← नवीनतम पेपर
🧬 आनुवंशिकी

Is the Bitter Lesson coming to genomic prediction? An untuned tabular foundation model matches or beats specialized methods

यह अध्ययन प्रदर्शित करता है कि सामान्य-उद्देश्यीय, अनट्यून्ड टैबुलर फाउंडेशन मॉडल TabPFN-3.5 कई पौधों की प्रजातियों और लक्षणों में विशिष्ट जीनोमिक भविष्यवाणी विधियों के बराबर या उनसे बेहतर प्रदर्शन करता है, जो सटन के "बिटर लेसन" का समर्थन करता है कि स्केलेबल कम्प्यूटेशनल दृष्टिकोण डोमेन-विशिष्ट मानवीय ज्ञान को पछाड़ सकते हैं।

मूल लेखक: Flagel, L.

प्रकाशित 2026-11-15
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Flagel, L.

मूल पेपर CC0 1.0 (https://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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

किसानों और प्रजनकों (breeders) को लंबे समय से एक कठिन विकल्प का सामना करना पड़ता रहा है: यह देखने के लिए वर्षों प्रतीक्षा करना कि कोई पौधा या जीव वास्तविक दुनिया में कैसा प्रदर्शन करेगा, या उसके जेनेटिक कोड के आधार पर उसके भविष्य का अनुमान लगाने की कोशिश करना। आधुनिक प्रजनन में, वैज्ञानिक हजारों उम्मीदवारों के डीएनए को तेजी से और सस्ते में पढ़ सकते हैं, लेकिन वास्तविक लक्षणों को मापना—जैसे कि एक गाय कितना दूध देती है या मक्के का डंठल कितना लंबा बढ़ता है—धीमा और महंगा बना हुआ है। इस अंतर को पाटने के लिए, वे जीनोमिक प्रेडिक्शन (genomic prediction) नामक एक उपकरण का उपयोग करते हैं। यह विधि एक कंप्यूटर को यह सीखने के लिए प्रशिक्षित करती है कि किसी जीव के डीएनए और उसके शारीरिक लक्षणों के बीच क्या संबंध है, इसके लिए ज्ञात व्यक्तियों के एक समूह का उपयोग किया जाता है, और फिर उस ज्ञान को उन नए व्यक्तियों पर लागू करती है जिनका केवल डीएनए परीक्षण किया गया है। दशकों से, इस काम के लिए सबसे सफल उपकरण विशेषज्ञ द्वारा बनाए गए विशेष मॉडल रहे हैं, जिन्हें उन्होंने सावधानीपूर्वक विशिष्ट आनुवंशिक नियमों के अनुरूप डिजाइन किया है, जैसे कि यह मान लेना कि लक्षण कई छोटे आनुवंशिक प्रभावों का योग होते हैं।

एक नया अध्ययन एक उत्तेजक प्रश्न पूछता है: क्या होगा यदि हम जटिल, कस्टम-निर्मित नियमों के साथ डेटा को मात देने की कोशिश करना छोड़ दें? आनुवंशिकी के लिए विशेष रूप से एक मॉडल डिजाइन करने के बजाय, क्या एक सामान्य-उद्देश्य वाला कंप्यूटर प्रोग्राम, जिसे किसी भी प्रकार के डेटा के लाखों सिंथेटिक उदाहरणों पर प्रशिक्षित किया गया हो, केवल कच्चे नंबरों को देखकर आनुवंशिक परिणामों की भविष्यवाणी करना सीख सकता है? शोधकर्ताओं ने इस विचार का परीक्षण 'फाउंडेशन मॉडल' नामक एक शक्तिशाली नए प्रकार के सॉफ्टवेयर का उपयोग करके किया। पारंपरिक उपकरणों के विपरीत, जिन्हें विशेषज्ञों द्वारा हर सेटिंग को ट्यून करने और आनुवंशिकी के बारे में धारणाएं बनाने की आवश्यकता होती है, यह मॉडल प्री-ट्रेन्ड (pre-trained) और काम के लिए तैयार होकर आता है। टीम ने इसमें पौधों और पेड़ों के जेनेटिक डेटा को बिना किसी विशेष समायोजन या आनुवंशिक ज्ञान के सीधे फीड किया, ताकि यह देखा जा सके कि क्या एक "वन-साइज-फिट्स-ऑल" (one-size-fits-all) दृष्टिकोण विशेष रूप से आनुवंशिकी के लिए बनाए गए तरीकों की बराबरी कर सकता है या उनसे बेहतर प्रदर्शन कर सकता है।

शोधकर्ताओं ने अपने सामान्य-उद्देश्य वाले मॉडल को छह पौधों और पेड़ों की प्रजातियों, जिनमें सोयाबीन, चावल, मक्का और व्हाइट स्प्रूस शामिल हैं, के अठारह अलग-अलग प्रेडिक्शन तरीकों के खिलाफ परखा। उन्होंने हजारों व्यक्तियों और सैकड़ों हजारों जेनेटिक मार्कर्स वाले एक विशाल डेटा संग्रह का उपयोग किया। परीक्षण के पहले दौर में, उन्होंने नए मॉडल के प्रदर्शन की तुलना पिछले अध्ययनों में रिपोर्ट किए गए अठारह स्थापित तरीकों के औसत परिणामों से की। सामान्य-उद्देश्य वाला मॉडल शीर्ष पर रहा, और परीक्षण किए गए अठारह विशिष्ट लक्षणों में से ग्यारह में प्रथम स्थान प्राप्त किया। इसने इतना अच्छा प्रदर्शन किया कि इसने सभी परीक्षणों में सर्वश्रेष्ठ समग्र रैंक हासिल की, जो यह सुझाव देता है कि सामान्य डेटा विश्लेषण के लिए डिज़ाइन किया गया उपकरण, विशेष रूप से आनुवंशिकी के लिए बनाए गए उपकरणों से बेहतर प्रदर्शन कर सकता है।

तुलना को निष्पक्ष सुनिश्चित करने के लिए, शोधकर्ताओं ने सबसे सफल पारंपरिक मॉडलों को ठीक उसी डेटा स्प्लिट्स (data splits) पर चलाया जिसका उपयोग नए मॉडल द्वारा किया गया था। यह कदम महत्वपूर्ण था क्योंकि पिछले अध्ययनों में डेटा को विभाजित करने के अलग-अलग तरीकों का उपयोग किया गया था, जिससे कभी-कभी परिणाम वास्तव में जितने अच्छे या बुरे होते हैं, उससे भिन्न दिख सकते हैं। इस सख्त, आमने-सामने की तुलना के बावजूद, सामान्य-उद्देश्य वाला मॉडल अपनी स्थिति बनाए रखने में सफल रहा। इसने चार विशिष्ट परीक्षणों में सर्वश्रेष्ठ पारंपरिक मॉडलों को काफी पीछे छोड़ दिया, जिसमें सोयाबीन के तीनों लक्षण और चावल के फूल आने का समय शामिल था। सोयाबीन के परीक्षणों में, जहाँ डेटासेट सबसे बड़ा था, नया मॉडल स्पष्ट रूप से श्रेष्ठ था। हालांकि, यह एक पूर्ण विजय नहीं थी; व्हाइट स्प्रूस की लकड़ी के घनत्व (wood density) से जुड़े एक परीक्षण में, पारंपरिक मॉडल अधिक सटीक रहा।

अध्ययन ने एक महत्वपूर्ण सीमा का भी पता लगाया: ये मॉडल उन पौधों के परिवारों के लक्षणों की भविष्यवाणी करने में कितने प्रभावी हैं जो मूल प्रशिक्षण समूह का हिस्सा नहीं थे। ब्रीडिंग (breeding) में, यह आम है कि एक मॉडल को परिवारों के एक सेट पर प्रशिक्षित किया जाए और फिर पूरी तरह से नए परिवारों के प्रदर्शन की भविष्यवाणी करने का प्रयास किया जाए। जब शोधकर्ताओं ने सोयाबीन के साथ इस परिदृश्य का परीक्षण किया, तो नए मॉडल का लाभ समाप्त हो गया। सामान्य-उद्देश्य वाला मॉडल और पारंपरिक विशेष मॉडल, दोनों ही अनपेक्षित परिवारों का सामना करने पर समान रूप से संघर्ष करते दिखे। यह निष्कर्ष बताता है कि नए मॉडल की सफलता उन विशिष्ट समूहों के भीतर पैटर्न को पहचानने पर बहुत अधिक निर्भर करती है जिन्हें वह पहले से देख चुका है, न कि किसी ऐसे सार्वभौमिक नियम को खोजने पर जो सभी आनुवंशिक वंशों पर लागू होता हो।

शोधकर्ताओं ने निष्कर्ष निकाला कि उनके परिणाम एक अवधारणा का समर्थन करते हैं जिसे "बिटर लेसन" (Bitter Lesson) कहा जाता है, जो तर्क देता है कि आर्टिफिशियल इंटेलिजेंस में, वे तरीके जो केवल अधिक कंप्यूटिंग पावर के साथ स्केल (scale) होते हैं, अंततः उन तरीकों से आगे निकल जाते हैं जो मानवीय अंतर्ज्ञान और डोमेन-विशिष्ट ज्ञान पर आधारित होते हैं। सामान्य-उद्देश्य वाले मॉडल को यह बताने की आवश्यकता नहीं थी कि जीन कैसे कार्य करते हैं या जेनेटिक डेटा को कैसे संभालना है। इसने बस दी गई जानकारी को प्रोसेस किया, और सिंथेटिक डेटा पर अपने विशाल प्री-ट्रेनिंग का लाभ उठाते हुए उन पैटर्न्स को खोजा जिन्हें मानव-डिजाइन किए गए मॉडल मिस कर गए थे। हालांकि सटीकता में सुधार निरपेक्ष रूप से मामूली था, लेकिन वे प्रमुख क्षेत्रों में सुसंगत और महत्वपूर्ण थे। अध्ययन संकेत देता है कि जीनोमिक प्रेडिक्शन का भविष्य अधिक जटिल, विशेष मॉडल बनाने में नहीं, बल्कि शक्तिशाली, सामान्य उपकरणों का उपयोग करने में है जो सीधे डेटा से सीखते हैं, जिससे भारी काम मानवीय विशेषज्ञता के बजाय गणना (computation) पर छोड़ दिया जाता 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।

Digest आज़माएँ →