AI மூலம் வடிவமைக்கப்பட்ட புரதங்களுக்கான தடமறியக்கூடிய சிக்னல்
புரத வடிவமைப்புக்கான சக்திவாய்ந்த கருவியாக செயற்கை நுண்ணறிவு மாறி வருகிறது: இயற்கையில் முன்பு காணப்படாத புரதங்களை உருவாக்க இது ஆராய்ச்சியாளர்களுக்கு உதவக்கூடும். இதன் மூலம் புதிய மருந்துகள் மற்றும் பிற பயனுள்ள உயிரியல் கருவிகளுக்கான வழிகள் திறக்கப்படுகின்றன. இதே திறன் இந்தத் துறைக்கு இன்னும் கடினமான ஒரு கேள்வியையும் எழுப்புகிறது: வடிவமைக்கப்பட்ட ஒரு புரதம் எங்கிருந்து வந்தது, அதற்கு கூடுதல் ஆய்வு தேவையா என்பதை ஒரு ஆய்வகம், தரவுத்தள பராமரிப்பாளர் அல்லது பாதுகாப்பு மதிப்பாய்வாளர் எவ்வாறு கண்டறிவது?
இந்தப் பிரச்சினையின் ஒரு பகுதியைத் தீர்க்கும் நோக்கில், AI உருவாக்கிய புரதங்களில் நீர்முத்திரையைப் பதிக்கும் ஒரு நுட்பத்தை Google DeepMind ஆராய்ச்சியாளர்கள் உருவாக்கியுள்ளனர். வழக்கமான லேபிளாகக் காட்டப்படுவதற்குப் பதிலாக, புரதத்தின் கட்டமைப்பில் குறியிடப்படுவதால் இந்தக் குறி கண்ணுக்குத் தெரியாததாக வடிவமைக்கப்பட்டுள்ளது. புரதத்தின் செயல்பாட்டைப் பாதுகாத்தபடி அதன் தோற்றத்தை எளிதில் தடமறியச் செய்வதே இதன் நோக்கம்.
இந்த முன்மொழிவு வேகமாக வளர்ந்து வரும் தொழில்நுட்பத் துறையையும் நீடித்துவரும் உயிரியல் பாதுகாப்புக் கவலையையும் இணைக்கிறது. புரதங்கள் அமினோ அமிலங்களால் உருவாகின்றன; ஒரு புரதம் முப்பரிமாண வடிவமாக மடையும் விதமே அது என்ன செய்ய முடியும் என்பதைத் தீர்மானிக்கிறது. அந்தக் கட்டமைப்புகளைப் புரிந்துகொள்வதற்கும் புதிய வரிசைகளை வடிவமைப்பதற்கும் AI அமைப்புகள் இப்போது உதவுகின்றன. இது பயனுள்ள ஆராய்ச்சிக்கான வாய்ப்புகளை உருவாக்குகிறது. ஆனால், புதிய வடிவமைப்புகளை உருவாக்கக்கூடிய அமைப்புகள் தீங்கு விளைவிக்கும் உயிரியல் பொருட்களை உருவாக்கும் முயற்சிகளுக்கும் தொடர்புடையதாக இருக்கலாம் என்பதையும் இது குறிக்கிறது.
தோற்றம் ஏன் முக்கியம்
ஒரு நீர்முத்திரை, ஒரு புரதம் AI உதவியுடன் வடிவமைக்கப்பட்டது என்பதை அதன் பின்னர் பயன்படுத்துவோருக்கு நடைமுறைச் சிக்னலாக வழங்கக்கூடும். அயர்லாந்தின் Munster Technological University-யின் உயிரியல் பேராசிரியரும் இந்தப் பணியில் ஈடுபடாதவருமான Roy Sleator, இத்தகைய அமைப்பு ஒரு வடிவமைப்பின் தோற்றத்தைத் தடமறியவும், உருவாக்கப்பட்ட புரதங்களை கூடுதல் உயிரியல் பாதுகாப்புச் சோதனைகளுக்குக் குறியிடவும், ஒரு புரதம் எவ்வாறு உருவாக்கப்பட்டது என்பது குறித்த தவறான கூற்றுகளைக் குறைக்கவும் உதவும் என்றார்.
இது பல இடங்களில் பயனுள்ளதாக இருக்கலாம். செயற்கை வடிவமைப்புகளை இயற்கையாகத் தோன்றும் வரிசைகளிலிருந்து வேறுபடுத்த தரவுத்தள பராமரிப்பாளர்கள் விரும்பலாம்; இதனால் உருவாக்கப்பட்ட பொருட்கள் நிலையான குறிப்பு சேகரிப்புகளில் குழப்பத்தை ஏற்படுத்தாது. ஒரு புரத வடிவமைப்பை மதிப்பிடும் நிறுவனங்கள் மேலதிக ஆய்வுக்கான தூண்டுதலை விரும்பலாம். கூட்டாகப் பணிபுரியும் ஆராய்ச்சியாளர்கள், ஒரு குறிப்பிட்ட வடிவமைப்பு செயல்முறையிலிருந்து ஒரு வேட்பாளர் உருவானது என்பதை நீடித்த வகையில் குறிப்பிட முடியும்.
இதன் அடிப்படை நோக்கம் அறிவியல் பணியை நிறுத்துவது அல்ல. மாறாக, புதிய உயிரியல் வடிவமைப்புகளை உருவாக்கும் திறன் அதிகரித்து வரும் பணிச்சூழலில் பொறுப்புணர்வின் ஒரு அடுக்கைச் சேர்ப்பதே நோக்கம். ஒரு தோற்றச் சிக்னல், ஒரு வடிவமைப்பு பகிரப்படுவதற்கு, தொகுக்கப்படுவதற்கு அல்லது பின்னர் நடைபெறும் ஆராய்ச்சியில் இணைக்கப்படுவதற்கு முன் சரியான கேள்விகளைக் கேட்பதை எளிதாக்கலாம்.
தெளிவான வரம்புகளைக் கொண்ட தொழில்நுட்ப முன்னேற்றம்
தெரிவிக்கப்பட்டுள்ள இந்த நுட்பம் முழுமையான பாதுகாப்பு நடவடிக்கை அல்ல. நீர்முத்திரைகளைச் சேர்க்கப் பயன்படுத்தப்படும் அதே வகையான AI தொழில்நுட்பங்கள் அவற்றை அகற்றவும் முடியும் என நிபுணர்கள் எச்சரித்துள்ளனர். இந்த வரம்பு முக்கியமானது: அதைத் தவிர்க்க யாருக்காவது ஊக்கம் இருக்கும் நிலையிலும் குறி நம்பகமாக நீடித்தால்தான் ஒரு குறியீட்டு அமைப்பு அதிக மதிப்புடையதாக இருக்கும்.
எனவே, இந்தப் பணியை ஆபத்தான வடிவமைப்புகளை அடையாளம் காணும் அல்லது தடுக்கக்கூடிய உத்தரவாதமாக அல்லாமல், தடமறிதல் கருவியாகப் புரிந்துகொள்ள வேண்டும். ஒத்துழைப்புடன் நடைபெறும், வழக்கமான அல்லது ஒழுங்குமுறைப்படுத்தப்பட்ட ஆராய்ச்சியை நிர்வகிப்பதில் ஒரு நீர்முத்திரை உதவக்கூடும்; ஆனால் ஒரு பயனர் ஒரு வடிவமைப்பைத் திட்டமிட்டு மாற்றவோ மறைக்கவோ முயலும் சூழலில் அதன் பாதுகாப்பு குறைவாக இருக்கலாம். உயிரியல் பாதுகாப்பில் இந்த வேறுபாடு முக்கியமானது; ஏனெனில் தடுப்பு, கண்டறிதல் மற்றும் பொறுப்புணர்வு ஆகியவை மட்டும் திட்டமிட்ட தவறான பயன்பாட்டைத் தீர்க்காது.
இந்த அணுகுமுறையின் செயல்திறன் அது எவ்வாறு பயன்படுத்தப்படுகிறது என்பதையும் சார்ந்திருக்கும். நீர்முத்திரைகளைச் சரிபார்க்கும் வெளிப்படையான செயல்முறை, ஒன்று கண்டறியப்பட்டால் எடுக்க வேண்டிய நடவடிக்கைகளுக்கான தெளிவான விதிகள், அதிக ஆபத்துள்ள பணிகளுக்கான பொருத்தமான பாதுகாப்பு நடவடிக்கைகள் ஆகியவை இந்தத் தொழில்நுட்ப சிக்னல் செயல்பாட்டில் பயனுள்ளதாக மாறுமா என்பதைத் தீர்மானிக்கும். இவை இல்லாமல், நீர்முத்திரை தகவல் அளிக்கக்கூடியதாக இருந்தாலும், நிஜ உலக முடிவுகளில் அதன் தாக்கம் குறைவாக இருக்கலாம்.
புரத AI சூழலை மாற்றியுள்ளது
புரத AI-யின் வேகமான வளர்ச்சி, இத்தகைய முன்மொழிவுகள் ஏன் கவனத்தை ஈர்க்கின்றன என்பதை விளக்குகிறது. 2020-ல் அறிமுகப்படுத்தப்பட்ட AlphaFold, ஒரு புரதத்தின் அமினோ அமில வரிசையிலிருந்து அதன் முப்பரிமாண கட்டமைப்பை இயந்திரக் கற்றல் எவ்வாறு கணிக்க முடியும் என்பதை வெளிப்படுத்தியது. புரத மடிப்பு பெரும்பாலும் ஓரிகாமியுடன் ஒப்பிடப்படுகிறது; ஏனெனில் இறுதி வடிவம் புரதத்தின் செயல்பாட்டிற்கு மிகவும் முக்கியமானது. இந்தத் தொழில்நுட்பம் கட்டமைப்பு உயிரியல் மற்றும் புரதப் பொறியியலுக்கான முக்கிய கருவியாக AI-யை நிலைநிறுத்த உதவியது.
இந்த முன்னேற்றம் ஏற்கனவே உள்ள புரதங்களை கணிப்பதிலிருந்து புதியவற்றை உருவாக்குவது குறித்த உரையாடலுக்கு விரிவடைந்துள்ளது. வாக்குறுதி பெரிது: வடிவமைக்கப்பட்ட புரதங்கள் அறிவியல் மற்றும் மருத்துவப் பயன்பாடுகளுக்கு ஆதரவளிக்கக்கூடும். ஆனால், புதிய வடிவமைப்புகள் அடையாளம் காணல், தரவுத்தளத் தரம் மற்றும் பாதுகாப்பு மதிப்பாய்வு குறித்த கேள்விகளையும் சிக்கலாக்குகின்றன. ஒரு வடிவமைப்பு உருவாக்கப்பட்ட பின்னரும் அதை அடையாளம் காணக்கூடியதாக வைத்திருக்கும் முறை, இந்தச் சிக்கல்களில் சிலவற்றை நிறுவனங்கள் நிர்வகிக்க உதவக்கூடும்.
இருப்பினும், நீர்முத்திரைகளை வலுவானதாக மாற்றும் தொழில்நுட்பச் சவால், அவை வெளிப்படுத்தும் தகவல்களை எவ்வாறு பயன்படுத்துவது என்பதைத் தீர்மானிக்கும் கொள்கைச் சவாலிலிருந்து பிரிக்க முடியாதது. ஆராய்ச்சியாளர்களின் நோக்கத்தின்படி, செயல்பாட்டைத் தியாகம் செய்யாமல் தோற்றத்தை குறியிடும் வழியை இந்தப் புதிய முறை வழங்குகிறது. வடிவமைப்பு அமைப்புகள் பரவலாகப் பயன்படுத்தப்படும், பயனர்கள் பாதுகாப்புத் தடைகளைத் தாண்ட முயலும் உலகில் இந்தக் குறி அர்த்தமுள்ளதாக நீடிக்குமா என்பதே இதன் உண்மையான சோதனை.
அடுத்து என்ன
தற்போது, AI புரத நீர்முத்திரைகள் விரிவான பாதுகாப்பு அணுகுமுறையின் ஒரு கூறாகவே பார்க்கப்படுவது சிறந்தது. அவை தரவுத்தள பராமரிப்புக்கு உதவுவதோடு, மதிப்பாய்வுக்கான ஆரம்ப எச்சரிக்கையையும் வழங்கக்கூடும். ஆனால் அவற்றை அகற்ற முடியும் என்ற அறியப்பட்ட பாதிப்பு, அவற்றைத் தனித்துப் பயன்படுத்தக்கூடிய பாதுகாப்பாகக் கருதக் கூடாது என்பதைக் காட்டுகிறது. பொறுப்பான புரத வடிவமைப்பிற்கான நடைமுறைத் திசையை இந்தப் பணி வெளிப்படுத்துகிறது: வெளியீடுகளில் தடமறிதலை உட்பொதித்து, அந்தத் தடமறிதலின் அடிப்படையில் செயல்படக்கூடிய செயல்முறைகளுடன் அதை இணைத்தல்.
AI ஆராய்ச்சியாளர்கள் உருவாக்கக்கூடிய புரதங்களின் வரம்பை விரிவுபடுத்தும் நிலையில், அந்த வடிவமைப்புகளை வேறுபடுத்தி, தடமறிந்து, உரிய முறையில் மதிப்பிடும் திறன் அதிக முக்கியத்துவம் பெறும். நீர்முத்திரையிடுதல் இரட்டை பயன்பாட்டு சவாலை நீக்காது. இருப்பினும், AI மூலம் வடிவமைக்கப்பட்ட புரதங்களின் தோற்றத்தை குறைந்த அளவிலாவது மறைமுகமாக இல்லாததாக மாற்றுவதற்கான ஒரு தெளிவான முயற்சியை இது வழங்குகிறது.
இந்தக் கட்டுரை Live Science-ன் செய்தியறிக்கையை அடிப்படையாகக் கொண்டது. அசல் கட்டுரையைப் படிக்கவும்.
Originally published on livescience.com