DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery
यह शोध पत्र DrugPlayGround प्रस्तुत करता है, जो एक नवीन ढांचा है जिसे बड़े भाषा मॉडलों (LLMs) और एम्बेडिंग्स को सटीक दवा-संबंधी विवरण उत्पन्न करने और भौतिक-रासायनिक विशेषताओं, सहक्रियात्मकता (synergism), अंतःक्रियाओं और शारीरिक प्रतिक्रियाओं के लिए विशेषज्ञ-तर्कसंगत स्पष्टीकरण प्रदान करने की उनकी क्षमता पर वस्तुनिष्ठ रूप से बेंचमार्क करने के लिए डिज़ाइन किया गया है, जिससे दवा की खोज (drug discovery) में वर्तमान मानकीकृत मूल्यांकन की कमी को दूर किया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक नई, जीवन रक्षक दवा बनाने की कोशिश कर रहे हैं। पारंपरिक रूप से, यह घास के ढेर में एक विशिष्ट सुई खोजने जैसा है, वह भी आँखों पर पट्टी और हाथों में दस्ताने पहनकर। इसमें वर्षों लग जाते हैं, अरबों डॉलर खर्च होते हैं, और लैब में बहुत सारे परीक्षण और त्रुटियों (trial and error) का सामना करना पड़ता है।
हाल ही में, वैज्ञानिकों ने लार्ज लैंग्वेज मॉडल्स (LLMs) का उपयोग करना शुरू किया है—वही तरह के "सुपर-स्मार्ट" AI जो कविताएँ लिख सकते हैं या आपसे चैट कर सकते हैं—ताकि वे इस काम में मदद कर सकें। उन्हें उम्मीद थी कि ये AI लाखों मेडिकल किताबों को पढ़ सकते हैं और शोधकर्ताओं को तुरंत बता सकते हैं कि कौन से रसायन (chemicals) दवाओं के रूप में काम कर सकते हैं।
लेकिन यहाँ एक समस्या है: हमें यह नहीं पता था कि ये AI वास्तव में रसायन विज्ञान (chemistry) में अच्छे हैं, या वे केवल पूरे आत्मविश्वास के साथ "भ्रम" (hallucinating/मनगढ़ंत बातें बनाना) पैदा कर रहे हैं।
पेश है DrugPlayGround। इस पेपर को इन AI मॉडल्स के लिए "ड्राइवर्स एड" (ड्राइविंग सीखने की क्लास) या "डांस-ऑफ" की तरह समझें। शोधकर्ताओं ने एक विशाल, निष्पक्ष टेस्ट ट्रैक बनाया ताकि यह देखा जा सके कि कौन सा AI वास्तव में नई दवाएं खोजने के लिए तैयार है और कौन सा सिर्फ विशेषज्ञ होने का नाटक कर रहा है।
यहाँ बताया गया है कि उन्होंने इनका परीक्षण कैसे किया, जिसे सरल भाषा में समझाया गया है:
1. "बुक रिपोर्ट" टेस्ट (टेक्स्ट जनरेशन)
सबसे पहले, उन्होंने AI को एक विशिष्ट दवा पर "बुक रिपोर्ट" लिखने के लिए कहा। उन्होंने AI को दवा का नाम दिया और उससे उसकी रासायनिक संरचना (chemical structure), उसके काम करने के तरीके और उसके गुणों का वर्णन करने को कहा।
- उपमा (Analogy): कल्पना कीजिए कि आप एक छात्र से एक कार का वर्णन करने के लिए कहते हैं। एक अच्छा छात्र कहता है, "यह एक लाल रंग की फोर्ड है जिसमें V8 इंजन है।" एक भ्रमित (hallucinating) छात्र कह सकता है, "यह एक लाल फोर्ड है जो उड़ती है और पानी से चलती है।"
- परिणाम: उन्होंने पाया कि कुछ AI (जैसे GPT-4o) शीर्ष स्तर के छात्रों की तरह थे जो सटीक और विस्तृत रिपोर्ट लिख सकते थे। अन्य ने तथ्य बना लिए, जैसे दवा का वजन गलत बताना या ऐसे रासायनिक हिस्सों का आविष्कार करना जो अस्तित्व में ही नहीं हैं।
- ट्विस्ट: उन्होंने पाया कि आप सवाल कैसे पूछते हैं, यह मायने रखता है। यदि आप केवल कहें "इसका वर्णन करें," तो AI आलसी हो सकता है। लेकिन यदि आप कहें, "एक रसायन विज्ञान विशेषज्ञ के रूप में कार्य करें और इन विशिष्ट विवरणों को सूचीबद्ध करें," तो AI बहुत बेहतर प्रदर्शन करता है। यह एक दोस्त से मदद माँगने और एक पेशेवर सलाहकार से परामर्श लेने के बीच के अंतर जैसा है।
2. "अनुवाद" टेस्ट (एम्बेडिंग्स - Embeddings)
LLMs केवल टेक्स्ट नहीं लिखते; वे शब्दों को नंबरों में भी बदलते हैं (जिन्हें एम्बेडिंग्स कहा जाता है)। इसे एक दवा के विवरण को एक गुप्त कोड में अनुवाद करने के रूप में सोचें जिसे कंप्यूटर समझ सके।
- उपमा: कल्पना कीजिए कि आपके पास एक शब्दकोश है जहाँ हर शब्द एक रंग है। "एस्पिरिन" शायद "लाल" हो सकता है, और "आइबुप्रोफेन" "नीला" हो सकता है। यदि दो दवाएं समान हैं, तो उनके रंग स्पेक्ट्रम में पास-पास होने चाहिए। शोधकर्ता यह देखना चाहते थे कि क्या AI का "कलर पैलेट" रासायनिक रूप से समझ में आने वाला है।
- परिणाम: उन्होंने परीक्षण किया कि क्या ये "कलर कोड" यह अनुमान लगा सकते हैं कि दवाएं प्रोटीन (हमारे शरीर के वे 'लॉक' जिन्हें खोलने के लिए दवाएं काम करती हैं) के साथ कैसे परस्पर क्रिया करती हैं। आश्चर्यजनक रूप से, AI के ये "अनुवाद" पारंपरिक कंप्यूटर मॉडलों की तुलना में इन अंतःक्रियाओं (interactions) की भविष्यवाणी करने में अक्सर बेहतर थे। यह ऐसा है जैसे AI ने केवल आकार को देखने वाले कैलकुलेटर की तुलना में दवा की "कहानी" को बेहतर ढंग से समझा हो।
3. "टीमवर्क" टेस्ट (सिनर्जी - Synergy)
कभी-कभी, दो दवाएं अकेले काम करने की तुलना में साथ मिलकर बेहतर काम करती हैं। इसे सिनर्जी कहा जाता है।
- उपमा: कल्पना कीजिए कि दो संगीतकार हैं। एक बेहतरीन ड्रम बीट बजाता है, दूसरा एक बेहतरीन धुन। अकेले, वे ठीक हैं। साथ मिलकर, वे एक हिट गाना बनाते हैं। शोधकर्ताओं ने AI से पूछा: "यदि हम दवा A और दवा B को मिलाते हैं, तो क्या वे एक हिट गाना (बीमारी का इलाज) बनाएंगे या शोर (विषाक्तता/toxicity)?"
- परिणाम: AI इस मामले में आश्चर्यजनक रूप से अच्छा था, लेकिन केवल तभी जब "संगीतकार" (दवाएं) के पास एक स्पष्ट, सरल कहानी हो। यदि जैविक प्रणाली बहुत अधिक अव्यवस्थित या अराजक थी (जैसे एक बैंड जहाँ हर कोई अलग शैली बजा रहा हो), तो AI भ्रमित हो गया। इससे उन्हें पता चला कि AI तब सबसे अच्छा काम करता है जब जैविक नियम स्पष्ट हों।
4. "रिएक्शन" टेस्ट (परटर्बेशन - Perturbation)
अंत में, उन्होंने परीक्षण किया कि जब किसी कोशिका (cell) पर दवा का प्रभाव पड़ता है, तो क्या होता है।
- उपमा: कल्पना कीजिए कि तालाब में कंकड़ डालने से क्या होता है। AI को यह भविष्यवाणी करनी होगी कि लहरें (ripples) कैसे फैलेंगी।
- परिणाम: AI लहरों (जीन परिवर्तनों) की बहुत अच्छी भविष्यवाणी कर सका, लेकिन केवल तभी जब कंकड़ (दवा) का विवरण जैविक विवरणों से समृद्ध था। यदि AI को केवल यह पता था कि कंकड़ "गोल" है, तो वह विफल रहा। यदि उसे पता था कि "यह एक भारी, नुकीला पत्थर है जो विशिष्ट खनिजों से बना है," तो उसने लहरों की सटीक भविष्यवाणी की।
मुख्य निष्कर्ष (The Big Takeaways)
पेपर निष्कर्ष निकालता है कि दवा की खोज में AI का उपयोग करने के लिए कुछ "स्वर्ण नियम" हैं:
- सभी AI एक समान नहीं होते: कुछ लिखने में बेहतर हैं, कुछ गणित में, और कुछ रसायन विज्ञान में। आपको काम के लिए सही उपकरण चुनना होगा।
- प्रॉम्प्टिंग (Prompting) महत्वपूर्ण है: आप केवल AI से "अनुमान लगाने" के लिए नहीं कह सकते। आपको उसे एक विशिष्ट भूमिका (जैसे "रसायन विज्ञान विशेषज्ञ") देनी होगी ताकि सर्वोत्तम परिणाम मिल सकें।
- सब कुछ सच न मानें: AI अभी भी संख्याओं (जैसे आणविक भार) के बारे में झूठ बोल सकता है। मनुष्यों को तथ्यों की दोबारा जांच करने की आवश्यकता है।
- भविष्य हाइब्रिड है: सबसे अच्छा दृष्टिकोण केवल AI या केवल मानव नहीं है। यह AI का उपयोग विचारों और विवरण उत्पन्न करने के लिए करने और फिर मानव विशेषज्ञों द्वारा उनकी पुष्टि करने का है।
संक्षेप में: DrugPlayGround ने साबित कर दिया कि AI दवा की खोज के लिए एक शक्तिशाली नया सहायक है, लेकिन यह अभी तक कोई जादुई छड़ी नहीं है। यह एक प्रतिभाशाली इंटर्न की तरह है जिसे स्पष्ट निर्देशों और अपनी गलतियों को पकड़ने के लिए एक मानव पर्यवेक्षक की आवश्यकता होती है। सही सेटअप के साथ, यह इंटर्न हमें पहले की तुलना में बहुत तेज़ी से इलाज खोजने में मदद कर सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।