ਜੀਵ-ਵਿਗਿਆਨਕ ਡਾਟਾ ਵਿੱਚੋਂ ਨਵੇਂ ਸੁਰਾਗ ਸਾਹਮਣੇ ਲਿਆਉਣ ਲਈ AI ਦੇ ਹਜ਼ਾਰਾਂ ਏਜੰਟਾਂ ਨੂੰ ਵਰਤਣਾ

ਕੀ ਹੋਵੇ ਜੇਕਰ ਵਿਗਿਆਨੀ ਮਹੀਨਿਆਂ ਦੀ ਬਜਾਏ ਮਿੰਟਾਂ ਵਿੱਚ ਅਲਜ਼ਾਈਮਰ ਅਤੇ ਪਾਰਕਿਨਸਨ ਬਾਰੇ ਨਵੇਂ ਸੁਰਾਗ ਸਾਹਮਣੇ ਲਿਆ ਸਕਣ? ਆਪਸ ਵਿੱਚ ਮਿਲ ਕੇ ਕੰਮ ਕਰਦਿਆਂ, OpenAI, PerturbAI⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਅਤੇ ਸਕ੍ਰਿਪਸ ਰਿਸਰਚ⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਨੇ ਚੂਹਿਆਂ ਦੇ ਦਿਮਾਗ ਦੇ ਲੱਖਾਂ ਸੈੱਲਾਂ⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਤੋਂ ਮਿਲੇ ਮੌਜੂਦਾ ਪ੍ਰਯੋਗਾਤਮਕ ਡਾਟਾ ਦਾ ਸਿਰਫ਼ 32 ਮਿੰਟਾਂ ਵਿੱਚ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨ ਲਈ GPT‑Rosalind ਰਾਹੀਂ ਸੰਚਾਲਿਤ ਹਜ਼ਾਰਾਂ AI ਏਜੰਟਾਂ⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦੀ ਵਰਤੋਂ ਕੀਤੀ। ਇਹਨਾਂ ਏਜੰਟਾਂ ਨੇ ਜੀਨਾਂ ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਵਿਘਨਾਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਵਿਗਿਆਨਕ ਸਾਹਿਤ ਦੀਆਂ ਖੋਜਾਂ ਨਾਲ ਜੋੜਿਆ, ਜਿਸ ਨਾਲ ਅਜਿਹੇ ਅਣਕਿਆਸੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਸੰਬੰਧ ਸਾਹਮਣੇ ਆਏ ਜੋ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਬਿਮਾਰੀ ਨੂੰ ਸਮਝਣ ਅਤੇ ਨਵੇਂ ਇਲਾਜਾਂ ਲਈ ਖੋਜ ਦੀਆਂ ਦਿਸ਼ਾਵਾਂ ਪਛਾਣਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਕੰਮ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਵੱਡੇ ਜੀਵ-ਵਿਗਿਆਨਕ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਸਾਹਮਣੇ ਆਉਣ ਵਾਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਹੋਰ ਡੂੰਘਾਈ ਨਾਲ ਖੋਜਣ ਵਿੱਚ AI ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ।

ਆਧੁਨਿਕ ਪ੍ਰਯੋਗ ਇੰਨਾ ਡਾਟਾ ਪੈਦਾ ਕਰਦੇ ਹਨ ਜਿਸ ਦੀ ਵਿਗਿਆਨੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਵੀ ਨਹੀਂ ਕਰ ਸਕਦੇ। ਖੋਜਕਰਤਾ ਹੁਣ ਹਜ਼ਾਰਾਂ ਜੀਨਾਂ ਵਿੱਚ ਬਦਲਾਅ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਲੱਖਾਂ ਸੈੱਲਾਂ 'ਤੇ ਉਨ੍ਹਾਂ ਦੇ ਪ੍ਰਭਾਵਾਂ ਨੂੰ ਮਾਪ ਸਕਦੇ ਹਨ। ਪਰ ਮਨੁੱਖੀ ਬਿਮਾਰੀਆਂ ਲਈ ਇਨ੍ਹਾਂ ਨਤੀਜਿਆਂ ਦਾ ਅਰਥ ਸਮਝਣ ਵਾਸਤੇ ਗੁੰਝਲਦਾਰ ਪ੍ਰਯੋਗਾਤਮਕ ਖੋਜਾਂ ਨੂੰ ਦਹਾਕਿਆਂ ਦੇ ਖਿੱਲਰੇ ਪਏ ਵਿਗਿਆਨਕ ਗਿਆਨ ਨਾਲ ਜੋੜਨਾ ਜ਼ਰੂਰੀ ਹੁੰਦਾ ਹੈ। ਇੱਥੇ AI ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਅਜਿਹੇ ਸੰਭਾਵਨਾਪੂਰਨ ਸੁਰਾਗ ਸਾਹਮਣੇ ਲਿਆਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਸ਼ਾਇਦ ਅਣਦੇਖੇ ਰਹਿ ਜਾਂਦੇ।

ਟੀਮ ਨੇ ਇਸ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ GPT‑Rosalind ਰਾਹੀਂ ਸੰਚਾਲਿਤ ਹਜ਼ਾਰਾਂ AI ਏਜੰਟਾਂ ਵਿੱਚ ਵੰਡਿਆ, ਜਿਸ ਪਹੁੰਚ ਨੂੰ ਅਸੀਂ ਵਿਤਰਿਤ ਜੀਵ-ਵਿਗਿਆਨਕ ਰੀਜ਼ਨਿੰਗ ਕਹਿੰਦੇ ਹਾਂ। ਇਹਨਾਂ ਏਜੰਟਾਂ ਨੇ ਦਿਮਾਗ ਦੇ ਸਮੁੱਚੇ CRISPR ਐਟਲਸ⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ) ਦੀ ਜਾਂਚ ਕੀਤੀ, ਇਹ ਅਜਿਹਾ ਡਾਟਾਸੈੱਟ ਹੈ ਜੋ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਜੀਨਾਂ ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਵਿਘਨ ਚੂਹੇ ਦੇ ਦਿਮਾਗ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਸੈੱਲਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਹਰੇਕ ਏਜੰਟ ਨੇ ਕਿਸੇ ਜੀਨ ਵਿਘਨ ਦੀ ਪੜਤਾਲ ਕੀਤੀ, ਸੈੱਲ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ, ਵਿਗਿਆਨਕ ਸਾਹਿਤ ਦੀ ਖੋਜ ਕੀਤੀ, ਅਤੇ ਨਤੀਜਿਆਂ ਲਈ ਸੰਭਾਵੀ ਵਿਆਖਿਆਵਾਂ ਪੇਸ਼ ਕੀਤੀਆਂ। ਉਹਨਾਂ ਦੀਆਂ ਰਿਪੋਰਟਾਂ ਨੂੰ ਮਿਲਾ ਕੇ ਰੀਜ਼ਨਿੰਗ ਐਟਲਸ ਤਿਆਰ ਕੀਤਾ ਗਿਆ, ਜੋ ਜੀਨਾਂ, ਸੈੱਲਾਂ 'ਤੇ ਪਏ ਪ੍ਰਭਾਵਾਂ, ਸੰਬੰਧਿਤ ਪ੍ਰਕਾਸ਼ਨਾਂ ਅਤੇ ਸੰਭਾਵੀ ਜੀਵ-ਵਿਗਿਆਨਕ ਵਿਧੀਆਂ ਨੂੰ ਆਪਸ ਵਿੱਚ ਜੋੜਦਾ ਹੈ।

ਖੋਜ ਟੀਮ ਨੇ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਕਿ ਇੱਕ ਵਾਰ ਵਿੱਚ ਇੱਕ ਵਿਘਨ 'ਤੇ ਆਧਾਰਿਤ ਇਸੇ ਤਰ੍ਹਾਂ ਦੇ ਮਨੁੱਖੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਸਾਹਿਤ ਸਮੀਖਿਆ ਲਈ ਕਈ ਮਹੀਨਿਆਂ ਤੋਂ ਲੈ ਕੇ ਇੱਕ ਸਾਲ ਤੱਕ ਦਾ ਸਮਾਂ ਲੱਗੇਗਾ। ਏਜੰਟਾਂ ਨੇ ਮਨੁੱਖੀ ਵਿਸ਼ਲੇਸ਼ਣਾਂ ਤੋਂ ਪ੍ਰਾਪਤ ਨਤੀਜਿਆਂ ਨੂੰ ਦੁਹਰਾਇਆ ਅਤੇ ਨਾਲ ਹੀ ਕੁਝ ਵਾਧੂ ਸੁਰਾਗ ਵੀ ਸਾਹਮਣੇ ਲਿਆਂਦੇ। ਨਵੀਨਤਾ ਅਤੇ ਵਿਗਿਆਨਕ ਮਹੱਤਤਾ ਬਾਰੇ ਉਨ੍ਹਾਂ ਦੇ ਮੁਲਾਂਕਣ ਵੀ ਬਲਾਇੰਡ ਕੀਤੇ ਗਏ ਮਨੁੱਖੀ ਮਾਹਰਾਂ ਦੇ ਫ਼ੈਸਲਿਆਂ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮੇਲ ਖਾਂਦੇ ਸਨ। ਇਹ ਨਤੀਜੇ ਸੁਝਾਈਆਂ ਗਈਆਂ ਜੀਵ-ਵਿਗਿਆਨਕ ਵਿਧੀਆਂ ਦੀ ਪਰਖ ਲਈ ਲੋੜੀਂਦੇ ਅਗਲੇ ਪ੍ਰਯੋਗਾਂ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ।

ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਅੰਤਰ-ਦ੍ਰਿਸ਼ਟੀਆਂ ਦਿਮਾਗ ਦੀਆਂ ਬਿਮਾਰੀਆਂ ਨੂੰ ਸਮਝਣ ਲਈ ਨਵੇਂ ਸੁਰਾਗ ਦਿੰਦੀਆਂ ਹਨ। ਏਜੰਟਾਂ ਨੇ ਇਸ ਗੱਲ ਵਿੱਚ ਅਣਕਿਆਸੇ ਅੰਤਰ ਪਛਾਣੇ ਕਿ ਬਿਮਾਰੀ ਨਾਲ ਜੁੜੇ ਦੋ ਜੀਨ ਦਿਮਾਗੀ ਸੈੱਲਾਂ ਨੂੰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਨਾਲ ਹੀ ਕੋਲੇਸਟ੍ਰੋਲ ਨਿਯੰਤਰਣ ਤੇ ਨਿਊਰੋਡੀਜਨਰੇਸ਼ਨ ਵਿਚਕਾਰ ਇੱਕ ਸੰਭਾਵੀ ਸੰਬੰਧ ਦੀ ਪਛਾਣ ਕੀਤੀ। ਇਹ ਨਤੀਜੇ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਇਹ ਜਾਂਚਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਬਿਮਾਰੀ ਕਿਵੇਂ ਵਿਕਸਿਤ ਹੁੰਦੀ ਹੈ ਅਤੇ ਭਵਿੱਖ ਵਿੱਚ ਇਲਾਜ ਰਾਹੀਂ ਕਿੱਥੇ ਦਖ਼ਲ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਖੋਜਕਰਤਾ ਅੱਜ ਤੋਂ ਹੀ ਇਹਨਾਂ ਖੋਜਾਂ ਦੀ ਪੜਚੋਲ ਸ਼ੁਰੂ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਰੀਜ਼ਨਿੰਗ ਐਟਲਸ ਉਪਲਬਧ ਹੈ⁠(ਨਵੀਂ ਵਿੰਡੋ ਵਿੱਚ ਖੁੱਲ੍ਹਦਾ ਹੈ), ਜਿਸ ਨਾਲ ਵਿਗਿਆਨੀਆਂ ਲਈ ਸੰਬੰਧਿਤ ਜੀਨਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ, ਅਣਕਿਆਸੀਆਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਅੱਗੇ ਵਧਾਉਣ ਯੋਗ ਸੰਭਾਵਨਾਪੂਰਨ ਸੁਰਾਗਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਸੰਭਵ ਹੋ ਜਾਂਦਾ ਹੈ। ਨਵੀਆਂ ਖੋਜਾਂ ਅਕਸਰ ਉਦੋਂ ਸਾਹਮਣੇ ਆਉਂਦੀਆਂ ਹਨ ਜਦੋਂ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਦੇ ਖੋਜਕਰਤਾ ਆਪਣੀ ਮੁਹਾਰਤ ਨੂੰ ਇਕੱਠੀ ਕਰਦੇ ਹਨ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਵਿਚਾਰਾਂ ਨੂੰ ਅਣਕਿਆਸੇ ਤਰੀਕਿਆਂ ਨਾਲ ਜੋੜਦੇ ਹਨ। AI ਨਵੇਂ ਡਾਟਾ ਨੂੰ ਵੱਖ-ਵੱਖ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਖਿੱਲਰੇ ਪਏ ਗਿਆਨ ਨਾਲ ਜੋੜ ਕੇ ਇਹਨਾਂ ਸੰਬੰਧਾਂ ਦੇ ਦਾਇਰੇ ਨੂੰ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਵਧਾ ਸਕਦਾ ਹੈ। ਇਹ ਮੌਕਾ ਸਿਰਫ਼ ਡਾਟਾ ਦਾ ਤੇਜ਼ੀ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਹੈ। AI ਨੂੰ ਪ੍ਰਯੋਗਾਤਮਕ ਜੀਵ-ਵਿਗਿਆਨ, ਮਨੁੱਖੀ ਮੁਹਾਰਤ ਅਤੇ ਵਿਗਿਆਨਕ ਸਾਹਿਤ ਨਾਲ ਜੋੜ ਕੇ, ਅਸੀਂ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਆਪਣੇ ਡਾਟਾ ਦੇ ਵੱਡੇ ਹਿੱਸੇ ਨੂੰ ਪਰਖਣਯੋਗ ਵਿਚਾਰਾਂ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਾਂ।

ਕਿਸੇ ਪ੍ਰਯੋਗ ਦੇ ਕੁਝ ਸਭ ਤੋਂ ਦਿਲਚਸਪ ਸੁਰਾਗ ਉਸ ਸਵਾਲ ਦੇ ਦਾਇਰੇ ਤੋਂ ਬਾਹਰ ਹੁੰਦੇ ਹਨ ਜਿਸ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਵਿਗਿਆਨੀ ਨਿਕਲੇ ਹੁੰਦੇ ਹਨ। ਹਜ਼ਾਰਾਂ ਪ੍ਰਯੋਗਾਤਮਕ ਬਦਲਾਵਾਂ ਵਾਲੇ ਡਾਟਾਸੈੱਟ ਵਿੱਚ ਅਜਿਹੇ ਸੁਰਾਗ ਆਸਾਨੀ ਨਾਲ ਅਣਦੇਖੇ ਰਹਿ ਸਕਦੇ ਹਨ।

ਏਜੰਟਾਂ ਨੇ Tsc1 ਅਤੇ Tsc2 ਵਿਚਕਾਰ ਇੱਕ ਅਣਕਿਆਸੇ ਅੰਤਰ ਦੀ ਪਛਾਣ ਕੀਤੀ, ਇਹ ਦੋਵੇਂ ਜੀਨ ਸੈੱਲ ਦੇ ਵਾਧੇ, ਮੈਟਾਬੋਲਿਜ਼ਮ ਅਤੇ ਬੁਢਾਪੇ ਦੇ ਮੁੱਖ ਨਿਯੰਤਰਕ mTOR ਨੂੰ ਕੰਟਰੋਲ ਕਰਨ ਲਈ ਮਿਲ ਕੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਨਿਊਰੋਨਾਂ ਦੇ ਕਈ ਸਮੂਹਾਂ ਵਿੱਚ ਇਹਨਾਂ ਦੋਹਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਵੀ ਜੀਨ ਦੇ ਕੰਮ ਵਿੱਚ ਵਿਘਨ ਪਾਉਣ ਨਾਲ ਇੱਕੋ ਜਿਹੇ ਪ੍ਰਭਾਵ ਦੇਖਣ ਨੂੰ ਮਿਲੇ। ਪਰ ਸਰੀਰਕ ਹਰਕਤਾਂ ਦਾ ਤਾਲਮੇਲ ਬਣਾਉਣ ਵਾਲੇ ਸੇਰੇਬੇਲਮ ਵਿੱਚ, Tsc2 ਦੇ ਕੰਮ ਵਿੱਚ ਆਏ ਵਿਘਨ ਨੇ ਨਿਊਰੋਨ ਸੰਚਾਰ ਵਿੱਚ ਸ਼ਾਮਲ ਦਰਜਨਾਂ ਜੀਨਾਂ ਦੀ ਗਤੀਵਿਧੀ ਨੂੰ ਬਦਲ ਦਿੱਤਾ, ਜਦਕਿ Tsc1 ਦੇ ਕੰਮ ਵਿੱਚ ਵਿਘਨ ਨੇ ਬਹੁਤ ਘੱਟ ਬਦਲਾਅ ਲਿਆਂਦਾ।

ਇਹ ਅੰਤਰ ਮਨੁੱਖੀ ਬਿਮਾਰੀਆਂ ਲਈ ਅਹਿਮ ਹੋ ਸਕਦਾ ਹੈ। ਟਿਊਬਰਸ ਸਕਲੇਰੋਸਿਸ ਤੋਂ ਪੀੜਤ ਲੋਕਾਂ ਵਿੱਚ, ਸੇਰੇਬੇਲਮ ਦੀਆਂ ਅਸਧਾਰਨਤਾਵਾਂ ਦਾ ਸਿੱਧਾ ਸੰਬੰਧ TSC2 ਦੇ ਉਤਪਰਿਵਰਤਨਾਂ ਨਾਲ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ mTOR ਗਤੀਵਿਧੀ ਨੂੰ ਘਟਾਉਣ ਵਾਲੀਆਂ ਦਵਾਈਆਂ ਦਿਮਾਗ਼ ਦੇ ਕੁਝ ਟਿਊਮਰਾਂ ਅਤੇ ਦੌਰਿਆਂ ਦਾ ਇਲਾਜ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਪਰ ਇਸ ਬਿਮਾਰੀ ਨਾਲ ਜੁੜੀਆਂ ਸਿੱਖਣ ਅਤੇ ਵਿਵਹਾਰ ਸੰਬੰਧੀ ਮੁਸ਼ਕਲਾਂ ਦਾ ਹੱਲ ਕੱਢਣਾ ਅਜੇ ਵੀ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਬਣਿਆ ਹੋਇਆ ਹੈ। ਏਜੰਟਾਂ ਨੇ ਨਿਊਰੋਨਾਂ ਦੇ ਇੱਕ ਖ਼ਾਸ ਸਮੂਹ ਅਤੇ ਸੈੱਲਾਂ ਵਿੱਚ ਆਉਣ ਵਾਲੀਆਂ ਅਜਿਹੀਆਂ ਤਬਦੀਲੀਆਂ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕੀਤੀ ਜੋ ਜਾਂਚਣ ਯੋਗ ਹਨ: ਮੌਜੂਦਾ ਦਵਾਈਆਂ ਕਿਨ੍ਹਾਂ ਤਬਦੀਲੀਆਂ ਨੂੰ ਠੀਕ ਕਰ ਸਕਦੀਆਂ ਹਨ ਅਤੇ ਕਿਹੜੀਆਂ ਤਬਦੀਲੀਆਂ ਇਲਾਜ ਦੇ ਨਵੇਂ ਤਰੀਕਿਆਂ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰ ਸਕਦੀਆਂ ਹਨ? ਇਸ ਨਾਲ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਲੈਬ ਵਿੱਚ ਪਰਖਣ ਲਈ ਕੁਝ ਵਧੇਰੇ ਸਟੀਕ ਸਵਾਲ ਮਿਲਦੇ ਹਨ।

ਕੀ ਪੂਰਾ ਡਾਟਾਸੈੱਟ ਮਿਲਣ ’ਤੇ ਇਕੱਲਾ ਏਜੰਟ ਓਨਾ ਹੀ ਵਧੀਆ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ ਜਿੰਨਾ ਹਜ਼ਾਰਾਂ ਏਜੰਟ ਇੱਕੋ ਸਮੇਂ ਕਰਦੇ ਹਨ? ਅਸੀਂ ਮਾਡਲ ਅਤੇ ਸਰੋਤਾਂ ਨੂੰ ਨਿਸ਼ਚਿਤ ਰੱਖਦਿਆਂ ਇਸ ਦੀ ਪਰਖ ਕੀਤੀ। ਕੰਮ ਦਾ ਬੋਝ ਵਧਣ ਨਾਲ ਇਕੱਲੇ ਏਜੰਟ ਨੇ ਸਾਹਿਤ ਵਿੱਚ ਘੱਟ ਖੋਜ ਕੀਤੀ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਕੰਮ ਦੇ ਬੋਝ ’ਤੇ ਸਿਰਫ਼ 11 ਹਵਾਲੇ ਦਿੱਤੇ, ਜਦਕਿ ਵਿਤਰਿਤ ਏਜੰਟਾਂ ਨੇ 700 ਤੋਂ ਵੱਧ ਹਵਾਲੇ ਦਿੱਤੇ। ਮਨੁੱਖੀ ਮਾਹਰਾਂ ਨੇ ਵੀ ਵਿਤਰਿਤ ਏਜੰਟਾਂ ਦੀਆਂ ਵਿਆਖਿਆਵਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੱਤੀ।

ਵਿਗਿਆਨੀਆਂ ਕੋਲ ਸਮਾਂ ਸੀਮਤ ਹੁੰਦਾ ਹੈ ਅਤੇ ਉਹ ਅਕਸਰ ਆਪਣੇ ਡਾਟਾ ਵਿੱਚਲੇ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਸੰਕੇਤਾਂ 'ਤੇ ਹੀ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰਦੇ ਹਨ। ਵਿਤਰਿਤ ਏਜੰਟ ਸੂਖਮ ਜਾਂ ਅਣਕਿਆਸੀਆਂ ਪ੍ਰਤੀਕਿਰਿਆਵਾਂ ਸਮੇਤ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਪ੍ਰਤੀਕਰਮਾਂ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸੰਬੰਧਿਤ ਵਿਗਿਆਨਕ ਸਾਹਿਤ ਨਾਲ ਜੋੜਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੇ ਹਨ। ਏਜੰਟਾਂ ਨੂੰ ਇੱਕੋ ਵੇਲੇ ਚਲਾਉਣ ਨਾਲ ਕਈ ਪ੍ਰਯੋਗਾਤਮਕ ਬਦਲਾਵਾਂ ਦੀ ਇਕੱਠੇ ਜਾਂਚ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਸ ਨਾਲ ਵਿਗਿਆਨੀ ਕਿਸੇ ਪ੍ਰਯੋਗ ਤੋਂ ਮਿਲੀ ਜਾਣਕਾਰੀ ਨੂੰ ਹੋਰ ਡੂੰਘਾਈ ਨਾਲ ਖੋਜ ਸਕਦੇ ਹਨ ਅਤੇ ਅਜਿਹੇ ਸੰਭਾਵਨਾਪੂਰਨ ਸੁਰਾਗ ਪਛਾਣ ਸਕਦੇ ਹਨ ਜੋ ਸ਼ਾਇਦ ਅਣਦੇਖੇ ਰਹਿ ਜਾਂਦੇ।

ਕਿਸੇ ਖੋਜ ਦੀ ਅਹਿਮੀਅਤ ਉਦੋਂ ਹੋਰ ਵਧ ਜਾਂਦੀ ਹੈ ਜਦੋਂ ਉਹ ਕਿਸੇ ਸਾਰਥਕ ਪ੍ਰਯੋਗ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦੀ ਹੈ। ਏਜੰਟਾਂ ਨੂੰ ਅਜਿਹਾ ਹੀ ਇੱਕ ਸੁਰਾਗ DCTN1 ਵਿੱਚ ਮਿਲਿਆ, ਜੋ ਇੱਕ ਅਜਿਹਾ ਜੀਨ ਹੈ ਜਿਸ ਵਿੱਚ ਆਉਣ ਵਾਲੇ ਪਰਿਵਰਤਨ ਪੈਰੀ ਸਿੰਡਰੋਮ ਦਾ ਕਾਰਨ ਬਣਦੇ ਹਨ—ਇਹ ਇੱਕ ਅਜਿਹੀ ਨਿਊਰੋਡੀਜਨਰੇਟਿਵ ਬਿਮਾਰੀ ਹੈ ਜਿਸ ਦੇ ਲੱਛਣ ਪਾਰਕਿਨਸਨ ਵਰਗੇ ਹੁੰਦੇ ਹਨ।

DCTN1 ਨਿਊਰੋਨਾਂ ਦੇ ਅੰਦਰ ਪਦਾਰਥਾਂ ਦੀ ਢੋਆ-ਢੁਆਈ ਵਿੱਚ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦਾ ਹੈ। ਦਿਮਾਗ ਦੇ ਸਮੁੱਚੇ CRISPR ਐਟਲਸ ਵਿੱਚ, Dctn1 ਦੇ ਕੰਮ ਵਿੱਚ ਵਿਘਨ ਪਾਉਣ ਨਾਲ ਕੋਲੇਸਟ੍ਰੋਲ ਬਣਾਉਣ ਵਿੱਚ ਸ਼ਾਮਲ ਜੀਨਾਂ ਦਾ ਪ੍ਰਗਟਾਵਾ ਵਧਿਆ। ਏਜੰਟਾਂ ਨੇ ਇਸ ਨਿਰੀਖਣ ਨੂੰ ਅਜਿਹੀ ਖੋਜ ਨਾਲ ਜੋੜਿਆ ਜੋ ਇਹ ਸੰਕੇਤ ਦਿੰਦੀ ਹੈ ਕਿ ਕੋਲੇਸਟ੍ਰੋਲ ਟ੍ਰਾਂਸਪੋਰਟ ਵਿੱਚ ਆਉਣ ਵਾਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਕਾਰਨ ਸੈੱਲ ਹੋਰ ਜ਼ਿਆਦਾ ਕੋਲੇਸਟ੍ਰੋਲ ਬਣਾ ਸਕਦੇ ਹਨ। ਇਸ ਤੋਂ ਅਗਲੇ ਪ੍ਰਯੋਗਾਂ ਲਈ ਇੱਕ ਸਵਾਲ ਉੱਠਿਆ: ਕੀ DCTN1 ਦੇ ਕੰਮ ਵਿੱਚ ਵਿਘਨ ਨਿਊਰੋਨਾਂ ਦੇ ਅੰਦਰ ਕੋਲੇਸਟ੍ਰੋਲ ਦੀ ਵੰਡ ਨੂੰ ਬਦਲ ਸਕਦਾ ਹੈ ਅਤੇ ਕੀ ਇਹ ਬਦਲਾਅ ਨਿਊਰੋਡੀਜਨਰੇਸ਼ਨ ਵਿੱਚ ਭੂਮਿਕਾ ਨਿਭਾ ਸਕਦੇ ਹਨ? ਜੇਕਰ ਅਜਿਹਾ ਹੈ, ਤਾਂ ਕੀ ਕੋਲੇਸਟ੍ਰੋਲ ਦੀ ਆਮ ਵੰਡ ਬਹਾਲ ਕਰਨ ਨਾਲ ਨਿਊਰੋਨਾਂ ਨੂੰ ਬਚਾਉਣ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕਦੀ ਹੈ?

ਮਨੁੱਖੀ ਮਾਹਰਾਂ ਨੇ ਵੀ ਇਸ ਪਰਿਕਲਪਨਾ ਨੂੰ ਨਵੀਂ, ਅਹਿਮ ਨਤੀਜਿਆਂ ਵਾਲੀ ਅਤੇ ਅੱਗੇ ਵਧਾਉਣ ਯੋਗ ਮੰਨਿਆ। ਇਹ ਉਦਾਹਰਨ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਿਸੇ ਅਣਕਿਆਸੇ ਨਤੀਜੇ ਨੂੰ ਮੌਜੂਦਾ ਗਿਆਨ ਨਾਲ ਜੋੜ ਕੇ ਸੁਰਾਗ ਨੂੰ ਪਰਖਣਯੋਗ ਵਿਚਾਰ ਵਿੱਚ ਅਤੇ ਸੰਭਵ ਤੌਰ ’ਤੇ ਬਿਮਾਰੀ ਦੇ ਇਲਾਜ ਲਈ ਨਵੀਂ ਦਿਸ਼ਾ ਵਿੱਚ ਕਿਵੇਂ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਖੋਜ ਵਿੱਚ ਵਿਗਿਆਨੀਆਂ ਦੀ ਭੂਮਿਕਾ ਕੇਂਦਰੀ ਬਣੀ ਰਹਿੰਦੀ ਹੈ। ਹੋਰ ਸੰਭਾਵਨਾਪੂਰਨ ਸੁਰਾਗ ਸਾਹਮਣੇ ਲਿਆ ਕੇ, AI ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਇਹ ਤੈਅ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜੇ ਵਿਚਾਰਾਂ ’ਤੇ ਅੱਗੇ ਕੰਮ ਕਰਨਾ ਹੈ, ਪ੍ਰਯੋਗ ਕਿਵੇਂ ਤਿਆਰ ਕਰਨੇ ਹਨ ਅਤੇ ਨਤੀਜਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਨੀ ਹੈ। ਇਸ ਦਾ ਟੀਚਾ ਜੀਵ-ਵਿਗਿਆਨਕ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਮਿਲਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਜਾਣਕਾਰੀ ਨੂੰ ਅਜਿਹੇ ਗਿਆਨ ਵਿੱਚ ਬਦਲਣਾ ਹੈ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਬਿਹਤਰ ਦਵਾਈਆਂ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਮਾਰਗਦਰਸ਼ਨ ਕਰ ਸਕੇ।