સ્ટેનફોર્ડ યુનિવર્સિટી અને આર્ક ઇન્સ્ટિટ્યૂટના સંશોધકોએ શૂન્યથી સંપૂર્ણ વાયરલ જીનોમ્સ ડિઝાઇન કરવા માટે જનરેટિવ AI મોડેલનો ઉપયોગ કરીને એક ઐતિહાસિક સીમાચિહ્ન હાંસલ કર્યું છે. આ સફળતા પરંપરાગત જૈવિક શોધથી કમ્પ્યુટેશનલ ડિઝાઇનના યુગ તરફના પરિવર્તનને સૂચવે છે, જ્યાં AI જીવનની રચના નક્કી કરે છે.
Evo: જીનોમિક્સ માટેનું લાર્જ લેંગ્વેજ મોડેલ
આ સંશોધનના કેન્દ્રમાં Evo છે, જે એક વિશિષ્ટ જનરેટિવ મોડેલ છે જે લાર્જ લેંગ્વેજ મોડેલ (LLM) જેવું જ કાર્ય કરે છે પરંતુ DNA ની "ભાષા" પર કામ કરે છે. ટેક્સ્ટ-આધારિત મોડેલોથી વિપરીત, Evo ને લાખો સજીવો, જેમાં પ્રાણીઓ, વનસ્પતિઓ, સૂક્ષ્મજીવો અને વાયરસનો સમાવેશ થાય છે, તેમાંથી મેળવેલા અંદાજે નવ ટ્રિલિયન ન્યુક્લિયોટાઇડ્સના વિશાળ ડેટાસેટ પર તાલીમ આપવામાં આવી હતી.
તેની ચોકસાઈ વધારવા માટે, સંશોધકોએ બે તબક્કાની તાલીમ પ્રક્રિયાનો ઉપયોગ કર્યો હતો. જીવનના વૃક્ષ (tree of life) ના પાયાના પેટર્ન શીખ્યા પછી, Evo ને phiX174 bacteriophage ના 11 જનીનો અને તેના અંદાજે 15,000 નજીકના સબંધીઓનો ઉપયોગ કરીને તાલીમનો બીજો, વિશિષ્ટ રાઉન્ડ આપવામાં આવ્યો હતો. આનાથી મોડેલને કાર્યરત અને પ્રતિકૃતિ (replicating) બનાવી શકે તેવી જૈવિક સંસ્થાઓ ડિઝાઇન કરવા માટે જરૂરી વિશિષ્ટ સૂક્ષ્મતાઓ પર પ્રભુત્વ મેળવવામાં મદદ મળી.
700,000 પ્રસ્તાવોથી કાર્યરત વાયરસ સુધી
Evo ની જનરેટિવ ક્ષમતાનું પ્રમાણ વિશાળ છે. મોડેલે 700,000 સંભવિત વાયરલ જીનોમ્સના પ્રસ્તાવ મૂક્યા હતા. ત્યારબાદ સંશોધન ટીમે કડક પસંદગી દ્વારા આ સંખ્યા ઘટાડી, 285 સિક્વન્સને DNA સ્ટ્રેન્ડ્સ તરીકે રાસાયણિક રીતે સંશ્લેષિત કર્યા અને તેને E. coli બેક્ટેરિયામાં દાખલ કર્યા.
પરિણામો અત્યંત સફળ રહ્યા: સંશ્લેષિત સિક્વન્સમાંથી 16 એવા વાયરસ ઉત્પન્ન કર્યા જે પ્રતિકૃતિ (replication) બનાવવામાં સક્ષમ હતા. નોંધપાત્ર રીતે, આ AI-જનરેટેડ વાયરસ માત્ર હાલની પ્રજાતિઓના "નબળા" અથવા ક્ષીણ સંસ્કરણો નહોતા; તેઓ કુદરતી વાયરસ જેટલા જ મજબૂત હતા, અને કેટલાક તો મૂળ phiX174 કરતા પણ વધુ ઝડપથી પ્રતિકૃતિ બનાવતા હતા. નિષ્ણાતોએ નોંધ્યું કે AI એ જનીન ક્રમ અને ગોઠવણીમાં એવા અણધાર્યા ફેરફારો પણ કર્યા હતા જે માનવ વૈજ્ઞાનિકોએ અગાઉ ક્યારેય વિચાર્યા નહોતા.
બેધારી તલવાર: તબીબી સફળતાઓ વિરુદ્ધ બાયોસેફ્ટીની ખામીઓ
બાયોટેકનોલોજી માટે આના અસરો ગહન છે. AI-ડિઝાઇન કરેલા વાયરસ phage therapy—મલ્ટીડ્રગ-રેઝિસ્ટન્ટ બેક્ટેરિયાને મારવા માટે વાયરસનો ઉપયોગ કરવો—માં ક્રાંતિ લાવી શકે છે અને આનુવંશિક સામગ્રી માટે વધુ કાર્યક્ષમ ડિલિવરી વાહનો બનાવીને gene therapy ને બહેતર બનાવી શકે છે.
જોકે, આ વિકાસે વૈશ્વિક બાયોસેફ્ટી નિયમોમાં એક ગંભીર "અસંગતતા" (disconnect) તરફ ધ્યાન દોર્યું છે. વર્તમાન યુએસ નેશનલ ઇન્સ્ટિટ્યૂટ ઓફ હેલ્થ (NIH) ની નીતિઓ જાણીતા રોગકારક જીવો (pathogens) ને વધુ જોખમી બનાવતા પ્રયોગો પર પ્રતિબંધ મૂકવા પર ધ્યાન કેન્દ્રિત કરે છે, પરંતુ તે શુદ્ધ કમ્પ્યુટેશનલ કાર્ય—કમ્પ્યુટર પર વાયરલ DNA ની ડિઝાઇન—ને સ્પષ્ટપણે આવરી લેતી નથી. આ "અજાણ્યા" જોખમો માટે નિયમનકારી શૂન્યાવકાશ ઊભો કરે છે: જો કોઈ AI એવો નવો, અત્યંત ચેપી રોગકારક જીવ ડિઝાઇન કરે જે કુદરતમાં ક્યારેય અસ્તિત્વમાં ન હોય, તો હાલના સુરક્ષા માપદંડો તે જોખમને ઓળખવામાં નિષ્ફળ જઈ શકે છે.
આનાથી બચવા માટે, સ્ટેનફોર્ડની ટીમે સક્રિય સુરક્ષા પગલાં અમલમાં મૂક્યા હતા, જેમાં એ સુનિશ્ચિત કરવામાં આવ્યું હતું કે Evo ને ક્યારેય માનવ રોગકારક જીવો અથવા સંબંધિત પ્રાણી/વનસ્પતિ વાયરસ પર તાલીમ આપવામાં આવી નથી, જેનાથી મોડેલ માનવને ચેપ લગાડે તેવા જીનોમ્સ બનાવવામાં અસમર્થ રહ્યું.
આ પરિણામ તબીબી ક્ષેત્ર માટે શા માટે મહત્વનું છે
ફેજ થેરાપી (Phage therapy), જે એન્ટિબાયોટિક-પ્રતિકારક બેક્ટેરિયાને લક્ષ્ય બનાવવા માટે વાયરસનો ઉપયોગ કરે છે, તે લાંબા સમયથી કુદરતી ફેજ્ઝના મર્યાદિત સાધનોને કારણે અવરોધિત રહી છે. એક એવું AI જે નવા, કાર્યક્ષમ વાયરલ કેપ્સિડ્સ (capsids) બનાવી શકે છે તે આ સાધનોના સંગ્રહને નોંધપાત્ર રીતે વિસ્તારી શકે છે. તેવી જ રીતે, જનીન-થેરાપી વેક્ટર્સ—જે અવારનવાર કોષોમાં ઉપચારાત્મક DNA પહોંચાડતા એન્જિનિયર્ડ વાયરસ હોય છે—જો હાલના સ્ટ્રેઇન્સમાંથી સુધારેલા હોવાને બદલે શૂન્યથી ડિઝાઇન કરવામાં આવે તો વધુ સચોટ અને ઓછા ઇમ્યુનોજેનિક (immunogenic) બની શકે છે.
નિયમનકારી અંધવિંદુ (blind spot) ખુલ્લું પડ્યું
યુએસ ફંડિંગ એજન્સીઓ હાલમાં જાણીતા રોગકારક જીવોને વધુ જોખમી બનાવતા પ્રયોગો પર પ્રતિબંધ મૂકે છે, પરંતુ તેઓ શુદ્ધ કમ્પ્યુટેશનલ ડિઝાઇન દ્વારા નવા રોગકારક જીવોના નિર્માણને સ્પષ્ટપણે સંબોધિત કરતા નથી. Evo ના કાર્યમાં આ કલમથી બચવામાં આવ્યું કારણ કે તાલીમ દરમિયાન મોડેલે માનવને ચેપ લગાડતા વાયરસ ક્યારેય જોયા નહોતા; સંશોધકોએ જાણીજોઈને એવા કોઈપણ સિક્વન્સને બાકાત રાખ્યા હતા જે માનવ રોગકારક જીવો પેદા કરી શકે. તેમ છતાં, એવી શક્યતા રહેલી છે કે સુરક્ષાના આવા પગલાં વિના, AI એવો વાયરસ બનાવી શકે જેનો કોઈ કુદરતી પૂર્વવર્તી ન હોય—એક "સિન્થેટિક અજાણ્યું" (synthetic unknown) જેને હાલના રિવ્યુ બોર્ડ કદાચ ઓળખી ન શકે.
આ તફાવત માત્ર શૈક્ષણિક નથી. જો કોઈ મોડેલને વાયરસના વ્યાપક ડેટા પર તાલીમ લેવાની મંજૂરી આપવામાં આવે, તો તે ઉચ્ચ-ચેપીતા અથવા રોગપ્રતિકારક શક્તિથી બચવાના પાયાના ઘટકો શીખી શકે છે, અને પછી એવું જીનોમ તૈયાર કરી શકે છે, જે એકવાર સંશ્લેષિત થયા પછી, મહામારી કક્ષાનું જોખમ ઊભું કરી શકે છે. વર્તમાન દેખરેખ પદ્ધતિઓ wet-lab હેરાફેરી પર ધ્યાન કેન્દ્રિત કરે છે; તેમની પાસે in silico ડિઝાઇનના જોખમોનું મૂલ્યાંકન કરવા માટે સ્પષ્ટ આદેશનો અભાવ છે, જે રિમોટલી અને મોટા પાયે કરી શકાય છે.
ઉત્પાદિત થયેલા વાયરસ બેક્ટેરિયોફેજ (bacteriophages) હતા—એવા વાયરસ જે બેક્ટેરિયાને ચેપગ્રસ્ત કરે છે, મનુષ્યોને નહીં. તેમનો ઉપયોગ મુખ્યત્વે બેક્ટેરિયાના નિયંત્રણ અને પ્રયોગશાળાના સંશોધન પૂરતો મર્યાદિત છે, જેનાથી તાત્કાલિક જાહેર આરોગ્યની ચિંતાઓ મર્યાદિત રહે છે.
નિષ્કર્ષ
Evo એ સાબિત કરે છે કે AI પ્રોટીન સ્ટ્રક્ચરના અનુમાન લગાવવાથી લઈને સંપૂર્ણ, કાર્યકારી વાયરસ જીનોમ તૈયાર કરવા સુધી આગળ વધી શકે છે. આ ટેકનોલોજી દવા-પ્રતિકારક બેક્ટેરિયા સામે લડવા અને જીન થેરાપી આપવા માટે ઝડપી અને વધુ બહુમુખી સાધનોનું વચન આપે છે, પરંતુ તે નિયમનકારોને જોખમના એક નવા પ્રકારનો સામનો કરવા માટે પણ મજબૂર કરે છે: જીવન માટેના એવા ડિજિટલ બ્લુપ્રિન્ટ્સ જે કુદરતમાં ક્યારેય અસ્તિત્વમાં નહોતા.