(బ్లూమ్‌బెర్గ్ అభిప్రాయం) — ఆల్ఫాబెట్ యొక్క ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ అనుబంధ సంస్థ అయిన Google DeepMind, మానవ జీవశాస్త్రాన్ని ప్రకాశవంతం చేసే ప్రయత్నాలలో మరో ముందడుగు వేసింది: జీవిత పాఠంలోని అనేక నిగూఢమైన అధ్యాయాలను అర్థం చేసుకోవడానికి AIని ఉపయోగించడం వైపు పురోగతి.
DNA సీక్వెన్సింగ్, ఒకప్పుడు చాలా గొప్ప ఫీట్, ఇప్పుడు చౌకగా మరియు సులభంగా ఉంది. అయితే, ఆ కోడ్‌లోని బిలియన్ల కొద్దీ అక్షరాలను అర్థాన్ని విడదీయడం మరొక కథ – ముఖ్యంగా వచనంలో సహజంగా సంభవించే అనేక అక్షరదోషాలలో ఏది ప్రమాదకరం మరియు వ్యాధికి సంబంధించినవి అని అర్థం చేసుకోవడానికి వచ్చినప్పుడు.
DeepMind’s AlphaGenomeని నమోదు చేయండి, ఈ వారం ప్రచురించబడిన నేచర్ పేపర్‌లో వివరించిన విధంగా, ఆ అక్షరదోషాలను నిర్దిష్ట ఫంక్షన్‌కి కనెక్ట్ చేయడానికి ప్రయత్నిస్తున్న ప్లాట్‌ఫారమ్. ఇది చాలా నిజ-జీవిత అనువర్తనాలను కలిగి ఉండవచ్చు: అరుదైన జన్యు వ్యాధి యొక్క ప్రభావాన్ని అంచనా వేయడానికి ప్రయత్నాలను వేగవంతం చేయడం; రోగి యొక్క కణితిలో ఏర్పడే అనేక ఉత్పరివర్తనాలలో ఏది వారి క్యాన్సర్‌కు దారితీస్తుందో నిర్ణయించడం; మరియు జన్యు ఔషధం యొక్క అభివృద్ధిని వేగవంతం చేయడం, కొన్నింటిని పేర్కొనడం.
ఆ ఆశయాలు సాకారం కావడానికి చాలా ఎక్కువ శ్రమ పడుతుంది. అయినప్పటికీ మన DNAలోని 3 బిలియన్ అక్షరాలలో అర్థాన్ని నింపడానికి AIని ఉపయోగించడంలో వేగవంతమైన పురోగతిని ఇప్పటికీ జరుపుకోవాలి.
డీప్‌మైండ్ మెషీన్ లెర్నింగ్‌ని ఉపయోగించడంలో జీనోమ్ యొక్క వచనాన్ని జీవసంబంధమైన అంతర్దృష్టులుగా అనువదించడంలో అద్భుతమైన చొరబాట్లు చేసింది. దాని అత్యంత ప్రముఖమైన పురోగతి – 2024లో దాని పరిశోధకులకు నోబెల్ బహుమతిని సంపాదించిపెట్టింది – ఆల్ఫాఫోల్డ్ యొక్క అభివృద్ధి, ఈ ప్రోగ్రామ్ ప్రకృతిలో వాస్తవంగా తెలిసిన అన్ని ప్రొటీన్‌ల జన్యు శ్రేణి నుండి 3-D నిర్మాణాన్ని అంచనా వేసింది. నేను ఇంతకు ముందు వ్రాసినట్లుగా, ఆ అద్భుతమైన ఫీట్ తక్షణమే మాదకద్రవ్యాల అభివృద్ధికి పునాదిగా మారింది.
AlphaGenome చాలా క్లిష్టమైన సమస్యను పరిష్కరిస్తోంది. మన కణాలలో ప్రతి ఒక్కటి ఒకే రకమైన జన్యుపరమైన సూచనలను కలిగి ఉంటాయి, అయితే వివిధ రకాలు – గుండె కణం, ఉదాహరణకు, కాలేయ కణానికి విరుద్ధంగా – క్రూరంగా విభిన్న మార్గాల్లో ప్రవర్తిస్తాయి. ఈ సంక్లిష్టమైన ఆర్కెస్ట్రేషన్‌ను “డార్క్ జీనోమ్” నిర్వహిస్తుంది, ఇది మన DNA యొక్క భారీ విస్తరణలు వివిధ రకాల ప్రొటీన్‌లు ఎప్పుడు, ఎక్కడ మరియు ఎంతవరకు తయారు చేయబడతాయో నిర్ణయించే జన్యువులను నియంత్రిస్తుంది.
ఆ ఆర్కెస్ట్రేషన్‌లో ఎక్కువ భాగం మిస్టరీగా మిగిలిపోయింది – వాస్తవ ప్రపంచ పరిణామాలతో ఒకటి. ప్రతిరోజూ, ఆంకాలజిస్టులు రోగుల కణితులను వారి క్యాన్సర్ డ్రైవర్లను గుర్తించడానికి, టైలర్ ట్రీట్‌మెంట్‌ను గుర్తించడానికి మరియు వారి వ్యాధిని అంచనా వేయడానికి ప్రయత్నిస్తారు. అయినప్పటికీ వైద్యులు “మనకు అన్ని సమయాలలో ఏమి చేయాలో తెలియని సమాచారం లభిస్తుంది” అని మెమోరియల్ స్లోన్ కెట్టెరింగ్ క్యాన్సర్ సెంటర్‌లో వైద్యుడు-పరిశోధకుడు ఒమర్ అబ్దేల్-వహాబ్ చెప్పారు. వారు ఒకరి DNAలో కొత్త అక్షర దోషాన్ని గుర్తించినప్పుడు, దాని పనితీరు ముఖ్యమా కాదా అని వారు తెలుసుకోవాలనుకుంటారు.
ఆల్ఫాజెనోమ్ ఇక్కడే వస్తుంది. ఇది జన్యువుపై వాల్యూమ్‌ను ట్యూన్ చేస్తుందా లేదా జన్యువు ఎక్కడ వేరు చేయబడిందో వంటి సీక్వెన్స్ నుండి దాదాపు డజను రకాల పనులను అంచనా వేయగలదు. ఆ ఫంక్షన్లలో కొన్ని ఇప్పటికే పరిశోధకులు ఉపయోగించిన సాధనాల ద్వారా పరిష్కరించబడ్డాయి మరియు నేచర్ పేపర్‌లో, డీప్‌మైండ్ శాస్త్రవేత్తలు ఆల్ఫాజెనోమ్ అన్నింటి కంటే మెరుగ్గా పనిచేశారని చూపించారు. (ఉదాహరణకు, అబ్దేల్-వహాబ్, రోగి యొక్క ఉత్పరివర్తనలు సంబంధితంగా ఉన్నాయో లేదో అంచనా వేయడానికి స్ప్లైస్ AI అనే సాధనాన్ని ఇప్పటికే ఉపయోగిస్తున్నారు మరియు ఆల్ఫాజెనోమ్ దాని కంటే మెరుగైన పనితీరును కనబరుస్తున్నట్లు తాను ఆకట్టుకున్నానని నాకు చెప్పాడు.)
పని చాలా హెచ్చరికలతో వస్తుంది. స్టార్టర్స్ కోసం, డీప్‌మైండ్ ప్లాట్‌ఫారమ్ కొన్ని జన్యు విధులను అంచనా వేయడానికి బాగా పని చేస్తుంది, కానీ అవన్నీ కాదు. ప్రస్తుతానికి, ఇది ఫైండర్‌గా కాకుండా ఫిల్టర్‌గా పరిగణించవచ్చని శాస్త్రవేత్తలు నాకు చెప్పారు – అంటే, ఇది అపరాధిని నమ్మకంగా గుర్తించడం కంటే, సాధ్యమయ్యే వ్యాధి డ్రైవర్లను సమర్థవంతంగా తగ్గించగలదు.
మరియు ప్రస్తుతం, AlphaGenome కొన్ని రకాల కణాల గురించి మాత్రమే అంచనా వేయగలదు, ఇది శిక్షణ కోసం ప్రయోగాత్మక డేటా లేకపోవడం కంటే అల్గోరిథం యొక్క శక్తితో తక్కువ సంబంధాన్ని కలిగి ఉంటుంది. ఇది కేవలం తెలివిగల ఇంజనీరింగ్‌తో పరిష్కరించలేని సమస్య అని కోల్డ్ స్ప్రింగ్ హార్బర్ లాబొరేటరీ ప్రొఫెసర్ పీటర్ కూ చెప్పారు, అతను జన్యువులను వాటి పనితీరుకు అనుసంధానించడానికి లోతైన అభ్యాస పద్ధతులను అభివృద్ధి చేస్తాడు. “ఇప్పటికే ఉన్న డేటాతో మనం ఏమి సాధించగలం అనే పీఠభూమి వైపు వారు మమ్మల్ని నెట్టివేస్తున్నారు” అని కూ చెప్పారు.
ప్రోగ్రెస్, హాస్యాస్పదంగా, ల్యాబ్‌లోని మానవులపై ఆధారపడి ఉంటుంది – ఆల్ఫాజెనోమ్ ముందుకు సాగాల్సిన అత్యంత క్లిష్టమైన డేటాను జాబితా చేయగల జీవశాస్త్రజ్ఞులు. మోడల్‌లను మెరుగుపరచడంలో సహాయపడే ప్రయోగాలకు ప్రాధాన్యతనిస్తూ, ఆ పని ఆలోచనాత్మకంగా చేయాలి, కూ చెప్పారు.
డీప్‌మైండ్ సాధనం ఎక్కడ ఎక్కువగా ఉపయోగపడుతుందనే దాని గురించి శాస్త్రీయ సమాజం తెలుసుకుని, దానిని మరింత మెరుగుపరిచేందుకు అవసరమైన డేటాను రూపొందిస్తున్నందున, డీప్‌మైండ్ ఈ సాధనాన్ని వాణిజ్యేతర ఉపయోగం కోసం ఉచితంగా అందుబాటులో ఉంచినప్పటికీ, అకడమిక్ ల్యాబ్‌లు దాని వినియోగంపై ఆధారపడి ఆవిష్కరణలు చేస్తున్నందున ఆ లైన్లు అస్పష్టంగా ఉన్నాయని ఊహించడం సులభం.
AlphaFold లాగా, AlphaGenome పెద్ద, పబ్లిక్‌గా అందుబాటులో ఉన్న, పబ్లిక్‌గా నిధులు సమకూర్చే డేటాసెట్‌లకు యాక్సెస్ లేకుండా సాధ్యం కాదు. ప్రభుత్వ-ప్రాయోజిత పరిశోధనలకు నిధులు తక్కువగా ఉన్న తరుణంలో, USలోని శాస్త్రవేత్తలు చేసిన బ్రెడ్ అండ్ బటర్ పనిలో ఉన్న విలువను ముందుగానే గుర్తుచేయాలి. ప్రభావం ఒక ప్రాజెక్ట్ లేదా ఒక రోగికి మించి విస్తరించవచ్చు – ఇది ఒక రోజు తదుపరి గేమ్-మారుతున్న సాంకేతికతకు పునాది కావచ్చు.
బ్లూమ్‌బెర్గ్ అభిప్రాయం నుండి మరిన్ని:
ఈ కాలమ్ రచయిత యొక్క వ్యక్తిగత అభిప్రాయాలను ప్రతిబింబిస్తుంది మరియు ఎడిటోరియల్ బోర్డ్ లేదా బ్లూమ్‌బెర్గ్ LP మరియు దాని యజమానుల అభిప్రాయాన్ని తప్పనిసరిగా ప్రతిబింబించదు.
లిసా జార్విస్ బ్లూమ్‌బెర్గ్ ఒపీనియన్ కాలమిస్ట్ బయోటెక్, హెల్త్ కేర్ మరియు ఫార్మాస్యూటికల్ పరిశ్రమను కవర్ చేస్తుంది. గతంలో, ఆమె కెమికల్ & ఇంజినీరింగ్ న్యూస్‌కి ఎగ్జిక్యూటివ్ ఎడిటర్.
ఇలాంటి మరిన్ని కథనాలు bloomberg.com/opinionలో అందుబాటులో ఉన్నాయి
