उत्तरप्रकाशित18 स्रोत
करीब 2,000 AI एजेंटों ने 32 मिनट में माउस-ब्रेन डेटा से शोध के नए सुराग निकाले
OpenAI, PerturbAI और Scripps Research के अनुसार, GPT Rosalind एजेंटों ने माउस ब्रेन की मौजूदा प्रयोगात्मक जानकारी को 32 मिनट में समझा; उन्होंने नए प्रयोग या बीमारी के प्रमाणित तंत्र नहीं खोजे। एजेंटों ने जीन में बदलाव के असर को वैज्ञानिक साहित्य से जोड़कर एक ‘रीज़निंग एटलस’ बनाया। विशेषज्ञों की पसंद और संदर्भों की स...
प्रकाशितकर्ताGPT-6 Luna से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- OpenAI, PerturbAI और Scripps Research के अनुसार, GPT Rosalind एजेंटों ने माउस ब्रेन की मौजूदा प्रयोगात्मक जानकारी को 32 मिनट में समझा; उन्होंने नए प्रयोग या बीमारी के प्रमाणित तंत्र नहीं खोजे।
- एजेंटों ने जीन में बदलाव के असर को वैज्ञानिक साहित्य से जोड़कर एक ‘रीज़निंग एटलस’ बनाया। विशेषज्ञों की पसंद और संदर्भों की संख्या उपयोगिता व कवरेज का संकेत हैं, सटीकता का प्रमाण नहीं।
- Tsc1/Tsc2 और Dctn1 से जुड़े निष्कर्ष आगे जाँचने लायक सवाल उठाते हैं। इंसानी शोध में लगने वाले महीनों से एक साल का आँकड़ा अनुमान था, सीधी तुलना का नतीजा नहीं।
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: How did OpenAI, PerturbAI and Scripps Research use nearly 2,000 parallel GPT-Rosalind agents and “distributed biological reasoning” to analy. Article summary: The October 21 announcement described a fast, parallel interpretation of existing mouse-brain experiments—not the creation of the experimental atlas or proof of new disease mechanisms—in which GPT-Rosalind agents connect. Topic tags: general, general web, user generated, government, academic. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, wate
OpenAI, PerturbAI और Scripps Research का कहना है कि उन्होंने GPT-Rosalind से संचालित हजारों AI एजेंटों की मदद से माउस-ब्रेन के पहले से मौजूद प्रयोगात्मक डेटा का विश्लेषण सिर्फ 32 मिनट में किया। एजेंटों ने जीन में बदलाव के असर को वैज्ञानिक साहित्य से जोड़कर संभावित व्याख्याएँ तैयार कीं। इस तरह बना “रीज़निंग एटलस” शोध के लिए नए सुराग देता है—यह बीमारी के किसी नए तंत्र का प्रमाण नहीं है।5
कई एजेंटों ने मिलकर कैसे किया विश्लेषण
पूरे डेटा को एक ही सिस्टम से क्रमवार जाँचने के बजाय, काम अनेक एजेंटों में बाँटा गया। उन्होंने अलग-अलग जीन में बदलाव के बाद कोशिकाओं में आई प्रतिक्रियाओं का विश्लेषण किया, संबंधित शोधपत्र खोजे और परिणामों को संभावित जैविक व्याख्याओं से जोड़ा। फिर इन रिपोर्टों को मिलाकर जीन, कोशिकीय प्रतिक्रियाओं, प्रकाशित शोध और परिकल्पनाओं का एक व्यापक नक्शा तैयार किया गया।5
11
प्रयोगों से बना मूल एटलस पहले से मौजूद था। AI ने उस डेटा की व्याख्या की; उसने न तो प्रयोग किए, न ही नया डेटासेट बनाया।5 कुछ रिपोर्टें इस संसाधन को 80 लाख कोशिकाओं का एटलस बताती हैं, जबकि सहयोगियों की घोषणा में माउस-ब्रेन की लाखों कोशिकाओं से मिले डेटा का उल्लेख है।
5
6
32 मिनट के आँकड़े की तुलना भी संदर्भ के साथ समझनी चाहिए। इंसानी शोधकर्ताओं को महीनों से एक साल तक लगने का अनुमान जीन में बदलावों की समीक्षा और शोधपत्र पढ़ने में लगने वाले अनुमानित समय के आधार पर बनाया गया था। यह किसी मानव टीम के साथ समयबद्ध, आमने-सामने की तुलना नहीं थी।9 इसलिए 32 मिनट AI की बताई गई कार्य-प्रक्रिया का समय है; लंबा आँकड़ा उसी तरह के क्रमवार काम का अनुमान है—यह इस बात का मापा हुआ प्रमाण नहीं कि एजेंटों ने पूरी शोध-टीम की जगह ले ली।
एक एजेंट की तुलना में क्या फर्क दिखा
एक रिपोर्ट के मुताबिक, कई एजेंटों वाले विश्लेषण ने 700 से अधिक संदर्भ दिए, जबकि एकल एजेंट के विश्लेषण में 11 संदर्भ थे। साथ ही, अंध-समीक्षा में विशेषज्ञों ने 75% मामलों में बहु-एजेंट प्रणाली की व्याख्याओं को प्राथमिकता दी।6 एक अन्य रिपोर्ट भी इस 75% आँकड़े को अंध-समीक्षा में मिली पसंद के रूप में बताती है।
39
ये नतीजे बताते हैं कि कई एजेंटों का तरीका साहित्य के अधिक स्रोत समेटने और विशेषज्ञों को उपयोगी लगने वाली व्याख्याएँ देने में मददगार हो सकता है। लेकिन ये सटीकता के स्कोर नहीं हैं: किसी व्याख्या को पसंद किया जाना यह साबित नहीं करता कि उसमें बताया गया जैविक तंत्र सही है। अगला जरूरी कदम उन परिकल्पनाओं को प्रयोगों से जाँचना है।
एजेंटों से निकले दो संभावित शोध-सुराग
सेरिबेलम की कोशिकाओं में Tsc2 और Tsc1
OpenAI के मुताबिक, माउस-ब्रेन डेटा में Tsc2 को बाधित करने पर सेरिबेलम के एक खास समूह के न्यूरॉन्स में दर्जनों जीनों की अभिव्यक्ति बदली। इनमें न्यूरॉन्स के बीच संचार से जुड़े जीन भी थे। उसी कोशिका-प्रकार में Tsc1 को बाधित करने पर जीन-अभिव्यक्ति पर बहुत कम असर दिखा। ये दोनों जीन मिलकर mTOR को नियंत्रित करते हैं। OpenAI ने इस अंतर को एक संभावित सुराग बताया कि TSC2 में बदलाव, TSC1 के बदलाव की तुलना में, ट्यूबरस स्क्लेरोसिस को अधिक गंभीर क्यों बना सकता है।14
यह बीमारी की गंभीरता का स्थापित स्पष्टीकरण नहीं, बल्कि जाँचने योग्य विचार है। इससे यह सवाल भी उठता है कि क्या mTOR को लक्ष्य करने वाले मौजूदा उपचार उन न्यूरॉन्स में बताए गए बदलावों को पलट सकते हैं।14
Dctn1 और कोलेस्ट्रॉल से जुड़े जीन
माउस-ब्रेन डेटा में Dctn1 को बाधित करने पर कोलेस्ट्रॉल बनाने की प्रक्रिया से जुड़े जीनों की अभिव्यक्ति बढ़ी। DCTN1 का संबंध Perry syndrome नाम की एक दुर्लभ न्यूरोडीजेनेरेटिव बीमारी से है। इस आधार पर OpenAI ने यह जाँचने का सुझाव दिया कि क्या न्यूरॉन्स के भीतर कोलेस्ट्रॉल के परिवहन में कोई भूमिका हो सकती है—और क्या उसे बहाल करने से न्यूरॉन्स की रक्षा हो सकती है।15
यहाँ भी नतीजे और परिकल्पना में फर्क अहम है। कोलेस्ट्रॉल बनाने वाले जीनों की बढ़ी हुई गतिविधि अपने-आप यह नहीं दिखाती कि कोलेस्ट्रॉल का परिवहन खराब है, या परिवहन को लक्ष्य करने वाला कोई उपचार काम करेगा। प्रस्तावित तंत्र को अभी प्रयोगों से जाँचना बाकी है।15
नतीजे क्या बताते हैं—और क्या नहीं
यह परियोजना दिखाती है कि बड़े पैमाने पर प्रयोगात्मक नतीजों को साहित्य खोज के साथ जोड़कर वैज्ञानिकों के लिए जाँचने योग्य व्याख्याएँ तैयार की जा सकती हैं।5 लेकिन संदर्भों की संख्या और विशेषज्ञों की पसंद प्रयोगात्मक पुष्टि की जगह नहीं ले सकतीं। इसलिए बीमारी से जुड़े बताए गए संबंधों को परिकल्पना की तरह पढ़ना चाहिए, पुष्ट जैविक तंत्र या सीधे इस्तेमाल के लिए तैयार उपचार-लक्ष्य की तरह नहीं।
परियोजना पर आई रिपोर्टों में इस काम को प्रीप्रिंट बताया गया है। इसलिए सहयोगियों की घोषणा और उनके मूल्यांकन को जैविक निष्कर्षों की स्वतंत्र पुष्टि से अलग समझना जरूरी है।9 उपलब्ध जानकारी से संबंधित लेखकों के खास वित्तीय या पेशेवर हितों की पुष्टि नहीं होती; ऐसे हितों को न मानकर चलना चाहिए, न ही बिना जानकारी के उनके बारे में निष्कर्ष निकालना चाहिए।
दवा खोज के लिए इसका महत्व
PerturbAI और OpenAI ने इस परियोजना को जैव-चिकित्सकीय शोध और दवा खोज पर केंद्रित एक साल लंबे सहयोग का हिस्सा बताया है।31 इसका व्यावहारिक लक्ष्य है—कारणात्मक जैविक डेटा को मौजूदा वैज्ञानिक ज्ञान से जोड़ना और ऐसे सवालों को प्राथमिकता देना जिन्हें प्रयोगों से परखा जा सके। बताए गए नतीजे इस कार्य-पद्धति की शुरुआती झलक हैं; वे यह साबित नहीं करते कि प्रणाली ने पहले ही प्रमाणित दवा-लक्ष्य खोज लिए हैं।
31
39
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"करीब 2,000 AI एजेंटों ने 32 मिनट में माउस-ब्रेन डेटा से शोध के नए सुराग निकाले" का संक्षिप्त उत्तर क्या है?
OpenAI, PerturbAI और Scripps Research के अनुसार, GPT Rosalind एजेंटों ने माउस ब्रेन की मौजूदा प्रयोगात्मक जानकारी को 32 मिनट में समझा; उन्होंने नए प्रयोग या बीमारी के प्रमाणित तंत्र नहीं खोजे।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
OpenAI, PerturbAI और Scripps Research के अनुसार, GPT Rosalind एजेंटों ने माउस ब्रेन की मौजूदा प्रयोगात्मक जानकारी को 32 मिनट में समझा; उन्होंने नए प्रयोग या बीमारी के प्रमाणित तंत्र नहीं खोजे। एजेंटों ने जीन में बदलाव के असर को वैज्ञानिक साहित्य से जोड़कर एक ‘रीज़निंग एटलस’ बनाया। विशेषज्ञों की पसंद और संदर्भों की संख्या उपयोगिता व कवरेज का संकेत हैं, सटीकता का प्रमाण नहीं।
मुझे अभ्यास में आगे क्या करना चाहिए?
Tsc1/Tsc2 और Dctn1 से जुड़े निष्कर्ष आगे जाँचने लायक सवाल उठाते हैं। इंसानी शोध में लगने वाले महीनों से एक साल का आँकड़ा अनुमान था, सीधी तुलना का नतीजा नहीं।
सूत्र
openai.comUsing thousands of AI agents to uncover new leads in biological data
unite.aiOpenAI Unveils Mouse Brain Reasoning Atlas From GPT-Rosalind Agents
aiweekly.coOpenAI, PerturbAI and Scripps Run ~2,000 GPT-Rosalind Agents on 8M-Cell Brain CRISPR Atlas in 32 Min | AI Weekly
rdworldonline.comOpenAI runs 1,946 GPT-Rosalind agents on a mouse brain atlas