स्टॅनफोर्ड युनिव्हर्सिटी आणि आर्क इन्स्टिट्यूटच्या संशोधकांनी जनरेटिव्ह AI मॉडेलचा वापर करून शून्यापासून संपूर्ण व्हायरल जीनोम (viral genomes) तयार करून एक ऐतिहासिक टप्पा गाठला आहे. हा शोध पारंपारिक जैविक शोधाकडून संगणकीय डिझाइनच्या (computational design) युगाकडे होणारा एक महत्त्वाचा बदल आहे, जिथे AI जीवनाच्या रचनेवर नियंत्रण ठेवते.
Evo: जीनोमिक्ससाठीचे लार्ज लँग्वेज मॉडेल (Large Language Model)
या संशोधनाचा गाभा Evo आहे, जे एक विशेष जनरेटिव्ह मॉडेल आहे जे लार्ज लँग्वेज मॉडेलप्रमाणे (LLM) कार्य करते परंतु DNA च्या "भाषेवर" आधारित आहे. मजकूर-आधारित मॉडेल्सच्या उलट, Evo ला लाखो सजीव—ज्यामध्ये प्राणी, वनस्पती, सूक्ष्मजीव आणि विषाणूंचा समावेश आहे—यांच्यापासून मिळवलेल्या सुमारे नऊ ट्रिलियन न्यूक्लिओटाइड्सच्या (nucleotides) अवाढव्य डेटासेटवर प्रशिक्षित करण्यात आले होते.
त्याची अचूकता सुधारण्यासाठी, संशोधकांनी दोन टप्प्यांची प्रशिक्षण प्रक्रिया वापरली. जीवनाच्या वृक्षातील (tree of life) मूलभूत नमुने शिकल्यानंतर, Evo ला phiX174 bacteriophage मधील ११ जीन्स आणि त्याच्या सुमारे १५,००० जवळच्या नातेवाईक विषाणूंचा वापर करून प्रशिक्षणाचा दुसरा विशेष टप्पा पूर्ण करण्यात आला. यामुळे मॉडेलला कार्यात्मक आणि पुनरुत्पादन (replicating) करू शकणाऱ्या जैविक घटकांची रचना करण्यासाठी आवश्यक असलेले विशिष्ट बारकावे आत्मसात करण्यास मदत झाली.
७,००,००० प्रस्तावांकडून कार्यात्मक विषाणूंपर्यंत
Evo च्या जनरेटिव्ह क्षमतेची व्याप्ती अफाट आहे. या मॉडेलने ७,००,००० संभाव्य व्हायरल जीनोमचे प्रस्ताव मांडले. त्यानंतर संशोधन पथकाने कठोर निवडीद्वारे त्यांची संख्या कमी केली आणि २८५ सिक्वेन्सचे रासायनिक संश्लेषण (chemically synthesizing) करून त्यांना DNA स्ट्रँड्सच्या स्वरूपात E. coli जीवाणूंमध्ये प्रविष्ट केले.
याचे परिणाम अत्यंत यशस्वी ठरले: संश्लेषित केलेल्या १६ सिक्वेन्समधून पुनरुत्पादन करण्यास सक्षम असे विषाणू तयार झाले. विशेष म्हणजे, हे AI-निर्मित विषाणू केवळ अस्तित्वात असलेल्या प्रजातींचे "कमकुवत" किंवा आजारी प्रकार नव्हते; ते नैसर्गिक विषाणूंप्रमाणेच मजबूत होते, आणि काही तर मूळ phiX174 पेक्षाही वेगाने पुनरुत्पादन करत होते. तज्ज्ञांनी असे नमूद केले की, AI ने जीन क्रम आणि रचनेत असे अनपेक्षित बदल केले होते ज्याचा मानवी शास्त्रज्ञांनी यापूर्वी विचारही केला नव्हता.
दुधारी तलवार: वैद्यकीय प्रगती विरुद्ध बायोसेफ्टीमधील त्रुटी
बायोटेक्नॉलॉजीसाठी याचे परिणाम खोलवर आहेत. AI-डिझाइन केलेले विषाणू phage therapy मध्ये क्रांती घडवून आणू शकतात—ज्यामध्ये औषधांना दाद न देणाऱ्या (multidrug-resistant) जीवाणूंचा नाश करण्यासाठी विषाणूंचा वापर केला जातो—आणि जनुकीय साहित्यासाठी अधिक कार्यक्षम वाहने तयार करून gene therapy अधिक सक्षम करू शकतात.
तथापि, या विकासामुळे जागतिक बायोसेफ्टी नियमावलीमधील एक गंभीर "विसंगती" (disconnect) समोर आली आहे. अमेरिकेच्या नॅशनल इन्स्टिट्यूट ऑफ हेल्थ (NIH) च्या सध्याच्या धोरणांचा मुख्य भर ज्ञात रोगजनकांना (pathogens) अधिक धोकादायक बनवणाऱ्या प्रयोगांवर बंदी घालण्यावर आहे, परंतु ते केवळ संगणकीय कामावर—म्हणजेच संगणकावर व्हायरल DNA च्या डिझाइनवर—स्पष्टपणे लागू होत नाहीत. यामुळे "अज्ञात" जोखमींसाठी एक नियामक पोकळी (regulatory vacuum) निर्माण होते: जर एखाद्या AI ने निसर्गात कधीही अस्तित्वात नसलेला, अत्यंत संसर्गजन्य नवीन रोगजनक डिझाइन केला, तर सध्याचे सुरक्षा उपाय (guardrails) तो धोका ओळखण्यात अपयशी ठरू शकतात.
हे टाळण्यासाठी, स्टॅनफोर्ड टीमने प्रतिबंधात्मक सुरक्षा उपाय म्हणून Evo ला मानवी रोगजनक किंवा संबंधित प्राणी/वनस्पती विषाणूंवर कधीही प्रशिक्षित न केले, ज्यामुळे मॉडेल मानवी संसर्ग घडवून आणणारे जीनोम तयार करण्यास असमर्थ ठरले.
हे परिणाम वैद्यकीय क्षेत्रासाठी का महत्त्वाचे आहेत
अँटीबायोटिक-प्रतिरोधक जीवाणूंना लक्ष्य करण्यासाठी विषाणूंचा वापर करणारी 'फेज थेरपी' (Phage therapy), नैसर्गिक फेजच्या मर्यादित उपलब्धतेमुळे दीर्घकाळापासून अडथळ्यांचा सामना करत आहे. नवीन आणि कार्यक्षम 'व्हायरल कॅप्सिड्स' (viral capsids) तयार करू शकणारे AI या साधनांची व्याप्ती मोठ्या प्रमाणात वाढवू शकते. त्याचप्रमाणे, 'जीन-थेरपी वेक्टर्स'—जे सहसा पेशींमध्ये उपचारात्मक DNA पोहोचवणारे इंजिनिअर्ड विषाणू असतात—जर अस्तित्वात असलेल्या स्ट्रेन्समध्ये बदल करण्याऐवजी शून्यापासून डिझाइन केले, तर ते अधिक अचूक आणि कमी इम्युनोजेनिक (immunogenic) होऊ शकतात.
नियामक अंधबिंदू उघड झाला
अमेरिकेतील निधी देणाऱ्या संस्था सध्या ज्ञात रोगजनकांना अधिक धोकादायक बनवणाऱ्या प्रयोगांवर निर्बंध आणतात, परंतु केवळ संगणकीय डिझाइनद्वारे नवीन रोगजनक तयार करण्याबाबत त्या स्पष्टपणे काहीही सांगत नाहीत. Evo च्या कामाने त्या कलमाची (clause) टाळ केली कारण प्रशिक्षणादरम्यान मॉडेलने मानवी संसर्ग करणारे विषाणू कधीही पाहिले नव्हते; संशोधकांनी जाणूनबुजून मानवी रोगजनक निर्माण करू शकणारे कोणतेही सिक्वेन्स वगळले होते. असे असूनही, अशा सुरक्षा उपांशिवाय एखादे AI निसर्गात कोणताही पूर्ववृत्त नसलेला विषाणू तयार करू शकते—एक "सिंथेटिक अननोन" (synthetic unknown), जो सध्याच्या पुनरावलोकन मंडळांना (review boards) कदाचित संशयास्पद वाटणार नाही.
ही दरी केवळ शैक्षणिक नाही. जर एखाद्या मॉडेलला अधिक व्यापक विषाणूजन्य डेटावर प्रशिक्षित करण्याची परवानगी दिली गेली, तर ते उच्च संसर्गक्षमता किंवा रोगप्रतिकारशक्ती टाळण्याचे मूलभूत घटक शिकू शकते आणि त्यानंतर असा जीनोम तयार करू शकते, जो एकदा संश्लेषित झाला की महामारीच्या स्तरावरील धोका निर्माण करू शकतो. सध्याच्या देखरेख यंत्रणा वेट-लॅब मॅनिप्युलेशनवर लक्ष केंद्रित करतात; त्यांच्याकडे 'इन सिलिको' डिझाइनच्या जोखमींचे मूल्यांकन करण्यासाठी स्पष्ट अधिकार नाहीत, जे दूरस्थपणे आणि मोठ्या प्रमाणावर केले जाऊ शकते.
तयार झालेले विषाणू बॅक्टेरिओफेजेस (bacteriophages) होते—असे विषाणू जे जीवाणूंना संक्रमित करतात, मानवांना नाही. त्यांची उपयोगिता प्रामुख्याने जीवाणू नियंत्रण आणि प्रयोगशाळा संशोधनापुरती मर्यादित आहे, ज्यामुळे तात्काळ सार्वजनिक आरोग्य चिंता मर्यादित राहतात.
मुख्य निष्कर्ष
Evo हे दर्शवते की AI प्रथिन संरचनांचे भाकीत करण्यापासून संपूर्ण, कार्यात्मक विषाणू जीनोम तयार करण्यापर्यंत जाऊ शकते. हे तंत्रज्ञान औषध-प्रतिरोधक जीवाणूंशी लढण्यासाठी आणि जीन थेरपी देण्यासाठी अधिक वेगवान आणि अष्टपैलू साधने देण्याचे आश्वासन देते, परंतु ते नियामकांना जोखमीच्या एका नवीन वर्गाचा सामना करण्यास भाग पाडते: जीवनाचे असे डिजिटल ब्लूप्रिंट्स जे निसर्गात कधीही अस्तित्वात नव्हते.