Zero-shot biological reasoning with open-weights large language models reproduces CRISPR screen based prediction of synthetic lethal interactions.
यह अध्ययन प्रदर्शित करता है कि ओपन-वेट लार्ज लैंग्वेज मॉडल्स, विशेष रूप से Qwen2.5-32B-Instruct, पूर्व-प्रशिक्षित जैविक ज्ञान का लाभ उठाकर सिंथेटिक लीथल इंटरैक्शन की प्रभावी ढंग से भविष्यवाणी कर सकते हैं, जो रैंडम चांस और नॉन-एलएलएम (non-LLM) विधियों से बेहतर प्रदर्शन करते हुए कैंसर में नवीन चिकित्सीय लक्ष्यों को प्राथमिकता देने के लिए एक स्केलेबल और व्याख्या योग्य विकल्प प्रदान करते हैं।
मूल पेपर CC BY 4.0 (https://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 दो विशिष्ट कुंजियों (keys) के बीच एक "गुप्त हाथ मिलाने का तरीका" (secret handshake) खोजने की कोशिश कर रहे हैं, जो एक साथ घुमाने पर कैंसर को रोकने के लिए एक दरवाजा खोल सकते हैं। जीव विज्ञान में, इसे सिंथेटिक लीथल इंटरैक्शन (synthetic lethal interactions) कहा जाता है। यह कुछ ऐसा है जैसे यह खोजना कि जबकि कुंजी A अकेले कुछ नहीं करती, और कुंजी B अकेले कुछ नहीं करती, लेकिन उन्हें एक साथ उपयोग करने से कैंसर कोशिका नष्ट हो जाती है।
लंबे समय तक, वैज्ञानिकों ने यह अनुमान लगाने के लिए जटिल कंप्यूटर प्रोग्रामों (मशीन लर्निंग) का उपयोग किया है कि कौन सी कुंजियाँ एक साथ काम कर सकती हैं। लेकिन ये प्रोग्राम 'ब्लैक बॉक्स' की तरह हैं: वे आपको "हाँ" या "ना" का उत्तर तो देते हैं, लेकिन वे यह नहीं समझा सकते कि उन्हें क्यों लगा कि वे काम करेंगे। वे आपको विज्ञान के पीछे की कहानी नहीं बताते।
"सुपर-रीडर" (लार्ज लैंग्वेज मॉडल्स) का आगमन
शोधकर्ताओं ने कुछ नया करने का निर्णय लिया। ब्लैक बॉक्स का उपयोग करने के बजाय, उन्होंने "सुपर-रीडर्स" (जिन्हें ओपन-वेट लार्ज लैंग्वेज मॉडल्स या LLMs कहा जाता है) का परीक्षण किया। इन मॉडल्स को ऐसे छात्रों के रूप में सोचें जिन्होंने लगभग हर जीव विज्ञान की पाठ्यपुस्तक, शोध पत्र और मेडिकल जर्नल पढ़ा है। वे केवल नंबरों की गणना नहीं कर रहे हैं; वे उस ज्ञान के आधार पर "तर्क" (reasoning) कर रहे हैं जो उन्होंने अध्ययन के दौरान आत्मसात किया है।
बड़ी परीक्षा
टीम ने इन सुपर-रीडर्स को एक अनुमान लगाने वाला खेल खेलने के लिए कहा। उन्होंने उन्हें जीन के जोड़े दिए और पूछा, "यदि हम इन्हें तोड़ दें, तो क्या कैंसर कोशिका मर जाएगी?"
- चुनौती: उन्होंने मॉडल्स का परीक्षण तीन प्रसिद्ध, वास्तविक दुनिया के प्रयोगों (जिन्हें CRISPR स्क्रीन्स कहा जाता है) के विरुद्ध किया, जहाँ वैज्ञानिकों ने पहले ही हजारों जीन जोड़ों का भौतिक रूप से परीक्षण किया था कि क्या काम करता है।
- परिणाम: सुपर-रीडर्स ने बहुत अच्छा काम किया! वे रैंडम चांस (random chance) या पुराने ब्लैक-बॉक्स कंप्यूटर प्रोग्रामों की तुलना में सही उत्तरों का अनुमान लगाने में बहुत बेहतर थे। वे वास्तव में डेटा को देख सकते थे और कह सकते थे, "मुझे लगता है कि ये दोनों एक साथ चलते हैं क्योंकि इसके पीछे यह जैविक कारण है," जिससे उत्तर मानव-पठनीय (human-readable) बन गया।
"कितना बड़ा" पर्याप्त है?
शोधकर्ताओं ने यह भी सोचा: "क्या हमें यह करने के लिए एक विशाल मस्तिष्क की आवश्यकता है, या एक छोटा मस्तिष्क काम कर जाएगा?"
- उन्होंने पाया कि बड़े मॉडल्स (जिनमें अधिक "मस्तिष्क शक्ति" या पैरामीटर्स होते हैं) आम तौर पर बेहतर प्रदर्शन करते हैं।
- दिलचस्प बात यह है कि मॉडल्स को अतिरिक्त नोट्स (जैसे विशिष्ट पाथवे डायग्राम या जेनेटिक लिस्ट) देने से उन्हें ज्यादा मदद नहीं मिली। ऐसा प्रतीत होता है कि मॉडल्स पहले से ही अपनी "पढ़ाई" से इतना कुछ जान चुके थे कि अतिरिक्त नोट्स केवल वही दोहरा रहे थे जो वे पहले से ही समझते थे।
विजेता और बड़ी खोज
कई मॉडल्स का परीक्षण करने के बाद, उन्होंने "गोल्डिलॉक्स" (Goldilocks) मॉडल चुना: Qwen2.5-32B-Instruct। यह एक आदर्श संतुलन था—न बहुत धीमा, न बहुत कम बुद्धिमान, और बहुत सटीक (0 से 1 के पैमाने पर 0.715 स्कोर किया, जो कि काफी अच्छा है)।
इस चुने हुए मॉडल का उपयोग करके, वे केवल कुछ जोड़ों का परीक्षण नहीं कर रहे थे; वे एक विशाल डिजिटल खजाने की खोज पर निकल पड़े। उन्होंने 893 महत्वपूर्ण कैंसर-संबंधित जीनों से जुड़े 398,277 अलग-अलग जीन जोड़ों को स्कैन किया।
मुख्य निष्कर्ष
यह पेपर दिखाता है कि ये ओपन-सोर्स सुपर-रीडर्स शक्तिशाली उपकरण हैं। वे एक स्मार्ट, संदर्भ-जागरूक लाइब्रेरियन की तरह कार्य कर सकते हैं जो लाखों संभावनाओं में से तेजी से छानबीन कर सकता है ताकि सबसे आशाजनक "गुप्त हाथ मिलाने वाले" (secret handshakes) तरीकों को उजागर किया जा सके। हमारा लक्ष्य यहाँ तुरंत कैंसर को ठीक करना नहीं था, बल्कि यह साबित करना था कि ये AI रीडर्स कुशलतापूर्वक उन जेनेटिक इंटरैक्शन को प्राथमिकता दे सकते हैं जिनका अध्ययन आगे किया जाना चाहिए, जो भविष्य में और भी जटिल जेनेटिक पहेलियों को खोजने का मार्ग प्रशस्त करता 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।