AI as a Biological Primitive Enables Targeted Inversion Across Disease, Population, and Neuronal Systems
यह शोधपत्र यह प्रदर्शित करता है कि प्रशिक्षित बायोमेडिकल एआई मॉडलों को पूछताछ योग्य जैविक प्रिमिटिव्स (interrogatable biological primitives) के रूप में उपचारित करना, व्यक्तिगत, जनसंख्या और न्यूरोनल स्तरों पर प्रभावी हस्तक्षेप रणनीतियों की पहचान करने के लिए लक्षित इनवर्जन (targeted inversion) को सक्षम बनाता है, जो साहित्य-व्युत्पन्न संक्षिप्त हस्तक्षेप वेक्टर्स का उपयोग करके पर्याप्त लक्ष्य-अवस्था सुधार प्राप्त करता है।
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
अधिकांश समय, जब हम जीव विज्ञान को समझने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग करते हैं, तो हम इसे भविष्य की ओर देखने के लिए कहते हैं। हम कंप्यूटर को किसी रोगी के वर्तमान स्वास्थ्य की तस्वीर या शहर में फैलते वायरस का एक स्नैपशॉट देते हैं, और हम मशीन से पूछते हैं कि आगे क्या होगा। क्या उस व्यक्ति का ब्लड शुगर कल बढ़ेगा? क्या अगले महीने संक्रमणों की संख्या बढ़ेगी? यह भविष्योन्मुखी दृष्टिकोण आधुनिक चिकित्सा और सार्वजनिक स्वास्थ्य के लिए एक मानक बन गया है। यह जोखिम का पूर्वानुमान लगाने का एक शक्तिशाली तरीका है, लेकिन यह एक महत्वपूर्ण प्रश्न अनुत्तरित छोड़ देता है। एक डॉक्टर या नीति निर्माता को शायद ही कभी केवल यह जानने की आवश्यकता होती है कि क्या होगा; उन्हें यह जानने की आवश्यकता होती है कि कुछ अलग करने के लिए क्या करना चाहिए। उन्हें ठीक से जानना चाहिए कि किसी विशिष्ट, वांछित परिणाम की ओर बढ़ने के लिए कितनी इंसुलिन देनी है, या लॉकडाउन कितना सख्त होना चाहिए।
यह एक नदी के बहने को देखने और उसके मार्ग को बदलने के लिए किन पत्थरों को हटाने की जानकारी होने के बीच का अंतर है। दशकों से, वैज्ञानिकों ने "डिजिटल ट्विन्स" बनाने की कोशिश की है—मरीजों या आबादी की आभासी प्रतियां जो वास्तविक जीवन की इतनी बारीकी से नकल करती हैं कि उनका विभिन्न उपचारों के साथ परीक्षण किया जा सके। हालाँकि, ये डिजिटल ट्विन्स अक्सर विफल हो जाते हैं क्योंकि वे औसत (averages) पर आधारित होते हैं। वे यह वर्णन करते हैं कि एक विशिष्ट व्यक्ति कैसे प्रतिक्रिया देता है, न कि यह कि एक विशिष्ट व्यक्ति किसी विशिष्ट क्रिया के प्रति कैसे प्रतिक्रिया करता है। यदि किसी मॉडल ने अपने प्रशिक्षण डेटा में किसी विशेष दवा को नहीं देखा है, तो वह आपको विश्वसनीय रूप से नहीं बता सकता कि वह दवा किसी विशिष्ट रोगी के लिए क्या करेगी, भले ही वह एक आत्मविश्वासपूर्ण उत्तर दे रहा हो। परिणाम एक ऐसा सिस्टम है जो अच्छी भविष्यवाणी तो कर सकता है लेकिन सुरक्षित रूप से मार्गदर्शन नहीं कर सकता।
मौरिस एंथनी यूइंग का एक नया अध्ययन इन कंप्यूटर मॉडलों के बारे में सोचने का एक अलग तरीका प्रस्तावित करता है। एक व्यक्ति की नकल करने वाला जुड़वां बनाने के बजाय, लेखक एक प्रशिक्षित AI मॉडल को एक "बायोलॉजिकल प्रिमिटिव" (biological primitive) के रूप में मानते हैं। यह एक सरल अवधारणा है: मॉडल किसी व्यक्ति का संपूर्ण इतिहास नहीं है, बल्कि एक सीखा हुआ रिकॉर्ड है कि अतीत में की गई चीजों के प्रति एक प्रणाली ने वास्तव में कैसी प्रतिक्रिया दी थी। यदि डेटा दिखाता है कि लोगों के एक समूह में व्यायाम की एक विशिष्ट मात्रा ने ब्लड शुगर को कम किया, तो मॉडल उस विशिष्ट संबंध को सीख लेता है। शोधकर्ता फिर मॉडल को उल्टा कर देता है। "यदि मैं यह करूँ तो क्या होगा?" पूछने के बजाय, मॉडल से पूछा जाता है, "उस लक्ष्य तक पहुँचने के लिए इस क्रिया की कितनी मात्रा आवश्यक होगी?" यह प्रक्रिया, जिसे 'टारगेटेड इनवर्जन' (targeted inversion) कहा जाता है, हस्तक्षेप के सटीक स्तरों की खोज करती है जो एक प्रणाली को लक्षित अवस्था की ओर ले जाएँ, लेकिन केवल उन्हीं लीवरों (levers) का उपयोग करके जिनका डेटा वास्तव में समर्थन करता है।
यह विचार वास्तविक दुनिया में काम करता है या नहीं, इसका परीक्षण करने के लिए, अध्ययन ने इस पद्धति को तीन बहुत अलग जैविक प्रणालियों पर लागू किया: टाइप 1 मधुमेह वाले लोगों की व्यक्तिगत शारीरिक रचना (physiology), कोविड-19 महामारी की जनसंख्या गतिशीलता, और मस्तिष्क में न्यूरॉन्स की सूक्ष्म प्रतिक्रियाएं। शोधकर्ताओं ने प्रत्येक क्षेत्र में भविष्य की अवस्थाओं की भविष्यवाणी करने के लिए मानक AI मॉडल को प्रशिक्षित करना शुरू किया। मधुमेह के डेटा के लिए, मॉडलों ने पिछले इंसुलिन, भोजन और गतिविधि के आधार पर भविष्य के ब्लड ग्लूकोज स्तर की भविष्यवाणी करना सीखा। महामारी के डेटा के लिए, उन्होंने लॉकडाउन और परीक्षण दरों जैसी नीतियों के आधार पर भविष्य के मामलों की संख्या की भविष्यवाणी करना सीखा। मस्तिष्क के डेटा के लिए, उन्होंने सीखा कि दृश्य उत्तेजनाओं के प्रति न्यूरॉन्स कैसे प्रतिक्रिया करते हैं। ये 'फॉरवर्ड मॉडल' अत्यधिक सटीक थे, जो सिद्ध करते थे कि उन्होंने डेटा के अंतर्निहित पैटर्न को सीख लिया है।
एक बार मॉडल प्रशिक्षित हो जाने के बाद, शोधकर्ताओं ने उन्हें पीछे की ओर (backward) काम करने के लिए कहा। उन्होंने एक लक्ष्य निर्धारित किया—उदाहरण के लिए, एक मधुमेह रोगी के लिए सुरक्षित ब्लड शुगर स्तर या एक शहर में संक्रमणों की कम संख्या—और मॉडल से पूछा कि कौन सी विशिष्ट क्रियाओं का संयोजन वहां तक पहुँचा देगा। मधुमेह समूह में, जिसमें 400 उच्च-जोखिम वाले मामले शामिल थे, यह पद्धति उल्लेखनीय रूप से प्रभावी थी। जब शोधकर्ताओं ने मॉडल से अकेले शारीरिक गतिविधि की सही मात्रा खोजने के लिए कहा, तो इसने रोगी की वर्तमान स्थिति और लक्ष्य के बीच के अंतर को 76.5 प्रतिशत तक कम कर दिया। जब उन्होंने अकेले इंसुलिन की सही मात्रा पूछी, तो अंतर 60.6 प्रतिशत कम हो गया। जब उन्होंने मॉडल को गतिविधि और इंसुलिन दोनों को संयोजित करने की अनुमति दी, लेकिन सुझावों को सुरक्षित, नैदानिक सीमाओं के भीतर रखा, तो अंतर 87.8 प्रतिशत कम हो गया। यदि उन्होंने उन सुरक्षा सीमाओं को हटा दिया और मॉडल को स्वतंत्र रूप से खोजने दिया, तो उसने ऐसे समाधान खोजे जिन्होंने अंतर को 96.4 प्रतिशत तक कम कर दिया। लगभग हर मामले में, मॉडल ने प्रणाली को लक्ष्य के करीब ले जाने का एक तरीका खोज लिया।
कोविड-19 महामारी के बड़े पैमाने पर लागू होने पर परिणाम थोड़े कम लेकिन सुसंगत थे। यहाँ, लक्ष्य भविष्य के मामलों के बोझ को कम करना था। जब मॉडल ने लॉकडाउन उपायों के सही स्तर की खोज की, तो इसने अनुमानित अंतर को 17.9 प्रतिशत कम कर दिया। अकेले परीक्षण से 5.8 प्रतिशत और टीकाकरण से 3.8 प्रतिशत मदद मिली। हालाँकि, जब मॉडल ने इन तीन रणनीतियों को मिलाया, तो इसने अंतर को 25.1 प्रतिशत कम कर दिया। यह अंतर एक प्रमुख निष्कर्ष को उजागर करता है: जबकि एक एकल क्रिया मदद कर सकती है, महामारी की जटिल गतिशीलता कई कारकों के मिलकर काम करने से आकार लेती है। पद्धति ने दिखाया कि जनसंख्या-स्तर की समस्याओं के लिए एक एकल 'सिल्वर बुलेट' के बजाय हस्तक्षेपों के मिश्रण की आवश्यकता होती है।
शायद अध्ययन का सबसे आश्चर्यजनक हिस्सा यह था कि शोधकर्ता सभी संभावित संयोजनों में खोज किए बिना कितना कुछ हासिल कर सकते थे। वास्तविक दुनिया में, हजारों संभावित उपचार या नीतियां होती हैं, लेकिन उनमें से कई डेटा द्वारा समर्थित नहीं होती हैं। अध्ययन ने एक "कॉम्पैक्ट" (compact) दृष्टिकोण का परीक्षण किया, जहाँ मॉडल को केवल उन हस्तक्षेपों की एक छोटी, क्यूरेटेड सूची के माध्यम से खोजने के लिए प्रतिबंधित किया गया था जो तर्कसंगजनक माने जाते हैं और वास्तव में डेटा में दर्ज हैं। मधुमेह के मामलों के लिए, इस कॉम्पैक्ट सूची ने लक्ष्य की ओर संभव सुधार का 79.0 प्रतिशत प्राप्त किया। पूर्ण, अप्रतिबंधित खोज ने केवल 2.2 प्रतिशत का अतिरिक्त सुधार जोड़ा। महामारी के डेटा के लिए, कॉम्पैक्ट सूची ने 85.9 प्रतिशत सुधार प्राप्त किया, जबकि पूर्ण खोज ने केवल 0.5 प्रतिशत अधिक जोड़ा। यह सुझाव देता है कि हमें प्रभावी समाधान खोजने के लिए बेतहाशा अनुमान लगाने या लाखों असंभव विकल्पों में खोजने की आवश्यकता नहीं है। हमें केवल उन कार्यों को देखने की आवश्यकता है जिन्हें हम जानते हैं और जिनके लिए डेटा मौजूद है।
अध्ययन ने इस दृष्टिकोण की एक महत्वपूर्ण सुरक्षा विशेषता को भी प्रदर्शित किया: मॉडल उन समाधानों को गढ़ने से इनकार कर देता है जिन्हें वह समर्थन नहीं दे सकता। मधुमेह समूह में, शोधकर्ताओं ने मॉडल से मेटफॉर्मिन या GLP-1 दवाओं जैसी कुछ दवाओं को शामिल करने वाले समाधान खोजने की कोशिश की। चूंकि इन रोगियों के मूल डेटा में इन विशिष्ट दवाओं का रिकॉर्ड शामिल नहीं था, इसलिए मॉडल ने उन्हें सीधे छोड़ दिया। इसने कोई परिणाम गढ़ा नहीं या यह दिखावा नहीं किया कि उसे पता है कि क्या होगा। इसने एक सपाट उत्तर दिया, जो इंगित करता था कि वह उन विशिष्ट लीवरों को लक्षित नहीं कर सकता। यह कई वर्तमान AI प्रणालियों के बिल्कुल विपरीत है, जो आत्मविश्वास से एक उपचार का सुझाव दे सकते हैं भले ही उन्होंने उस पर कभी डेटा न देखा हो। "प्रिमिटिव" दृष्टिकोण वास्तव में डेटा में जो मौजूद है उस पर आधारित है, जो इसे निर्णय लेने के लिए एक सुरक्षित उपकरण बनाता है।
इसी तर्क को मस्तिष्क पर भी लागू किया गया। एलन ब्रेन ऑब्जर्वेटरी (Allen Brain Observatory) के डेटा का उपयोग करते हुए, जिसमें प्रकाश के प्रति न्यूरॉन्स की प्रतिक्रिया के 1.2 मिलियन से अधिक अवलोकन शामिल हैं, शोधकर्ताओं ने एक प्रिमिटिव बनाया जिसने सीखा कि विशिष्ट कोशिकाएं उत्तेजना के प्रति कैसे प्रतिक्रिया करती हैं। वे मॉडल से पूछने में सक्षम थे कि उत्तेजना का स्तर क्या होगा जो एक न्यूरॉन को एक विशिष्ट फायरिंग पैटर्न की ओर ले जाएगा। इसने दिखाया कि यह पद्धति न केवल पूरे व्यक्तियों या पूरी आबादी के लिए, बल्कि जीव विज्ञान की सबसे छोटी इकाइयों के लिए भी काम करती है। न्यूरॉन, रोगी और शहर—तीनों को ऐसी प्रणालियों के रूप में माना जाता है जो इनपुट के प्रति प्रतिक्रिया करती हैं, और मॉडल उन प्रतिक्रियाओं का मानचित्र सीखता है।
लेखक सावधानीपूर्वक यह स्पष्ट करते हैं कि यह जांच की एक विधि है, न कि अंतिम नुस्खा। परिणाम ऐतिहासिक डेटा को देखने से आते हैं, नए नैदानिक परीक्षण चलाने से नहीं। मॉडल उन हस्तक्षेपों के स्तर की पहचान करता है जो किसी प्रणाली को लक्षित की ओर ले जाएंगे, लेकिन यह इस बात का प्रमाण नहीं देता कि वे हस्तक्षेप वास्तविक दुनिया के नए परिवेश में काम करेंगे। यह संभावनाओं को सीमित करने और सबसे आशाजनक पथों को खोजने का एक तरीका है। अध्ययन का तर्क है कि AI को एक 'बायोलॉजिकल प्रिमिटिव' के रूप में मानकर जिसे उल्टा (reverse) जाँचा जा सके, वैज्ञानिक सरल भविष्यवाणी से आगे बढ़ सकते हैं। केवल यह पूछने के बजाय कि क्या होगा, वे यह पूछ सकते हैं कि कुछ करने के लिए किस स्तर के कार्य की आवश्यकता है, बशर्ते वे उन लीवरों का पालन करें जिनका डेटा समर्थन करता है। भविष्य का अनुमान लगाने से लेकर वर्तमान को लक्षित करने की ओर यह बदलाव चिकित्सा और सार्वजनिक स्वास्थ्य में कृत्रिम बुद्धिमत्ता का उपयोग करने का एक अधिक ठोस और व्यावहारिक तरीका प्रदान 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।