AI အေးဂျင့်ထောင်ချီဖြင့် ဇီဝဒေတာထဲမှ သဲလွန်စသစ်များ ရှာဖွေခြင်း

သိပ္ပံပညာရှင်များက အယ်လ်ဇိုင်းမားနှင့် ပါကင်ဆန်ရောဂါဆိုင်ရာ သဲလွန်စသစ်များကို လပေါင်းများစွာအစား မိနစ်ပိုင်းအတွင်း ရှာတွေ့နိုင်လျှင် ဘယ်လိုဖြစ်မလဲ။ OpenAI၊ PerturbAI⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှင့် Scripps Research⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) တို့ ပူးပေါင်းကာ GPT‑Rosalind ဖြင့် လည်ပတ်သော AI အေးဂျင့်ထောင်ချီ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)ကို အသုံးပြုပြီး ကြွက်ဦးနှောက်ဆဲလ် သန်းပေါင်းများစွာ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)မှ ရရှိထားသော စမ်းသပ်ဒေတာကို 32 မိနစ်အတွင်း ခွဲခြမ်းစိတ်ဖြာ၍ အဓိပ္ပာယ်ဖော်ထုတ်ခဲ့သည်။ အေးဂျင့်များသည် မျိုးဗီဇလုပ်ဆောင်မှု နှောင့်ယှက်ခြင်း၏ သက်ရောက်မှုများကို သိပ္ပံစာပေထဲမှ တွေ့ရှိချက်များနှင့် ချိတ်ဆက်ကာ မမျှော်လင့်ထားသော ဇီဝဗေဒဆက်နွှယ်မှုများကို ဖော်ထုတ်ခဲ့သည်။ ယင်းတို့က သိပ္ပံပညာရှင်များအား ရောဂါကို နားလည်ရန်နှင့် ကုသမှုသစ်များအတွက် သုတေသနလမ်းကြောင်းများ ရှာဖွေရန် ကူညီနိုင်သည်။ ဤလုပ်ငန်းက အကြီးစားဇီဝဗေဒစမ်းသပ်ချက်များ ဖော်ပြပေးသည့်အရာများကို သုတေသီများ ပိုမိုစူးစမ်းနိုင်ရန် AI က ကူညီပေးနိုင်ပုံကို ပြသသည်။

ခေတ်မီစမ်းသပ်ချက်များမှ ထွက်လာသော ဒေတာပမာဏသည် သိပ္ပံပညာရှင်များ အသေးစိတ်လေ့လာနိုင်သည့် ပမာဏထက် များစွာပိုများသည်။ ယခုအခါ သုတေသီများသည် မျိုးဗီဇထောင်ချီကို ပြောင်းလဲပြီး ဆဲလ်သန်းပေါင်းများစွာအပေါ် သက်ရောက်မှုများကို တိုင်းတာနိုင်ပြီဖြစ်သည်။ သို့သော် ထိုရလဒ်များက လူ့ရောဂါများအတွက် မည်သို့အဓိပ္ပာယ်ရှိကြောင်း နားလည်ရန် ရှုပ်ထွေးသော စမ်းသပ်တွေ့ရှိချက်များကို ဆယ်စုနှစ်ပေါင်းများစွာ ပြန့်ကျဲနေသော သိပ္ပံအသိပညာနှင့် ချိတ်ဆက်ရသည်။ ဤနေရာတွင် AI က သိပ္ပံပညာရှင်များ လွတ်သွားနိုင်သည့် အလားအလာကောင်းသော သဲလွန်စများကို ရှာဖွေရန် ကူညီနိုင်သည်။

အဖွဲ့သည် GPT‑Rosalind ဖြင့် လည်ပတ်သော AI အေးဂျင့်ထောင်ချီအား ခွဲခြမ်းစိတ်ဖြာမှုကို ခွဲဝေပေးခဲ့သည်။ ဤနည်းလမ်းကို ဇီဝဗေဒဆိုင်ရာ အလုပ်ခွဲဝေကာ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော နည်းလမ်းဟု ကျွန်ုပ်တို့ ခေါ်သည်။ အေးဂျင့်များသည် ဦးနှောက်တစ်ခုလုံးဆိုင်ရာ CRISPR အချက်အလက်မြေပုံ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)ကို ဆန်းစစ်ခဲ့သည်။ ယင်းဒေတာအစုသည် မျိုးဗီဇလုပ်ဆောင်မှု နှောင့်ယှက်ခြင်းက ကြွက်ဦးနှောက်တစ်ဝန်းရှိ ဆဲလ်အမျိုးမျိုးအပေါ် သက်ရောက်ပုံကို ဖော်ပြသည်။ အေးဂျင့်တစ်ခုစီသည် မျိုးဗီဇလုပ်ဆောင်မှု နှောင့်ယှက်ခြင်းတစ်ခုကို လေ့လာကာ ဆဲလ်တုံ့ပြန်မှုများကို ခွဲခြမ်းစိတ်ဖြာပြီး သိပ္ပံစာပေကို ရှာဖွေ၍ ရလဒ်များအတွက် ရှင်းလင်းချက်များ အဆိုပြုခဲ့သည်။ ၎င်းတို့၏ အစီရင်ခံစာများကို မျိုးဗီဇများ၊ ဆဲလ်အပေါ် သက်ရောက်မှုများ၊ သက်ဆိုင်ရာ စာတမ်းများနှင့် ဖြစ်နိုင်ခြေရှိသော ဇီဝဗေဒလုပ်ဆောင်ပုံများကို ချိတ်ဆက်ထားသည့် ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်မြေပုံအဖြစ် ပေါင်းစည်းခဲ့သည်။

အလားတူ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် စာပေလေ့လာမှုကို လူများက စမ်းသပ်ပြောင်းလဲမှုတစ်ခုချင်းစီအလိုက် လုပ်ဆောင်ပါက လပေါင်းများစွာမှ တစ်နှစ်အထိ ကြာနိုင်ကြောင်း သုတေသနအဖွဲ့က ခန့်မှန်းခဲ့သည်။ အေးဂျင့်များသည် လူများ၏ ခွဲခြမ်းစိတ်ဖြာမှုမှ တွေ့ရှိချက်များကို ထပ်မံရရှိခဲ့သည့်အပြင် သဲလွန်စများကိုလည်း ထပ်မံဖော်ထုတ်ခဲ့သည်။ ဆန်းသစ်မှုနှင့် သိပ္ပံဆိုင်ရာတန်ဖိုးအပေါ် ၎င်းတို့၏ အကဲဖြတ်ချက်များသည် မည်သူပြုစုထားကြောင်း မသိဘဲ အကဲဖြတ်သော လူသားကျွမ်းကျင်သူများ၏ ဆုံးဖြတ်ချက်များနှင့်လည်း ကိုက်ညီခဲ့သည်။ ဤတွေ့ရှိချက်များက အဆိုပြုထားသော ဇီဝဗေဒလုပ်ဆောင်ပုံများကို စစ်ဆေးရန် လိုအပ်သည့် နောက်ထပ်စမ်းသပ်ချက်များကို ဦးစားပေးစီစဉ်ရာတွင် အထောက်အကူပြုသည်။

အချို့သော ထိုးထွင်းသိမြင်ချက်များက ဦးနှောက်ရောဂါကို နားလည်ရန် သဲလွန်စသစ်များကို ညွှန်ပြနေသည်။ အေးဂျင့်များသည် ရောဂါနှင့်ဆက်စပ်သော မျိုးဗီဇနှစ်ခုက ဦးနှောက်ဆဲလ်များအပေါ် သက်ရောက်ပုံတွင် မမျှော်လင့်ထားသော ကွာခြားချက်များကို ဖော်ထုတ်ခဲ့သည်။ ထို့အပြင် ကိုလက်စထရော ထိန်းညှိမှုနှင့် အာရုံကြောယိုယွင်းမှုကြား ဖြစ်နိုင်ခြေရှိသော ဆက်နွှယ်မှုတစ်ခုကိုလည်း တွေ့ရှိခဲ့သည်။ ဤတွေ့ရှိချက်များက ရောဂါဖြစ်ပေါ်လာပုံနှင့် အနာဂတ်ကုသမှုများဖြင့် မည်သည့်နေရာတွင် ကြားဝင်တားဆီးနိုင်မည်ကို သိပ္ပံပညာရှင်များ လေ့လာရန် ကူညီပေးနိုင်သည်။

သုတေသီများသည် ဤတွေ့ရှိချက်များကို ယနေ့ပင် စတင်စူးစမ်းနိုင်သည်။ ကျိုးကြောင်းသင့်လျော်စွာ စဉ််းစားပေးသော အချက်အလက်မြေပုံကို ရယူနိုင်ပြီ⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်)ဖြစ်သဖြင့် သိပ္ပံပညာရှင်များသည် ဆက်နွှယ်သော မျိုးဗီဇများကို နှိုင်းယှဉ်ခြင်း၊ မမျှော်လင့်ထားသော တုံ့ပြန်မှုများကို စူးစမ်းခြင်းနှင့် ဆက်လက်လေ့လာရန် အလားအလာကောင်းသော သဲလွန်စများ ရှာဖွေခြင်းတို့ကို လုပ်ဆောင်နိုင်သည်။ နယ်ပယ်အသီးသီးမှ သုတေသီများသည် မိမိတို့၏ ကျွမ်းကျင်မှုများကို ပေါင်းစည်းကာ ရင်းနှီးပြီးသား အယူအဆများကို မမျှော်လင့်ထားသော နည်းလမ်းများဖြင့် ချိတ်ဆက်သောအခါ ရှာဖွေတွေ့ရှိမှုသစ်များ ပေါ်ပေါက်လာလေ့ရှိသည်။ AI သည် ဒေတာသစ်များကို ပညာရပ်အသီးသီးတွင် ပြန့်ကျဲနေသော အသိပညာနှင့် ချိတ်ဆက်ကာ ထိုဆက်နွှယ်မှုများကို များစွာတိုးချဲ့ပေးနိုင်သည်။ အခွင့်အလမ်းမှာ ဒေတာကို ပိုမြန်မြန် ခွဲခြမ်းစိတ်ဖြာနိုင်ခြင်းထက် ပိုမိုကျယ်ပြန့်သည်။ AI ကို လက်တွေ့စမ်းသပ်ဇီဝဗေဒ၊ လူသားကျွမ်းကျင်မှုနှင့် သိပ္ပံစာပေတို့နှင့် ပေါင်းစပ်ခြင်းဖြင့် သိပ္ပံပညာရှင်များအား ၎င်းတို့၏ ဒေတာများကို စမ်းသပ်နိုင်သော အယူအဆများအဖြစ် ပိုမိုပြောင်းလဲရန် ကူညီနိုင်သည်။

စမ်းသပ်ချက်တစ်ခု၏ စိတ်ဝင်စားစရာအကောင်းဆုံး သဲလွန်စအချို့သည် သိပ္ပံပညာရှင်များ မူလလေ့လာရန် ရည်ရွယ်ထားသည့် အကြောင်းအရာ၏ ပြင်ပတွင် ရှိနေတတ်သည်။ စမ်းသပ်ပြောင်းလဲမှု ထောင်ချီပါဝင်သော ဒေတာအစုတွင် ထိုသဲလွန်စများကို အလွယ်တကူ လွတ်သွားနိုင်သည်။

အေးဂျင့်များသည် Tsc1 နှင့် Tsc2 ကြား မမျှော်လင့်ထားသော ကွာခြားချက်တစ်ခုကို တွေ့ရှိခဲ့သည်။ ဤမျိုးဗီဇနှစ်ခုသည် ဆဲလ်ကြီးထွားမှု၊ ဇီဝဖြစ်ပျက်မှုနှင့် အိုမင်းမှုတို့ကို အဓိကထိန်းညှိပေးသည့် mTOR ကို အတူတကွ ထိန်းချုပ်ကြသည်။ မျိုးဗီဇနှစ်ခုအနက် မည်သည့်တစ်ခု၏ လုပ်ဆောင်မှုကို နှောင့်ယှက်သည်ဖြစ်စေ အာရုံကြောဆဲလ်အုပ်စုအချို့တွင် အလားတူသက်ရောက်မှုများ ရှိခဲ့သည်။ သို့သော် လှုပ်ရှားမှုကို ညှိနှိုင်းပေးသော ဦးနှောက်ငယ်တွင် Tsc2 လုပ်ဆောင်မှုကို နှောင့်ယှက်ခြင်းက အာရုံကြောဆဲလ်ချင်း ဆက်သွယ်မှုတွင် ပါဝင်သည့် မျိုးဗီဇဒါဇင်ပေါင်းများစွာ၏ လုပ်ဆောင်မှုကို ပြောင်းလဲစေခဲ့ပြီး Tsc1 ကို နှောင့်ယှက်ခြင်းကမူ ပြောင်းလဲမှု အနည်းငယ်သာ ဖြစ်စေခဲ့သည်။

ထိုကွာခြားချက်သည် လူ့ရောဂါနှင့် ဆက်စပ်နေနိုင်သည်။ တူးဘရပ်စ် စကလီရိုးစစ်ရောဂါရှိသူများတွင် ဦးနှောက်ငယ်၏ မူမမှန်မှုများသည် TSC2 ဗီဇပြောင်းလဲမှုများနှင့် ခိုင်မာစွာ ဆက်နွှယ်နေသည်။ mTOR လုပ်ဆောင်မှုကို လျှော့ချပေးသော ဆေးများက ဦးနှောက်အကျိတ်အချို့နှင့် တက်ခြင်းကို ကုသနိုင်သော်လည်း ရောဂါနှင့်ဆက်စပ်သော သင်ယူမှုနှင့် အပြုအမူဆိုင်ရာ အခက်အခဲများကို ဖြေရှင်းရန်မှာ စိန်ခေါ်မှုရှိနေဆဲဖြစ်သည်။ အေးဂျင့်များသည် လေ့လာသင့်သော အာရုံကြောဆဲလ်အုပ်စုတစ်ခုနှင့် ဆဲလ်ပြောင်းလဲမှုများကို တိတိကျကျ ဖော်ထုတ်ခဲ့သည်။ မည်သည့်ပြောင်းလဲမှုများကို ရှိပြီးသားဆေးများက ပြုပြင်ပေးနိုင်မလဲ။ မည်သည့်ပြောင်းလဲမှုများက ကုသရေးနည်းလမ်းသစ်များကို ညွှန်ပြနိုင်မလဲ။ ထို့ကြောင့် သုတေသီများအတွက် ဓာတ်ခွဲခန်း၌ စမ်းသပ်ရန် ပိုမိုတိကျသော မေးခွန်းများ ရရှိလာသည်။

ဒေတာအစုတစ်ခုလုံး ပေးထားသော အေးဂျင့်တစ်ခုတည်းက တစ်ပြိုင်နက် အလုပ်လုပ်နေသော အေးဂျင့်ထောင်ချီနှင့် အညီ လုပ်ဆောင်နိုင်မလား။ မော်ဒယ်နှင့် အရင်းအမြစ်များကို မပြောင်းလဲဘဲ ယင်းကို ကျွန်ုပ်တို့ စမ်းသပ်ခဲ့သည်။ အလုပ်ပမာဏများလာသည်နှင့်အမျှ အေးဂျင့်တစ်ခုတည်းက သုတေသနစာပေကို ရှာဖွေမှု နည်းလာပြီး အလုပ်ပမာဏအများဆုံးတွင် ကိုးကားစာပေ 11 ခုသာ ကိုးကားခဲ့သည်။ အလုပ်ခွဲဝေလုပ်ဆောင်သော အေးဂျင့်များကမူ 700 ကျော် ကိုးကားခဲ့သည်။ လူသားကျွမ်းကျင်သူများကလည်း အလုပ်ခွဲဝေလုပ်ဆောင်သော အေးဂျင့်များ၏ အဓိပ္ပာယ်ဖော်ထုတ်ချက်များကို ပိုမိုနှစ်သက်ခဲ့သည်။

သိပ္ပံပညာရှင်များတွင် အချိန်အကန့်အသတ်ရှိသဖြင့် ဒေတာထဲမှ အထင်ရှားဆုံး လက္ခဏာများကိုသာ အာရုံစိုက်လေ့ရှိသည်။ အလုပ်ခွဲဝေလုပ်ဆောင်သော အေးဂျင့်များသည် သိမ်မွေ့သော သို့မဟုတ် မမျှော်လင့်ထားသော တုံ့ပြန်မှုများအပါအဝင် ပိုမိုကျယ်ပြန့်သော တုံ့ပြန်မှုများကို ဆန်းစစ်ပြီး သက်ဆိုင်ရာ သိပ္ပံစာပေနှင့် ချိတ်ဆက်ပေးနိုင်သည်။ အေးဂျင့်များကို တစ်ပြိုင်နက် လည်ပတ်စေခြင်းဖြင့် စမ်းသပ်ပြောင်းလဲမှုများစွာကို တစ်ချိန်တည်း လေ့လာနိုင်သည်။ ထို့ကြောင့် သိပ္ပံပညာရှင်များသည် စမ်းသပ်ချက်တစ်ခုမှ အချက်အလက်များကို ပိုမိုစူးစမ်းနိုင်ပြီး လွတ်သွားနိုင်သည့် အလားအလာကောင်းသော သဲလွန်စများကို ဖော်ထုတ်နိုင်သည်။

တွေ့ရှိချက်တစ်ခုက လုပ်ဆောင်သင့်သည့် စမ်းသပ်ချက်ကို ညွှန်ပြနိုင်လျှင် ပိုမိုတန်ဖိုးရှိလာသည်။ အေးဂျင့်များသည် DCTN1 မျိုးဗီဇတွင် ထိုသဲလွန်စမျိုးတစ်ခုကို တွေ့ရှိခဲ့သည်။ ယင်းမျိုးဗီဇ၏ ဗီဇပြောင်းလဲမှုများက ပါကင်ဆန်ရောဂါနှင့်ဆင်တူသော လက္ခဏာများရှိသည့် အာရုံကြောယိုယွင်းရောဂါတစ်မျိုးဖြစ်သော Perry ရောဂါစုကို ဖြစ်စေသည်။

DCTN1 သည် အာရုံကြောဆဲလ်များအတွင်း ပစ္စည်းများ သယ်ပို့ရာတွင် ပါဝင်သည်။ ဦးနှောက်တစ်ခုလုံးဆိုင်ရာ CRISPR အချက်အလက်မြေပုံတွင် Dctn1 ၏ လုပ်ဆောင်မှုကို နှောင့်ယှက်လိုက်သောအခါ ကိုလက်စထရော ထုတ်လုပ်ရာ၌ ပါဝင်သည့် မျိုးဗီဇများ၏ ဖော်ပြမှု မြင့်တက်လာသည်။ အေးဂျင့်များသည် ဤတွေ့ရှိချက်ကို ကိုလက်စထရော သယ်ပို့မှု ပြဿနာများကြောင့် ဆဲလ်များက ကိုလက်စထရော ပိုမိုထုတ်လုပ်နိုင်ကြောင်း ညွှန်ပြသော သုတေသနနှင့် ချိတ်ဆက်ခဲ့သည်။ ထိုမှ နောက်ဆက်တွဲ စမ်းသပ်ချက်များအတွက် မေးခွန်းတစ်ခု ပေါ်လာသည်။ DCTN1 လုပ်ဆောင်မှုကို နှောင့်ယှက်ခြင်းက အာရုံကြောဆဲလ်များအတွင်း ကိုလက်စထရော ပျံ့နှံ့တည်ရှိပုံကို ပြောင်းလဲစေနိုင်သလား။ ထိုပြောင်းလဲမှုများက အာရုံကြောယိုယွင်းမှုကို အားပေးနိုင်သလား။ ထိုသို့ဖြစ်ပါက ကိုလက်စထရော ပျံ့နှံ့တည်ရှိပုံကို ပုံမှန်အတိုင်း ပြန်ဖြစ်စေခြင်းဖြင့် အာရုံကြောဆဲလ်များကို ကာကွယ်နိုင်မလား။

လူသားကျွမ်းကျင်သူများကလည်း ဤယူဆချက်သည် ဆန်းသစ်ပြီး အရေးပါကာ ဆက်လက်လေ့လာသင့်သည်ဟု ယူဆခဲ့ကြသည်။ မမျှော်လင့်ထားသော ရလဒ်ကို ရှိပြီးသားအသိပညာနှင့် ချိတ်ဆက်ခြင်းဖြင့် သဲလွန်စတစ်ခုကို စမ်းသပ်နိုင်သော အယူအဆအဖြစ်၊ ထိုမှတစ်ဆင့် ရောဂါကုသရေး လမ်းကြောင်းသစ်တစ်ခုအဖြစ် ပြောင်းလဲနိုင်ပုံကို ဤဥပမာက ပြသသည်။

ရှာဖွေတွေ့ရှိမှုများတွင် သိပ္ပံပညာရှင်များကပင် အဓိကအခန်းကဏ္ဍမှ ဆက်လက်ပါဝင်နေသည်။ AI သည် အလားအလာကောင်းသော သဲလွန်စများ ပိုမိုဖော်ထုတ်ပေးခြင်းဖြင့် သုတေသီများအား မည်သည့်အယူအဆကို ဆက်လေ့လာမည်ဟု ဆုံးဖြတ်ရန်၊ စမ်းသပ်ချက်များ ရေးဆွဲရန်နှင့် ရလဒ်များကို အဓိပ္ပာယ်ဖော်ရန် ကူညီနိုင်သည်။ ရည်ရွယ်ချက်မှာ ဇီဝဗေဒစမ်းသပ်ချက်များမှ အချက်အလက်များကို အသိပညာအဖြစ် ပိုမိုပြောင်းလဲရန်ဖြစ်သည်။ ထိုအသိပညာက အချိန်နှင့်အမျှ ပိုကောင်းသော ဆေးဝါးများ ဖန်တီးရေးကို လမ်းညွှန်ပေးနိုင်မည်ဖြစ်သည်။