်ဆင်မှုများ ပြုလုပ်ခဲ့သည်။ လူမှ ပြုလုပ်ခဲ့သော အကြီးမားဆုံး ပြင်ဆင်ချက်မှာ dimethyl sulfoxide (DMSO) ကို ပျော်ဝင်ပစ္စည်းအဖြစ် အသုံးမပြုရန် ဖြစ်သည်။ အကြောင်းမှာ ဓာတုဗေဒပညာရှင်များက ၎င်းသည် နှိုင်းယှဉ်ရန် အသုံးပြုထားသော ပိုမိုပြင်းထန်သည့် အောက်ဆီဒေးရှင်းဖြစ်စေသည့် ပစ္စည်းများနှင့် ဓာတ်ပြုနိုင်သည်ဟု စိုးရိမ်ခဲ့ကြသောကြောင့် ဖြစ်သည်။

မတ်လ ၄ ရက်နေ့တွင် ပထမဆုံး တုံ့ပြန်ညွှန်ကြားချက်မှ ဇွန်လ ၄ ရက်နေ့တွင် OAI-M1-03 ရလဒ်များကို လွတ်လပ်သောကျွမ်းကျင်သူများနှင့် မျှဝေခြင်းအထိ လုပ်ငန်းစဉ်တစ်ခုလုံးသည် သုံးလကြာခဲ့သည်။

ဤအလုပ်စီးဆင်းမှုကို အပြည့်အဝ အလိုအလျောက်ဖြစ်သည်ဟု မဟုတ်ဘဲ အလိုအလျောက်နီးပါးဖြစ်သည်ဟု ကျွန်ုပ်တို့ ဖော်ပြသည်၊ အကြောင်းမှာ လူသား ဓာတုဗေဒပညာရှင်များသည် လုပ်ငန်းစဉ်တစ်လျှောက်လုံး အရေးကြီးသော ဆုံးဖြတ်ချက်များကို ဆက်လက်ချမှတ်ခဲ့ကြသောကြောင့် ဖြစ်သည်။။ မော်ဒယ်က အဓိက သုတေသနအကြံဉာဏ်များကို အဆိုပြုခဲ့ပြီး၊ လူသား ဓာတုဗေဒပညာရှင်များက အဆင့်မြင့် လမ်းညွှန်မှုနှင့် ဆုံးဖြတ်သုံးသပ်မှုကို ပေးခဲ့ကာ၊ စမ်းသပ်မှုဆိုင်ရာ အသေးစိတ်အချက်များကို ပြင်ဆင်ခဲ့ပြီး၊ ဓာတ်ခွဲခန်းသုံး ကုန်သုံးပစ္စည်းများနှင့် ဓာတ်ပြုဆေးများ ပြင်ဆင်ရာတွင် ကူညီခဲ့ပြီး၊ အဓိက စမ်းသပ်မှုများကို ကိုယ်တိုင် ထပ်မံပြုလုပ်ခဲ့သည်။။

OAI-M1-03 သည် ဤနေရာတွင် လေ့လာထားသည့် primary sulfonamide Chan-Lam ချိတ်ဆက်တုံ့ပြန်မှုအတွက် TEMPO ကို အသုံးဝင်သော ဖြည့်စွက်ပစ္စည်းတစ်ခုအဖြစ် သတ်မှတ်ဖော်ထုတ်ခဲ့သည်။ အကောင်းဆုံးဖြစ်အောင် ညှိထားသော အခြေအနေများအောက်တွင် တုံ့ပြန်မှုသည် နည်းလမ်းနှစ်မျိုးဖြင့် ပိုမိုကောင်းမွန်လာသည်။ ပျမ်းမျှအထွက်နှုန်း မြင့်တက်လာပြီး၊ ဆပ်စထရိတ် ပေါင်းစပ်မှုများ ပိုမိုများပြားစွာသည် လက်တွေ့အသုံးချနိုင်လောက်သော အထွက်နှုန်းများကို ရရှိလာသည်။

စက်ဝန်းနှစ်ခုအတွင်း မာရီးယားသည် ဓာတ်ပြုမှု စုစုပေါင်း 10၊080 ကြိမ် ပြုလုပ်ခဲ့သည် – ၎င်းသည် နေ့စဉ် ဓာတ်ပြုမှု သုံးကြိမ် ပြုလုပ်သော ဓာတုပညာရှင်တစ်ဦးက ဆယ်စုနှစ်တစ်ခုအတွင်း ပြုလုပ်မည့် ပမာဏထက် ပိုများသည်။ ထိုပမာဏသည် အရေးပါခဲ့သည်၊ အကြောင်းမှာ ဓာတုဗေဒဆိုင်ရာ ရလဒ်များကို ဥပမာအနည်းငယ်ပေါ်တွင်သာ စမ်းသပ်ပါက လွဲမှားစွာ နားလည်စေနိုင်သောကြောင့် ဖြစ်သည်။ ဓာတ်ပြုမှုတစ်ခုသည် အစပြုပစ္စည်းတစ်စုံအပေါ်တွင် အလားအလာကောင်းပုံရနိုင်သော်လည်း ပိုမိုကျယ်ပြန့်သည့် မော်လီကျူးအစုအဝေးတွင်မူ မအောင်မြင်နိုင်ပါ။ ထောင်နှင့်ချီသော ဓာတ်ပြုမှုများကြောင့် စမ်းသပ်ခဲ့သည့် ဓာတ်တိုးပစ္စည်း ဆယ်မျိုးအနက် TEMPO ကို ဖော်ထုတ်သတ်မှတ်နိုင်ခဲ့ပြီး၊ မတူညီသော ပေါင်းစပ်မှုအမျိုးမျိုးတွင် ထိုအကျိုးသက်ရောက်မှု ထပ်တလဲလဲ ဖြစ်ပေါ်သည်ကို တွေ့မြင်နိုင်ခဲ့ကာ၊ ၎င်း၏ ကန့်သတ်ချက်များကိုလည်း ရှာဖွေသတ်မှတ်နိုင်ခဲ့သည်။

ပထမအကြိမ် ဒေတာကို ခွဲခြမ်းစိတ်ဖြာပြီးနောက်၊ စနစ်သည် နောက်ဆက်တွဲ ယူဆချက်များကို စမ်းသပ်ရန် ပိုမိုအာရုံစိုက်ထားသော ဒုတိယအကြိမ် စမ်းသပ်မှုများကို အဆိုပြုခဲ့သည်။ အသုံးဝင်သော နောက်ဆက်တွဲတွေ့ရှိချက်တစ်ခုမှာ တီအမ်ပီအို (TEMPO) ကို အလွန်ဈေးသက်သာသည့် အလားတူဒြပ်ပေါင်းဖြစ်သော 4-hydroxy-TEMPO ဖြင့် အစားထိုးအသုံးပြုနိုင်ပြီး စွမ်းဆောင်ရည်မှာလည်း အနည်းငယ်သာ လျော့ကျခြင်းဖြစ်သည်။

ရလဒ်သည် Maria Lab ၏ မိုက်ခရိုလီတာအဆင့် စစ်ဆေးစိစစ်မှု ပုံစံကို ကျော်လွန်၍လည်း ဆက်လက်ခိုင်မာနေခဲ့သည်။ လူသား ဓာတုဗေဒပညာရှင်များသည် ကိုယ်စားပြု တုံ့ပြန်မှုများကို ဓာတ်ခွဲခန်း bench-scale အဆင့်တွင် လက်ဖြင့် ပြန်လည်လုပ်ဆောင်ခဲ့ပြီး substrate အတွဲ 14 တွဲအနက် 11 တွဲတွင် ထွက်နှုန်း တိုးလာသည်ကို တွေ့ရှိခဲ့သည် - 8 တွဲတွင်မူ တိုးလာမှုသည် နှစ်ဆထက် ပိုများခဲ့သည်။ ထိုသို့ ထပ်တူပြန်လည်စမ်းသပ်အတည်ပြုခြင်းမှာ အရေးကြီးသည်၊ အကြောင်းမှာ အလွန်သေးငယ်သော အတိုင်းအတာဖြင့် ပြုလုပ်သည့် စမ်းသပ်မှုများသည် တစ်ခါတစ်ရံ ပိုမိုကြီးမားသော အတိုင်းအတာတွင် ပျောက်ကွယ်သွားနိုင်သည့် အတုအယောင် သက်ရောက်မှုများကို ဖြစ်ပေါ်စေနိုင်သောကြောင့် ဖြစ်သည်။ သုတေသနကို သိပ္ပံဂျာနယ်တွင် ထုတ်ဝေမပြုမီ ဓာတ်ခွဲခန်းအဆင့် အတည်ပြုစစ်ဆေးခြင်းကိုလည်း ပြုလုပ်လေ့ရှိသည်။

OAI-M1-03 အကြောင်း ဖော်ပြထားသည့် ကြိုတင်ထုတ်ဝေစာတမ်းကို ပြင်ပ ဓာတုဗေဒကျွမ်းကျင်သူ လေးဦးက သုံးသပ်ခဲ့သည်။ ထိုရလဒ်သည် ဆန်းသစ်ပြီး သိပ္ပံအသိုင်းအဝိုင်းနှင့် မျှဝေရန် ထိုက်တန်သည်ဟူသော ကျွန်ုပ်တို့၏အမြင်ကို သူတို့၏ သုံးသပ်အကဲဖြတ်ချက်များက ထောက်ခံပေးခဲ့သည်။ ပိုမိုခိုင်မာသည့် စမ်းသပ်မှုမှာ နောက်တစ်ဆင့်တွင် ရောက်လာမည်ဖြစ်သည် - လွတ်လပ်သော ဓာတ်ခွဲခန်းများက ထိုရလဒ်ကို ပြန်လည်ရရှိနိုင်မလား၊ နှင့် ဓာတုဗေဒပညာရှင်များက ပိုမိုကျယ်ပြန့်သော မော်လီကျူးအမျိုးအစားများတွင် ၎င်းကို အသုံးဝင်သည်ဟု တွေ့မြင်မလားဆိုသည့်အချက်များပင် ဖြစ်သည်။

သုံးလတာ ကာလအတွင်း Maria က စမ်းသပ်ခဲ့ပြီး GPT‑5.4 က ဖန်တီးခဲ့သော အခြား အဆိုပြုချက် သုံးခုအနက် OAI-M1-02 နှင့် OAI-M1-04 ကို Maria Lab တွင် စမ်းသပ်မှုအရ သက်သေပြနိုင်ခဲ့ပြီး OAI-M1-01 ကို မမှန်ကြောင်း သက်သေပြနိုင်ခဲ့သည်။ ဤရလဒ်များကို ခွဲခြမ်းစိတ်ဖြာမှုကို ဆက်လက်လုပ်ဆောင်နေပါသည်။

ဤလေ့လာမှုသည် မော်ဒယ်တစ်ခုက အော်ဂဲနစ်ဓာတုဗေဒတွင် အသုံးဝင်သော အထောက်အကူဖြစ်နိုင်ကြောင်း ပြသထားသည်။ ၎င်းသည် သုတေသနစာပေများကို အနှစ်ချုပ်ခြင်း သို့မဟုတ် တစ်ကြိမ်တည်း ပြုလုပ်မည့် စမ်းသပ်မှုတစ်ခုကို အကြံပြုခြင်းထက် ပို၍ လုပ်ဆောင်ခဲ့သည်။ ၎င်းသည် တိကျပြီး မမျှော်လင့်ထားသော ယူဆချက်တစ်ရပ်ကို အဆိုပြုကာ လူ့သုံးသပ်မှုအတွက် တင်ပြခဲ့သည်၊ စမ်းသပ်မှုများကို ဒီဇိုင်းရေးဆွဲခဲ့ပြီး၊ စမ်းသပ်ချက်ဆိုင်ရာ ဒေတာများကို သုံးသပ်ခဲ့သည်၊ ထို့အပြင် ဆက်လက်လုပ်ဆောင်မည့် စမ်းသပ်မှုများကိုလည်း ဒီဇိုင်းရေးဆွဲခဲ့သည်။

ဒါက AI သည် ဓာတုဗေဒ သုတေသနအစီအစဉ်တစ်ခုကို အစမှအဆုံးအထိ လွတ်လပ်စွာ ကိုယ်တိုင် စီမံဆောင်ရွက်နိုင်ကြောင်း ပြသထားခြင်း မရှိပါ။ လူသား၏ ဆုံးဖြတ်ချက်သည် မရှိမဖြစ် အရေးပါနေဆဲဖြစ်ပြီး၊ လုပ်ငန်းစီးဆင်းမှုသည် အထူးပြုထားသော ဆောင်ကြဉ်းပေးမှု ပမာဏ အခြေခံအဆောက်အအုံပေါ် မှီခိုခဲ့သည်။ ၎င်းသည် ထိုနည်းလမ်းက အခြားကပ်တွဲတုံ့ပြန်မှုများ၊ အခြား အခြေခံပစ္စည်း အမျိုးအစားများ သို့မဟုတ် ထုတ်လုပ်ရေးအခြေအနေများတွင် ယေဘုယျအားဖြင့် အသုံးချနိုင်မည်ဖြစ်ကြောင်းလည်း သက်သေမပြနိုင်ပါ။

အထွက်နှုန်း ခန့်မှန်းချက်များသည် ဆောင်ကြဉ်းပေးမှု ပမာဏ မြင့်မားသော ပလက်ဖောင်းမှ ရရှိလာပြီး၊ ဘင်ချ်အဆင့် အတည်ပြုစစ်ဆေးမှုသည် ကိုယ်စားပြု ဆပ်စထရိတ်အတွဲ ၁၄ တွဲကို လွှမ်းခြုံထားသည်။ တုံ့ပြန်မှုယန္တရားကို သတ်မှတ်ဖော်ပြရန်၊ ဆပ်စထရိတ်များ၏ အကျုံးဝင်မှုအတိုင်းအတာကို သတ်မှတ်ရန်၊ မတူညီသော ဓာတ်ခွဲခန်းအခြေအနေများအောက်တွင် စွမ်းဆောင်ရည်ကို တိုင်းတာရန်နှင့် ရလဒ်ကို လွတ်လပ်စွာ ပြန်လည်ထုတ်လုပ်အတည်ပြုရန် နောက်ထပ်လုပ်ငန်းများ လိုအပ်နေသေးသည်။

ဓာတုဗေဒဆိုင်ရာ စွမ်းဆောင်ရည်များကို ဂရုတစိုက် ကိုင်တွယ်ဆောင်ရွက်ရမည်၊ အကြောင်းမှာ ဆေးပညာနှင့် ပစ္စည်းသိပ္ပံကို ပံ့ပိုးနိုင်သည့် အလားတူ ကိရိယာများကို အလွဲသုံးစားနိုင်ခြင်းလည်း ရှိနိုင်သောကြောင့် ဖြစ်သည်။ ကျွန်ုပ်တို့သည် ဤလုပ်ငန်းကို တရားဝင် ဆေးဝါးဓာတုဗေဒဆိုင်ရာ ပြဿနာတစ်ခုအဖြစ် ကန့်သတ်ထားပြီး၊ ဆေးဝါးတစ်မျိုးကဲ့သို့ ဂုဏ်သတ္တိရှိသော မော်လီကျူးများ ပြုလုပ်ရာတွင် အသုံးပြုသော လူသိများပြီးသား coupling တုံ့ပြန်မှုတစ်ခုကို ပိုမိုကောင်းမွန်အောင် တိုးတက်စေရန် ရည်ရွယ်သည်။ စမ်းသပ်မှုများတွင် အဆိပ်အတောက်များ၊ ဓာတုလက်နက်များ သို့မဟုတ် အန္တရာယ်ဖြစ်စေနိုင်သော ဒြပ်ပေါင်းများကို ဒီဇိုင်းရေးဆွဲရန် တောင်းဆိုမှုများ မပါဝင်ခဲ့ပါ။ ဤရလဒ်များကို ထိုအန္တရာယ်ဖြစ်စေနိုင်သော အသုံးချမှုများတွင် စနစ်က ကူညီနိုင်သည်ဟူသော သက်သေအဖြစ် မယူဆသင့်ပါ။ ပရောဂျက်သည် ထိုအချက်ကို စမ်းသပ်ခြင်းလည်း မပြုခဲ့သလို သက်သေပြခြင်းလည်း မပြုခဲ့ပါ။

ကျွန်ုပ်တို့သည် ကျွန်ုပ်တို့၏ ကြိုတင်ပြင်ဆင်ထားခြင်းဆိုင်ရာ ဖွဲ့စည်းမှု⁠ မှတစ်ဆင့် ဓာတုနှင့် ဇီဝဆိုင်ရာ နယ်ပယ်များနှင့် သက်ဆိုင်သော အန္တရာယ်များအပါအဝင် အဆင့်မြင့် မော်ဒယ် စွမ်းဆောင်ရည်များမှ ပေါ်ထွက်လာသော အန္တရာယ်များကို အကဲဖြတ်၍ လျော့ပါးစေပါသည်။ ဤလုပ်ငန်းတွင် အသုံးပြုထားသော မော်ဒယ်သည် ယူကေ AI လုံခြုံရေး အင်စတီကျုနှင့် သက်ဆိုင်ရာ အကဲဖြတ်မှုများကို ယခင်ကတည်းက ခံယူပြီးဖြစ်ပြီး၊ စနစ်ကို အန္တရာယ်ဖြစ်စေနိုင်သော အသုံးချမှုများကို အဓိကထားသည့် တောင်းဆိုချက်များကို ငြင်းပယ်ရန် ဒီဇိုင်းရေးဆွဲထားသည်။ စမ်းသပ်မှု လုပ်ငန်းစဉ်က ထိန်းချုပ်မှုအလွှာတစ်ခုကို ထပ်မံဖြည့်စွက်ပေးခဲ့သည်-လူသား ဓာတုဗေဒပညာရှင်များက မည်သည့်အဆိုပြုချက်များကို ဓာတ်ခွဲခန်းအဆင့်သို့ ရောက်ရှိစေမည်ကို ရွေးချယ်ခဲ့ပြီး၊ စမ်းသပ်မှုအစီအစဉ်များကို ပြန်လည်သုံးသပ်ကာ ရုပ်ပိုင်းဆိုင်ရာ အခြေခံအဆောက်အအုံအပေါ် ထိန်းချုပ်မှုကို ဆက်လက်ထိန်းသိမ်းထားခဲ့သည်။

စမ်းသပ်ဓာတုဗေဒတွင် AI ၏ အလားအလာကို လေ့လာရန် တာဝန်ယူမှုရှိသော နည်းလမ်းမှာ ဤသို့ဖြစ်သည်ဟု ကျွန်ုပ်တို့ ယူဆပါသည်-ရှင်းလင်းသော သိပ္ပံဆိုင်ရာ တန်ဖိုးရှိသည့် ပြဿနာနယ်ပယ်တစ်ခုကို ရွေးချယ်ခြင်း၊ မော်ဒယ်အဆင့် ကာကွယ်ရေးအစီအမံများကို ကျွမ်းကျင်သူများ၏ ကြီးကြပ်မှုနှင့် တွဲဖက်အသုံးပြုခြင်း၊ ထို့နောက် စနစ်ကို ကန့်သတ်ထိန်းချုပ်ထားသော ရုပ်ပိုင်းဆိုင်ရာ စမ်းသပ်မှုများမှတစ်ဆင့် အကဲဖြတ်ခြင်း ဖြစ်သည်။ ဤစွမ်းဆောင်ရည်များ တိုးတက်လာသည်နှင့်အမျှ၊ ကျွန်ုပ်တို့သည် အသစ်ပေါ်ထွန်းလာသော အန္တရာယ်များကို ဆက်လက်အကဲဖြတ်ပြီး၊ ကာကွယ်ရေးအစီအမံများကို ပိုမိုခိုင်မာစေကာ၊ ရလဒ်တစ်ခုက မည်သည့်အရာကို ဆိုလိုသည်၊ မည်သည့်အရာကို မဆိုလိုသည်ကို တိတိကျကျ ဖော်ပြသွားပါမည်။

ချက်ချင်း ဆက်လက်လုပ်ဆောင်ရမည့် အဆင့်များမှာ သိပ္ပံနည်းကျ အဆင့်များဖြစ်သည် - အစပြုပစ္စည်းများကို ပိုမိုကျယ်ပြန့်သည့် အမျိုးအစားများဖြင့် စမ်းသပ်ရန်၊ ဖြည့်စွက်ပစ္စည်းများက တုံ့ပြန်မှုကို အဘယ်ကြောင့် ပိုမိုကောင်းမွန်စေသည်ကို စူးစမ်းလေ့လာရန်၊ ထိုသက်ရောက်မှုသည် မည်သည့်နေရာများတွင် အလုပ်ဖြစ်ပြီး မည်သည့်နေရာများတွင် မအောင်မြင်သည်ကို ပုံဖော်သတ်မှတ်ရန်နှင့် လွတ်လပ်သော ထပ်တူပြန်လုပ်စစ်ဆေးမှုကို ပံ့ပိုးရန် ဖြစ်သည်။ ဤလေ့လာမှုများအားလုံးပေါင်း၍ နည်းလမ်းကို မည်မျှကျယ်ပြန့်စွာ အသုံးချနိုင်မည်နှင့် လက်တွေ့ ဆေးဝါးဓာတုဗေဒ လုပ်ငန်းစဉ်များတွင် မည်မျှအသုံးဝင်မည်ကို သတ်မှတ်ပေးမည်ဖြစ်သည်။

ကျွန်ုပ်တို့၏ ရေရှည်ပိုင်း ပန်းတိုင်မှာ AI စနစ်များကို သုတေသီများအား အဆိုပြုယူဆချက်များ ဖော်ထုတ်ရန်၊ စမ်းသပ်မှုများ ဒီဇိုင်းရေးဆွဲရန်၊ ရလဒ်များကို အဓိပ္ပာယ်ဖော်ရန်နှင့် နောက်တစ်ဆင့်တွင် မည်သည့်အရာကို စမ်းသပ်ရမည်ကို ဆုံးဖြတ်ရန် ကူညီပေးသည့် ယုံကြည်စိတ်ချရသော သိပ္ပံဆိုင်ရာ မိတ်ဖက်များ ဖြစ်လာစေရန်ဖြစ်ပြီး၊ ၎င်းတို့သည် ကျွမ်းကျင်သူများ၏ ဆုံးဖြတ်သုံးသပ်မှု၊ ယုံကြည်စိတ်ချရသော တိုင်းတာမှုနှင့် ခိုင်မာသော ကာကွယ်မှုအစီအမံများပေါ်တွင် ဆက်လက်အခြေခံထားရမည် ဖြစ်သည်။ အော်ဂဲနစ် ဓာတုဗေဒသည် အကျိုးသက်ရောက်မှု အထူးမြင့်မားသော နယ်ပယ်တစ်ခု ဖြစ်သည်၊ အကြောင်းမှာ အသေးစား မော်လီကျူးများ ရှာဖွေတွေ့ရှိခြင်းနှင့် ထုတ်လုပ်ခြင်းတို့တွင် တိုးတက်မှုသည် မော်လီကျူးများကို ယုံကြည်စိတ်ချရစွာ ဖန်တီးနိုင်ခြင်းပေါ် မူတည်နေသောကြောင့် ဖြစ်သည်။ သိပ္ပံပညာရှင်များသည် ၎င်းတို့ ဖန်တီးထုတ်လုပ်နိုင်သော မော်လီကျူးများကိုသာ စမ်းသပ်နိုင်ပြီး၊ ပိုမိုကောင်းမွန်သော ပေါင်းစပ်ထုတ်လုပ်မှုနည်းစနစ်များသည် ဆေးပညာ၊ စိုက်ပျိုးရေး၊ အီလက်ထရွန်နစ်ပစ္စည်းများ၊ စွမ်းအင်နှင့် ပစ္စည်းသိပ္ပံတို့အပါအဝင် ကဏ္ဍအသီးသီးတွင် ၎င်းတို့ စူးစမ်းလေ့လာနိုင်သည့် အတွေးအမြင်များ၏ အကျယ်အဝန်းကို တိုးချဲ့နိုင်သည်။ ဤရလဒ်သည် ထိုပိုမိုကျယ်ပြန့်သော ဦးတည်ချက်၏ အစောပိုင်း ဥပမာတစ်ခုဖြစ်သည်- စွမ်းဆောင်ရည်အမြင့်ဆုံး မော်ဒယ်၊ အထူးပြု အေဂျင့်များ၊ အလိုအလျောက် ဓာတ်ခွဲခန်းတစ်ခုနှင့် လူသား ဓာတုဗေဒပညာရှင်များ ပူးပေါင်းလုပ်ဆောင်ခြင်းဖြင့် သုတေသန စက်ဝန်းအတွင်း ပိုမိုမြန်ဆန်စွာ ရှေ့ဆက်နိုင်ပြီး သိပ္ပံအသိုင်းအဝိုင်းက အကဲဖြတ်နိုင်၊ ပြန်လည်ထုတ်လုပ်နိုင်၊ ထပ်ဆင့်တည်ဆောက်နိုင်သော တွေ့ရှိချက်များကို ထုတ်လုပ်နိုင်စေသည်။

ကျွန်ုပ်တို့သည် Molecule.one အဖွဲ့နှင့် ဤလုပ်ငန်းကို ပြန်လည်သုံးသပ်ပေးခဲ့သော လွတ်လပ်သော ဓာတုဗေဒပညာရှင်များအား ကျေးဇူးတင်ရှိပါသည်။