ஸ்டான்போர்ட் பல்கலைக்கழகம் மற்றும் Arc இன்ஸ்டிடியூட்டைச் சேர்ந்த ஆராய்ச்சியாளர்கள், ஒரு ஜெனரேட்டிவ் AI மாதிரியைப் பயன்படுத்தி முழுமையான வைரஸ் மரபணுக்களை (viral genomes) ஆரம்பத்திலிருந்தே வடிவமைப்பதன் மூலம் ஒரு வரலாற்றுச் சிறப்புமிக்க மைல்கல்லை எட்டியுள்ளனர். இந்த முன்னேற்றம், பாரம்பரிய உயிரியல் கண்டுபிடிப்பிலிருந்து, AI உயிரினங்களின் கட்டமைப்பைத் தீர்மானிக்கும் கணக்கீட்டு வடிவமைப்பு (computational design) யுகத்திற்கு ஒரு மாற்றத்தைக் குறிக்கிறது.

Evo: மரபணுவியலுக்கான பெரிய மொழி மாதிரி (Large Language Model)

இந்த ஆராய்ச்சியின் மையப்பகுதி Evo ஆகும். இது ஒரு பெரிய மொழி மாதிரியைப் (Large Language Model - LLM) போலவே செயல்படும் ஒரு சிறப்பு வாய்ந்த ஜெனரேட்டிவ் மாதிரி, ஆனால் இது DNA-வின் "மொழியில்" இயங்குகிறது. உரை அடிப்படையிலான மாதிரிகளைப் போலன்றி, Evo விலங்குகள், தாவரங்கள், நுண்ணுயிரிகள் மற்றும் வைரஸ்கள் உட்பட மில்லியன் கணக்கான உயிரினங்களிலிருந்து பெறப்பட்ட சுமார் ஒன்பது டிரில்லியன் நியூக்ளியோடைடுகளைக் கொண்ட ஒரு பிரம்மாண்டமான தரவுத்தொகுப்பில் பயிற்சியளிக்கப்பட்டது.

அதன் துல்லியத்தை மேம்படுத்த, ஆராய்ச்சியாளர்கள் இரு கட்டப் பயிற்சி முறையைப் பயன்படுத்தினர். உயிரினங்களின் பரிணாம மரத்தின் அடிப்படை வடிவங்களைக் கற்ற பிறகு, Evo இரண்டாவது கட்டமாக, phiX174 பேக்டீரியோபேஜ் (phiX174 bacteriophage) மற்றும் அதன் நெருங்கிய தொடர்புடைய சுமார் 15,000 உயிரினங்களின் 11 மரபணுக்களைப் பயன்படுத்திப் பயிற்சியளிக்கப்பட்டது. இது செயல்பாட்டுத் திறன் கொண்ட, தானாகப் பெருக்கமடையும் உயிரியல் அமைப்புகளை வடிவமைக்கத் தேவையான குறிப்பிட்ட நுணுக்கங்களை இந்தக் கருவி கற்றுக்கொள்ள உதவியது.

700,000 முன்மொழிவுகளிலிருந்து செயல்பாட்டு வைரஸ்கள் வரை

Evo-வின் உருவாக்கும் திறன் மிகப்பெரியது. இந்த மாதிரி 700,000 சாத்தியமான வைரஸ் மரபணுக்களை முன்மொழிந்தது. ஆராய்ச்சி குழு பின்னர் கடுமையானத் தேர்வின் மூலம் இவற்றைச் சுருக்கி, 285 வரிசைகளை DNA இழைகளாக வேதியியல் முறையில் தொகுத்து, அவற்றை E. coli பாக்டீரியாக்களுக்குள் செலுத்தினார்கள்.

இதன் முடிவுகள் மிகவும் வெற்றிகரமாக இருந்தன: தொகுக்கப்பட்ட வரிசைகளில் 16 வரிசைகள் தானாகப் பெருக்கமடையும் திறன் கொண்ட வைரஸ்களை உருவாக்கின. குறிப்பிடத்தக்க வகையில், இந்த AI-ஆல் உருவாக்கப்பட்ட வைரஸ்கள் ஏற்கனவே உள்ள இனங்களின் "பலவீனமான" பதிப்புகள் மட்டுமல்ல; அவை இயற்கையான வைரஸ்களைப் போலவே வலிமையானவை, சில இயற்கையான phiX174-ஐ விட வேகமாகப் பெருக்கமடைகின்றன. மனித விஞ்ஞானிகள் இதற்கு முன்பு கருத்தில் கொள்ளாத மரபணு வரிசை மற்றும் அமைப்புகளில் எதிர்பாராத மாற்றங்களை AI அறிமுகப்படுத்தியதை நிபுணர்கள் சுட்டிக்காட்டினர்.

இருமுனை வாள்: மருத்துவ முன்னேற்றங்கள் vs உயிரியல் பாதுகாப்பு இடைவெளிகள்

உயிரித் தொழில்நுட்பத்திற்கான இதன் தாக்கங்கள் ஆழமானவை. AI-ஆல் வடிவமைக்கப்பட்ட வைரஸ்கள் பேஜ் தெரபி (phage therapy) — பல மருந்துகளுக்கு எதிர்ப்புத் திறன் கொண்ட பாக்டீரியாக்களைக் கொல்ல வைரஸ்களைப் பயன்படுத்துதல் — மற்றும் மரபணுப் பொருட்களைக் கொண்டு செல்லும் திறமையான வாகனங்களை உருவாக்குவதன் மூலம் ஜீன் தெரபி (gene therapy) ஆகியவற்றை புரட்சிகரமாக்கக்கூடும்.

இருப்பினும், இந்த வளர்ச்சி உலகளாவிய உயிரியல் பாதுகாப்பு விதிமுறைகளில் ஒரு முக்கியமான "தொடர்புத் துண்டிப்பை" (disconnect) வெளிச்சத்திற்கு கொண்டு வந்துள்ளது. தற்போதைய அமெரிக்க தேசிய சுகாதார நிறுவனங்களின் (NIH) கொள்கைகள், தெரிந்த நோய்க்கிருமிகளை (pathogens) அதிக ஆபத்தானதாக மாற்றும் சோதனைகளைத் தடை செய்வதில் கவனம் செலுத்துகின்றன, ஆனால் அவை முற்றிலும் கணக்கீட்டுப் பணிகளை — அதாவது கணினியில் வைரஸ் DNA-வை வடிவமைப்பது — வெளிப்படையாகக் கவரவில்லை. இது "தெரியாத" அபாயங்களுக்கான ஒரு ஒழுங்குமுறை வெற்றிடத்தை உருவாக்குகிறது: இயற்கையில் இதுவரை இருந்திராத, மிக வேகமாகப் பரவக்கூடிய ஒரு புதிய நோய்க்கிருமியை ஒரு AI வடிவமைத்தால், தற்போதுள்ள பாதுகாப்பு வளையங்கள் அந்த அச்சுறுத்தலைக் கண்டறிவதில் தோல்வியடையக்கூடும்.

இதைத் தவிர்க்க, ஸ்டான்போர்ட் குழு முன்முயற்சி எடுத்த பாதுகாப்பு நடவடிக்கைகளைச் செயல்படுத்தியது. அதாவது, Evo ஒருபோதும் மனித நோய்க்கிருமிகள் அல்லது தொடர்புடைய விலங்கு/தாவர வைரஸ்கள் மூலம் பயிற்சியளிக்கப்படவில்லை என்பதை உறுதி செய்தது, இதன் மூலம் மனிதர்களைத் தாக்கும் மரபணுக்களை உருவாக்கும் திறனை அந்த மாதிரியிடமிருந்து திறம்படத் தடுத்தனர்.

மருத்துவத்திற்கு இந்த முடிவு ஏன் முக்கியமானது

ஆன்டிபயாடிக் எதிர்ப்புத் திறன் கொண்ட பாக்டீரியாக்களைக் குறிவைக்க வைரஸ்களைப் பயன்படுத்தும் பேஜ் தெரபி, இயற்கையான பேஜ்களின் (phages) வரையறுக்கப்பட்ட கருவிகளால் நீண்டகாலமாகத் தடைபட்டுள்ளது. புதிய, திறமையான வைரஸ் கேப்சிட்களை (viral capsids) உருவாக்கக்கூடிய ஒரு AI, அந்தத் தொகுப்பை வியத்தகு முறையில் விரிவுபடுத்தக்கூடும். அதேபோல், சிகிச்சை அளிக்கும் DNA-வை செல்களுக்குள் கொண்டு செல்லும் மரபணு-தெரபி வெக்டர்கள் (gene-therapy vectors), ஏற்கனவே உள்ள இனங்களிலிருந்து மாற்றியமைக்கப்படுவதை விட, ஆரம்பத்திலிருந்தே வடிவமைக்கப்பட்டால் அதிக துல்லியமாகவும், குறைந்த நோய் எதிர்ப்புத் தூண்டுதல் (immunogenic) கொண்டதாகவும் இருக்கலாம்.

வெளிச்சத்திற்கு வந்த ஒழுங்குமுறைப் பார்வைத் திறன் (Regulatory blind spot)

அமெரிக்க நிதி முகமைகள் தற்போது தெரிந்த நோய்க்கிருமிகளை அதிக ஆபத்தானதாக மாற்றும் சோதனைகளைக் கட்டுப்படுத்துகின்றன, ஆனால் முற்றிலும் கணக்கீட்டு வடிவமைப்பின் மூலம் புதிய நோய்க்கிருமிகளை உருவாக்குவது குறித்து அவை வெளிப்படையாகக் குறிப்பிடவில்லை. Evo-வின் பணி அந்த விதியைத் தவிர்த்துச் சென்றது, ஏனெனில் அந்த மாதிரி பயிற்சியின் போது மனிதர்களைத் தாக்கும் வைரஸ்களைப் பார்த்ததே இல்லை; மனித நோய்க்கிருமிகளை உருவாக்கக்கூடிய எந்த வரிசைகளையும் ஆராய்ச்சியாளர்கள் வேண்டுமென்றே தவிர்த்தனர். இருப்பினும், இத்தகைய பாதுகாப்பு நடவடிக்கைகள் இல்லையெனில், ஒரு AI இயற்கையில் முன்மாதிரி இல்லாத ஒரு வைரஸை — அதாவது தற்போதுள்ள ஆய்வுக் குழுக்கள் கண்டறிய முடியாத ஒரு "செயற்கையான அறியப்படாததை" (synthetic unknown) — உருவாக்கிவிடும் சாத்தியக்கூறு உள்ளது.

இந்த இடைவெளி வெறும் கோட்பாட்டு ரீதியானது மட்டுமல்ல. ஒரு மாதிரி (model) பரந்த அளவிலான வைரஸ் தரவுகளில் பயிற்சி பெற அனுமதிக்கப்பட்டால், அது அதிக பரவும் தன்மை அல்லது நோய் எதிர்ப்புத் திறனைத் தவிர்த்தல் போன்ற அடிப்படை கூறுகளைக் கற்றுக்கொள்ளக்கூடும்; பின்னர், அது ஒரு மரபணுத் தொகுப்பை வெளியிடும், அது செயற்கையாக உருவாக்கப்படும்போது ஒரு பெருந்தொற்று அளவிலான அச்சுறுத்தலை ஏற்படுத்தக்கூடும். தற்போதைய மேற்பார்வை வழிமுறைகள் நேரடி ஆய்வகக் கையாளுதலில் (wet-lab manipulation) கவனம் செலுத்துகின்றன; தொலைதூரத்தில் இருந்தும் பெரிய அளவில் செய்யப்படக்கூடிய in silico வடிவமைப்பின் அபாயங்களை மதிப்பிடுவதற்கு அவற்றுக்குத் தெளிவான அதிகாரம் இல்லை.

உருவாக்கப்பட்ட வைரஸ்கள் பாக்டீரியோபேஜ்கள் (bacteriophages) ஆகும்—அவை பாக்டீரியாவைப் பாதிக்கும் வைரஸ்கள், மனிதர்களை அல்ல. அவற்றின் பயன்பாடு பெரும்பாலும் பாக்டீரியா கட்டுப்பாடு மற்றும் ஆய்வக ஆராய்ச்சிக்கு மட்டுமே உட்பட்டது, இதனால் உடனடி பொது சுகாதாரக் கவலைகள் குறைவாகவே உள்ளன.

முக்கிய அம்சம்

AI ஆனது புரத அமைப்புகளைக் கணிப்பதிலிருந்து, முழுமையான மற்றும் செயல்பாட்டுத் திறன் கொண்ட வைரஸ் மரபணுத் தொகுப்புகளை வரைவு செய்வது வரை நகர முடியும் என்பதை Evo நிரூபிக்கிறது. இந்தத் தொழில்நுட்பம் மருந்து எதிர்ப்பு பாக்டீரியாக்களை எதிர்த்துப் போராடுவதற்கும், மரபணு சிகிச்சைகளை வழங்குவதற்கும் வேகமான மற்றும் பன்முகத்தன்மை கொண்ட கருவிகளைத் தரும் என்று உறுதியளிக்கிறது, ஆனால் இது ஒழுங்குமுறை அமைப்புகளை ஒரு புதிய வகை அபாயத்தை எதிர்கொள்ளவும் கட்டாயப்படுத்துகிறது: இயற்கையில் இதுவரை இருந்திராத உயிரினங்களுக்கான டிஜிட்டல் வரைபடங்கள்.