कल्पना कीजिए कि मानव शरीर एक विशाल, हलचल भरी लाइब्रेरी है। इसके भीतर, अजीब कोड में लिखी गई अरबों किताबें हैं। कुछ किताबें डीएनए के लंबे स्क्रॉल (आपके निर्माण के लिए निर्देश पुस्तिका) हैं, कुछ प्रोटीन रेसिपी (वे कार्यकर्ता जो वास्तव में काम करते हैं) हैं, और कुछ आरएनए नोट्स (संदेशवाहक जो निर्देश आगे पहुँचाते हैं) हैं। दशकों तक, वैज्ञानिकों ने कठोर, नियम-आधारित शब्दकोशों का उपयोग करके इन किताबों को पढ़ने की कोशिश की। वे यहाँ एक विशिष्ट शब्द या वहाँ एक पैटर्न तो ढूंढ सकते थे, लेकिन वे पूरी कहानी समझने में संघर्ष करते थे, विशेष रूप से तब जब किताबें अव्यवस्थित, अधूरी थीं, या ऐसी भाषा में लिखी गई थीं जिसे किसी ने पहले नहीं देखा था।

जेनरेटिव आर्टिफिशियल इंटेलिजेंस (GenAI) का आगमन हुआ। GenAI को केवल एक शब्दकोश के रूप में नहीं, बल्कि एक सुपर-स्मार्ट, रचनात्मक कहानीकार के रूप में सोचें जिसने लाइब्रेरी की हर किताब पढ़ी है और भाषा की लय, व्याकरण और शैली को सीख लिया है। केवल एक शब्द खोजने के बजाय, यह कहानीकार अनुमान लगा सकता है कि आगे क्या आएगा, ऐसे नए अध्याय लिख सकता है जो मूल लेखकों के बिल्कुल समान हों, या यहाँ तक कि पूरी नई कहानियाँ भी रच सकता है जो लाइब्रेरी के नियमों में पूरी तरह फिट बैठती हों। यह शोध पत्र बताता है कि कैसे यह नया "कहानीकार" बायोइनफॉरमैटिक्स—जीवन की इस लाइब्रेरी को डिकोड करने वाले विज्ञान—में खेल बदल रहा है। यह सवाल उठाता है: क्या यह AI वास्तव में नए प्रोटीन लिख सकता है? क्या यह हमारे सेल्स (कोशिकाओं) की जटिल कहानियों को पुराने तरीकों की तुलना में बेहतर समझ सकता है? और सबसे महत्वपूर्ण बात, क्या यह बीमारियों को ठीक करने में मदद करने के लिए तैयार है, या यह केवल एक बहुत अच्छा नकलची है जो कभी-कभी मनगढ़ंत बातें बनाता है?

द ग्रेट बायो-स्टोरीटेलर: लाइफ साइंस में AI का एक अवलोकन

यह शोध पत्र एक विशाल "सिस्टमैटिक रिव्यू" है, जिसका एक फैंसी तरीका यह है कि लेखकों ने यह देखने के लिए हजारों वैज्ञानिक अध्ययनों में एक खजाने की खोज की कि जेनेरेटिव AI का उपयोग जीवन को डिकोड करने के लिए वास्तव में कैसे किया जा रहा है। उन्होंने केवल एक या दो शानदार प्रयोगों को नहीं देखा; उन्होंने पूर्ण चित्र प्राप्त करने के लिए 2021 से 2026 तक के 82 उच्च-गुणवत्ता वाले अध्ययनों को एकत्रित किया। उनका लक्ष्य यह पता लगाना था कि ये AI मॉडल कैसे काम करते हैं, कहाँ वे चमकते हैं, और कहाँ वे लड़खड़ा सकते हैं।

नई महाशक्तियाँ: GenAI वास्तव में क्या कर सकता है?

लेखकों ने पाया कि GenAI वे चीजें कर रहा है जो पहले असंभव थीं या जिन्हें समझने में मनुष्यों को वर्षों लग जाते थे।

1. डीएनए स्क्रिप्ट को पढ़ना (जीनोमिक्स)
कल्पना कीजिए कि आप एक ऐसी किताब में एक विशिष्ट निर्देश खोजने की कोशिश कर रहे हैं जिसमें शब्दों के बीच कोई स्पेस नहीं है। कंप्यूटर के लिए डीएनए ऐसा ही दिखता है। पुराने तरीके एक शब्द खोजने के लिए आवर्धक लेंस (magnifying glass) का उपयोग करने जैसे थे। हालाँकि, GenAI पूरे डीएनए अनुक्रम को एक वाक्य की तरह मानता है। DNABERT जैसे मॉडल्स ने इस "भाषा" को इतनी अच्छी तरह से सीख लिया है कि वे भविष्यवाणी कर सकते हैं कि जीन कहाँ शुरू और समाप्त होते हैं, या एक जीन कैसे व्यवहार कर सकता है, और कुछ परीक्षणों में अविश्वसनीय सटीकता (लगभग 91.8% से 91.9%) दिखाते हैं। यह ऐसा है जैसे AI ने जीवन के व्याकरण को सीख लिया हो और अब वह डीएनए के एक वाक्य में लिखे जाने से पहले ही अगले शब्द का अनुमान लगा सकता है।

2. नए प्रोटीन डिजाइन करना (प्रोटिओमिक्स)
प्रोटीन वे सूक्ष्म मशीनें हैं जो आपके शरीर को चलाती हैं। आमतौर पर, वैज्ञानिकों को प्रकृति द्वारा एक नया आविष्कार करने का इंतजार करना पड़ता है, या वे मौजूदा प्रोटीन में बदलाव करने की कोशिश करते हैं। GenAI एक रचनात्मक वास्तुकार (architect) के रूप में कार्य करके इसे बदल देता है। ProGen और ProtGPT2 जैसे मॉडल शून्य से बिल्कुल नए प्रोटीन अनुक्रम डिजाइन कर सकते हैं। एक प्रसिद्ध प्रयोग में, एक AI ने एक नया एंजाइम (एक प्रोटीन जो रासायनिक प्रतिक्रियाओं की गति बढ़ाता है) डिजाइन किया जो वास्तव में एक प्राकृतिक एंजाइम की तरह ही प्रभावी ढंग से काम करता है। यह ऐसा है जैसे AI ने केवल एक ब्लूप्रिंट की नकल नहीं की; बल्कि उसने एक नया घर बनाया जो उतना ही मजबूत और कार्यात्मक था जितना कि मनुष्यों द्वारा बनाए गए घर।

3. सेल के पड़ोस को समझना (सिंगल-सेल विश्लेषण)
आपके शरीर में खरबों कोशिकाएं हैं, और वे सभी अलग हैं। पुराने उपकरण पूरे समूह को देखते थे और एक औसत उत्तर देते थे। GenAI मॉडल जैसे scGPT व्यक्तिगत कोशिकाओं को देख सकते हैं और उनके अद्वितीय "व्यक्तित्व" को समझ सकते हैं। वे भविष्यवाणी कर सकते हैं कि एक कोशिका दवा के प्रति कैसी प्रतिक्रिया देगी या बीमारी होने पर वह कैसे बदलेगी। यह एक ऐसे अनुवादक की तरह है जो शोर भरे स्टेडियम में एक एकल कोशिका की फुसफुसाहट को सुन सकता है और समझ सकता है कि वह वास्तव में क्या कह रही है।

4. नई दवाएं खोजना (ड्रग डिस्कवरी)
एक नई दवा खोजना एक विशिष्ट चाबी खोजने जैसा है जो एक ताले में फिट बैठती है, लेकिन आप नहीं जानते कि ताला कैसा दिखता है। GenAI लाखों संभावित "चाबियाँ" (अणु) उत्पन्न करके और उन्हें वर्चुअली टेस्ट करके मदद करता है। DrugAssist जैसे उपकरण वैज्ञानिकों को AI के साथ चैट करने की अनुमति देते हैं, जैसे, "मेरे लिए एक ऐसा अणु बनाएं जो पानी में घुलनशील हो और मस्तिष्क की बाधा (blood-brain barrier) को पार कर सके।" AI फिर उसे डिजाइन करता है। हालांकि ये डिजाइन आशाजनक हैं, पेपर नोट करता है कि इनमें से अधिकांश अभी केवल डिजिटल स्केच हैं; इन्हें यह साबित करने के लिए कि वे वास्तव में मानव शरीर में काम करते हैं, वास्तविक दुनिया के लैब परीक्षण की आवश्यकता है।

गुप्त सूत्र: विशिष्ट बनाम सामान्य AI

शोध पत्र की सबसे बड़ी खोजों में से एक यह है कि जीव विज्ञान के लिए विशिष्ट (specialized) AI, सामान्य (general) AI से बेहतर है।

एक सामान्य AI (जैसे वे जिनसे आप ऑनलाइन चैट करते हैं) को एक ऐसे बुद्धिमान छात्र के रूप में सोचें जिसने लाइब्रेरी की हर किताब पढ़ी है लेकिन कभी लैब में काम नहीं किया है। वे बहुत कुछ जानते हैं लेकिन जीव विज्ञान की विशिष्ट शब्दावली से भ्रमित हो सकते हैं।
इसके विपरीत, विशिष्ट मॉडल (जैसे प्रोटीन के लिए ESM-2 या डीएनए के लिए DNABERT) उन छात्रों की तरह हैं जिन्होंने अपना पूरा जीवन लैब में बिताया है। उन्हें विशेष रूप से जैविक डेटा पर प्रशिक्षित किया गया था। पेपर दिखाता है कि ये विशिष्ट मॉडल लगातार सामान्य मॉडलों से बेहतर प्रदर्शन करते हैं। उदाहरण के लिए, यह भविष्यवाणी करने में कि प्रोटीन में उत्परिवर्तन (mutation) उसके कार्य को कैसे बदल सकता है, विशिष्ट मॉडलों ने बहुत अधिक बार सही अनुमान लगाया। लेखक सुझाव देते हैं कि जबकि सामान्य AI टेक्स्ट को सारांशित करने या कोड लिखने के लिए महान है, जीवन की जटिल, अव्यवस्थित भाषा को वास्तव में समझने के लिए आपको एक "बायोलॉजिस्ट-प्रशिक्षित" AI की आवश्यकता होती है।

मुश्किलें: जहाँ AI अटक जाता है

उत्साह के बावजूद, पेपर बहुत सावधानी से कहता है कि यह कोई "हल की गई समस्या" नहीं है। लेखक कई गंभीर सीमाओं की ओर इशारा करते हैं जिन्हें वैज्ञानिकों को अभी भी ठीक करने की आवश्यकता है:

• "भ्रम" (Hallucination) की समस्या: जिस तरह एक रचनात्मक लेखक एक काल्पनिक तथ्य बना सकता है जो वास्तविक लगता है, उसी तरह GenAI कभी-कभी एक ऐसा प्रोटीन अनुक्रम बना सकता है जो कंप्यूटर पर तो एकदम सही दिखता है लेकिन वास्तव में जीवन में काम करने योग्य आकार में नहीं बदल पाता। पेपर चेतावनी देता है कि हम इन डिजिटल रचनाओं पर तब तक भरोसा नहीं कर सकते जब तक कि उन्हें एक 'वेट लैब' (एक वास्तविक प्रयोगशाला जिसमें टेस्ट ट्यूब और कोशिकाएं हों) में टेस्ट न किया जाए।
• डेटा पूर्वाग्रह (Data Bias): AI ने उन किताबों से सीखा जो पहले से लिखी जा चुकी हैं। लेकिन उनमें से अधिकांश किताबें सामान्य जीवों जैसे मनुष्यों और चूहों के बारे में हैं। AI दुर्लभ जानवरों या दुर्लभ बीमारियों को समझने में बहुत खराब है क्योंकि उसने उनके बारे में पर्याप्त नहीं पढ़ा है। यह एक ऐसे छात्र की तरह है जिसने केवल गणित के टेस्ट के लिए पढ़ाई की लेकिन जीव विज्ञान वाला अध्याय पढ़ना भूल गया।
• मस्तिष्क की लागत: इन विशाल AI मॉडलों को प्रशिक्षित करने के लिए सुपरकंप्यूटरों की आवश्यकता होती है जो भारी मात्रा में बिजली का उपयोग करते हैं। पेपर नोट करता है कि यह महंगा है और बहुत अधिक कार्बन उत्सर्जन पैदा करता है, जिससे छोटे लैब के लिए इन उपकरणों का उपयोग करना कठिन हो जाता है।
• "ब्लैक बॉक्स" रहस्य: कभी-कभी AI एक सही उत्तर देता है, लेकिन कोई नहीं जानता कि क्यों। चिकित्सा में, उत्तर के साथ-साथ यह जानना भी उतना ही महत्वपूर्ण है कि वह उत्तर क्यों आया। यदि कोई AI कहता है कि एक दवा काम करेगी, तो डॉक्टरों को उस तर्क को समझने की आवश्यकता है ताकि वे उस पर भरोसा कर सकें। वर्तमान में, कई मॉडल "ब्लैक बॉक्स" हैं जहाँ आंतरिक तर्क छिपा हुआ होता है।

भविष्य: एक बेहतर टीम बनाना

तो, आगे क्या? लेखक सुझाव देते हैं कि भविष्य एक विशाल, पूर्ण AI बनाने के बारे में नहीं है। इसके बजाय, वे एक मॉड्यूलर दृष्टिकोण का प्रस्ताव करते हैं। कल्पना कीजिए कि एक टीम है जहाँ एक सामान्य AI एक मैनेजर के रूप में कार्य करता है, जो आपका प्रश्न लेता है और कठिन हिस्सों को विशिष्ट उपकरणों को सौंप देता है। यदि आप पूछते हैं, "यह जीन हृदय को कैसे प्रभावित करता है?", तो मैनेजर AI प्रोटीन संरचना के लिए एक प्रोटीन मॉडल, अंतःक्रियाओं के लिए एक ड्रग मॉडल, और पिछले अध्ययनों के लिए एक लिटरेचर मॉडल से पूछ सकता है, और फिर आपके लिए उत्तरों को जोड़ सकता है।

वे दक्षता (efficiency) की आवश्यकता पर भी जोर देते हैं। हमें स्मार्ट, छोटे मॉडल बनाने की आवश्यकता है जिन्हें चलाने के लिए सुपरकंप्यूटर की आवश्यकता न हो, ताकि अधिक वैज्ञानिक उनका उपयोग कर सकें। और अंत में, वे वास्तविक दुनिया के सत्यापन (real-world validation) की आवश्यकता पर जोर देते हैं। पेपर निष्कर्ष निकालता है कि जबकि GenAI विचारों और डिजाइनों को उत्पन्न करने के लिए एक शक्तिशाली उपकरण है, यह अभी भी वैज्ञानिक पद्धति का विकल्प नहीं है। AI कहानी लिख सकता है, लेकिन हमें अभी भी यह जांचना होगा कि क्या वह कहानी वास्तविक दुनिया में सच है।

संक्षेप में, जेनेरेटिव AI जीवविज्ञानी के टूलबॉक्स में एक क्रांतिकारी नया उपकरण है। यह मनुष्यों से कहीं अधिक तेज़ी से नए प्रोटीन लिख सकता है, जटिल जीन को डिकोड कर सकता है और दवाओं को डिजाइन कर सकता है। लेकिन किसी भी शक्तिशाली उपकरण की तरह, इसे सावधानी से उपयोग करने, लगातार जांचने और मानव विशेषज्ञों द्वारा निर्देशित करने की आवश्यकता है ताकि यह सुनिश्चित हो सके कि वे जो कहानियाँ सुना रहे हैं वे केवल रचनात्मक ही नहीं, बल्कि सत्य भी हैं।