Neural Circuit Function Inference with LLMs
यह शोध पत्र LLantia प्रस्तुत करता है, जो एक स्वचालित विधि है जो साहित्य-आधारित कोशिका प्रकार के कार्यों को आसुत (distill) करने और उन्हें कनेक्टोम डेटा के साथ एकीकृत करने के लिए बड़े भाषा मॉडलों का लाभ उठाती है ताकि तंत्रिका सर्किट और उनके घटक कोशिका प्रकारों के कार्यों को व्यवस्थित रूप से अनुमानित और पदानुक्रमित रूप से संरचित किया जा सके, जैसा कि वयस्क फल मक्खी के मस्तिष्क में प्रदर्शित और मान्य किया गया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप हर एक सड़क, गली और फुटपाथ के नक्शे को देखकर यह समझने की कोशिश कर रहे हैं कि एक शहर कैसे काम करता है। आप जानते हैं कि सड़कें कहाँ जुड़ती हैं, लेकिन आपको इस बात का कोई अंदाज़ा नहीं है कि चौराहों पर क्या होता है। क्या वह ट्रैफिक लाइट स्कूल ज़ोन के लिए है? क्या वह गली डिलीवरी ट्रकों के लिए शॉर्टकट है या एक डेड एंड (बंद रास्ता) है? न्यूरोसाइंस (तंत्रिका विज्ञान) की वर्तमान स्थिति यही है। वैज्ञानिकों ने आखिरकार छोटे दिमागों, जैसे कि फ्रूट फ्लाई (फल वाली मक्खी) के "वायरिंग डायग्राम" का नक्शा बनाना पूरा कर लिया है, जो यह दिखाता है कि कौन से न्यूरॉन्स (तंत्रिका कोशिकाएं) वास्तव में एक-दूसरे को छूते हैं। लेकिन कनेक्शन जानना तो केवल आधी लड़ाई है; असली रहस्य यह पता लगाना है कि वे कनेक्शन वास्तव में क्या करते हैं। तारों का एक विशिष्ट जाल कैसे सिरके की गंध को उसकी ओर उड़ने के निर्णय में बदल देता है?
इसे हल करने के लिए, शोधकर्ता एक नए प्रकार के डिजिटल जासूस का उपयोग कर रहे हैं: लार्ज लैंग्वेज मॉडल्स (LLMs)। इन्हें ऐसे सुपर-स्मार्ट AI रीडर्स के रूप में सोचें जिन्होंने लगभग हर उस साइंस पेपर को पढ़ लिया है जो कभी लिखा गया है। वे टेक्स्ट में पैटर्न खोजने में उत्कृष्ट हैं, लेकिन वे आमतौर पर वायरिंग डायग्राम नहीं देख सकते। बड़ा सवाल यह है: क्या हम एक AI को कनेक्शनों का नक्शा देखना और इतिहास की किताबें पढ़ना सिखा सकते हैं कि उन हिस्सों का क्या काम है, और फिर उस ज्ञान का उपयोग करके उन हिस्सों के कार्य का अनुमान लगा सकते हैं जिनका अभी तक किसी ने अध्ययन नहीं किया है? यदि हम यह कर सकते हैं, तो हम बिना हजारों धीमे और महंगे प्रयोग किए तुरंत समझ सकते हैं कि जटिल सर्किट कैसे काम करते हैं।
द AI डिटेक्टिव: LLantia
मिलिए LLantia (LLM ऑटोमेटेड न्यूरल सर्किट इन्फरेंस एंड एनालिसिस) से, जो शोधकर्ता यिजी यिन और अल्बर्ट कार्डोना द्वारा बनाया गया एक नया डिजिटल टूल है। उनका लक्ष्य एक ऐसा सिस्टम बनाना था जो वयस्क फ्रूट फ्लाई के मस्तिष्क के विशाल, पूर्ण वायरिंग मैप को ले सके और स्वचालित रूप से यह पता लगा सके कि प्रत्येक प्रकार का न्यूरॉन क्या कर रहा है, भले ही किसी वैज्ञानिक ने उस विशिष्ट न्यूरॉन के बारे में पहले कभी कुछ न लिखा हो।
समस्या: खोए हुए पन्नों का पुस्तकालय
फ्रूट फ्लाई के मस्तिष्क में लगभग 140,000 न्यूरॉन्स होते हैं, लेकिन जब उन्हें उनके आकार और कनेक्शन के आधार पर समूहों में बांटा जाता है, तो वे लगभग 9,000 विशिष्ट "सेल प्रकारों" (cell types) का निर्माण करते हैं। वैज्ञानिकों ने इनमें से कुछ प्रकारों का अध्ययन किया है, लेकिन जानकारी अलग-अलग बक्सों में पहेली के टुकड़ों की तरह बिखरी हुई है। कुछ पेपर कहते हैं कि एक न्यूरॉन गंध में मदद करता है; अन्य कहते हैं कि यह गति में मदद करता है। इस बीच, वायरिंग मैप दिखाता है कि ये न्यूरॉन्स घनी तरह से जुड़े हुए हैं—जैसे कि एक भीड़भाड़ वाला सबवे स्टेशन जहाँ 80% स्टेशन केवल पांच स्टॉप के भीतर आपस में जुड़े हुए हैं। इन सभी संकेतों को मिलाने पर क्या होता है, इसे मैन्युअल रूप से जल्दी से समझना किसी इंसान के लिए असंभव है।
समाधान: दो चरणों वाला जादू का खेल
LLantia दो मुख्य चरणों में काम करता है, जो एक बहुत ही व्यवस्थित लाइब्रेरियन और एक प्रतिभाशाली जासूस दोनों की भूमिका निभाता है।
चरण 1: लाइब्रेरियन (सुराग ढूंढना)
सबसे पहले, सिस्टम वैज्ञानिक साहित्य में एक खोज अभियान (scavenger hunt) पर निकलता है। यह कुछ "सीड" (seed) पेपर्स से शुरू होता है और एक साइटेशन ग्राफ (कौन सा पेपर किसे रेफर करता है, इसका नक्शा) का उपयोग करके हर संबंधित अध्ययन को खोजता है। यह टेक्स्ट डाउनलोड करता है और न्यूरॉन्स के विशिष्ट कार्यों को निकालने के लिए एक AI का उपयोग करता है।
- चुनौती: वैज्ञानिक अक्सर एक ही न्यूरॉन के लिए अलग-अलग नामों का उपयोग करते हैं (जैसे "डॉग" को "कैनिन" या "पपी" कहना)। AI को इतना स्मार्ट होना चाहिए कि वह समझ सके कि "MBON-α'1" और "MBON15" कहानी के एक ही पात्र हैं।
- परिणाम: सिस्टम ने हजारों पेपर्स से 411 अद्वितीय सेल प्रकारों के कार्यों को सफलतापूर्वक निकाला, जिससे लंबे, जटिल वाक्यों को संक्षिप्त, स्पष्ट सारांशों में बदल दिया गया।
चरण 2: डिटेक्टिव (रहस्य सुलझाना)
इसके बाद, सिस्टम वायरिंग मैप और उन सारांशों को लेता है जिन्हें उसने अभी पढ़ा है। यह एक शक्तिशाली AI मॉडल के लिए एक कस्टम "प्रॉम्ट" (एक विस्तृत निर्देश) बनाता है। यह प्रॉम्ट कहता है: "यह एक विशिष्ट न्यूरॉन है। यह किससे बात करता है। इसके पड़ोसी क्या करने के लिए जाने जाते हैं। इसके आधार पर, इस न्यूरॉन का काम क्या है?"
- तर्क: यदि एक न्यूरॉन "गंध डिटेक्टरों" से संकेत प्राप्त करता है और "फ्लाइट कंट्रोलर्स" को संकेत भेजता है, तो AI निष्कर्ष निकालता है कि यह न्यूरॉन संभवतः एक "गंध-से-उड़ान कनवर्टर" है।
- आउटपुट: एक साधारण अनुमान के बजाय, AI एक संरचित रिपोर्ट तैयार करता है। यह सुझाव देता है कि न्यूरॉन का कार्य क्या है, वे विशिष्ट व्यवहार जिन्हें वह नियंत्रित कर सकता है (जैसे "भूख लगने पर भोजन की तलाश करना"), और यहाँ तक कि उन विशिष्ट कनेक्शनों की सूची भी देता है जो इस विचार का समर्थन करते हैं। यह अपने अनुमानों को एक पदानुक्रम (hierarchy) में व्यवस्थित करता है, जिससे यह पता चलता है कि छोटे सर्किट बड़े सर्किटों में कैसे फिट होते हैं।
क्या यह काम कर पाया? प्रमाण
शोधकर्ताओं ने केवल उम्मीद नहीं की कि यह काम करेगा; उन्होंने इसका कड़ाई से परीक्षण किया।
- "फ्यूचर" टेस्ट: उन्होंने अपने परिणामों की जांच एक बिल्कुल नए वैज्ञानिक पेपर से की जो उनके प्रशिक्षण के बाद प्रकाशित हुआ था। AI ने सही ढंग से अनुमान लगाया कि एक विशिष्ट न्यूरॉन (LoVPN) एक "विजुअल सैलिएंस डिटेक्टर" के रूप में कार्य करता है जो केवल तभी काम करता है जब अन्य इंद्रियां (जैसे गंध) शांत होती हैं। यह नए पेपर के निष्कर्षों से पूरी तरह मेल खाता था, जिससे साबित हुआ कि AI केवल पुराने तथ्यों को याद नहीं कर रहा था बल्कि सर्किट के बारे में वास्तव में तर्क दे रहा था।
- "मेमोरी" टेस्ट: यह सुनिश्चित करने के लिए कि AI केवल अपने ट्रेनिंग डेटा से उत्तर याद नहीं कर रहा है, शोधकर्ताओं ने न्यूरॉन्स के नाम छिपा दिए और ज्ञात फंक्शन विवरणों को हटा दिया। जब नाम गायब हो गए, तो AI के अनुमान अस्पष्ट और सामान्य हो गए। इससे साबित हुआ कि AI वास्तव में उत्तर का पता लगाने के लिए वायरिंग मैप और अन्य न्यूरॉन्स के संदर्भ का उपयोग कर रहा था, न कि केवल एक तथ्य को याद कर रहा था।
- "ह्यूमन" टेस्ट: जब उन्होंने AI के सारांशों की तुलना मानव विशेषज्ञों द्वारा लिखे गए सारांशों से की, तो कंप्यूटर-जनित विवरण अर्थ में आश्चर्यजनक रूप से समान थे, भले ही शब्द अलग हों।
इसने क्या पाया
इस पद्धति का उपयोग करते हुए, टीम ने फ्रूट फ्लाई के मस्तिष्क के सभी 9,000 सेल प्रकारों के लिए फंक्शन हाइपोथीसिस (कार्य संबंधी परिकल्पनाएं) तैयार कीं। उन्होंने छह प्रमुख "सर्किट्स" (जैसे गंध सेंसर से नेविगेशन केंद्र तक का मार्ग) का भी मानचित्रण किया। AI ने कुछ सामान्य विषयों की खोज की, जैसे:
- क्रॉस-इनहिबिशन (Cross-inhibition): वे न्यूरॉन्स जो एक व्यवहार (जैसे प्रेम गीत गाना) को रोक देते हैं जब दूसरा, अधिक जरूरी व्यवहार (जैसे शिकारी से भागना) आवश्यक होता है।
- AND गेट्स (AND Gates): वे न्यूरॉन्स जो केवल तभी सक्रिय होते हैं जब कई शर्तें पूरी होती हैं (जैसे "मैं भूखा हूँ" AND "मुझे भोजन की गंध आ रही है" AND "मैं संभोग नहीं कर रहा हूँ")।
निष्कर्ष
LLantia वैज्ञानिकों की जगह नहीं लेती; यह उन्हें एक बड़ी बढ़त देती है। यह बिखरे हुए डेटा के पहाड़ को एक संरचित, खोजने योग्य मानचित्र में बदल देती है कि "क्या क्या करता है।" एक न्यूरॉन की वायरिंग और उसके काम के बीच के कनेक्शनों को जोड़ने की प्रक्रिया को स्वचालित करके, यह शोधकर्ताओं को अनुमान लगाने के बजाय सीधे इन नए विचारों का परीक्षण करने के लिए प्रयोगों को डिजाइन करने की अनुमति देता है। लेखक सुझाव देते हैं कि इस दृष्टिकोण को हमारे मैप बेहतर होने के साथ और भी बड़े दिमागों तक बढ़ाया जा सकता है, जिससे तंत्रिका तंत्र की अत्यधिक जटिलता को एक हल होने वाली पहेली में बदला जा 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।