Plato-Bio: verification-first biological novelty screening with temporal rediscovery and structural benchmarks
प्लेटो-बायो (Plato-Bio) एक सत्यापन-प्रथम (verification-first) जैविक अनुसंधान एजेंट है जो पुनरुत्पादनीय, ऑडिट योग्य स्क्रीनिंग सुनिश्चित करने के लिए स्पष्ट वर्कफ़्लो अवस्थाओं और प्रोवेनेंस ट्रैकिंग को एकीकृत करता है, जैसा कि ऐतिहासिक साहित्य पुनर्खोज और प्रोटीन संरचना विश्लेषण में सफल सॉफ्टवेयर सत्यापन और विशिष्ट बेंचमार्क द्वारा प्रदर्शित किया गया है।
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
जासूसी किट: क्यों "स्मार्ट" होना हमेशा "सही" होना नहीं है
कल्पना कीजिए कि आप एक रहस्य को सुलझाने की कोशिश कर रहे, लेकिन आपके पास एक आवर्धक लेंस (magnifying glass) के बजाय एक सुपर-स्मार्ट रोबोट सहायक है। यह रोबोट लाखों किताबें पढ़ सकता है, कोड लिख सकता है, और समाधान के बारे में एक जासूसी कहानी भी लिख सकता है। लेकिन यहाँ एक पेचीदा बात है: सिर्फ इसलिए कि रोबोट एक ऐसी कहानी लिखता है जो सुनने में एकदम सही और प्रवाहपूर्ण लगती है, इसका मतलब यह नहीं है कि रहस्य वास्तव में सुलझ गया है। विज्ञान की दुनिया में, विशेष रूप से जीव विज्ञान (जीवन का अध्ययन) में, कहानी को अच्छा सुनाना आसान है; तथ्यों को वास्तविकता से मिलाना अविश्वसनीय रूप से कठिन है।
वैज्ञानिक इन "AI जासूसों" को बनाने के लिए काम कर रहे हैं ताकि वे नए इलाज खोज सकें या यह समझ सकें कि हमारा शरीर कैसे काम करता है। मुख्य विचार यह है कि ये रोबोट पुराने शोध पत्रों के बीच के कड़ियों को जोड़कर नए उत्तर ढूंढ सकते हैं। हालाँकि, एक खतरा है: रोबोट लिखने में इतना माहिर हो सकता है कि वह हमें यह विश्वास दिलाने के लिए धोखा दे दे कि उसने एक नई खोज की है, जबकि वास्तव में उसने केवल मनगढ़ंत बातें बनाई हों या कोई महत्वपूर्ण सुराग छोड़ दिया हो। यह पेपर इन AI जासूसों के लिए एक विशेष "सत्य-जांचकर्ता" (truth-checker) किट बनाने के बारे में है। यह रोबोट को लिखने में अधिक स्मार्ट बनाने के बारे में नहीं है; बल्कि यह सुनिश्चित करने के बारे में है कि रोबोट हर एक तथ्य के स्रोत का एक सटीक, अटूट डायरी रखे, ताकि हम उसका होमवर्क चेक कर सकें।
पेपर का मिशन: एक "तथ्य-प्रथम" (Truth-First) जीव विज्ञान लैब बनाना
इस पेपर के लेखक, जो Praxa Labs (एक स्वतंत्र ओपन-सोर्स रिसर्च पहल, संयुक्त राज्य अमेरिका) के प्रोजेक्ट Plato-Bio पर काम कर रहे हैं, यह मानना बंद कर दिया है कि एक शानदार AI कहानी का मतलब वैज्ञानिक सत्य है। इसके बजाय, उन्होंने एक ऐसी प्रणाली बनाई है जो हर दावे को अदालत में एक संदिग्ध की तरह मानती है। इस अदालत में, AI केवल यह नहीं कह सकता कि, "मुझे लगता है कि यह सच है।" उसे अपनी पहचान, अपना स्रोत और अपने सबूत दिखाने होंगे। यदि वह ऐसा नहीं कर पाता, तो दावे को खारिज कर दिया जाता है।
लेखक ने अपने स्वयं के AI सिस्टम का ऑडिट किया और पाया कि तीन छिपे हुए बग्स (bugs) उनके परिणामों को बिगाड़ रहे थे। यह ऐसा था जैसे पता चलना कि उनका जासूस गलती से जीव विज्ञान के मामले को सुलझाने के लिए खगोल विज्ञान की पाठ्यपुस्तक का उपयोग कर रहा था, या वह अपने उत्तरों के पीछे का "क्यों" लिखना भूल गया था। उन्होंने इन बग्स को ठीक किया और नियमों का एक सख्त सेट (एक "सॉफ्टवेयर अनुबंध") बनाया जिसका पालन AI को करना ही होगा। उन्होंने इस नए, अधिक सख्त सिस्टम का परीक्षण दो बहुत विशिष्ट चुनौतियों के साथ किया ताकि यह देखा जा सके कि क्या यह बिना भ्रम (hallucination) पैदा किए अपना काम कर सकता है।
चुनौती 1: समय-यात्रा परीक्षण (The Time-Travel Test)
सबसे पहले, उन्होंने एक "टेम्पोरल रीडिस्कवरी" (temporal rediscovery) कार्य का प्रयास किया। कल्पना कीजिए कि आप 1989 के एक जासूस हैं, और आप जानना चाहते हैं कि क्या फिश ऑयल रेनॉड्स फेनोमेनन (Raynaud's phenomenon) जैसी स्थिति में मदद करता है। आप केवल 1986 से पहले प्रकाशित किताबों को ही देख सकते हैं।
AI को केवल पुराने सुरागों का उपयोग करके इस संबंध को समझना था। "फिश ऑयल" और "रेनॉड्स" के लिए एक साधारण खोज काम नहीं करेगी क्योंकि अभी तक किसी ने इन दोनों शब्दों को एक साथ नहीं लिखा था। इस एक मैन्युअल रूप से क्यूरेटेड कार्य में, ब्रिज-ओनली और एविडेंस-अवेयर रैंकिंग ने होल्ड-आउट संबंध (फिश ऑयल से रेनॉड्स) को पहले स्थान पर, TF-IDF को दूसरे स्थान पर, और कॉर्पस फ्रीक्वेंसी को तीसरे स्थान पर रखा। यह दर्शाता है कि सिस्टम केवल लोकप्रिय शब्दों के आधार पर अनुमान लगाने के बजाय तार्किक पुल बनाकर छिपे हुए संबंधों को खोजने की क्षमता रखता है।
चुनौती 2: 3D आकार मिलान (The 3D Shape Match)
इसके बाद, लेखक ने मौजूदा अल्फाफोल्ड (AlphaFold) भविष्यवाणियों की तुलना 15 अलग-अलग मानव प्रोटीनों के वास्तविक, प्रयोगात्मक रूप से मापे गए आकारों (PDB संरचनाओं) से करके सिस्टम की ऑडिट क्षमता का परीक्षण किया।
परिणाम "अद्भुत" और "अभी और काम की जरूरत है" का मिश्रण थे, जो बिल्कुल वही है जो लेखक दिखाना चाहते थे:
- उच्च-सहमति वाले लक्ष्य (Higher-agreement targets): 15 में से 11 प्रोटीनों के लिए, अल्फाफोल्ड की भविष्यवाणी वास्तविक संरचना के बहुत करीब थी। 11 लक्ष्यों का हाई-कॉन्फिडेंस-कोर C-alpha RMSD 1 Åंगस्ट्रॉम से कम था, और सभी 15 लक्ष्यों के लिए मीडियन (median) 0.501 Åंगस्ट्रॉम था।
- अधिक विसंगति वाले लक्ष्य (Targets retaining larger discrepancies): कुछ प्रोटीनों के लिए, अंतर अधिक था। एक प्रोटीन, जिसे SUMO1 कहा जाता है, में बहुत अधिक अंतर था, लेकिन जब सिस्टम ने केवल उन हिस्सों पर ध्यान केंद्रित किया जिनके बारे में वह आश्वस्त था, तो त्रुटि कम हो गई।
यहाँ मुख्य निष्कर्ष यह है कि सिस्टम ने केवल यह नहीं कहा, "यह अलग है, इसलिए यह एक नई खोज है!" इसके बजाय, इसने अंतरों को "अनवेरिफाइड हाइपोथीसिस" (अपुष्ट परिकल्पनाओं) के रूप में चिह्नित किया। इसने स्पष्ट रूप से बताया कि कहाँ संरचनाएं असहमत थे और कहा, "इसे देखें, लेकिन अभी जश्न न मनाएं।" इसने 27 विशिष्ट क्षेत्रों को पाया जहाँ भविष्यवाणी और वास्तविकता असहमत थे, लेकिन इसने उन्हें जांचने योग्य चीजों के रूप में लेबल किया, न कि सिद्ध नए तथ्यों के रूप में।
इसका क्या अर्थ है (और क्या नहीं है)
लेखक अपने परिणामों को बढ़ा-चढ़ाकर बताने (overhype) में बहुत सावधान हैं। वे यह नहीं कह रहे हैं, "हमने एक रोबोट बनाया है जिसने एक नया इलाज खोज लिया है!" वे कह रहे हैं, "हमने एक ऐसा रोबोट बनाया है जो अपने काम की एक सटीक, ऑडिट योग्य डायरी रखना जानता है।"
पेपर स्पष्ट रूप से इस विचार को खारिज करता है कि AI की एक पॉलिश की हुई, अच्छी तरह से लिखी गई रिपोर्ट का मतलब विज्ञान सही है। वे तर्क देते हैं कि इन सख्त "प्रूफ-ऑफ-वर्क" चरणों के बिना, जैसे उद्धरणों (citations) की जाँच करना, दावों को साक्ष्य से जोड़ना, और अनिश्चित क्षेत्रों को "स्थापित नहीं" के रूप में चिह्नित करना, हम AI की खोजों पर भरोसा नहीं कर सकते।
अंत में, Plato-Bio पुनरुत्पादकता (reproducibility) के लिए एक उपकरण है। यह सुनिश्चित करता है कि यदि आप वही परीक्षण फिर से चलाते हैं, तो आपको वही परिणाम मिलेंगे, और आप देख सकते हैं कि AI वहां तक कैसे पहुँचा। लेखक निष्कर्ष निकालते हैं कि हालांकि यह प्रणाली एक ठोस आधार है, लेकिन यह कोई जादू की छड़ी नहीं है। वास्तव में एक नई जैविक खोज का दावा करने के लिए, आपको अभी भी वास्तविक दुनिया के प्रयोगों, काम की समीक्षा करने के लिए मानव विशेषज्ञों और बहुत अधिक परीक्षणों की आवश्यकता होगी। लेकिन Plato-Bio के साथ, हमारे पास अंततः एक तरीका है जिससे हम यह सुनिश्चित कर सकते हैं कि AI अपना होमवर्क सही ढंग से कर रहा है, इससे पहले कि हम टेस्ट को ग्रेड करना शुरू करें।
Author: Stefan G. Creadore, Praxa Labs (an independent open-source research initiative, United States).
Paper: https://arxiv.org/abs/2607.23975
Code and data: https://github.com/Eldergenix/Plato-Scientific-Research-Autonomous-Agent
ORCID: https://orcid.org/0000-0003-2268-053X
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।