స్టాన్ఫోర్డ్ యూనివర్శిటీ మరియు ఆర్క్ ఇన్స్టిట్యూట్కు చెందిన పరిశోధకులు ఒక జనరేటివ్ AI మోడల్ను ఉపయోగించి, మొదటి నుండి పూర్తి వైరల్ జన్యువులను (viral genomes) రూపొందించడం ద్వారా ఒక చారిత్రాత్మక మైలురాయిని చేరుకున్నారు. ఈ విప్లవాత్మక మార్పు సాంప్రదాయ జీవశాస్త్ర ఆవిష్కరణల నుండి కంప్యూటేషనల్ డిజైన్ యుగానికి మారుతోంది, ఇక్కడ AI జీవన నిర్మాణాన్ని నిర్దేశిస్తుంది.
Evo: జెనోమిక్స్ కోసం లార్జ్ లాంగ్వేజ్ మోడల్
ఈ పరిశోధన యొక్క ప్రధాన కేంద్రం Evo. ఇది ఒక ప్రత్యేకమైన జనరేటివ్ మోడల్, ఇది లార్జ్ లాంగ్వేజ్ మోడల్ (LLM) వలె పనిచేస్తుంది, కానీ DNA యొక్క "భాష"పై ఆధారపడి పనిచేస్తుంది. టెక్స్ట్ ఆధారిత మోడల్స్ లాగా కాకుండా, జంతువులు, మొక్కలు, సూక్ష్మజీవులు మరియు వైరస్లతో సహా మిలియన్ల కొద్దీ జీవుల నుండి సేకరించిన సుమారు తొమ్మిది ట్రిలియన్ల న్యూక్లియోటైడ్ల భారీ డేటాసెట్పై Evoకు శిక్షణ ఇచ్చారు.
దీని ఖచ్చితత్వాన్ని మెరుగుపరచడానికి, పరిశోధకులు రెండు దశల శిక్షణ ప్రక్రియను ఉపయోగించారు. జీవవృక్షం యొక్క ప్రాథమిక నమూనాలను నేర్చుకున్న తర్వాత, Evo రెండవ దశలో phiX174 బాక్టీరియోఫేజ్ యొక్క 11 జన్యువులు మరియు దానికి అత్యంత దగ్గరి సంబంధం ఉన్న సుమారు 15,000 జన్యువులను ఉపయోగించి ప్రత్యేక శిక్షణ పొందింది. ఇది ఫంక్షనల్ మరియు పునరుత్పత్తి చేయగల జీవక్రియలను రూపొందించడానికి అవసరమైన ప్రత్యేక నైపుణ్యాలను సాధించడానికి మోడల్కు సహాయపడింది.
7,00,000 ప్రతిపాదనల నుండి ఫంక్షనల్ వైరస్ల వరకు
Evo యొక్క జనరేటివ్ సామర్థ్యం అపారమైనది. ఈ మోడల్ 7,00,000 సంభావ్య వైరల్ జన్యువులను ప్రతిపాదించింది. పరిశోధన బృందం కఠినమైన ఎంపిక ప్రక్రియ ద్వారా వీటిని తగ్గించి, 285 సీక్వెన్స్లను DNA స్ట్రాండ్స్గా రసాయనిక పద్ధతిలో సంశ్లేషణ చేసి, వాటిని E. coli బాక్టీరియాలోకి ప్రవేశపెట్టారు.
ఫలితాలు అత్యంత విజయవంతంగా ఉన్నాయి: సంశ్లేషణ చేయబడిన సీక్వెన్స్లలో 16 వైరస్లు పునరుత్పత్తి చేయగల సామర్థ్యాన్ని ప్రదర్శించాయి. ముఖ్యంగా, ఈ AI-జనరేటెడ్ వైరస్లు కేవలం ఉన్న జాతువుల బలహీనమైన వెర్షన్లు మాత్రమే కాదు; అవి సహజ వైరస్ల వలెనే దృఢంగా ఉన్నాయి, కొన్ని అసలు phiX174 కంటే వేగంగా కూడా పునరుత్పత్తి అయ్యాయి. మానవ శాస్త్రవేత్తలు ఇంతకుముందు ఊహించని విధంగా, జన్యు క్రమాలు మరియు అమరికలలో AI ఊహించని మార్పులను కూడా ప్రవేశపెట్టిందని నిపుణులు పేర్కొన్నారు.
రెండు వైపులా పదునున్న కత్తి: వైద్య విప్లవాలు వర్సెస్ బయోసేఫ్టీ లోపాలు
బయోటెక్నాలజీ రంగంలో దీని ప్రభావం చాలా లోతైనది. AI-రూపకల్పna వైరస్లు phage therapy—మల్టీడ్రగ్-రెసిస్టెంట్ బాక్టీరియాను చంపడానికి వైరస్లను ఉపయోగించడం—లో విప్లవాత్మక మార్పులు తీసుకురాగలవు మరియు జన్యు పదార్థాన్ని చేరవేసే సమర్థవంతమైన వాహనాలను సృష్టించడం ద్వారా gene therapyని మెరుగుపరచగలవు.
అయితే, ఈ అభివృద్ధి ప్రపంచ బయోసేఫ్టీ నిబంధనలలో ఒక కీలకమైన "అంతరాన్ని" ఎత్తిచూపింది. ప్రస్తుత యుఎస్ నేషనల్ ఇన్స్టిట్యూట్స్ ఆఫ్ హెల్త్ (NIH) విధానాలు తెలిసిన రోగకారక క్రిములను (pathogens) మరింత ప్రమాదకరంగా చేసే ప్రయోగాలను నిషేధించడంపై దృష్టి సారిస్తాయి, కానీ అవి కేవలం కంప్యూటేషనల్ పనులను—అంటే కంప్యూటర్లో వైరల్ DNA రూపకల్పనను—స్పష్టంగా కవర్ చేయవు. ఇది "తెలియని" ప్రమాదాలకు సంబంధించి నియంత్రణ లోపాన్ని (regulatory vacuum) సృష్టిస్తుంది: ఒకవేళ AI ప్రకృతిలో ఎప్పుడూ లేని, అత్యంత వేగంగా వ్యాపించే కొత్త రోగకారక క్రిమిని రూపొందిస్తే, ప్రస్తుత రక్షణ చర్యలు ఆ ముప్పును గుర్తించడంలో విఫలం కావచ్చు.
దీనిని నివారించడానికి, స్టాన్ఫోర్డ్ బృందం ముందస్తు భద్రతా చర్యలను అమలు చేసింది. Evoకు మానవ రోగకారక క్రిములు లేదా వాటికి సంబంధించిన జంతు/మొక్కల వైరస్లపై శిక్షణ ఇవ్వకుండా జాగ్రత్త పడింది, తద్వారా మానవులను సోకే జన్యువులను రూపొందించే సామర్థ్యం మోడల్కు లేకుండా నిరోధించింది.
ఈ ఫలితం వైద్యశాస్త్రానికి ఎందుకు ముఖ్యం
యాంటీబయాటిక్-రెసిస్టెంట్ బాక్టీరియాను లక్ష్యంగా చేసుకునే ఫేజ్ థెరపీ, సహజ ఫేజ్ల పరిమిత వనరుల వల్ల చాలా కాలంగా ఇబ్బందులు ఎదుర్కొంటోంది. కొత్త మరియు సమర్థవంతమైన వైరల్ క్యాప్సిడ్లను (viral capsids) సృష్టించగల AI ఆ వనరులను గణనీయంగా పెంచగలదు. అదేవిధంగా, జన్యు చికిత్స వెక్టార్లు (gene-therapy vectors)—అంటే థెరప్యూటిక్ DNAను కణాలలోకి తీసుకెళ్లే ఇంజనీర్డ్ వైరస్లు—ప్రస్తుత జాతుల నుండి మార్పులు చేయడం కంటే, మొదటి నుండి రూపొందించబడితే మరింత ఖచ్చితంగా మరియు తక్కువ రోగనిరోధక ప్రతిస్పందనను (immunogenic) కలిగించేలా ఉండవచ్చు.
బయటపడిన నియంత్రణ లోపం (Regulatory blind spot)
యుఎస్ నిధుల సంస్థలు ప్రస్తుతం తెలిసిన రోగకారక క్రిములను మరింత ప్రమాదకరంగా చేసే ప్రయోగాలను పరిమితం చేస్తున్నాయి, కానీ కేవలం కంప్యూటేషనల్ డిజైన్ ద్వారా కొత్త రోగకారక క్రిములను సృష్టించడం గురించి అవి స్పష్టంగా ప్రస్తావించవు. Evo యొక్క పని ఆ నిబంధనను అధిగమించింది ఎందుకంటే శిక్షణ సమయంలో ఆ మోడల్ మానవులను సోకే వైరస్లను ఎప్పుడూ చూడలేదు; మానవ రోగకారక క్రిములను కలిగించే ఏ సీక్వెన్స్లనైనా పరిశోధకులు కావాలనే మినహాయించారు. అయినప్పటికీ, ఇటువంటి రక్షణ చర్యలు లేకపోతే, ఒక AI ప్రకృతిలో ఎక్కడా లేని వైరస్ను రూపొందించే అవకాశం ఉంది—అది ఒక “సింథటిక్ అన్ నోన్” (synthetic unknown) కావచ్చు, దీనిని ప్రస్తుత సమీక్షా మండలాలు గుర్తించలేకపోవచ్చు.
ఈ అంతరం కేవలం విద్యాపరమైనది మాత్రమే కాదు. ఒకవేళ ఒక మోడల్కు విస్తృతమైన వైరల్ డేటాపై శిక్షణ ఇవ్వడానికి అనుమతిస్తే, అది అధిక వ్యాప్తి సామర్థ్యం లేదా రోగనిరోధక శక్తిని తప్పించుకునే (immune evasion) అంశాలను నేర్చుకోవచ్చు, ఆపై ఒక జీనోమ్ను రూపొందించవచ్చు. అది ఒకసారి సంశ్లేషణ (synthesized) చేయబడితే, ప్రపంచవ్యాప్త మహమ్మారి (pandemic) స్థాయి ముప్పును కలిగించవచ్చు. ప్రస్తుత పర్యవేక్షణ యంత్రాంగాలు వెట్-ల్యాబ్ (wet-lab) మానిప్యులేషన్పై దృష్టి సారిస్తున్నాయి; రిమోట్గా మరియు భారీ స్థాయిలో చేయగలిగే 'ఇన్ సిలికో' (in silico) డిజైన్ వల్ల కలిగే ప్రమాదాలను అంచనా వేయడానికి వాటికి స్పష్టమైన ఆదేశాలు లేవు.
ఉత్పత్తి చేయబడిన వైరస్లు బాక్టీరియోఫేజ్లు—అవి బాక్టీరియాను సోకిస్తాయి, మనుషులను కాదు. వాటి ఉపయోగం ప్రధానంగా బాక్టీరియా నియంత్రణ మరియు ప్రయోగశాల పరిశోధనలకే పరిమితమైంది, దీనివల్ల తక్షణ ప్రజారోగ్య ఆందోళనలు తక్కువగా ఉన్నాయి.
ముగింపు
ప్రోటీన్ నిర్మాణాలను అంచనా వేయడం నుండి పూర్తి స్థాయి, క్రియాశీలక వైరల్ జీనోమ్లను రూపొందించడం వరకు AI విస్తరించగలదని Evo నిరూపిస్తుంది. ఈ సాంకేతికత మందులకు లొంగని బాక్టీరియాను ఎదుర్కోవడానికి మరియు జన్యు చికిత్సలను (gene therapies) అందించడానికి వేగవంతమైన, బహుముఖ సాధనాలను అందిస్తుంది, కానీ ఇది నియంత్రణ సంస్థలను ఒక కొత్త రకమైన ప్రమాదంతో ఎదురుచూసేలా చేస్తుంది: ప్రకృతిలో ఎన్నడూ లేని జీవన డిజిటల్ బ్లూప్రింట్లు.