← नवीनतम पेपर
📄 संश्लेषित जीव विज्ञान

Generative Neuromorphic Programming of Mammalian Cells

यह शोध पत्र एक जनरेटिव न्यूरोमॉर्फिक प्रोग्रामिंग फ्रेमवर्क पेश करता है जो एनालॉग सर्किट निर्माण के लिए आरएनए-लक्षित एंडोराइबोन्यूक्लिएस को बायोमोर्फिक न्यूरल नेटवर्क के साथ और सटीक भविष्यवाणी के लिए एक "बायोकम्पाइलर" के साथ जोड़ता है, जिससे स्तनधारी कोशिकाओं में जटिल, पहले से अनदेखे एनालॉग व्यवहारों की सफल सिंगल-पास इंजीनियरिंग सक्षम होती है।

मूल लेखक: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

प्रकाशित 2026-09-22
📖 11 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Disset, J., Van De Mark, C., Wachter, G. K. A., Kuo, S.-H., Moorman, A., Xu, W., Palanques Tost, E., Buritica Monroy, A., Belta, C., Weiss, R.

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

कोशिकाएं केवल ऑन/ऑफ (on/off) स्विच की तरह सरल नहीं हैं; वे परिष्कृत प्रोसेसर हैं जो निर्णय लेने के लिए लगातार कई संकेतों को तौलती रहती हैं। प्राकृतिक दुनिया में, एक कोशिका पास में तैरते हुए कई अलग-अलग प्रोटीनों के स्तरों का अनुभव कर सकती है और उन संकेतों के सटीक संयोजन और शक्ति के आधार पर यह तय कर सकती है कि उसे विभाजित होना चाहिए, क्षति की मरम्मत करनी चाहिए, या मर जाना चाहिए। यह निर्णय लेना आंतरिक कनेक्शनों के एक घने जाल के माध्यम से होता है जो बाइनरी हाँ-या-ना वाले उत्तरों के बजाय सुचारू, क्रमिक प्रतिक्रियाएँ उत्पन्न करते हैं। दशकों तक, नए कार्यों के लिए कोशिकाओं को प्रोग्राम करने की कोशिश करने वाले वैज्ञानिक संघर्ष करते रहे क्योंकि उनके उपकरण डिजिटल तर्क (digital logic) पर आधारित थे, जो जैविक भागों को कंप्यूटर बिट्स की तरह मानते थे जो या तो पूरी तरह चालू होते हैं या बंद। यह बेमेल तालमेल जीवित प्रणालियों की सूक्ष्म, एनालॉग प्रकृति को संभालने योग्य सर्किट डिजाइन करना अविश्वसनीय रूप से कठिन बना देता था, जिसमें अक्सर साधारण व्यवहार प्राप्त करने के लिए भी वर्षों के परीक्षण और त्रुटि (trial and error) की आवश्यकता होती थी।

मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी और अन्य संस्थानों के शोधकर्ताओं की एक टीम ने अब इस अंतर को पाट दिया है क्योंकि उन्होंने कोशिकाओं को उसी तरह गणना करने के लिए प्रशिक्षित किया है जैसे वे स्वाभाविक रूप से करती हैं। उन्होंने एक ऐसी प्रणाली विकसित की है जो कोशिका की आंतरिक मशीनरी को एक लचीले, एनालॉग कंप्यूटर के रूप में मानती है, जो एक साथ कई इनपुट पर जटिल गणना करने में सक्षम है। कोशिकाओं को कठोर डिजिटल नियमों का पालन करने के लिए मजबूर करने के बजाय, शोधकर्ताओं ने एक ऐसा सॉफ्टवेयर इंजन बनाया है जो विशिष्ट, सुचारू व्यवहार पैटर्न बनाने के लिए जेनेटिक सर्किट्स को डिजाइन करता है। उन्होंने इसे तीन बिल्कुल नए जेनेटिक सर्किट्स बनाकर प्रदर्शित किया, जिनमें से प्रत्येक को दो इनपुट सिग्नल्स के अद्वितीय संयोजन को पहचानने और एक सटीक आउटपुट देने के लिए डिज़ाइन किया गया था। उल्लेखनीय रूप से, प्रत्येक सर्किट ठीक वैसा ही काम कर रहा था जैसा कि सॉफ्टवेयर ने पहली बार में ही बिना किसी मैनुअल ट्यूनिंग या समायोजन की आवश्यकता के भविष्यवाणी की थी।

इस उपलब्धि का मूल तत्व जीन कैसे परस्पर क्रिया करते हैं, इसके बारे में सोचने का एक नया तरीका है। शोधकर्ताओं ने पांच बुनियादी निर्माण खंडों (building blocks) की पहचान की जो एक कृत्रिम न्यूरल नेटवर्क के संचालन की नकल करते हैं, लेकिन ये ब्लॉक वास्तविक जैविक अणुओं से बने हैं। वे विशेष एंजाइमों का उपयोग करते हैं जो आरएनए (RNA) को काटने के लिए 'निगेटिव इनपुट' के रूप में कार्य करते हैं, जिससे सिग्नल प्रभावी रूप से घट जाते हैं, जबकि अन्य तंत्र सिग्नलों को आपस में जोड़ देते हैं। उन्होंने इन कनेक्शनों की ताकत को समायोजित करने के तरीके भी खोजे, ठीक वैसे ही जैसे वॉल्यूम नॉब घुमाकर किया जाता है, प्रोटीन कितनी मात्रा में बनेगा, इसे नियंत्रित करने वाले अनुवांशिक क्रमों (genetic sequences) को बदलकर। इन ब्लॉक्स को एक साथ जोड़कर, उन्होंने एक ऐसी प्रणाली बनाई जहाँ सर्किट का एक हिस्सा अपने आउटपुट को अगले हिस्से में फीड कर सकता है, जिससे बहु-स्तरीय प्रसंस्करण संभव हो पाता है। यह दृष्टिकोण कोशिका को जटिल कार्यों की गणना करने की अनुमति देता है, जैसे संकेत के स्तरों की एक विशिष्ट सीमा का पता लगाना और बाकी सब कुछ को अनदेखा करना, जिसे बैंड-पास फिल्टर (band-pass filter) कहा जाता है।

इस सिस्टम को व्यावहारिक बनाने के लिए, टीम ने एक सॉफ्टवेयर पैकेज बनाया जिसे वे बायोकंपाइलर (biocompiler) कहते हैं। यह कार्यक्रम वांछित व्यवहार और उसे बनाने के लिए आवश्यक डीएनए निर्देशों के बीच एक अनुवादक के रूप में कार्य करता है। सॉफ़्टवेयर एक मॉडल पर निर्भर करता है जिसे बायोमोर्फिक न्यूरल नेटवर्क (biomorphic neural network) कहा जाता है, जो मौजूदा प्रयोगों के बड़े संग्रह का अध्ययन करके जैविक प्रक्रियाओं के काम करने के तरीके को सीखता है। गणितीय सूत्रों का अनुमान लगाने के बजाय, सॉफ़्टवेयर वास्तविक डेटा से इन प्रक्रियाओं के वास्तविक व्यवहार को सीखता है। यह प्रत्येक जेनेटिक भाग, जैसे कि प्रवर्तक (promoter) या कोई विशिष्ट एंजाइम, को एक लचीले घटक के रूप में मानता है जिसका एक अनूठा "फिंगरप्रिंट" होता है जिसे सिस्टम द्वारा समायोजित किया जा सकता है। जब कोई वैज्ञानिक चाहता है कि कोशिका एक नया कार्य करे, तो वह बस वांछित आउटपुट पैटर्न का वर्णन करता है, और सॉफ़्टवेयर हिस्सों और कनेक्शनों के लाखों संभावित संयोजनों में से उस एक को खोजने के लिए खोज करता है जो उस परिणाम को उत्पन्न करेगा।

शोधकर्ताओं ने इस प्रणाली का परीक्षण करने के लिए तीन भिन्न व्यवहार पैटर्न को डिजाइन करने के लिए कहा जिन्हें पहले कभी उनके प्रशिक्षण डेटा में नहीं देखा गया था। सॉफ़्टवेयर ने तीन पूरी तरह से नए सर्किट आर्किटेक्चर प्रस्तावित किए, जिनमें से कोई भी लाइब्रेरी में मौजूद हिस्सों में नहीं था जिनका उसने अध्ययन किया था। टीम ने फिर प्रयोगशाला में इन सर्किट्स को बनाया, डीएनए निर्देशों को मानव कोशिकाओं में डाला। हर मामले में, कोशिकाओं ने ठीक वही पैटर्न तैयार किया जिसकी सॉफ्टवेयर ने भविष्यवाणी की थी। डिजाइन और वास्तविकता के बीच मिलान इतना करीब था कि अंतर उतना ही कम था जितना कि एक ही प्रयोग को कई बार दोहराने पर दिखने वाली प्राकृतिक भिन्नता। यह सफलता सिद्ध करती है कि सॉफ्टवेयर न केवल यह बता सकता है कि एक सर्किट कैसा व्यवहार करेगा बल्कि यह नए सर्किट का आविष्कार भी कर सकता है जो तुरंत काम करते हैं, जिससे सिंथेटिक बायोलॉजी की लंबी ट्रायल एंड एरर चक्रों को दरकिनार किया जा सकता है।

यह कार्य प्रतिनिधित्व करता है कि कैसे वैज्ञानिकों के दृष्टिकोण में एक महत्वपूर्ण बदलाव आया है। इससे पहले, एक कोशिका को जटिल कार्य करने के लिए डिजाइन करना ऐसे था मानो आप अंदाजा लगा रहे हों कि कौन से गियर एक साथ फिट होंगे ताकि घड़ी बन सके, जिसके लिए सही टाइमिंग पाने हेतु कई असफल प्रयासों की आवश्यकता होती थी। नई विधि एक ऐसे ब्लूप्रिंट का उपयोग करने जैसी है जो एक ऐसे सिस्टम द्वारा जनरेट किया गया है जो पहले से ही गियर्स के भौतिकी को समझता है। पिछले प्रयोगों के विशाल समूह से सीखकर, सॉफ़्टवेयर ने एक गहरी समझ विकसित की है कि जेनेटिक पार्ट्स कैसे परस्पर क्रिया करते हैं, जिससे यह उन स्थितियों में सामान्यीकरण (generalize) करने में सक्षम हुआ है जिन्हें इसने पहले कभी नहीं देखा। सिस्टम इतना मजबूत है कि यह विभिन्न प्रकार की मानव कोशिकाओं में काम कर सकता है, जो बताता है कि जो नियम इसने सीखे हैं वे मौलिक हैं, न कि केवल एक विशेष प्रकार की कोशिका के लिए विशिष्ट।

इस कार्य के निहितार्थ केवल बेहतर सर्किट बनाने से कहीं आगे तक विस्तृत हैं। यह स्थापित करता है कि जैविक इंजीनियरिंग किस प्रकार एक संचयी विज्ञान (cumulative science) बन सकती है, जहां प्रत्येक नया प्रयोग ज्ञान के साझा पुस्तकालय में योगदान देता है जो भविष्य के डिजाइनों को अधिक सटीक बनाता है। जैसे-जैसे सिस्टम अधिक डेटा से सीखता है, यह तेजी से बढ़ते जटिल नेटवर्कों के व्यवहार की भविष्यवाणी करने में बेहतर होता जाता है। शोधकर्ताओं ने दिखाया है कि यह संभव है कि कोशिकाओं को उसी सटीकता और विश्वसनीयता के साथ प्रोग्राम किया जाए जिस तरह इंजीनियर इलेक्ट्रॉनिक उपकरणों को डिजाइन करने के लिए उपयोग करते हैं, लेकिन जीव विज्ञान की अपनी देशी एनालॉग भाषा का उपयोग करके। यह द्वार खोलता है कि कोशिकाएं परिष्कृत कार्य कर सकें, जैसे कैंसर कोशिकाओं की पहचान करना और उन्हें नष्ट करना—जो मार्करों के एक जटिल हस्ताक्षर पर आधारित हो—या ऊतकों के विकास को सटीक स्थानिक पैटर्न्स के साथ निर्देशित करना, वह भी निरंतर मानवीय हस्तक्षेप के बिना।

बायोकंपाइलर की सफलता एक विशिष्ट प्रकार के लर्निंग पर निर्भर करती है जो पारंपरिक मशीन लर्निंग से भिन्न है। छवियों या टेक्स्ट में पैटर्न को पहचानने के लिए एक एकल विशाल मॉडल को प्रशिक्षित करने के बजाय, यह प्रणाली व्यक्तिगत जैविक प्रक्रियाओं के व्यवहार को सीखती है, जैसे कि एक विशिष्ट एंजाइम आरएनए को कैसे काटता है या एक प्रमोटर जीन अभिव्यक्ति को कैसे संचालित करता है। इन सीखे गए व्यवहारों को नए सर्किट बनाने के लिए पुनर्संयोजित किया जाता है। इसका अर्थ है कि सिस्टम केवल देखे गए सर्किट्स को याद नहीं रखता है; यह उनके अंतर्निहित नियमों को समझता है। एक नई डिजाइन चुनौती का सामना करते समय, यह समस्या को हल करने के लिए इन ज्ञात नियमों को एक नवीन तरीके से व्यवस्थित कर सकता है। यह संरचनात्मक दृष्टिकोण (compositional approach) सिस्टम को एक व्यापक डिजाइन स्पेस को संभालने की अनुमति देता जिसे अकेले प्रयोगों के माध्यम से खोजना असंभव होगा, क्योंकि जेनेटिक पार्ट्स के संभावित संयोजनों की संख्या बहुत तेज़ी से बढ़ती है जिसे लैब में टेस्ट किया जा सके।

वर्णित प्रयोगों में, शोधकर्ताओं ने अपने डिजाइनों का परीक्षण करने के लिए पॉली-को-ट्रांसफेक्शन (poly-co-transfection) नामक तकनीक का उपयोग किया। यह विधि उन्हें एक ही सेल पॉपुलेशन में विभिन्न मात्रा में अलग-अलग जेनेटिक इनपुट्स प्रदान करने की अनुमति देती है, जिससे एक ही प्रयोग में परिस्थितियों की एक विस्तृत श्रृंखला निर्मित होती है। प्रत्येक कोशिका के आउटपुट को मापकर, वे एक सर्किट के संपूर्ण रिस्पॉन्स सरफेस (response surface) का मानचित्रण कर सकते हैं, यह देख सकते हैं कि सभी संभावित इनपुट कॉम्बिनेशन के माध्यम से वह कैसे व्यवहार करता है। कोशिकीय व्यवहार के इस उच्च-रिज़ॉल्यूशन दृश्य ने सॉफ्टवेयर को प्रशिक्षित करने और उसकी भविष्यवाणियों को सत्यापित करने के लिए आवश्यक विस्तृत डेटा प्रदान किया। तथ्य यह है कि सॉफ्टवेयर उन सर्किट्स के व्यवहार की भविष्यवाणी कर सका जिन्हें उसने कभी नहीं देखा था, और ये भविष्यवाणियां लैब में सच साबित हुईं, पुष्टि करता है कि मॉडल ने कोशिका के आंतरिक नेटवर्क के सारभूत तर्क को पकड़ लिया है।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या सिस्टम अपने ज्ञान को एक कोशिका प्रकार से दूसरे प्रकार में स्थानांतरित कर सकता है। उन्होंने ह्यूमन एम्ब्रियोनिक किडनी सेल्स से मिले डेटा का उपयोग करके सॉफ्टवेयर को प्रशिक्षित किया और फिर उनसे दो अन्य सेल टाइप्स: रेटिनल पिगमेंट एपिथेलियल सेल्स और चाइनीज हैमस्टर ओवरी सेल्स में सर्किट के व्यवहार की भविष्यवाणी करने के लिए कहा। सॉफ्टवेयर ने इन नए सेल टाइप्स में भी लगभग उतना ही अच्छा प्रदर्शन किया जितना कि उस सेल टाइप में किया जिस पर इसे प्रशिक्षित किया गया था, जो सुझाव देता है कि इन जेनेटिक पार्ट्स के इंटरैक्शन के मूलभूत नियम विभिन्न मानव सेल लाइन्स में समान हैं। यह पोर्टेबिलिटी व्यावहारिक अनुप्रयोगों के लिए अत्यंत महत्वपूर्ण है, क्योंकि इसका मतलब है कि एक सेल टाइप में बनाया गया डिजाइन शायद शून्य से शुरू किए बिना दूसरे में अनुकूलित किया जा सकता है।

हालांकि वर्तमान प्रणाली एक बड़ी प्रगति है, शोधकर्ता स्वीकार करते हैं कि अभी भी काम किया जाना बाकी है। सॉफ्टवेयर वर्तमान में पूर्व-निर्धारित स्ट्रक्चरल टेम्पलेट्स, या स्कैफोल्ड्स (scaffolds), के भीतर काम करता है, और अभी तक पूरी तरह से नए प्रकार के कनेक्शन खुद से इन्वेंट नहीं कर सकता है। भविष्य के संस्करण सीधे डेटा से इन स्ट्रक्चरल नियमों को सीखने में सक्षम हो सकते हैं, जिससे डिजाइनों की रेंज और बढ़ जाएगी। इसके अतिरिक्त, वर्तमान मॉडल व्यक्तिगत प्रक्रियाओं के व्यवहार को अच्छी तरह से कैप्चर करते हैं लेकिन वैश्विक प्रभावों (global effects) को स्पष्ट रूप से ध्यान में नहीं रखते हैं, जैसे संसाधनों के लिए प्रतिस्पर्धा, जो कभी-कभी सर्किट व्यवहार को बदल सकती है। हालांकि, फ्रेमवर्क को फ्लेक्सिबल बनाया गया है, और इन सीमाओं को जैसे-जैसे सिस्टम अधिक जटिल डेटा सीखता जाएगा, दूर किया जा सकता है।

कोशिकाओं को इतनी सटीकता के साथ प्रोग्राम करने की क्षमता सिंथेटिक बायोलॉजी की संभावनाओं को रूपांतरित कर देती है। यह क्षेत्र को 'ट्रायल एंड एरर' से हटाकर 'रेशनल डिजाइन' की ओर ले जाती है, जहाँ इंजीनियर्स एक फंक्शन निर्दिष्ट कर सकते हैं और बदले में एक वर्किंग जेनेटिक सर्किट प्राप्त कर सकते हैं। यह क्षमता अगली पीढ़ी की सेल थेरेपी के लिए अनिवार्य है, जहाँ कोशिकाओं को मानव शरीर के जटिल और बदलते वातावरण का पता लगाने और प्रतिक्रिया देने के लिए प्रोग्राम किया जाना चाहिए। जीवन की सहज एनालॉग कंप्यूटिंग पावर का लाभ उठाकर, यह दृष्टिकोण ऐसे लिविंग मशीन्स बनाने का मार्ग प्रशस्त करता है जो उन्हीं जैविक प्रणालियों जितने परिष्कृत और अनुकूलनशील हों जिनसे वे बनी हैं। यह कार्य दर्शाता है कि सही टूल्स के साथ, हम आखिरकार कोशिकाओं की भाषा धाराप्रवाह बोल सकते हैं, उनकी प्राकृतिक जटिलता को चिकित्सा और जीव विज्ञान की सबसे कठिन चुनौतियों को हल करने के लिए एक प्रोग्रामेबल संसाधन में बदल सकते हैं।

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।

Digest आज़माएँ →