အသစ်ထွင်းထုတ်ထားသော AI ကိရိယာတစ်ခုသည် မျိုးရိုးဗီဇဆိုင်ရာ ရောဂါများ ရှာဖွေရှင်းဖြေမှုကို ပြောင်းလွှဲနိုင်ပါသည်။

(SeaPRwire) –   Mayo Clinic နှင့် San Francisco သုတေသန စတင်တည်ထောင်သည့် ကုမ္ပဏီတစ်ခုဖြစ်သော Goodfire မှ သုတေသီများက မျိုးရိုးဗီဇ ချို့ယွင်းချက်များကို ရောဂါဖြစ်စေသည်ကို ကြိုတင်ခန့်မှန်းရန် နှင့် အရေးကြီးသည်မှာ အဘယ်ကြောင့်ဖြစ်သည်ကို ရှင်းပြရန် AI မော်ဒယ်တစ်ခုကို အသုံးပြုခဲ့ကြောင်း ပြောကြားခဲ့သည်။ ၎င်းသည် မျိုးရိုးဗီဇ ရောဂါများကို စူးစမ်းရှာဖွေရန် နှင့် စမ်းသပ်ရန် စကေးကြီးမားစွာဖြင့် ချဉ်းကပ်မှုအသစ်တစ်ခုကို ပေးစွမ်းလိုက်သည်။

ဤသုတေသနသည် AI ၏ နက်နဲသော ဦးနှောက်များကို နားလည်ရန် ရည်ရွယ်ထားသော သိပ္ပံပညာရပ်အသစ်ဖြစ်သည့် AI interpretability မှ နည်းပညာများကို အသုံးပြု၍ မည်သည့် ဗီဇပြောင်းလဲမှုများသည် “ ရောဂါဖြစ်စေနိုင်သော” ဖြစ်နိုင်သည်ကို ကြိုတင်ခန့်မှန်းပြီး နားလည်ရန် ဖြစ်သည်။

ကင်ဆာရောဂါ အချို့၏ စောစီးစွာ ရောဂါရှာဖွေတွေ့ရှိမှုနှင့် ကုသမှုသည် အသက်နှင့် သေခြင်း ကွာခြားမှုဖြစ်နိုင်သည်ဟု Mayo Clinic မှ ဓာတ်မှန်ပညာပါမောက္ခနှင့် generative AI ပရိုဂရမ်၏ ခေါင်းဆောင် Matthew Callstrom က ပြောကြားသည်။ သို့သော် လူသားမျိုးဗီဇသည် ဘေ့စ်စုံ ၃ ဘီလီယံကျော် ပါဝင်နေပြီး ယင်းသည် မြက်ပင်ထဲမှ အပ်ရှာရသည့် ပြဿနာကြီးတစ်ခုနှင့် တူသည်။

သုတေသီများသည် Evo 2—Arc Institute မှ လေ့ကျင့်သင်ကြားပေးထားသော ပွင့်လင်းမှရင်းမြစ် “ မျိုးဗီဇ အခြေခံမော်ဒယ်” နှင့် ပူးပေါင်း၍ DNA ပြောင်းလဲမှုများက မည်သည့်ရောဂါကို ဖြစ်စေသည်ကို ခန့်မှန်းရန် နှင့် မည်သည့် ဇီဝဗေဒ လက္ခဏာများက တာဝန်ရှိနိုင်သည်ကို နားလည်ရန် လုပ်ဆောင်ခဲ့သည်။ Evo 2 ကို DNA အစဉ်တစ်ခုအတွင်း နောက်ထပ် “ အက္ခရာ” ကို ကြိုတင်ခန့်မှန်းရန် လေ့ကျင့်သင်ကြားထားသည်—ChatGPT ကဲ့သို့သော ဘာသာစကားမော်ဒယ်ကြီးများ (LLMs) များကို စာသားအပိုဒ်တစ်ခုအတွင်း နောက်စကားလုံးကို ခန့်မှန်းရန် လေ့ကျင့်သင်ကြားပေးသည့် နည်းအတိုင်းပင် ဖြစ်သည်။ ChatGPT အတွက် အင်တာနက်ပေါ်ရှိ စာသားအများစုကို လေ့ကျင့်ခြင်းသည် ၎င်းအား ဘာသာစကား၏ တည်ဆောက်ပုံနှင့် ကမ္ဘာအကြောင်း အချက်အလက်များကို သင်ကြားပေးသည်။ သက်ရှိအားလုံး၏ နယ်ပယ်များကို ဖြတ်သန်းသည့် မျိုးဗီဇ ၁၂၈,၀၀၀ ကို အခြေခံ၍ လေ့ကျင့်ထားသော Evo 2 သည် မည်သည့် မျိုးရိုးဗီဇ အစဉ်များသည် ‘အသက်ရှင်ရန် အားပေးမှု’ ရှိသည်ကို သင်ယူထားသည်ဟု စာတမ်း၏ စာရေးသူများထဲမှ တစ်ဦးဖြစ်သူ Nicholas Wang က ပြောကြားသည်။

သို့သော် ဤအသိပညာသည် မော်ဒယ်၏ အတုဦးနှောက်ကို ကုဒ်ဝှက်ထားသော နံပါတ် ၇ ဘီလီယံအတွင်း၌ ပိတ်မိနေသည်- သုတေသီများသည် ထိုနံပါတ်များကို မြင်နိုင်သော်လည်း ၎င်းတို့၏ အဓိပ္ပာယ်သည် မရှင်းမလင်းဖြစ်နေသည်။ လူသားဦးနှောက်အတွင်းရှိ လျှပ်စစ်လှုပ်ရှားမှုကို တိုင်းတာသည့် EEG က အာရုံကြောပညာရှင်အား လူနာက ဘာတွေးနေသည်ကို မပြောပြသကဲ့သို့ပင် AI သုတေသီများသည် AI ၏ ဦးနှောက်အတွင်း ဘာဖြစ်ပျက်နေသည်ကို မြင်နိုင်သော်လည်း ၎င်းကို အနက်ကောက်ရန် ရုန်းကန်နေရသည်။

Goodfire သုတေသီများသည် Evo 2 အား ရောဂါဖြစ်စေနိုင်သော နှင့် အန္တရာယ်မရှိသော ဗီဇပြောင်းလဲမှုများ၏ နမူနာများကို ပြသခဲ့ပြီး ၎င်း၏ ဦးနှောက်၏ မည်သည့်အစိတ်အပိုင်းများက တုံ့ပြန်မှုအဖြစ် အလင်းပေါ်လာသည်ကို တိုင်းတာခဲ့သည်—ထိုသို့ဖြင့် ရောဂါဖြစ်စေနိုင်သော ပြောင်းလဲမှုများအတွက် AI ၏ တုံ့ပြန်မှုကို သီးသန့်ခွဲထုတ်နိုင်ခဲ့သည်။ Evo 2 ကို မည်သည့်ပြောင်းလဲမှုများက ရောဂါဖြစ်စေသည်ကို ခန့်မှန်းရန် တိုက်ရိုက်လေ့ကျင့်သင်ကြားပေးထားခြင်း မရှိသော်လည်း ၎င်းတို့သည် ဤနည်းဖြင့် ၎င်းတို့စမ်းသပ်ခဲ့သော ရှိရင်းစွဲ တွက်ချက်မှုဆိုင်ရာ ကိရိယာတိုင်းထက်ပို၍ မည်သည့်ပြောင်းလဲမှုများက ရောဂါဖြစ်စေသည်ကို ပိုမိုကောင်းမွန်စွာ ခန့်မှန်းနိုင်ကြောင်း တွေ့ရှိခဲ့သည်။ LLMs များနည်းတူ Evo 2 အား လေ့ကျင့်သင်ကြားပေးထားသော ဒေတာ၏ စကေးသည်—ယခင်အကြီးဆုံး မျိုးဗီဇ အခြေခံမော်ဒယ်ထက် ဆယ်ဆခန့် ပိုမိုများပြားခြင်းသည်—ကျန်းမာသော DNA များတွင် တူညီသော အရာများ၏ ပုံစံများကို ခန့်မှန်းနိုင်စေခဲ့သည်။

သို့သော် ဆေးခန်းတွင်မူ ခန့်မှန်းချက်တစ်ခုတည်းသည် မလုံလောက်ပါ။ “ မော်ဒယ်တစ်ခုက ဆုံးဖြတ်ချက်တစ်ခုကို အဘယ်ကြောင့်ချသည်ကို ကျွန်ုပ်တို့နားလည်ရန် အလွန်အရေးကြီးပါသည်” ဟု Mayo Clinic ၏ AI ပရိုဂရမ် ဥက္ကဋ္ဌနှင့် စာတမ်း၏ တွဲဖက်ရေးသားသူ Matt Redlon က ပြောကြားသည်။

ထပ်မံစူးစမ်းလေ့လာမှုများက Evo 2 သည် DNA အစဉ်၏ အဓိပ္ပာယ်ရှိသော ဇီဝဗေဒ လက္ခဏာများကို ခန့်မှန်းထားကြောင်း ဖော်ပြခဲ့သည်။ ဥပမာအားဖြင့်၊ Evo 2 သည် DNA ၏ အပိုင်းကွဲများ အကြားရှိ နယ်နိမိတ်များကို ခွဲခြားသိရှိရန် သင်ယူထားပြီး ၎င်းအား လေ့ကျင့်သင်ကြားပေးထားသော မျိုးဗီဇများတွင် ဤနယ်နိမိတ်များအတွက် တိုက်ရိုက်ခေါင်းစဉ်များ မရှိသော်လည်း ဖြစ်သည်။

ဤဇီဝဗေဒ လက္ခဏာများသည် အချို့သော ပြောင်းလဲမှုများက ရောဂါဖြစ်စေပြီး အခြားသူများက မဖြစ်စေရသည့် အကြောင်းရင်းကို ရှင်းပြရန် အကူအညီပေးသည်။ DNA အပိုင်းနှစ်ခု၏ နယ်နိမိတ်တစ်ဝိုက်တွင် ဖြစ်ပေါ်သော ပြောင်းလဲမှုတစ်ခုသည် ပျက်စီးနေသော ပရိုတင်းတစ်ခုကို ထုတ်လုပ်နိုင်ခြေ ပိုမိုများပြီး မျိုးရိုးဗီဇ ရောဂါတစ်ခုကို ဦးတည်စေနိုင်သည်။ ပရိုတင်း တည်ဆောက်မှုမပြုလုပ်မီ စွန့်ပစ်လိုက်သော အပိုင်းအတွင်း ဖြစ်ပေါ်သော ပြောင်းလဲမှုတစ်ခုသည် ပုံမှန်အားဖြင့် အန္တရာယ်မရှိပါ။

ရောဂါဖြစ်စေနိုင်မှု အမှတ်ပေးချက်ကို မရှင်းမလင်းပေးရုံသာမက ပြောင်းလဲမှုများ၏ ဇီဝဗေဒ လက္ခဏာများကို ခွဲခြားသိရှိနိုင်သည့် စာတမ်း၏ စွမ်းရည်သည် “ သိသိသာသာ တိုးတက်မှု” တစ်ခုဖြစ်သည်ဟု Canada ၏ University Health Network မှ အကြီးတန်း AI သိပ္ပံပညာရှင် Bo Wang က ပြောကြားသည်။

မျိုးဗီဇ စီးရီဖိုင် ကုန်ကျစရိတ် ကျဆင်းလာခြင်း—လတ်တလော စနစ်များက မျိုးဗီဇတစ်ခုလုံးကို ဒေါ်လာ ၁၀၀ ဖြင့် စီးရီဖိုင် လုပ်နိုင်သည်ဟု ဆိုထားသည်—ဖြင့် ဤကဲ့သို့သော မျိုးဗီဇဒေတာများကို အနက်ကောက်သည့် နည်းလမ်းများသည် သ