परिचय
जुलै २०२६ च्या सायन्स (खंड ३९३, अंक ६८०६) मध्ये प्रकाशित एका अभूतपूर्व अभ्यासात, संशोधकांनी ट्रान्स्क्रिप्टफॉर्मर सादर केले आहे, हे एक जनरेटिव कृत्रिम बुद्धिमत्ता मॉडेल आहे जे १.५ अब्ज वर्षांची उत्क्रांती व्यापणारा सर्वसमावेशक सेल अॅटलस तयार करू शकते. हा नाविन्यपूर्ण दृष्टिकोन विविध प्रजातींमध्ये सेल्युलर अवस्थांचे मॅपिंग करण्यासाठी डीप लर्निंगचा वापर करतो, ज्यामुळे सेल प्रकार आणि जनुक नियामक नेटवर्क्सच्या उत्क्रांतीच्या उत्पत्तीबद्दल अभूतपूर्व अंतर्दृष्टी मिळते.
ट्रान्स्क्रिप्टफॉर्मर म्हणजे काय?
ट्रान्स्क्रिप्टफॉर्मर हे एक जनरेटिव एआय मॉडेल आहे जे विविध जीवांमध्ये जनुक अभिव्यक्ती प्रोफाइलचा अंदाज आणि पुनर्रचना करण्यासाठी डिझाइन केलेले आहे. सिंगल-सेल ट्रान्स्क्रिप्टॉमिक्सच्या विशाल डेटासेटवर प्रशिक्षण देऊन, हे मॉडेल उत्क्रांतीच्या काळात संरक्षित किंवा भिन्न असलेल्या जनुक नियमनाच्या अंतर्निहित नमुन्यांचा अभ्यास करते. परिणामी एक गतिशील सेल अॅटलस तयार होतो जो केवळ ज्ञात सेल प्रकारांची यादीच करत नाही तर पूर्वज आणि मध्यवर्ती सेल्युलर अवस्थांचा अंदाजही देतो.
मॉडेलची आर्किटेक्चर ट्रान्सफॉर्मर नेटवर्क्सवर आधारित आहे, जी GPT सारख्या मोठ्या भाषा मॉडेल्समध्ये वापरल्या जाणाऱ्या नेटवर्क्ससारखीच आहे, परंतु जैविक अनुक्रम डेटासाठी अनुकूलित केलेली आहे. हे जनुक अभिव्यक्ती डेटाला भाषा म्हणून प्रक्रिया करते, जिथे प्रत्येक जनुकाची अभिव्यक्ती पातळी वाक्यातील शब्दासारखी असते आणि सेल्युलर संदर्भ व्याकरण प्रदान करतो. यामुळे ट्रान्स्क्रिप्टफॉर्मर प्रायोगिकरित्या कधीही पाहिले न गेलेल्या पेशींसाठी संभाव्य अभिव्यक्ती प्रोफाइल तयार करू शकते, प्रभावीपणे आपल्या उत्क्रांतीच्या आकलनातील अंतर भरून काढते.
मुख्य निष्कर्ष
अभ्यास दर्शवितो की ट्रान्स्क्रिप्टफॉर्मर प्राणी, वनस्पती, बुरशी आणि प्रोटिस्ट यांच्यासह १.५ अब्ज वर्षांपर्यंत विभक्त झालेल्या जीवांमधील सेल प्रकारांची अचूक पुनर्रचना करू शकते. हे मॉडेल सार्वत्रिकरित्या संरक्षित मुख्य जनुक नियामक कार्यक्रम तसेच जटिल ऊती आणि अवयवांना जन्म देणाऱ्या वंश-विशिष्ट नवकल्पना ओळखते.
सर्वात आश्चर्यकारक निष्कर्षांपैकी एक म्हणजे शेवटच्या युकेरियोटिक सामान्य पूर्वज (LECA) मध्ये अस्तित्वात असलेल्या सामान्य पूर्वज सेल प्रकाराचा अंदाज. या काल्पनिक सेल प्रकारात आधुनिक स्टेम पेशी आणि रोगप्रतिकारक पेशींमध्ये दिसणाऱ्या वैशिष्ट्यांचे संयोजन दिसून येते, जे सूचित करते की सुरुवातीच्या युकेरियोट्समध्ये सेल्युलर भिन्नतेचा एक आदिम प्रकार अस्तित्वात होता.
याव्यतिरिक्त, ट्रान्स्क्रिप्टफॉर्मर उघड करते की काही जनुक नियामक नेटवर्क्स उत्क्रांतीदरम्यान कसे पुनर्नियोजित केले गेले आहेत. उदाहरणार्थ, प्राण्यांमध्ये न्यूरल विकासात गुंतलेली जनुके वनस्पतींमध्ये तणाव प्रतिसाद नियंत्रित करणाऱ्या जनुकांशी समानता दर्शवितात, जे दिसायला असंबंधित जैविक प्रक्रियांमध्ये खोल उत्क्रांतीवादी संबंध दर्शवितात.
पद्धतशास्त्र
संशोधकांनी युकेरियोटिक जीवनाच्या प्रमुख शाखांचे प्रतिनिधित्व करणाऱ्या १०० पेक्षा जास्त प्रजातींमधील सिंगल-सेल आरएनए अनुक्रमण डेटाचा एक मोठा डेटासेट संकलित केला. हा डेटा ट्रान्स्क्रिप्टफॉर्मर मॉडेलला स्व-पर्यवेक्षित पद्धतीने प्रशिक्षित करण्यासाठी वापरला गेला, जिथे मॉडेलने सभोवतालच्या संदर्भावर आधारित मास्क केलेली जनुक अभिव्यक्ती मूल्ये अंदाज करण्यास शिकले.
मॉडेलच्या अंदाजांची पडताळणी करण्यासाठी, संघाने त्यांची तुलना प्रशिक्षण संचामध्ये समाविष्ट नसलेल्या प्रजातींमधून प्रायोगिकरित्या निर्धारित केलेल्या सेल अॅटलसेसशी केली. ट्रान्स्क्रिप्टफॉर्मरने ज्ञात सेल प्रकारांच्या पुनर्रचनेत उच्च अचूकता प्राप्त केली आणि नवीन सेल अवस्था देखील ओळखल्या ज्या नंतर लक्ष्यित प्रयोगांद्वारे पुष्टी करण्यात आल्या.
मॉडेलच्या जनरेटिव क्षमतांची पुढे उत्क्रांतीवादी परिस्थितीचे अनुकरण करून चाचणी घेण्यात आली, जसे की एककोशिकीय ते बहुपेशीय जीवनातील संक्रमण. ट्रान्स्क्रिप्टफॉर्मरने एककोशिकीय पूर्वज आणि जटिल बहुपेशीय जीवांमधील अंतर भरून काढणाऱ्या मध्यवर्ती सेल प्रकारांचा यशस्वीपणे अंदाज लावला, ज्यामुळे उत्क्रांतीवादी संक्रमणांचा अभ्यास करण्यासाठी एक संगणकीय फ्रेमवर्क प्रदान केले.
जीवशास्त्र आणि वैद्यकशास्त्रासाठी परिणाम
ट्रान्स्क्रिप्टफॉर्मरचे मूलभूत जीवशास्त्र आणि उपयोजित वैद्यकशास्त्र या दोन्हीसाठी दूरगामी परिणाम आहेत. उत्क्रांतीदरम्यान सेल्युलर विविधतेचे सर्वसमावेशक दृश्य प्रदान करून, हे मॉडेल सेल कार्यासाठी गंभीर असलेले संरक्षित जनुके आणि मार्ग ओळखण्यास मदत करू शकते. हे ज्ञान कर्करोग आणि ऱ्हास विकार यांसारख्या सेल्युलर डिसफंक्शनचा समावेश असलेल्या रोगांसाठी नवीन उपचारांच्या विकासाची माहिती देऊ शकते.
शिवाय, ट्रान्स्क्रिप्टफॉर्मरचे जनरेटिव स्वरूप संशोधकांना 'काय-तर' परिस्थिती शोधण्याची परवानगी देते, जसे की सेल अनुवांशिक व्यत्यय किंवा पर्यावरणीय बदलांना कसा प्रतिसाद देईल. हे लक्ष्याबाहेरचे परिणाम अंदाज करून किंवा नवीन औषध लक्ष्य ओळखून औषध शोध प्रक्रियेला गती देऊ शकते.
हा अभ्यास उत्क्रांतीवादी विकासात्मक जीवशास्त्र (evo-devo) साठी नवीन मार्ग देखील उघडतो, ज्यामुळे शास्त्रज्ञांना सेल प्रकारांच्या उत्पत्ती आणि प्रमुख उत्क्रांतीवादी नवकल्पना चालविणाऱ्या अनुवांशिक बदलांबद्दलच्या गृहितकांची चाचणी घेता येते.
मर्यादा आणि भविष्यातील दिशा
ट्रान्स्क्रिप्टफॉर्मर एक मोठी प्रगती दर्शवित असले तरी, लेखक अनेक मर्यादा मान्य करतात. मॉडेलचे अंदाज केवळ प्रशिक्षण डेटाइतकेच चांगले आहेत, आणि प्रजाती प्रतिनिधित्व किंवा प्रायोगिक परिस्थितीतील पूर्वाग्रह अचूकतेवर परिणाम करू शकतात. याव्यतिरिक्त, मॉडेल एपिजेनेटिक बदल किंवा पोस्ट-ट्रान्स्क्रिप्शनल नियमन यांचा हिशोब घेत नाही, जे सेल ओळखीत महत्त्वपूर्ण भूमिका बजावतात.
भविष्यातील कार्य सेल्युलर अवस्थांचे अधिक समग्र दृश्य तयार करण्यासाठी क्रोमॅटिन प्रवेशयोग्यता आणि प्रथिने पातळी यासह मल्टी-ओमिक्स डेटा एकत्रित करण्यावर लक्ष केंद्रित करेल. संशोधकांनी जीवनाच्या झाडाच्या कमी अभ्यासलेल्या शाखांमधील प्रजातींचा समावेश करून अॅटलसचा विस्तार करण्याची योजना आखली आहे.
निष्कर्ष
ट्रान्स्क्रिप्टफॉर्मर संगणकीय जीवशास्त्रातील एक नवीन युग चिन्हांकित करते, जिथे जनरेटिव एआय उल्लेखनीय निष्ठेने पेशींचा उत्क्रांतीवादी इतिहास पुनर्रचना करू शकते. १.५ अब्ज वर्षांची उत्क्रांती व्यापून, हा सेल अॅटलस सेल्युलर विविधता आणि जनुक नियमनाची तत्त्वे समजून घेण्यासाठी एक एकत्रित फ्रेमवर्क प्रदान करतो. मॉडेल विकसित होत राहिल्याने, ते जीवनाच्या सेल्युलर पायाबद्दलची आपली समज बदलण्याचे वचन देते.
हा लेख सायन्स (AAAS) च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.
Originally published on science.org
