بچوں کی نایاب جینیاتی بیماریوں کی تشخیص میں ڈاکٹروں کی مدد کے لیے AI کا استعمال

جینومک سیکوینسنگ کے باوجود، نایاب بیماریوں میں مبتلا بہت سے لوگوں کو کبھی واضح جینیاتی تشخیص نہیں ملتی. وسیع جانچ اور ماہرین کے جائزے کے بعد بھی تقریباً نصف افراد کی تشخیص نہیں ہو پاتی. ان کے طبی ڈیٹا میں سراغ ہو سکتے ہیں، لیکن انہیں ڈھونڈنے کے لیے ہزاروں سے لاکھوں ممکنہ جینیاتی ویریئنٹس، بکھرے ہوئے کلینیکل ریکارڈز، اور تیزی سے بدلتے سائنسی لٹریچر کو چھاننا پڑ سکتا ہے.

جیسے جیسے جین اور بیماری کے نئے رشتے، کیس رپورٹس، اور درجہ بندی کے شواہد جمع ہوتے ہیں، غیر حل شدہ کیسز نئے طور پر قابل تعبیر ہو سکتے ہیں.

Boston Children’s Hospital کے Manton Center for Orphan Disease Research، Harvard University، اور OpenAI کے محققین نے OpenAI o3 ڈیپ ریسرچ ریزننگ ماڈل استعمال کیا تاکہ پہلے سے تجزیہ شدہ مگر غیر حل شدہ رہنے والے 376 کیسز کی غیر شناخت شدہ کلینیکل اور جینومک معلومات کا تجزیہ کیا جا سکے. ماڈل نے محققین اور معالجین کے جائزے کے لیے شواہد سے منسلک ممکنہ وضاحتیں سامنے لائیں. ماہرین کے جائزے، اضافی جانچ، اور کلینیکل تصدیق کے بعد، ڈاکٹروں نے 18 کیسز میں تشخیصیں قائم کیں—ماہرین کے سابقہ تجزیے کے بعد 4.8% کا اضافی تشخیصی حاصل. یہ مطالعہ 18 جون 2026 کو NEJM AI میں شائع ہوا اور دکھاتا ہے کہ AI کی مدد سے چلنے والا تحقیقی ورک فلو بعض انتہائی مشکل کیسز پر دوبارہ غور کرتے وقت ماہرین کو سراغ پیدا کرنے میں کیسے مدد دے سکتا ہے.

ان میں سے بہت سے کیسز برسوں کے ماہرانہ تجزیے کے باوجود حل نہیں ہو سکے تھے. اس مطالعے میں، OpenAI o3 ڈیپ ریسرچ نے محققین کو ایسے سراغ شناخت کرنے میں مدد دی جن کا بعد میں قائم شدہ کلینیکل عمل کے ذریعے جائزہ لیا گیا، جس سے اشارہ ملتا ہے کہ ماہرین کی قیادت میں وقتاً فوقتاً دوبارہ تجزیہ علم کے ارتقا کے ساتھ زیادہ قابل توسیع ہو سکتا ہے. ماڈل نے کسی مریض کی تشخیص نہیں کی اور نہ ہی کوئی کلینیکل فیصلہ کیا. اس نے ماہرین کے جائزے کے لیے شواہد سے منسلک مفروضے تیار کیے، اور جہاں مناسب تھا وہاں اضافی جانچ کے ذریعے تحقیق اور کلینیکل لیبارٹری میں تصدیق کے لیے مواد فراہم کیا.

غیر حتمی جینیاتی ٹیسٹ ہمیشہ مستقل نتیجہ نہیں ہوتا. مریض کے فینوٹائپ کی تفصیلات، ٹیسٹ کے نتائج، اور خاندانی تاریخ ایسے ڈیٹا بیسز میں بٹی ہو سکتی ہیں جو مختلف شناخت کار، فارمیٹس، اور الفاظ استعمال کرتے ہیں. ان ریکارڈز کو جوڑنا مشکل ہے، اس لیے ماہرین بھی تشخیص سے چوک سکتے ہیں. ماہرین کبھی کسی بچے کے جینوم کی سیکوینسنگ اس سے پہلے کر لیتے ہیں کہ متعلقہ جین یا اس کے ویریئنٹس کو بیماری سے جوڑا گیا ہو. جیسے جیسے سائنسی علم آگے بڑھتا ہے، وہی ڈیٹا ایسے جواب ظاہر کر سکتا ہے جنہیں پہلے دریافت کرنا ممکن نہیں تھا.

نایاب بیماری کا دوبارہ تجزیہ ایک سائنسی مسئلہ بھی ہے اور دیکھ بھال کا مسئلہ بھی. مریض کا جینوم شاید وہی رہے، مگر اس کے گرد شواہد بدلتے رہتے ہیں: محققین نئے جینز اور ویریئنٹس کو بیماری سے جوڑتے ہیں، لیبارٹریاں پرانے ویریئنٹس کی دوبارہ درجہ بندی کرتی ہیں، اور کیس ڈیٹا بیسز اور مقالوں میں نئی مشاہدات جمع ہوتے رہتے ہیں. ہر اپ ڈیٹ کسی پرانے غیر حتمی کیس کو دوبارہ دیکھنے کے قابل بنا سکتی ہے، اس لیے بہت سے اداروں کے پاس جینومز کا بڑھتا ہوا بیک لاگ آ جاتا ہے جسے بدلتے ہوئے علمی ذخیرے کے ساتھ ہم آہنگ رکھنا پڑتا ہے.

اس مطالعے میں، محققین نے ورک فلو اس طرح ڈیزائن کیا کہ ماڈل موجودہ جینومک پائپ لائنز کے اوپر وضاحت کو ترجیح دینے والی ریزننگ پرت کے طور پر کام کرے. صرف درجہ بند جین واپس کرنے کے بجائے، اس سے کہا گیا کہ کلینیکل خصوصیات، وراثتی نمونہ، ویریئنٹ کے شواہد، اور سائنسی لٹریچر کو ایسی توجیہ میں جوڑے جسے انسانی جائزہ کار پرکھ سکے. 

ہر کیس کے لیے، ٹیم نے ایک غیر شناخت شدہ پیکٹ تیار کیا جس میں مریض کی کلینیکل پیشکش بیان کرنے کے لیے معیاری Human Phenotype Ontology اصطلاحات، کبھی کبھار معالجین کے نوٹس اور کوئی توضیحی کلینیکل تشخیص، عمر اور جنس جیسے میٹا ڈیٹا، اور فلٹر شدہ ویریئنٹ ٹیبل شامل تھے. ٹیبل میں ہر ویریئنٹ کی نایابی، کوڈ شدہ پروٹین پر اس کے متوقع اثر، ClinVar درجہ بندی، اور دستیاب اہل خانہ میں سگنل کے معیار کو درج کیا گیا. زیادہ تر کیسز میں بچے اور دونوں حیاتیاتی والدین کا ڈیٹا شامل تھا.

ٹیم نے ماڈل سے کہا کہ وہ سب سے زیادہ قابل قبول سالماتی وضاحت تجویز کرے اور اپنی دلیل دکھائے. اس کے بعد محققین نے نتائج کا جائزہ اسی ACMG/AMP فریم ورک کے ذریعے لیا جسے کلینیکل لیبارٹریاں جینیاتی ویریئنٹس کی درجہ بندی کے لیے استعمال کرتی ہیں. ہر امیدوار کا کم از کم دو ٹیم ارکان نے جائزہ لیا، اختلافات اتفاق رائے سے حل کیے گئے، اور ماڈل کے نتیجے کو کبھی تشخیص نہیں سمجھا گیا. کسی دریافت کو تشخیص صرف اس وقت شمار کیا گیا جب اہل ماہرین نے شواہد کا جائزہ لیا، ویریئنٹ کو بیماری پیدا کرنے والا یا غالباً بیماری پیدا کرنے والا قرار دیا گیا، CLIA-تصدیق شدہ لیبارٹری نے اس کی تصدیق کی، اور کلینیکل ٹیم نے نتیجہ خاندان تک پہنچایا.

غیر حل شدہ کیسز کا تجزیہ کرنے سے پہلے، ٹیم نے قائم شدہ تشخیصوں والے کیسز پر ورک فلو کو بہتر بنایا. نایاب حالتوں کی ایک قسم پر مشتمل 51 میں سے 48 کیسز کے دوہرے رنز میں اس نے درست جین اور ویریئنٹ دوبارہ حاصل کیا. اعصابی عضلاتی 57 کیسز کے ایک سیٹ میں، ورک فلو نے 45 کیسز کے دوہرے رنز میں درست تشخیص واپس کی. 15 کیسز پر مشتمل لانگ ریڈ جینوم سیٹ میں، اس نے ہر کیس میں درست جین اور 12 کیسز میں بیماری پیدا کرنے والے دونوں ایلیلز کے نام دیے. ان جائزوں نے پرومپٹ کی تیاری میں مدد دی اور دکھایا کہ ماہرین کا جائزہ کہاں لازمی رہتا ہے.

ماڈل کے خود رپورٹ کردہ اعتماد کے اسکورز ان پہلے سے حل شدہ کیسز میں درست تشخیصوں کے ساتھ ہم آہنگ تھے: مسلسل درست کالز کے لیے اوسط کم از کم اسکور 85.6 تھا اور غلط یا نامعلوم کالز کے لیے 42.1. یہ اسکورز کالیبریٹڈ امکانات نہیں تھے، اور ٹیم نے انہیں شواہد یا کلینیکل فیصلے کا بدل نہیں بنایا. لیکن یہ ماہر جائزہ کاروں کو سب سے امید افزا امیدوار تشخیصوں پر توجہ دینے میں مددگار رہے. 

اس کے بعد ٹیم نے ورک فلو کو پہلے سے غیر حل شدہ کیسز کے چار گروہوں پر لاگو کیا: اعصابی نشوونما کی حالتوں والے بچے، نایاب اعصابی عضلاتی بیماری والے لوگ، ابتدائی سائیکوسس والے بچے اور نوعمر، اور بچوں میں اچانک غیر متوقع موت کے کیسز. یہ ایسے نئے کیسز نہیں تھے جو پہلی بار جائزے کے منتظر ہوں. بہت سے کیسز پہلے ہی متعدد تجارتی یا ادارہ جاتی پائپ لائنز سے گزر چکے تھے اور کثیر شعبہ جاتی ٹیموں میں زیر بحث آ چکے تھے.

ماڈل کے امیدوار سامنے لانے اور ماہرین کے جائزے و کلینیکل تصدیق مکمل کرنے کے بعد، ڈاکٹروں نے 4.8% کیسز میں تشخیصیں قائم کیں. یہ شرح معمولی ہے مگر اس آبادی میں معنی خیز ہے، کیونکہ پچھلے ماہرانہ جائزوں سے کیسز حل نہیں ہوئے تھے. اسی طرح کے دوبارہ تجزیے کے مطالعات بہت زیادہ جائزہ لیے گئے کیسز میں ایک عددی اضافے رپورٹ کرتے ہیں؛ زیادہ شرح عموماً ان مطالعات میں آتی ہے جن میں نئے کیسز یا جینیاتی تصدیق کے منتظر معروف عوارض شامل ہوں.

18 تشخیصوں میں سے 7 دوبارہ دریافتیں تھیں: ایسی تشخیصیں جو مقامی تحقیقی ورک فلو سے باہر قائم ہوئیں مگر ٹیم کے جائزہ لیے گئے ریکارڈ میں موجود نہیں تھیں. کئی کیسز میں ویریئنٹس پہلے ہی عوامی ڈیٹا بیسز میں بیماری پیدا کرنے والے یا غالباً بیماری پیدا کرنے والے کے طور پر درج تھے، جو ڈیٹا ذرائع کے درمیان معلومات کو یکجا کرنے کے عملی چیلنج کو نمایاں کرتا ہے.

ابتدائی سائیکوسس کے ایک کیس میں، ماڈل نے جینوم میں ایک ساختی واقعہ اخذ کیا جو ان پٹ ڈیٹا میں درج نہیں تھا. اس نے کروموسوم 22 پر کم معیار کی کالز کے ایک سلسلے کو بچے کی قلبی، مدافعتی، اعصابی نشوونما اور نفسیاتی خصوصیات سے جوڑا، پھر DiGeorge سنڈروم سے وابستہ 22q11.2 ڈیلیشن کا مفروضہ پیش کیا. اس مفروضہ شدہ ویریئنٹ کی تصدیق فالو اپ جینوم سیکوینسنگ سے ہوئی.

اگرچہ پرومپٹ میں ایک واحد جینی سبب پوچھا گیا تھا، ماڈل نے کبھی کبھی دو جینز سامنے لائے جو ایک پیچیدہ طبی صورت حال کی بہتر وضاحت کرتے تھے. ایک کیس میں LAMA2 اور FOXP1 کے ویریئنٹس نے مل کر عضلاتی اور اعصابی نشوونما کی خصوصیات کی وضاحت میں مدد کی؛ ایک اور کیس میں TTN اور SRPK3 پر مشتمل ایک پہلے غیر شناخت شدہ دو جینی وضاحت موجود تھی.

تشخیصوں کے علاوہ، ماڈل نے vitiligo نامی حالت کے لیے ایک ممکنہ نئی میکانکی وضاحت بھی شناخت کی. اعصابی نشوونما کے ایک کیس میں، ماڈل نے vitiligo والے ایک شخص میں S1PR1 میں 11 امینو ایسڈ کی ڈیلیشن کو نمایاں کیا. S1PR1 خلیے کی سطح کے ایک ریسیپٹر کو کوڈ کرتا ہے جو سگنلنگ، مدافعتی خلیوں کی حرکت، اور بافتی حیاتیات میں شامل ہے. ماڈل نے ایسے شواہد کو یکجا کیا جن سے اشارہ ملتا تھا کہ ڈیلیشن ریسیپٹر کی ساخت اور سگنلنگ کو اس طرح بدل سکتی ہے کہ رنگت کی پیداوار کم ہو، جبکہ مدافعتی خلیوں کو جلد میں برقرار رہنے میں بھی مدد ملے.

مجوزہ S1PR1-vitiligo تعلق کے لیے اضافی تجرباتی توثیق درکار ہے، مگر یہ ساختی حیاتیات، امیونولوجی، اور کلینیکل جینیات کے بکھرے ہوئے نتائج کو ٹھوس، قابل آزمائش مفروضوں میں بدلنے میں AI کے طاقتور کردار کو ظاہر کرتا ہے.

ٹیم نے اعصابی عضلاتی کوہورٹ میں ممکنہ فینوٹائپ توسیع بھی دیکھی. HSPB8 اور CDK13 میں نقصان دہ ویریئنٹس جینز کے سب سے معروف عوارض سے پوری طرح مطابقت نہیں رکھتے تھے، جس سے ایک وسیع تر کلینیکل طیف کا اشارہ ملا جسے مزید کیسز اور لیبارٹری کام سے پرکھنا ہوگا.

یہ مطالعہ دکھاتا ہے کہ ایک عمومی مقصد کا ریزننگ ماڈل فینوٹائپ، وراثت، ویریئنٹ تشریحات، ڈیٹا کے معیار کے نمونوں، اور سائنسی لٹریچر کو قابل جائزہ مفروضوں میں یکجا کر کے ماضی کے جینومک دوبارہ تجزیے میں حصہ ڈال سکتا ہے. یہ یہ بھی دکھاتا ہے کہ وقتاً فوقتاً دوبارہ تجزیہ کیوں اہم ہے: کچھ جواب صرف اس وقت سامنے آتے ہیں جب علم آگے بڑھتا ہے یا بکھرے ہوئے ریکارڈز کو اکٹھا کیا جاتا ہے.

یہ تحقیق اس بات کا ثبوت نہیں کہ مریضوں، معالجین، یا گاہکوں کو بیماری کی تشخیص یا طبی فیصلوں کے لیے OpenAI ماڈلز استعمال کرنے چاہئیں. یہ تشخیص کے لیے OpenAI o3 ڈیپ ریسرچ، ChatGPT، یا OpenAI کی کسی بھی دوسری پروڈکٹ کے کسی مطلوبہ کسٹمر استعمال کو بیان یا اس کی تائید نہیں کرتی. ماڈل نے کسی شریک کی تشخیص نہیں کی؛ ہر تشخیص ڈاکٹروں اور دیگر اہل کلینیکل ماہرین نے قائم شدہ جائزے، جانچ، اور کلینیکل تصدیق کے عمل کے ذریعے کی.

مطالعہ ماضی کا تجزیہ تھا، کوہورٹس غیر یکساں تھے، اور جائزہ کار ماڈل کے اعتماد سے بے خبر نہیں رکھے گئے تھے. محققین نے بچائے گئے وقت، لاگت، معالج کی محنت، غلط مثبت نتائج کے کام کے بوجھ، یا نگہداشت میں تبدیلیوں کی پیمائش نہیں کی. نہ ہی انہوں نے جینیاتی تغیر کی دیگر اقسام، جیسے ساختی ویریئنٹس، ریپیٹ ایکسپینشنز، ڈیپ انٹرونک تبدیلیاں، یا موزیکزم کا منظم جائزہ لیا.

بڑے لسانی ماڈلز سیاق و سباق کو غلط پڑھ سکتے ہیں یا ایسی قابل قبول لگنے والی وضاحتیں پیدا کر سکتے ہیں جو قریب سے جانچنے پر ناکام ہو جائیں. اس لیے ہر نتیجہ انسانی فیصلے اور کلینیکل تصدیق سے گزرا. ماڈل نے تلاش کا دائرہ بڑھایا اور بعد کے انسان کی قیادت والے تجزیے کو مرکوز کیا؛ اس نے یہ فیصلہ نہیں کیا کہ کسی خاندان کو کون سی معلومات یا تشخیص واپس دی جانی چاہیے.

اس مطالعے میں غیر شناخت شدہ معلومات استعمال کی گئیں، اور کوئی محفوظ صحت معلومات منظور شدہ ماحول سے باہر استعمال یا منتقل نہیں کی گئیں. وسیع تر کلینیکل تعیناتی کے لیے رازداری، سلامتی، آڈٹ کی اہلیت، اور مقامی ضابطوں پر وہی توجہ درکار ہوگی جو تمام طبی نگہداشت پر لاگو ہوتی ہے. ماڈل تک رسائی سیکوینسنگ انفراسٹرکچر، جینیاتی مشاورت، تصدیقی جانچ، یا ماہر کے فیصلے کی جگہ نہیں لیتی.

مستقبل نگر، کثیر مراکزی مطالعات کو تشخیصی شرح، امیدوار تک پہنچنے کے وقت، معالج کی محنت، غلط مثبت نتائج کے بوجھ، لاگت، اور نگہداشت پر اثرات کے لحاظ سے LLM کی مدد سے دوبارہ تجزیے کا معیاری عمل سے موازنہ کرنا چاہیے. دوبارہ پیدا پذیری اور حفاظت کے لیے ورژن شدہ پرومپٹس، حوالہ جاتی جانچ، آڈٹ لاگز، اور کالیبریٹڈ غیر یقینی پن اہم ہوں گے. ایسے مطالعات میں پھر بھی اہل معالجین کی ضرورت ہوگی جو شواہد کا جائزہ لیں، مناسب ٹیسٹ آرڈر کریں، اور کوئی بھی تشخیص یا علاج کا فیصلہ کریں.

اس مطالعے میں OpenAI o3 ڈیپ ریسرچ استعمال کیا گیا. نئے عمومی مقصد کے ماڈلز زیادہ سائنسی مواد تلاش اور یکجا کر سکتے ہیں، جبکہ GPT‑Rosalind جیسے خاص مقصد کے نظام گہری لائف سائنسز کے کام کے لیے بنائے گئے ہیں، جن میں پروٹین کی ساخت اور فعل پر ویریئنٹ کے اثرات بھی شامل ہیں. ان صلاحیتوں کی یہاں جانچ نہیں کی گئی اور ان کے لیے الگ جائزوں اور رسائی کنٹرولز کی ضرورت ہوگی.

اگرچہ OpenAI نے اس ابتدائی تحقیقی مطالعے کی معاونت میں مدد کی، کام کے اگلے مرحلے کی قیادت Manton Center کرے گا، جو OpenAI Foundation کی گرانٹ کے ذریعے ہوگی. یہ گرانٹ Center کی اس وسیع تر کوشش کی مدد کرے گی جس کا مقصد ایک پلیٹ فارم سے آزاد، کم لاگت جینیات AI کوپائلٹ تیار کرنا ہے، جو کلینیکل ٹیموں کو نایاب بیماری کے کیسز زیادہ تیزی اور تسلسل سے تجزیہ کرنے میں مدد دے.

طویل مدتی تحقیقی موقع یہ جانچنا ہے کہ آیا ماہرین کی قیادت میں AI کی مدد سے دوبارہ تجزیہ سائنسی سمجھ کو دریافت کی رفتار کے ساتھ ہم قدم رکھنے میں مدد دے سکتا ہے. وعدہ یہ نہیں کہ AI ڈاکٹر کی تشخیص کی جگہ لے لیتا ہے، بلکہ یہ کہ احتیاط سے پرکھے گئے تحقیقی ٹولز ماہرین کو ایسے شواہد شناخت کرنے میں مدد دے سکتے ہیں جن کی تحقیق کی جانی چاہیے. ہزاروں خاندانوں کے لیے، آج کے بے جواب سوال ہمیشہ بے جواب رہنا ضروری نہیں.