ပိုးသတ်မော်လီကျူးအသစ်များရှာရန် သုတေသီတစ်ဦးက Codex နှင့် ChatGPT ကို အသုံးပြုပုံ

ဘက်တီးရီးယား၊ မှို၊ ကပ်ပါးပိုးနှင့် ဗိုင်းရပ်စ်တို့အပါအဝင် ဆေးယဉ်ပါး ရောဂါပိုးများသည် ကမ္ဘာတစ်ဝန်း ပိုမိုကြီးထွားလာနေသော ခြိမ်းခြောက်မှုတစ်ခု ဖြစ်သည်။ ၂၀၂၁ ခုနှစ်တွင် သေဆုံးမှု ငါးသန်းခန့်သည် ဘက်တီးရီးယားများ၏ ပိုးသတ်ဆေးယဉ်ပါးမှုနှင့် ဆက်နွှယ်ခဲ့ပြီး⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) နှစ်စဉ်သေဆုံးမှုသည် ၂၀၅၀ ပြည့်နှစ်တွင် နှစ်ဆနီးပါး ဖြစ်လာမည်ဟု ခန့်မှန်းထားသည်။ ပိုးသတ်ဆေးအဖြစ် အသုံးပြုနိုင်ခြေရှိသော မော်လီကျူးများကို ရှာဖွေရန် နှစ်ပေါင်းများစွာ ကြာနိုင်သည်။ သုတေသီများသည် ဤကနဦးရှာဖွေဖော်ထုတ်မှုအဆင့်ကို အရှိန်မြှင့်ရန် AI ကို အသုံးပြုနေကြသည်။

“ကျွန်ုပ်အမြင်အရ ပိုးသတ်ဆေးယဉ်ပါးမှုက လူသားမျိုးနွယ်တည်ရှိရေးအတွက် အကြီးမားဆုံး ခြိမ်းခြောက်မှုတွေထဲက တစ်ခုပါ” ဟု ပိုးသတ်နိုင်သည့် အလားအလာရှိသော ပစ္စည်းများကို ရှာဖွေသည့် ဘာသာရပ်ပေါင်းစုံ ဓာတ်ခွဲခန်းကို ဦးဆောင်သော ဇီဝအင်ဂျင်နီယာ César de la Fuente⁠(ဝင်းဒိုးအသစ်တွင် ဖွင့်မည်) က ပြောသည်။ “ဒါပေမယ့် ပဋိဇီဝဆေးအမျိုးအစားသစ် မပေါ်လာတာ နှစ် ၅၀ ရှိပါပြီ။”

ခေတ်မီ ပိုးသတ်ဆေးဖွံ့ဖြိုးရေးအများစုသည် ရှိပြီးသားဆေးဝါးများကို ပြုပြင်ခြင်း သို့မဟုတ် ရင်းနှီးပြီးသား ဓာတုပစ္စည်းအမျိုးအစားများထဲတွင် ရှာဖွေခြင်းကို အာရုံစိုက်သည်။ သို့သော် ထိုနည်းလမ်းမှ ရရှိနိုင်သည့် အကျိုးရလဒ်မှာ တဖြည်းဖြည်း လျော့နည်းလာသည်။

De la Fuente ၏ ဓာတ်ခွဲခန်းကမူ စူးစမ်းမှု အလွန်နည်းပါးသေးသည့် သက်ရှိ၏ကုဒ်မှ စတင်သည်။ ဤလုပ်ငန်း၏ အဓိကအယူအဆမှာ ဇီဝဗေဒသည် သတင်းအချက်အလက်စနစ်တစ်ခု ဖြစ်သည်ဟူ၍ ဖြစ်သည်။ “DNA ကို ဖွဲ့စည်းထားတဲ့ nucleotide တွေနဲ့ ပရိုတင်း၊ peptide တွေကို ဖွဲ့စည်းထားတဲ့ amino အက်ဆစ်တွေဟာ အက္ခရာစဉ်တစ်ခုလိုပါပဲ” ဟု de la Fuente က ပြောသည်။ “ဇီဝဗေဒကို သတင်းအချက်အလက်အဖြစ် ရှုမြင်ခြင်းကြောင့် လုပ်ဆောင်ချက်ရှိသော မော်လီကျူးတစ်ခု ပေါ်ပေါက်လာစေသည့် သက်ရှိတို့၏ ဖွဲ့စည်းမှုအခြေခံသဘောတရားများကို စတင်ဖော်ထုတ်နိုင်သော နည်းလမ်းများ တီထွင်နိုင်ခဲ့ပါတယ်။”

ဓာတ်ခွဲခန်း၏ နက်နဲစွာ သင်ယူလေ့လာခြင်း မော်ဒယ်များကို ဇီဝအစဉ်လိုက်ဒေတာများရှိ ပုံစံများကို မှတ်မိနိုင်ရန် လေ့ကျင့်ထားသဖြင့် ပိုးသတ်နိုင်သည့် အလားအလာရှိသော ပစ္စည်းများကို ကြီးမားသည့် genome နှင့် ပရိုတင်း dataset များထဲတွင် ရှာဖွေနိုင်သည်။ ဤနည်းလမ်းက အလားအလာရှိသော မော်လီကျူးများကို ကနဦးရှာဖွေရသည့် အချိန်ကို နှစ်ပေါင်းများစွာမှ နာရီပိုင်းအထိ လျှော့ချပေးနိုင်သည်။

ဓာတ်ခွဲခန်းသည် ကိုယ်ပိုင် AI မော်ဒယ်များနှင့်အတူ ChatGPT နှင့် Codex ကို အသုံးပြု၍ ယူဆချက်များ စိတ်ကူးထုတ်ခြင်း၊ ကုဒ်ရေးသားပြင်ဆင်ခြင်း၊ dataset စုများ ပြုပြင်စီမံခြင်း၊ ရလဒ်များ ဆန်းစစ်ခြင်းနှင့် သိပ္ပံနယ်ပယ်များအကြား အယူအဆများ ချိတ်ဆက်ခြင်းတို့ကို လုပ်ဆောင်သည်။

Genome တစ်ခု၏ အစိတ်အပိုင်းအနည်းငယ်ကိုသာ မည်သို့လုပ်ဆောင်သည်ဟု ရှင်းရှင်းလင်းလင်း နားလည်ထားပြီး ကူးစက်ရောဂါပိုးများကို တိုက်ဖျက်နိုင်သည့် မော်လီကျူးများအတွက် ကုဒ်သယ်ဆောင်သည့် အစိတ်အပိုင်းမှာ ထိုထက်ပင် နည်းပါးသည်။ စိန်ခေါ်မှုမှာ မော်လီကျူးတစ်ခုကို လုပ်ဆောင်ချက်ရှိစေသော သို့မဟုတ် ဇီဝဗေဒအရ တက်ကြွစေသော ပုံစံများကို ရှာဖွေပြီး မည်သည့်မော်လီကျူးများက ကူးစက်ရောဂါပိုးများကို တိုက်ဖျက်နိုင်ခြေရှိသည်ကို ဆုံးဖြတ်ရန် ဖြစ်သည်။

သိပ္ပံပညာရှင်များသည် အပင်၊ တိရစ္ဆာန်၊ ရောဂါပိုး၊ အင်းဆက်၊ ရေနှင့် မြေဆီလွှာတို့ထဲတွင် ပိုးသတ်ပစ္စည်းများကို ကာလကြာရှည်စွာ ရှာဖွေခဲ့ကြသည်။ ၎င်းတို့သည် နမူနာများ စုဆောင်းကာ အလားအလာရှိသော မော်လီကျူးများကို ခွဲထုတ်ခြင်း သို့မဟုတ် ခန့်မှန်းခြင်းပြုလုပ်ပြီး နှစ်ပေါင်းများစွာ ကြာနိုင်သည့် ထပ်ခါတလဲလဲ စမ်းသပ်မှုဖြင့် စစ်ဆေးကြသည်။

ဒစ်ဂျစ်တယ် genome နှင့် ပရိုတင်းဒေတာဘေ့စ်များကြောင့် ယခုအခါ သိပ္ပံပညာရှင်များသည် သက်ရှိမျိုးစုံတစ်လျှောက် ဒြပ်ပေါင်းအသစ်များကို ရှာဖွေနိုင်ပြီး စူးစမ်းနိုင်သည့် ဒေတာအကျယ်အဝန်းလည်း အလွန်တိုးလာသည်။ သို့သော် အချက်အလက်ပေါများမှုနှင့်အတူ ဖြစ်နိုင်ခြေ အမြောက်အမြားကြားမှ အလားအလာကောင်းသော အချက်ပြများကို ရှာဖွေရသည့် စိန်ခေါ်မှုလည်း ရှိလာသည်။

ကောက်ရိုးပုံထဲမှ အပ်ရှာရသကဲ့သို့သော ဤအလုပ်အတွက် AI သည် အထူးသင့်လျော်သည်။ ၎င်းသည် ကြီးမားသည့် dataset များကို စိစစ်နိုင်ပြီး သုတေသီများ သတိပြုမိရန်ခက်သည့် ပုံစံများကို ရှာဖွေကာ စမ်းသပ်စစ်ဆေးနိုင်သည့် အရေအတွက်အထိ အလားအလာရှိသော ပစ္စည်းများကို ဦးစားပေးရွေးချယ်နိုင်သည်။

သို့သော် အလားအလာကောင်းသော ပစ္စည်းတစ်ခုကို ရှာတွေ့ခြင်းသည် ထိရောက်သော ဆေးဝါးတစ်မျိုး ဖြစ်လာမည်ဟု မဆိုလိုပါ။

သိပ္ပံပညာရှင်များသည် အလားအလာရှိသော မော်လီကျူးက ပစ်မှတ်ရောဂါပိုးကို သတ်နိုင်ကြောင်း ဦးစွာအတည်ပြုရပြီး ထိရောက်ရန် လိုအပ်သည့် ပမာဏကို သတ်မှတ်ကာ လူ့ဆဲလ်များအပေါ် မည်သို့သက်ရောက်သည်ကို စမ်းသပ်ရသည်။ ထို့နောက် ဓာတုဗေဒပညာရှင်များက ၎င်း၏ ထိရောက်မှု၊ ဘေးကင်းမှု သို့မဟုတ် တည်ငြိမ်မှုကို မြှင့်တင်ရန် ပိုမိုကောင်းမွန်အောင် ပြုပြင်နိုင်သည်။

နောက်ထပ်စမ်းသပ်မှုများဖြင့် ထိုပစ္စည်း အဆိပ်ဖြစ်လာသည့် ဆေးပမာဏ၊ ရောဂါပိုးများက မော်လီကျူးကို မည်မျှလွယ်ကူစွာ ယဉ်ပါးလာနိုင်သည်နှင့် ခန္ဓာကိုယ်အတွင်း ထိုပစ္စည်း မည်သို့ရွေ့လျားသည်တို့ကို ဆန်းစစ်သည်။ အဖွဲ့များသည် မော်လီကျူးကို ယုံကြည်စိတ်ချစွာ ထုတ်လုပ်နိုင်သည့် နည်းလမ်းကိုလည်း သတ်မှတ်ကြသည်။ ဤအတားအဆီးများကို ကျော်ဖြတ်နိုင်သည့် ပစ္စည်းများပင် အတည်ပြုထားသော ပိုးသတ်ဆေးဝါးများအဖြစ် လူနာများထံ မရောက်မီ စည်းမျဉ်းဆိုင်ရာ သုံးသပ်မှုနှင့် လက်တွေ့စမ်းသပ်မှုများကို ဖြတ်သန်းရသေးသည်။

De la Fuente အတွက်မူ ဤအကြောင်းကြောင့် AI နှင့် ဓာတ်ခွဲခန်းဇီဝဗေဒတို့ အတူတကွ တိုးတက်ရန် လိုအပ်သည်။ “AI ရဲ့ ခန့်မှန်းချက်တွေကို အတည်ပြုဖို့ လက်တွေ့စမ်းသပ်ချက်တွေက မရှိမဖြစ်လိုအပ်ပါတယ်” ဟု သူက ပြောသည်။ “အလွန်ရှုပ်ထွေးလှတဲ့ ဇီဝဗေဒအကြောင်း ကျွန်ုပ်တို့ နားလည်မှုကို ဆက်လက်တိုးချဲ့လိုတယ်ဆိုရင် လာမယ့်နှစ်တွေမှာ ဒါဟာ သက်ရှိသိပ္ပံအတွက် အလွန်အရေးကြီးလာပါလိမ့်မယ်။”

သူ၏ ဓာတ်ခွဲခန်းသည် သက်ရှိနှင့် မျိုးသုဉ်းပြီး သက်ရှိများ၏ genome များထဲတွင် အလားအလာရှိသော မော်လီကျူးများကို ရှာဖွေသည်။ ထို genome များကို ရှာဖွေခြင်း၊ ၎င်းတို့ကုဒ်သတ်မှတ်ထားသော ပရိုတင်းများ မည်သို့ဖွဲ့စည်း၍ လုပ်ဆောင်သည်ကို နားလည်ခြင်းနှင့် ထိုမော်လီကျူးများ၏ လုပ်ဆောင်ချက်ကို သတ်မှတ်ခြင်းတို့အတွက် နယ်ပယ်များစွာမှ ကျွမ်းကျင်မှု လိုအပ်သည်။

“ကျွန်ုပ်တို့က ဘာသာရပ်နယ်ပယ်တွေကို ကျော်လွန်ပေါင်းစည်းထားတဲ့ အဖွဲ့ဖြစ်လို့ ဇီဝဗေဒ၊ ဓာတုဗေဒ၊ ကွန်ပျူတာသိပ္ပံနဲ့ အင်ဂျင်နီယာနယ်ပယ်တွေက လူတွေ ပါဝင်ပါတယ်” ဟု de la Fuente က ပြောသည်။ ဓာတ်ခွဲခန်းအဖွဲ့ဝင်အချို့သည် ပရိုဂရမ်ရေးရာတွင် ကျွမ်းကျင်သော်လည်း ဇီဝဗေဒ သို့မဟုတ် ဓာတုဗေဒကို သိနားလည်မှုနည်းပြီး အချို့မှာမူ ပြောင်းပြန်ဖြစ်သည်။ Codex နှင့် ChatGPT က ထိုကွာဟချက်များကို ဖြည့်ဆည်းပေးပြီး ဇီဝဗေဒပညာရှင်များအား ပရိုဂရမ်များ ဖန်တီးနိုင်စေသလို ပရိုဂရမ်ရေးသူများအားလည်း ဇီဝဗေဒပြဿနာများကို ဖြေရှင်းနိုင်စေသည်။ ဤသဘောအရ AI သည် သိပ္ပံပညာရပ်နယ်ပယ်များကြားရှိ အတားအဆီးများကို လျှော့ချပေးသည်။

၎င်းက ဓာတ်ခွဲခန်းအဖွဲ့ဝင်များအား ဘာသာရပ်ပေါင်းစုံ လုပ်ငန်းအတွက် လိုအပ်သည့် မရင်းနှီးသေးသော အကြောင်းအရာများကို လေ့လာသုံးသပ်ရန်၊ ဝေါဟာရများကို ရှင်းလင်းရန်၊ နယ်ပယ်အသီးသီးမှ နည်းလမ်းများကို နှိုင်းယှဉ်ရန်နှင့် ဆေးဝါးရှာဖွေဖော်ထုတ်ရေးအတွက် အကြံဉာဏ်များကို စုစည်းရန် ကူညီပေးသည်။ အခြားသူများကမူ ကြီးမားသည့် genome dataset များကို ဒေါင်းလုဒ်လုပ်ခြင်း၊ စုစည်းခြင်းနှင့် ကြိုတင်ပြင်ဆင်ခြင်းတို့အတွက် AI ကို အသုံးပြုကြသည်။ ChatGPT ကြောင့် ဓာတ်ခွဲခန်းအဖွဲ့ဝင်များသည် မိခင်ဘာသာစကားဖြင့်လည်း အလုပ်လုပ်နိုင်ပြီး အတားအဆီးများ လျော့နည်းကာ လုပ်ငန်းစဉ်များ ပိုမိုမြန်ဆန်လာသည်။

De la Fuente သည် အကြံဉာဏ်သစ်များ စဉ်းစားရာတွင် ChatGPT ကို မိတ်ဖက်အဖြစ် အသုံးပြုသည်။ သူသည် လုပ်ဖော်ကိုင်ဖက်များနှင့် အကြံဉာဏ်များ ဆက်လက်ဖော်ထုတ်နေသော်လည်း ယူဆချက်တစ်ခု ပုံဖော်ရာတွင် AI က ကူညီပေးနိုင်မှုကို တန်ဖိုးထားသည်။ ခလုတ်တစ်ချက်နှိပ်ရုံဖြင့် ကမ္ဘာတစ်ဝန်းရှိ အချက်အလက်များကို ရယူနိုင်ခြင်းကိုလည်း သူ သဘောကျသည်။

“ကျွန်ုပ်တို့ ဖြေရှင်းဖို့ ကြိုးစားနေတဲ့ ပြဿနာတွေကို ရှုမြင်ပုံမတူတဲ့ လူမျိုးစုံဆီက အကြံပြုချက်တွေကို ကျွန်ုပ်တို့ရဲ့ ChatGPT အလုပ်နေရာက လက်ခံရရှိနေပါတယ်” ဟု de la Fuente က ပြောသည်။ ဓာတ်ခွဲခန်းအဖွဲ့ဝင်များက ၎င်းတို့၏ ကောင်းသည့်အကြံ၊ မကောင်းသည့်အကြံများကို ထည့်သွင်းပေးသဖြင့် ၎င်းသည် အတူတကွ အကြံစမ်းသပ်ဆွေးနွေးနိုင်သည့် နေရာတစ်ခုကဲ့သို့ ဖြစ်လာသည်။

သို့သော် AI တစ်ခုတည်းကိုသာ အားကိုးခြင်းမပြုရန် သူ သတိပေးသည်။ “မှန်ကန်မှုရှိမရှိ အမြဲပြန်စစ်ဖို့တော့ လိုပါတယ်” ဟု de la Fuente က ပြောသည်။

သို့တိုင် သိပ္ပံပညာရပ်နယ်ပယ်များကြားရှိ နယ်နိမိတ်များကို သုတေသီများ စူးစမ်းရာတွင် AI က ကူညီပေးနိုင်မှုကို သူ တန်ဖိုးထားသည်။ “အဲဒီနေရာတွေမှာပဲ ရှာဖွေတွေ့ရှိဖို့ စောင့်ဆိုင်းနေတဲ့ အောင်မြင်မှုကြီးတွေ ရှိပါတယ်။ အဲဒါတွေဟာ လူအနည်းငယ်သာ သွားရောက်ကြတဲ့ ပညာရပ်နယ်ပယ်များကြားက အစွန်အဖျားတွေမှာ ရှိနေကြတာပါ။”

သူက ဤလုပ်ငန်းကို ရှည်လျားလှသည့် သိပ္ပံအစဉ်အလာ၏ အစိတ်အပိုင်းတစ်ခုအဖြစ် ရှုမြင်သည်။ “ကျွန်ုပ်တို့ပတ်ဝန်းကျင်က ကမ္ဘာကို နားလည်ဖို့ ကိရိယာတွေနဲ့ စက်တွေကို အစဉ်အမြဲ အားကိုးခဲ့ကြပါတယ်” ဟု de la Fuente က ပြောသည်။ “တယ်လီစကုပ်က စကြဝဠာကို မြင်သာစေခဲ့ပြီး မိုက်ခရိုစကုပ်က မမြင်နိုင်သော ကမ္ဘာကို ဖော်ထုတ်ပေးခဲ့ပါတယ်။” ယခုအခါ စက်များက သုတေသီများအား ဇီဝဗေဒကို နားလည်ရန်၊ ခန့်မှန်းရန်နှင့် ဒီဇိုင်းရေးဆွဲရန် ကူညီပေးနေသည်။ “ဒါကပဲ ကျွန်ုပ်တို့ လုပ်ငန်းရဲ့ အနှစ်သာရပါ” ဟု သူက ပြောသည်။