ಸ್ಟ್ಯಾನ್ಫೋರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾಲಯ ಮತ್ತು ಆರ್ಕ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ನ ಸಂಶೋಧಕರು ಜನರೇಟಿವ್ ಎಐ (generative AI) ಮಾದರಿಯನ್ನು ಬಳಸಿಕೊಂಡು ಸಂಪೂರ್ಣ ವೈರಲ್ ಜಿನೋಮ್ಗಳನ್ನು ಮೊದಲಿನಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮೂಲಕ ಐತಿಹಾಸಿಕ ಮೈಲಿಗಲ್ಲನ್ನು ತಲುಪಿದ್ದಾರೆ. ಈ ಮಹತ್ವದ ಬೆಳವಣಿಗೆಯು ಸಾಂಪ್ರದಾಯಿಕ ಜೈವಿಕ ಸಂಶೋಧನೆಯಿಂದ ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿನ್ಯಾಸದ ಯುಗಕ್ಕೆ ಬದಲಾವಣೆಯನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಇಲ್ಲಿ ಎಐ ಜೀವದ ರಚನೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.
Evo: ಜೀನೋಮಿಕ್ಸ್ಗಾಗಿ ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್
ಈ ಸಂಶೋಧನೆಯ ಕೇಂದ್ರಬಿಂದು Evo, ಇದು ಲಾರ್ಜ್ ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್ (LLM) ನಂತೆಯೇ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವಿಶೇಷ ಜನರೇಟಿವ್ ಮಾಡೆಲ್ ಆಗಿದೆ, ಆದರೆ ಇದು DNA ನ "ಭಾಷೆ"ಯ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಪಠ್ಯ ಆಧಾರಿತ ಮಾದರಿಗಳಿಗ Unlike, Evo ಅನ್ನು ಪ್ರಾಣಿಗಳು, ಸಸ್ಯಗಳು, ಸೂಕ್ಷ್ಮಜೀವಿಗಳು ಮತ್ತು ವೈರಸ್ಗಳು ಸೇರಿದಂತೆ ಮಿಲಿಯನ್ಗಟ್ಟಲೆ ಜೀವಿಗಳಿಂದ ಪಡೆದ ಸುಮಾರು ಒಂಬತ್ತು ಟ್ರಿಲಿಯನ್ ನ್ಯೂಕ್ಲಿಯೋಟೈಡ್ಗಳನ್ನು ಒಳಗೊಂಡ ಬೃಹತ್ ಡೇಟಾಸೆಟ್ ಮೇಲೆ ತರಬೇತಿಗೊಳಿಸಲಾಗಿದೆ.
ಇದರ ನಿಖರತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು, ಸಂಶೋಧಕರು ಎರಡು ಹಂತಗಳ ತರಬೇತಿ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಳಸಿದರು. ಜೀವವೈವಿಧ್ಯದ ಮೂಲಭೂತ ಮಾದರಿಗಳನ್ನು ಕಲಿತ ನಂತರ, Evo ಎರಡನೇ ಹಂತದ ವಿಶೇಷ ತರಬೇತಿಯನ್ನು ಪಡೆಯಿತು. ಇದಕ್ಕಾಗಿ phiX174 bacteriophage ನ 11 ಜೀನ್ಗಳು ಮತ್ತು ಅದರ ಸುಮಾರು 15,000 ಹತ್ತಿರದ ಸಂಬಂಧಿತ ಜೀವಿಗಳನ್ನು ಬಳಸಲಾಯಿತು. ಇದು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಮತ್ತು ವೃದ್ಧಿಯಾಗುವ (replicating) ಜೈವಿಕ ಘಟಕಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ಅಗತ್ಯವಿರುವ ನಿರ್ದಿಷ್ಟ ಸೂಕ್ಷ್ಮತೆಗಳನ್ನು ಕಲಿಯಲು ಮಾಡೆಲ್ಗೆ ಸಹಾಯ ಮಾಡಿತು.
700,000 ಪ್ರಸ್ತಾವನೆಗಳಿಂದ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವೈರಸ್ಗಳವರೆಗೆ
Evo ನ ಜನರೇಟಿವ್ ಸಾಮರ್ಥ್ಯವು ಅಪಾರವಾಗಿದೆ. ಈ ಮಾದರಿಯು 700,000 ಸಂಭಾವ್ಯ ವೈರಲ್ ಜಿನೋಮ್ಗಳನ್ನು ಪ್ರಸ್ತಾಪಿಸಿತು. ನಂತರ ಸಂಶೋಧನಾ ತಂಡವು ಕಟ್ಟುನಿಟ್ಟಾದ ಆಯ್ಕೆಯ ಮೂಲಕ ಇವುಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಿ, 285 ಸೀಕ್ವೆನ್ಸ್ಗಳನ್ನು DNA ಎಳೆಗಳಾಗಿ ರಾಸಾಯನಿಕವಾಗಿ ಸಂಶ್ಲೇಷಿಸಿ (synthesizing), ಅವುಗಳನ್ನು E. coli ಬ್ಯಾಕ್ಟೀರಿಯಾದಲ್ಲಿ ಅಳವಡಿಸಿತು.
ಫಲಿತಾಂಶಗಳು ಅತ್ಯಂತ ಯಶಸ್ವಿಯಾಗಿದ್ದವು: ಸಂಶ್ಲೇಷಿತ ಸೀಕ್ವೆನ್ಸ್ಗಳಲ್ಲಿ 16 ವೈರಸ್ಗಳು ವೃದ್ಧಿಯಾಗುವ (replication) ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದ್ದವು. ಗಮನಾರ್ಹವಾಗಿ, ಈ AI-ಸೃಷ್ಟಿತ ವೈರಸ್ಗಳು ಕೇವಲ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪ್ರಭೇದಗಳ "ದುರ್ಬಲ" ಆವೃತ್ತಿಗಳಾಗಿರಲಿಲ್ಲ; ಅವು ನೈಸರ್ಗಿಕ ವೈರಸ್ಗಳಷ್ಟೇ ಸದೃಢವಾಗಿದ್ದವು, ಕೆಲವು ಮೂಲ phiX174 ಗಿಂತಲೂ ವೇಗವಾಗಿ ವೃದ್ಧಿಯಾಗುತ್ತಿದ್ದವು. ಮಾನವ ವಿಜ್ಞಾನಿಗಳು ಈ ಹಿಂದೆ ಪರಿಗಣಿಸದ ಜೀನ್ ಕ್ರಮ ಮತ್ತು ಜೋಡಣೆಗಳಲ್ಲಿ AI ಅನಿರೀಕ್ಷಿತ ಬದಲಾವಣೆಗಳನ್ನು ತಂದಿದೆ ಎಂದು ತಜ್ಞರು ಗಮನಿಸಿದ್ದಾರೆ.
ಎರಡೂ ಬದಿಗಳ ಕತ್ತಿ: ವೈದ್ಯಕೀಯ ಮುಖ್ಯಾಂಶಗಳು ಮತ್ತು ಬಯೋಸೇಫ್ಟಿ ಅಂತರಗಳು
ಬಯೋಟೆಕ್ನಾಲಜಿಯ ಮೇಲೆ ಇದರ ಪರಿಣಾಮಗಳು ಆಳವಾಗಿವೆ. AI ವಿನ್ಯಾಸಗೊಳಿಸಿದ ವೈರಸ್ಗಳು phage therapy ಅನ್ನು ಕ್ರಾಂತಿಕಾರಕವಾಗಿ ಬದಲಾಯಿಸಬಹುದು (ಬಹು-ಔಷಧ ಪ್ರತಿರೋಧಕ ಬ್ಯಾಕ್ಟೀರಿಯಾಗಳನ್ನು ಕೊಲ್ಲಲು ವೈರಸ್ಗಳನ್ನು ಬಳಸುವುದು) ಮತ್ತು ತಳೀಯ ವಸ್ತುವಿಗಾಗಿ (genetic material) ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ವಾಹಕಗಳನ್ನು ರಚಿಸುವ ಮೂಲಕ gene therapy ಅನ್ನು ಸುಧಾರಿಸಬಹುದು.
ಆದಾಗ್ಯೂ, ಈ ಬೆಳವಣಿಗೆಯು ಜಾಗತಿಕ ಬಯೋಸೇಫ್ಟಿ ನಿಯಮಗಳಲ್ಲಿನ ನಿರ್ಣಾಯಕ "ಅಂತರವನ್ನು" ಎತ್ತಿ ತೋರಿಸಿದೆ. ಪ್ರಸ್ತುತ ಅಮೆರಿಕದ ನ್ಯಾಷನಲ್ ಇನ್ಸ್ಟಿಟ್ಯೂಟ್ಸ್ ಆಫ್ ಹೆಲ್ತ್ (NIH) ನೀತಿಗಳು 알려진 ರೋಗಕಾರಕಗಳನ್ನು ಹೆಚ್ಚು ಅಪಾಯಕಾರಿಯಾಗಿಸುವ ಪ್ರಯೋಗಗಳನ್ನು ನಿಷೇಧಿಸುವುದರ ಮೇಲೆ ಗಮನ ಹರಿಸುತ್ತವೆ, ಆದರೆ ಅವು ಕೇವಲ ಕಂಪ್ಯೂಟೇಶನಲ್ ಕೆಲಸಗಳನ್ನು—ಅಂದರೆ ಕಂಪ್ಯೂಟರ್ನಲ್ಲಿ ವೈರಲ್ DNA ವಿನ್ಯಾಸಗೊಳಿಸುವುದನ್ನು—ಸ್ಪಷ್ಟವಾಗಿ ಒಳಗೊಂಡಿಲ್ಲ. ಇದು "ಅಜ್ಞಾತ" ಅಪಾಯಗಳಿಗಾಗಿ ನಿಯಂತ್ರಣದ ಶೂನ್ಯತೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ: ಒಂದು ವೇಳೆ AI ನಿಸರ್ಗದಲ್ಲಿ ಎಂದೂ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಹೊಸ ಮತ್ತು ಹೆಚ್ಚು ಸಾಂಕ್ರಾಮಿಕ ರೋಗಕಾರಕವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದರೆ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳು ಆ ಬೆದರಿಕೆಯನ್ನು ಗುರುತಿಸಲು ವಿಫಲವಾಗಬಹುದು.
ಇದನ್ನು ತಡೆಗಟ್ಟಲು, ಸ್ಟ್ಯಾನ್ಫೋರ್ಡ್ ತಂಡವು ಪೂರ್ವಭಾವಿ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳನ್ನು ಜಾರಿಗೆ ತಂದಿದೆ. Evo ಅನ್ನು ಮಾನವ ರೋಗಕಾರಕಗಳು ಅಥವಾ ಸಂಬಂಧಿತ ಪ್ರಾಣಿ/ಸಸ್ಯ ವೈರಸ್ಗಳ ಮೇಲೆ ಎಂದಿಗೂ ತರಬೇತಿಗೊಳಿಸದಂತೆ ನೋಡಿಕೊಳ್ಳುವ ಮೂಲಕ, ಮಾನವನಿಗೆ ಸೋಂಕು ಹರಡುವ ಜಿನೋಮ್ಗಳನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಈ ಮಾಡೆಲ್ಗೆ ಇಲ್ಲದಂತೆ ಮಾಡಿದೆ.
ಈ ಫಲಿತಾಂಶವು ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರಕ್ಕೆ ಏಕೆ ಮುಖ್ಯ
ಆಂಟಿಬಯೋಟಿಕ್ ಪ್ರತಿರೋಧಕ ಬ್ಯಾಕ್ಟೀರಿಯಾಗಳನ್ನು ಗುರಿಯಾಗಿಸಲು ವೈರಸ್ಗಳನ್ನು ಬಳಸುವ phage therapy, ನೈಸರ್ಗಿಕ ಫೇಜ್ಗಳ ಸೀಮಿತ ಲಭ್ಯತೆಯಿಂದಾಗಿ ದೀರ್ಘಕಾಲದಿಂದ ಅಡೆತಡೆ ಎದುರಿಸುತ್ತಾ ಬಂದಿದೆ. ಹೊಸ ಮತ್ತು ಪರಿಣಾಮಕಾರಿ ವೈರಲ್ ಕ್ಯಾಪ್ಸಿಡ್ಗಳನ್ನು (viral capsids) ಸೃಷ್ಟಿಸಬಲ್ಲ AI, ಆ ಲಭ್ಯತೆಯನ್ನು ಗಮನಾರ್ಹವಾಗಿ ವಿಸ್ತರಿಸಬಹುದು. ಅದೇ ರೀತಿ, ಜೀನ್-ಥೆರಪಿ ವೆಕ್ಟರ್ಗಳು—ಕೋಶಗಳಿಗೆ ಚಿಕಿತ್ಸಕ DNA ಅನ್ನು ಸಾಗಿಸುವ ಎಂಜಿನಿಯರ್ಡ್ ವೈರಸ್ಗಳು—ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಸ್ಟ್ರೈನ್ಗಳಿಂದ ಮಾರ್ಪಡಿಸುವ ಬದಲು ಮೊದಲಿನಿಂದ ವಿನ್ಯಾಸಗೊಳಿಸಿದರೆ ಹೆಚ್ಚು ನಿಖರವಾಗಬಹುದು ಮತ್ತು ರೋಗನಿರೋಧಕ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು (immunogenic) ಕಡಿಮೆ ಮಾಡಬಹುದು.
ನಿಯಂತ್ರಣದ ಕುರುಡು ಬಿಂದು ಬಹಿರಂಗ
ಅಮೆರಿಕದ ಹಣಕಾಸು ಸಂಸ್ಥೆಗಳು ಪ್ರಸ್ತುತ 알려진 ರೋಗಕಾರಕಗಳನ್ನು ಹೆಚ್ಚು ಅಪಾಯಕಾರಿಯಾಗಿಸುವ ಪ್ರಯೋಗಗಳನ್ನು ನಿರ್ಬಂಧಿಸುತ್ತವೆ, ಆದರೆ ಕೇವಲ ಕಂಪ್ಯೂಟೇಶನಲ್ ವಿನ್ಯಾಸದ ಮೂಲಕ ಹೊಸ ರೋಗಕಾರಕಗಳನ್ನು ಸೃಷ್ಟಿಸುವುದನ್ನು ಅವು ಸ್ಪಷ್ಟವಾಗಿ ಎದುರಿಸುವುದಿಲ್ಲ. Evo ನ ಕೆಲಸವು ಆ ನಿಯಮದಿಂದ ಹೊರತೇದಂತಿದೆ ಏಕೆಂದರೆ ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಈ ಮಾಡೆಲ್ ಮಾನವನಿಗೆ ಸೋಂಕು ಹರಡುವ ವೈರಸ್ಗಳನ್ನು ಎಂದಿಗೂ ನೋಡಿರಲಿಲ್ಲ; ಮಾನವ ರೋಗಕಾರಕಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದಾದ ಯಾವುದೇ ಸೀಕ್ವೆನ್ಸ್ಗಳನ್ನು ಸಂಶೋಧಕರು ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಹೊರಗಿಟ್ಟಿದ್ದರು. ಆದಾಗ್ಯೂ, ಇಂತಹ ಸುರಕ್ಷತಾ ಕ್ರಮಗಳಿಲ್ಲದಿದ್ದರೆ, AI ನಿಸರ್ಗದಲ್ಲಿ ಯಾವುದೇ ಪೂರ್ವಭಾವಿ ಉದಾಹರಣೆಯಿಲ್ಲದ ವೈರಸ್ ಅನ್ನು—ಅಂದರೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪರಿಶೀಲನಾ ಮಂಡಳಿಗಳು ಗುರುತಿಸದ "ಸಿಂಥೆಟಿಕ್ ಅನ್ನೋನ್" (synthetic unknown) ಅನ್ನು—ಸೃಷ್ಟಿಸುವ ಸಾಧ್ಯತೆ ಇರುತ್ತದೆ.
ಈ ಅಂತರವು ಕೇವಲ ಸೈದ್ಧಾಂತಿಕವಾದುದಲ್ಲ. ಒಂದು ಮಾದರಿಯು ವ್ಯಾಪಕವಾದ ವೈರಲ್ ಡೇಟಾದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆಯಲು ಅನುಮತಿಸಿದರೆ, ಅದು ಹೆಚ್ಚಿನ ಸಾಂಕ್ರಾಮಿಕತೆ ಅಥವಾ ರೋಗನಿರೋಧಕ ಶಕ್ತಿಯನ್ನು ತಪ್ಪಿಸುವಿಕೆಯ ಮೂಲ ಅಂಶಗಳನ್ನು ಕಲಿಯಬಹುದು, ನಂತರ ಸಂಶ್ಲೇಷಿಸಿದಾಗ ಸಾಂಕ್ರಾಮಿಕ ಮಟ್ಟದ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡಬಹುದಾದ ಜೀನೋಮ್ ಅನ್ನು ನೀಡಬಹುದು. ಪ್ರಸ್ತುತ ಮೇಲ್ವಿಚಾರಣಾ ವ್ಯವಸ್ಥೆಗಳು 'ವೆಟ್-ಲ್ಯಾಬ್' (wet-lab) ಬದಲಾವಣೆಗಳ ಮೇಲೆ ಗಮನ ಕೇಂದ್ರೀಕರಿಸುತ್ತವೆ; ದೂರದಿಂದಲೇ ಮತ್ತು ದೊಡ್ಡ ಪ್ರಮಾಣದಲ್ಲಿ ಮಾಡಬಹುದಾದ 'ಇನ್ ಸಿಲಿಕೋ' (in silico) ವಿನ್ಯಾಸದ ಅಪಾಯಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಅವುಗಳಿಗೆ ಸ್ಪಷ್ಟವಾದ ಅಧಿಕಾರವಿಲ್ಲ.
ಉತ್ಪಾದಿಸಲಾದ ವೈರಸ್ಗಳು ಬ್ಯಾಕ್ಟೀριοಫೇಜ್ಗಳಾಗಿದ್ದವು—ಅಂದರೆ ಇವು ಬ್ಯಾಕ್ಟೀರಿಯಾಗಳನ್ನು ಸೋಂಕಿತ ಮಾಡುತ್ತವೆಯೇ ಹೊರತು ಮನುಷ್ಯರನ್ನಲ್ಲ. ಅವುಗಳ ಉಪಯುಕ್ತತೆಯು ಹೆಚ್ಚಾಗಿ ಬ್ಯಾಕ್ಟೀರಿಯಾ ನಿಯಂತ್ರಣ ಮತ್ತು ಪ್ರಯೋಗಾಲಯದ ಸಂಶೋಧನೆಗೆ ಸೀಮಿತವಾಗಿದ್ದು, ತಕ್ಷಣದ ಸಾರ್ವಜನಿಕ ಆರೋಗ್ಯ ಕಾಳಜಿಗಳನ್ನು ಇದು ಸೀಮಿತಗೊಳಿಸುತ್ತದೆ.
ಸಾರಾಂಶ
AI ಕೇವಲ ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ಊಹಿಸುವುದರಿಂದ ಮುಂದೆ ಹೋಗಿ, ಸಂಪೂರ್ಣ ಮತ್ತು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವೈರಲ್ ಜೀನೋಮ್ಗಳನ್ನು ರೂಪಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಎಂದು Evo ತೋರಿಸಿಕೊಡುತ್ತದೆ. ಈ ತಂತ್ರಜ್ಞಾನವು ಔಷಧ ನಿರೋಧಕ ಬ್ಯಾಕ್ಟೀರಿಯಾಗಳ ವಿರುದ್ಧ ಹೋರಾಡಲು ಮತ್ತು ಜೀನ್ ಥೆರಪಿಗಳನ್ನು ನೀಡಲು ವೇಗವಾದ ಮತ್ತು ಹೆಚ್ಚು ಬಹುಮುಖವಾದ ಸಾಧನಗಳನ್ನು ಭರವಸೆ ನೀಡುತ್ತದೆ, ಆದರೆ ಇದು ನಿಯಂತ್ರಕರು ಹೊಸ ತರಹದ ಅಪಾಯವನ್ನು ಎದುರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ: ಪ್ರಕೃತಿಯಲ್ಲಿ ಎಂದಿಗೂ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಜೀವದ ಡಿಜಿಟಲ್ ನೀಲನಕ್ಷೆಗಳು.