General Purpose AI for Public Data Analysis and Experimental Hypothesis Generation

जीव विज्ञान एक ऐसे युग में प्रवेश कर चुका है जहाँ सबसे मूल्यवान खोजें अक्सर नए प्रयोगों में नहीं, बल्कि पहले से ही एकत्र किए गए डेटा के विशाल अभिलेखागारों में निहित होती हैं। वर्षों से, वैज्ञानिकों ने आणविक सूचनाओं की विशाल लाइब्रेरी तैयार की है, जिसमें स्वस्थ ऊतकों और रोगग्रस्त ऊतकों में जीन और प्रोटीन की गतिविधि को रिकॉर्ड किया गया है। ये रिकॉर्ड मानव शरीर की आंतरिक कार्यप्रणाली के विस्तृत मानचित्रों की तरह हैं, फिर भी इन्हें अक्सर विशिष्ट, संकीर्ण प्रश्नों के उत्तर देने के लिए बनाया गया था। आधुनिक विज्ञान के लिए चुनौती इन मौजूदा मानचित्रों को देखना और वे नए प्रश्न पूछना है जो मूल खोजकर्ताओं ने कभी नहीं सोचे थे। यहीं पर आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) की भूमिका आती है, एक मानव शोधकर्ता के विकल्प के रूप में नहीं, बल्कि एक ऐसे उपकरण के रूप में जो छिपे हुए पैटर्न खोजने और जांच के नए मार्ग सुझाने के लिए इन विशाल डेटासेट्स को स्कैन करने में सक्षम है। लक्ष्य यह देखना है कि क्या एक कंप्यूटर एक जीवविज्ञानी के साथी के रूप में कार्य कर सकता है, जो सार्वजनिक रिकॉर्ड को छानकर इस बारे में परीक्षण योग्य विचार प्रस्तावित कर सके कि कोशिकाएं कैसे व्यवहार करती हैं, बीमारियां कैसे विकसित होती हैं, और उन्हें क्या रोक सकता है।

एक हालिया अध्ययन ने ठीक इसी क्षमता का परीक्षण करके इस संभावना को टटोला कि कैसे सामान्य-उद्देश्यीय आर्टिफिशियल इंटेलिजेंस वैज्ञानिकों को सार्वजनिक डेटा का उपयोग करके नए जैविक प्रश्न उत्पन्न करने और उनकी जांच करने में मदद कर सकता है। शोधकर्ताओं ने केवल कंप्यूटर से एक एकल उत्तर खोजने के लिए नहीं कहा; इसके बजाय, उन्होंने यह देखने के लिए कि AI जटिल जैविक परिदृश्यों में कितनी अच्छी तरह नेविगेट कर सकता है, कई पूरक जांच स्थापित कीं। एक जांच में, टीम ने व्यक्तिगत कोशिकाओं के डेटा का विश्लेषण करने के लिए इंटरैक्टिव टूल्स का उपयोग किया, इस उम्मीद में कि ऐसे संकेतों को खोजा जा सके जो मानव स्टेम सेल्स को विशिष्ट प्रकार के ऊतकों में बदलने में मदद कर सकें। AI ने 'एपेलिन' (Apelin) नामक अणु से जुड़े एक विशिष्ट सिग्नलिंग पाथवे की ओर एक संभावित उम्मीदवार के रूप में संकेत दिया, जो इस परिवर्तन को निर्देशित करने की क्षमता रखता है। हालांकि, जब वैज्ञानिकों ने उस सुझाव को लिया और अपने द्वारा चुनी गई स्थितियों के तहत प्रयोगशाला में इसका परीक्षण किया, तो अपेक्षित प्रभाव दिखाई नहीं दिया। इस परिणाम ने एक महत्वपूर्ण अंतर को रेखांकित किया: डेटा में एक पैटर्न खोजना, वास्तविक दुनिया में जैविक प्रभाव के अस्तित्व को सिद्ध करने के समान नहीं है।

शोधकर्ताओं ने फिर कैंसर पर अपना ध्यान केंद्रित किया, और AI से सार्वजनिक सिंगल-सेल डेटा में उन संभावित लक्ष्यों की खोज करने को कहा जिन्हें इंजीनियर की गई इम्यून सेल्स (प्रतिरक्षा कोशिकाओं) द्वारा हमला किया जा सके। उन्होंने रक्त के कैंसर, मल्टीपल मायलोमा के रोगियों के डेटा पर यह विश्लेषण चलाया, और पाया कि विश्लेषण के तीन अलग-अलग रन लगातार एक ही पचास संभावित लक्ष्यों की पहचान करते हैं। इनमें से, दो प्रसिद्ध मार्कर, BCMA और CD38, बार-बार दिखाई दिए, जो स्थापित ज्ञान को पुनः प्राप्त करने की AI की क्षमता की पुष्टि करते हैं। जब यही प्रक्रिया अग्नाशय के कैंसर (पैनक्रिएटिक डक्टल एडेनोकार्सिनोमा) पर लागू की गई, तो परिणाम कम एकरूप थे। तीन रन अलग-अलग खोज संबंधी निष्कर्ष प्रदान करते थे और एक भी ऐसे लक्ष्य को नामित करने में विफल रहे जो उनके सख्त चयन मानदंडों को पूरा करता हो, जो यह दर्शाता है कि AI की सफलता बीमारी के डेटा की जटिलता और प्रकृति के आधार पर भिन्न हो सकती है।

यह परीक्षण करने के लिए कि क्या AI मानवीय पूर्वाग्रह के बिना अंतर्दृष्टि प्राप्त कर सकता है, टीम ने अज्ञात फेफड़ों के डेटा पर दो अलग-अलग विश्लेषण किए, जिसमें शुरुआत में कंप्यूटर को यह नहीं बताया गया कि वह किस ऊतक को देख रहा है या मरीजों को कौन सी बीमारी थी। इस संदर्भ के बिना भी, AI ने सफलतापूर्वक फेफड़ों को बनाने वाली विभिन्न प्रकार की कोशिकाओं की पहचान की और यह निष्कर्ष निकाला कि ऊतक में बीमारी से संबंधित बदलाव (remodeling) हुए हैं। जब शोधकर्ताओं ने बाद में AI को ऊतक और बीमारी की जानकारी प्रदान की, तो इसने नए जैविक प्रश्नों की एक सूची तैयार की। आठ प्रश्नों को एक स्वतंत्र रोगी डेटा सेट के विरुद्ध जाँचने पर सांख्यिकीय समर्थन मिला। इनमें यह अवलोकन शामिल था कि कैसे विभिन्न कोशिकाएं अपने एंटीऑक्सीडेंट बचाव का समन्वय करती हैं और फाइब्रोब्लास्ट कोशिकाओं के भीतर 'CRYM' नामक प्रोटीन में विशिष्ट वृद्धि, जो यह सुझाव देती है कि ये वास्तविक जैविक संबंध हैं जिनका आगे अध्ययन किया जाना चाहिए।

एक अंतिम, व्यापक प्रयास में, टीम ने अग्नाशय के कैंसर के लिए संभावित उपचारों को प्राथमिकता देने हेतु कई प्रकार के डेटा को एकीकृत किया। उन्होंने RNA एक्सप्रेशन (जो दिखाता है कि कौन से जीन सक्रिय हैं) के बारे में जानकारी को प्रोटीन डेटा, कार्यात्मक स्क्रीन (जो यह परीक्षण करती है कि जीन को अक्षम करने पर क्या होता है) के परिणामों, और सामान्य, स्वस्थ ऊतकों में ये अणु कैसे दिखाई देते हैं, इसके मापों के साथ जोड़ा। इस बहु-स्तरीय दृष्टिकोण ने उन्हें संभावनाओं की एक लंबी सूची को 213 संभावित चिकित्सीय लक्ष्यों तक सीमित करने में मदद की। इन सभी मापों को एक साथ देखकर, वैज्ञानिक केवल RNA के आधार पर समान दिखने वाले उम्मीदवारों के बीच अंतर कर सके और यह आकलन कर सके कि क्या वे कार्यात्मक रूप से प्रासंगिक हैं और सामान्य ऊतकों में लक्षित करने के लिए सुरक्षित हैं। हालांकि इस कार्य ने सफलतापूर्वक उम्मीदवारों की एक परिष्कृत सूची की पहचान की, शोधकर्ताओं ने नोट किया कि क्या ये लक्ष्य वास्तव में उपचार के रूप में काम करेंगे, यह अभी स्थापित किया जाना बाकी है।

साथ मिलकर, ये जांच दर्शाती हैं कि कैसे सामान्य-उद्देश्यीय आर्टिफिशियल इंटेलिजेंस प्रयोगात्मक जीवविज्ञानियों की पहुंच को बढ़ा सकता है, जिससे उन्हें सार्वजनिक डेटा से नए परिकल्पनाएं निकालने और जैविक संबंधों को पहचानने में मदद मिलती है जो अन्यथा अनदेखे रह जाते। यह अध्ययन एक स्पष्ट अनुस्मारक भी है कि एक विश्लेषण को पूरा करना और डेटासेट में एक पुनरुत्पादनीय पैटर्न खोजना, वास्तविक दुनिया के प्रयोगात्मक या चिकित्सीय प्रभाव को स्थापित करने से अलग कदम हैं। AI दिशा सुझाने और कनेक्शनों को उजागर करने में सक्षम सिद्ध हुआ, लेकिन उन विचारों का अंतिम सत्यापन के लिए अभी भी प्रयोगशाला में मानव वैज्ञानिकों के सावधानीपूर्ण और जमीनी कार्य की आवश्यकता है।