സ്റ്റാൻഫോർഡ് സർവ്വകലാശാലയിലെയും ആർക്ക് ഇൻസ്റ്റിറ്റ്യൂട്ടിലെയും (Arc Institute) ഗവേഷകർ ഒരു ജനറേറ്റീവ് AI മോഡൽ ഉപയോഗിച്ച് പൂർണ്ണമായ വൈറൽ ജനോമുകൾ (viral genomes) പൂജ്യത്തിൽ നിന്ന് രൂപകൽപ്പന ചെയ്തുകൊണ്ട് ഒരു ചരിത്രപരമായ നാഴികക്കല്ല് പിന്നിട്ടിരിക്കുന്നു. ഈ മുന്നേറ്റം പരമ്പരാഗത ജൈവശാസ്ത്ര കണ്ടെത്തലുകളിൽ നിന്ന് കമ്പ്യൂട്ടേഷണൽ ഡിസൈനിന്റെ (computational design) യുഗത്തിലേക്കുള്ള ഒരു മാറ്റത്തെ സൂചിപ്പിക്കുന്നു, ഇവിടെ AI ജീവന്റെ ഘടനയെ നിർണ്ണയിക്കുന്നു.
Evo: ജനിതകശാസ്ത്രത്തിനായുള്ള ലാർജ് ലാംഗ്വേജ് മോഡൽ (Large Language Model)
ഈ ഗവേഷണത്തിന്റെ കേന്ദ്രബിന്ദു Evo ആണ്. ഇത് ഒരു ലാർജ് ലാംഗ്വേജ് മോഡലിന് (LLM) സമാനമായി പ്രവർത്തിക്കുന്ന ഒരു പ്രത്യേക ജനറേറ്റീവ് മോഡലാണ്, എന്നാൽ ഇത് DNA-യുടെ "ഭാഷയിലാണ്" പ്രവർത്തിക്കുന്നത്. ടെക്സ്റ്റ് അധിഷ്ഠിത മോഡലുകളിൽ നിന്ന് വ്യത്യസ്തമായി, മൃഗങ്ങൾ, സസ്യങ്ങൾ, സൂക്ഷ്മജീവികൾ, വൈറസുകൾ എന്നിവയുൾപ്പെടെ ദശലക്ഷക്കണക്കിന് ജീവികളിൽ നിന്ന് ശേഖരിച്ച ഏകദേശം ഒൻപത് ട്രില്യൺ ന്യൂക്ലിയോടൈഡുകൾ അടങ്ങിയ ഒരു കൂറ്റൻ ഡാറ്റാസെറ്റിലാണ് Evo പരിശീലിപ്പിക്കപ്പെട്ടത്.
ഇതിന്റെ കൃത്യത വർദ്ധിപ്പിക്കുന്നതിനായി ഗവേഷകർ രണ്ട് ഘട്ടങ്ങളുള്ള ഒരു പരിശീലന രീതിയാണ് ഉപയോഗിച്ചത്. ജീവന്റെ വൃക്ഷത്തിന്റെ (tree of life) അടിസ്ഥാന പാറ്റേണുകൾ പഠിച്ചതിന് ശേഷം, phiX174 bacteriophage-ന്റെ 11 ജീനുകളും അതിന്റെ ഏറ്റവും അടുത്ത ബന്ധമുള്ള ഏകദേശം 15,000 ജീനുകളും ഉപയോഗിച്ച് Evo-യ്ക്ക് രണ്ടാമതൊരു പ്രത്യേക പരിശീലനം നൽകി. പ്രവർത്തനക്ഷമവും സ്വയം വിഭജിക്കാനും (replicating) ശേഷിയുള്ളതുമായ ജൈവ രൂപങ്ങളെ രൂപകൽപ്പന ചെയ്യുന്നതിന് ആവശ്യമായ പ്രത്യേക സൂക്ഷ്മതകൾ കൈവരിക്കാൻ ഇത് മോഡലിനെ സഹായിച്ചു.
700,000 നിർദ്ദേശങ്ങളിൽ നിന്ന് പ്രവർത്തനക്ഷമമായ വൈറസുകളിലേക്ക്
Evo-യുടെ ജനറേറ്റീവ് ശേഷിയുടെ വ്യാപ്തി വളരെ വലുതാണ്. മോഡൽ 700,000 സാധ്യതയുള്ള വൈറൽ ജനോമുകൾ നിർദ്ദേശിച്ചു. തുടർന്ന് ഗവേഷണ സംഘം കർശനമായ തിരഞ്ഞെടുപ്പിലൂടെ ഇവയെ കുറയ്ക്കുകയും, 285 സീക്വൻസുകളെ DNA സ്ട്രാൻഡുകളായി രാസപരമായി നിർമ്മിക്കുകയും അവയെ E. coli ബാക്ടീരിയയിൽ ഉൾപ്പെടുത്തുകയും ചെയ്തു.
ഫലങ്ങൾ വളരെ വിജയകരമായിരുന്നു: നിർമ്മിച്ച സീക്വൻസുകളിൽ 16 എണ്ണം വിഭജനത്തിന് ശേഷിയുള്ള വൈറസുകളെ ഉത്പാദിപ്പിച്ചു. ശ്രദ്ധേയമായ കാര്യം, ഈ AI-നിർമ്മിത വൈറസുകൾ നിലവിലുള്ള വർഗ്ഗങ്ങളുടെ ദുർബലമായ പതിപ്പുകൾ മാത്രമായിരുന്നില്ല; അവ പ്രകൃതിദത്തമായ വൈറസുകളെപ്പോലെ കരുത്തുള്ളവയായിരുന്നു, ചിലവ യഥാർത്ഥ phiX174-നേക്കാൾ വേഗത്തിൽ പോലും വിഭജിച്ചു. മനുഷ്യ ശാസ്ത്രജ്ഞർ മുമ്പ് പരിഗണിച്ചിട്ടില്ലാത്ത രീതിയിൽ ജീൻ ക്രമീകരണങ്ങളിലും ക്രമീകരണങ്ങളിലും AI അപ്രതീക്ഷിത മാറ്റങ്ങൾ വരുത്തിയതായും വിദഗ്ധർ നിരീക്ഷിച്ചു.
ഇരുതല മൂർച്ചയുള്ള വാൾ: വൈദ്യശാസ്ത്രത്തിലെ മുന്നേറ്റങ്ങളും ബയോസേഫ്റ്റി വിടവുകളും
ബയോടെക്നോളജിയിൽ ഇതിന്റെ പ്രത്യാഘാതങ്ങൾ വളരെ വലുതാണ്. AI രൂപകൽപ്പന ചെയ്ത വൈറസുകൾ phage therapy-യിൽ (മൾട്ടിഡ്രഗ് റെസിസ്റ്റന്റ് ബാക്ടീരിയകളെ നശിപ്പിക്കാൻ വൈറസുകളെ ഉപയോഗിക്കുന്നത്) വിപ്ലവം സൃഷ്ടിച്ചേക്കാം, കൂടാതെ ജനിതക വസ്തുക്കൾ എത്തിക്കുന്നതിനുള്ള കൂടുതൽ കാര്യക്ഷമമായ വാഹനങ്ങൾ നിർമ്മിക്കുന്നതിലൂടെ gene therapy മെച്ചപ്പെടുത്താനും സഹായിച്ചേക്കാം.
എന്നിരുന്നാലും, ഈ വികസനം ആഗോള ബയോസേഫ്റ്റി നിയന്ത്രണങ്ങളിലെ ഒരു നിർണ്ണായകമായ "വിച്ഛേദനം" (disconnect) ഉയർത്തിക്കാട്ടുന്നു. നിലവിലെ യുഎസ് നാഷണൽ ഇൻസ്റ്റിറ്റ്യൂട്ട്സ് ഓഫ് ഹെൽത്ത് (NIH) നയങ്ങൾ അറിയപ്പെടുന്ന രോഗകാരികളെ (pathogens) കൂടുതൽ അപകടകാരികളാക്കുന്ന പരീക്ഷണങ്ങളെ നിരോധിക്കുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നുണ്ടെങ്കിലും, കമ്പ്യൂട്ടേഷണൽ ജോലികളെ—അതായത് കമ്പ്യൂട്ടറിൽ വൈറൽ DNA രൂപകൽപ്പന ചെയ്യുന്നതിനെ—അവ കൃത്യമായി ഉൾക്കൊള്ളുന്നില്ല. ഇത് "അറിയപ്പെടാത്ത" അപകടങ്ങൾക്കായി ഒരു നിയന്ത്രണ ശൂന്യത സൃഷ്ടിക്കുന്നു: പ്രകൃതിയിൽ ഒരിക്കലും നിലവിലില്ലാത്ത, വളരെ വേഗത്തിൽ പടരാൻ ശേഷിയുള്ള ഒരു പുതിയ രോഗകാരിയെ AI രൂപകൽപ്പന ചെയ്യുകയാണെങ്കിൽ, നിലവിലുള്ള സുരക്ഷാ സംവിധാനങ്ങൾക്ക് ആ ഭീഷണി തിരിച്ചറിയാൻ കഴിഞ്ഞെന്നു വരില്ല.
ഇത് പരിഹരിക്കുന്നതിനായി, Evo-യെ ഒരിക്കലും മനുഷ്യരിലെ രോഗകാരികളിലോ അതുമായി ബന്ധപ്പെട്ട മൃഗ/സസ്യ വൈറസുകളിലോ പരിശീലിപ്പിക്കാതിരിക്കാൻ സ്റ്റാൻഫോർഡ് ടീം മുൻകരുതൽ നടപടികൾ സ്വീകരിച്ചു. ഇത് മനുഷ്യനെ ബാധിക്കുന്ന ജനോമുകൾ നിർമ്മിക്കാൻ മോഡലിന് കഴിയില്ലെന്ന് ഉറപ്പാക്കുന്നു.
ഈ ഫലം വൈദ്യശാസ്ത്രത്തിന് എന്തുകൊണ്ട് പ്രധാനമാകുന്നു
ആന്റിബയോട്ടിക് പ്രതിരോധം കാണിക്കുന്ന ബാക്ടീരിയകളെ ലക്ഷ്യം വെക്കാൻ വൈറസുകളെ ഉപയോഗിക്കുന്ന ഫേജ് തെറാപ്പി (Phage therapy), പ്രകൃതിദത്തമായ ഫേജുകളുടെ പരിമിതമായ ലഭ്യത കാരണം കാലങ്ങളായി തടസ്സപ്പെട്ടിരിക്കുകയാണ്. പുതിയതും കാര്യക്ഷമവുമായ വൈറൽ കാപ്സിഡുകൾ (viral capsids) സൃഷ്ടിക്കാൻ കഴിയുന്ന ഒരു AI ആ പരിമിതിയെ വലിയ രീതിയിൽ മറികടക്കാൻ സഹായിക്കും. അതുപോലെ, ജീൻ തെറാപ്പി വെക്റ്ററുകൾ—ചികിത്സാപരമായ DNA കോശങ്ങളിലേക്ക് എത്തിക്കുന്നതിനായി രൂപകൽപ്പന ചെയ്ത വൈറസുകൾ—നിലവിലുള്ള സ്ട്രെയിനുകളിൽ നിന്ന് മാറ്റം വരുത്തുന്നതിന് പകരം പൂജ്യത്തിൽ നിന്ന് രൂപകൽപ്പന ചെയ്യുകയാണെങ്കിൽ കൂടുതൽ കൃത്യതയുള്ളതും പ്രതിരോധശേഷി കുറഞ്ഞതുമായി മാറിയേക്കാം.
വെളിപ്പെട്ട നിയന്ത്രണങ്ങളിലെ അന്ധമായ ഇടം (blind spot)
അറിയപ്പെടുന്ന രോഗകാരികളെ കൂടുതൽ അപകടകാരികളാക്കുന്ന പരീക്ഷണങ്ങളെ യുഎസ് ഫണ്ടിംഗ് ഏജൻസികൾ നിലവിൽ നിയന്ത്രിക്കുന്നുണ്ടെങ്കിലും, കേവലം കമ്പ്യൂട്ടേഷണൽ ഡിസൈനിലൂടെ പുതിയ രോഗകാരികളെ സൃഷ്ടിക്കുന്നതിനെക്കുറിച്ച് അവ വ്യക്തമായി പ്രതിപാദിക്കുന്നില്ല. Evo-യുടെ പ്രവർത്തനം ആ വ്യവസ്ഥയെ മറികടന്നു, കാരണം പരിശീലന സമയത്ത് മനുഷ്യരിലെ രോഗകാരികളായ വൈറസുകളെ മോഡൽ കണ്ടിരുന്നില്ല; മനുഷ്യരിലെ രോഗകാരികളായി മാറാൻ സാധ്യതയുള്ള ഏതൊരു സീക്വൻസിനെയും ഗവേഷകർ ബോധപൂർവ്വം ഒഴിവാക്കിയിരുന്നു. എന്നിരുന്നാലും, ഇത്തരത്തിലുള്ള സുരക്ഷാ സംവിധാനങ്ങൾ ഇല്ലാതെ ഒരു AI പ്രകൃതിയിൽ മുൻപത്തേ never ഉണ്ടായിട്ടില്ലാത്ത ഒരു വൈറസ്—നിലവിലുള്ള റിവ്യൂ ബോർഡുകൾക്ക് തിരിച്ചറിയാൻ കഴിയാത്ത ഒരു “synthetic unknown”—രൂപകൽപ്പന ചെയ്തേക്കാം എന്ന സാധ്യത നിലനിൽക്കുന്നു.
ഈ വിടവ് കേവലം അക്കാദമിക് തലത്തിലുള്ളതല്ല. കൂടുതൽ വിപുലമായ വൈറൽ ഡാറ്റ ഉപയോഗിച്ച് ഒരു മോഡലിനെ പരിശീലിപ്പിക്കാൻ അനുവദിച്ചാൽ, ഉയർന്ന പകരശേഷിയോ (transmissibility) രോഗപ്രതിരോധ ശേഷിയെ മറികടക്കാനുള്ള കഴിവിനോ (immune evasion) ആവശ്യമായ ഘടകങ്ങൾ അത് പഠിച്ചേക്കാം; തുടർന്ന്, കൃത്രിമമായി നിർമ്മിച്ചാൽ ഒരു മഹാമാരിക്ക് സമാനമായ ഭീഷണി ഉയർത്താൻ ശേഷിയുള്ള ഒരു ജീനോം അത് പുറത്തുവിടിയേക്കാം. നിലവിലെ നിരീക്ഷണ സംവിധാനങ്ങൾ ലാബുകളിൽ (wet-lab) നടക്കുന്ന പ്രവർത്തനങ്ങളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു; എന്നാൽ വിദൂരത്തുനിന്നും വലിയ തോതിലും ചെയ്യാൻ കഴിയുന്ന 'ഇൻ സിലിക്കോ' (in silico) ഡിസൈനുകളുടെ അപകടസാധ്യതകൾ വിലയിരുത്തുന്നതിനുള്ള വ്യക്തമായ അധികാരപരിധി അവയ്ക്കുണ്ടില്ല.
നിർമ്മിക്കപ്പെട്ട വൈറസുകൾ ബാക്ടീരിയോഫേജുകൾ (bacteriophages) ആയിരുന്നു—അതായത് മനുഷ്യരെയല്ല, ബാക്ടീരിയകളെയാണ് ബാധിക്കുന്ന വൈറസുകൾ. ഇവയുടെ ഉപയോഗം പ്രധാനമായും ബാക്ടീരിയ നിയന്ത്രണത്തിലും ലബോറട്ടറി ഗവേഷണത്തിലും മാത്രമായി പരിമിതപ്പെടുത്തിയിരിക്കുന്നതിനാൽ, ഇത് പെട്ടെന്നുള്ള പൊതുജനാരോഗ്യ ആശങ്കകൾ കുറയ്ക്കുന്നു.
ചുരുക്കത്തിൽ
പ്രോട്ടീൻ ഘടനകൾ പ്രവചിക്കുന്നതിൽ നിന്ന് പൂർണ്ണവും പ്രവർത്തനക്ഷമവുമായ വൈറൽ ജീനോമുകൾ തയ്യാറാക്കുന്നതിലേക്ക് AI-ക്ക് മാറാൻ കഴിയുമെന്ന് Evo തെളിയിക്കുന്നു. മരുന്ന് പ്രതിരോധ ശേഷിയുള്ള ബാക്ടീരിയകളെ നേരിടുന്നതിനും ജീൻ തെറാപ്പികൾ നൽകുന്നതിനുമായി വേഗതയേറിയതും വൈവിധ്യമാർന്നതുമായ ഉപകരണങ്ങൾ ഈ സാങ്കേതികവിദ്യ വാഗ്ദാനം ചെയ്യുന്നുണ്ടെങ്കിലും, നിയന്ത്രണ സംവിധാനങ്ങളെ ഒരു പുതിയ തരം അപകടസാധ്യതയെ നേരിടാൻ ഇത് നിർബന്ധിതമാക്കുന്നു: പ്രകൃതിയിൽ ഒരിക്കലും നിലവിലില്ലാത്ത ജീവന്റെ ഡിജിറ്റൽ ബ്ലൂപ്രിന്റുകൾ.