పరిచయం
జూలై 2026 సంచికలో ప్రచురించబడిన ఒక సంచలనాత్మక అధ్యయనంలో సైన్స్ (వాల్యూమ్ 393, ఇష్యూ 6806), పరిశోధకులు ట్రాన్స్క్రిప్ట్ఫార్మర్ను ప్రవేశపెట్టారు, ఇది 1.5 బిలియన్ సంవత్సరాల పరిణామాన్ని విస్తరించే సమగ్రమైన సెల్ అట్లాస్ను నిర్మించగల జెనరేటివ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ మోడల్. ఈ వినూత్న విధానం వివిధ జాతులలో సెల్యులార్ స్థితులను మ్యాప్ చేయడానికి డీప్ లెర్నింగ్ను ఉపయోగించుకుంటుంది, సెల్ రకాలు మరియు జన్యు నియంత్రణ నెట్వర్క్ల పరిణామ మూలాలపై అపూర్వమైన అంతర్దృష్టులను అందిస్తుంది.
ట్రాన్స్క్రిప్ట్ఫార్మర్ అంటే ఏమిటి?
ట్రాన్స్క్రిప్ట్ఫార్మర్ అనేది వివిధ జీవులలో జన్యు వ్యక్తీకరణ ప్రొఫైల్లను అంచనా వేయడానికి మరియు పునర్నిర్మించడానికి రూపొందించబడిన జెనరేటివ్ AI మోడల్. సింగిల్-సెల్ ట్రాన్స్క్రిప్టోమిక్స్ యొక్క భారీ డేటాసెట్లపై శిక్షణ పొందడం ద్వారా, మోడల్ పరిణామ సమయంలో సంరక్షించబడిన లేదా విభేదించే జన్యు నియంత్రణ యొక్క అంతర్లీన నమూనాలను నేర్చుకుంటుంది. ఫలితం ఒక డైనమిక్ సెల్ అట్లాస్, ఇది తెలిసిన సెల్ రకాలను జాబితా చేయడమే కాకుండా పూర్వీకుల మరియు మధ్యంతర సెల్యులార్ స్థితులను కూడా అంచనా వేస్తుంది.
మోడల్ యొక్క ఆర్కిటెక్చర్ GPT వంటి పెద్ద భాషా మోడళ్లలో ఉపయోగించిన వాటిని పోలి ఉండే ట్రాన్స్ఫార్మర్ నెట్వర్క్లపై ఆధారపడి ఉంటుంది, కానీ జీవ శ్రేణి డేటా కోసం స్వీకరించబడింది. ఇది జన్యు వ్యక్తీకరణ డేటాను ఒక భాషగా ప్రాసెస్ చేస్తుంది, ఇక్కడ ప్రతి జన్యువు యొక్క వ్యక్తీకరణ స్థాయి ఒక వాక్యంలోని పదానికి సమానంగా ఉంటుంది మరియు సెల్యులార్ సందర్భం వ్యాకరణాన్ని అందిస్తుంది. ఇది ట్రాన్స్క్రిప్ట్ఫార్మర్ను ప్రయోగాత్మకంగా ఎప్పుడూ గమనించని కణాల కోసం ఆమోదయోగ్యమైన వ్యక్తీకరణ ప్రొఫైల్లను రూపొందించడానికి అనుమతిస్తుంది, పరిణామ అవగాహనలో అంతరాలను సమర్థవంతంగా పూరిస్తుంది.
ప్రధాన ఫలితాలు
ఈ అధ్యయనం ట్రాన్స్క్రిప్ట్ఫార్మర్ 1.5 బిలియన్ సంవత్సరాల పరిణామంతో వేరు చేయబడిన జీవుల నుండి సెల్ రకాలను ఖచ్చితంగా పునర్నిర్మించగలదని నిరూపిస్తుంది, వీటిలో జంతువులు, మొక్కలు, శిలీంధ్రాలు మరియు ప్రోటిస్ట్లు ఉన్నాయి. మోడల్ సార్వత్రికంగా సంరక్షించబడిన కోర్ జన్యు నియంత్రణ కార్యక్రమాలను, అలాగే సంక్లిష్ట కణజాలాలు మరియు అవయవాలకు దారితీసిన వంశ-నిర్దిష్ట ఆవిష్కరణలను గుర్తిస్తుంది.
అత్యంత ఆకర్షణీయమైన ఫలితాలలో ఒకటి చివరి యూకారియోటిక్ సాధారణ పూర్వీకులలో (LECA) ఉనికిలో ఉన్న ఒక సాధారణ పూర్వీకుల సెల్ రకం యొక్క అంచనా. ఈ ఊహాత్మక సెల్ రకం ఆధునిక స్టెమ్ సెల్స్ మరియు రోగనిరోధక కణాలలో కనిపించే లక్షణాల కలయికను ప్రదర్శిస్తుంది, ఇది ప్రారంభ యూకారియోట్లు సెల్యులార్ డిఫరెన్సియేషన్ యొక్క ఆదిమ రూపాన్ని కలిగి ఉన్నాయని సూచిస్తుంది.
అదనంగా, ట్రాన్స్క్రిప్ట్ఫార్మర్ కొన్ని జన్యు నియంత్రణ నెట్వర్క్లు పరిణామంలో ఎలా పునర్వినియోగించబడ్డాయో వెల్లడిస్తుంది. ఉదాహరణకు, జంతువులలో నాడీ అభివృద్ధిలో పాల్గొన్న జన్యువులు మొక్కలలో ఒత్తిడి ప్రతిస్పందనలను నియంత్రించే జన్యువులతో సారూప్యతను చూపుతాయి, ఇది అసంబద్ధంగా అనిపించే జీవ ప్రక్రియల మధ్య లోతైన పరిణామ సంబంధాలను సూచిస్తుంది.
పద్దతి
పరిశోధకులు యూకారియోటిక్ జీవిత వృక్షం యొక్క ప్రధాన శాఖలను సూచించే 100 కంటే ఎక్కువ జాతుల నుండి సింగిల్-సెల్ RNA సీక్వెన్సింగ్ డేటా యొక్క భారీ డేటాసెట్ను సంకలనం చేశారు. ఈ డేటా స్వీయ-పర్యవేక్షిత పద్ధతిలో ట్రాన్స్క్రిప్ట్ఫార్మర్ మోడల్కు శిక్షణ ఇవ్వడానికి ఉపయోగించబడింది, ఇక్కడ మోడల్ చుట్టుపక్కల సందర్భం ఆధారంగా మాస్క్ చేయబడిన జన్యు వ్యక్తీకరణ విలువలను అంచనా వేయడం నేర్చుకుంది.
మోడల్ యొక్క అంచనాలను ధృవీకరించడానికి, బృందం వాటిని శిక్షణ సెట్లో చేర్చని జాతుల నుండి ప్రయోగాత్మకంగా నిర్ణయించిన సెల్ అట్లాస్లతో పోల్చింది. ట్రాన్స్క్రిప్ట్ఫార్మర్ తెలిసిన సెల్ రకాలను పునర్నిర్మించడంలో అధిక ఖచ్చితత్వాన్ని సాధించింది మరియు తరువాత లక్ష్య ప్రయోగాల ద్వారా నిర్ధారించబడిన నవల సెల్ స్థితులను కూడా గుర్తించింది.
మోడల్ యొక్క జెనరేటివ్ సామర్థ్యాలు ఏకకణం నుండి బహుకణ జీవితానికి మారడం వంటి పరిణామ దృశ్యాలను అనుకరించడం ద్వారా మరింత పరీక్షించబడ్డాయి. ట్రాన్స్క్రిప్ట్ఫార్మర్ ఏకకణ పూర్వీకులు మరియు సంక్లిష్ట బహుకణ జీవుల మధ్య అంతరాన్ని తగ్గించే మధ్యంతర సెల్ రకాలను విజయవంతంగా అంచనా వేసింది, పరిణామ పరివర్తనాలను అధ్యయనం చేయడానికి గణన ఫ్రేమ్వర్క్ను అందిస్తుంది.
జీవశాస్త్రం మరియు వైద్యానికి చిక్కులు
ట్రాన్స్క్రిప్ట్ఫార్మర్ ప్రాథమిక జీవశాస్త్రం మరియు అనువర్తిత వైద్యం రెండింటికీ సుదూర ప్రభావాలను కలిగి ఉంది. పరిణామంలో సెల్యులార్ వైవిధ్యం యొక్క సమగ్ర వీక్షణను అందించడం ద్వారా, మోడల్ సెల్ ఫంక్షన్కు కీలకమైన సంరక్షించబడిన జన్యువులు మరియు మార్గాలను గుర్తించడంలో సహాయపడుతుంది. ఈ జ్ఞానం క్యాన్సర్ మరియు క్షీణత రుగ్మతలు వంటి సెల్యులార్ పనిచేయకపోవడంతో కూడిన వ్యాధులకు కొత్త చికిత్సల అభివృద్ధిని తెలియజేస్తుంది.
అంతేకాకుండా, ట్రాన్స్క్రిప్ట్ఫార్మర్ యొక్క జెనరేటివ్ స్వభావం పరిశోధకులను 'ఏమైతే' దృశ్యాలను అన్వేషించడానికి అనుమతిస్తుంది, ఉదాహరణకు జన్యు అవాంతరాలు లేదా పర్యావరణ మార్పులకు సెల్ ఎలా స్పందించవచ్చు. ఇది లక్ష్యం కాని ప్రభావాలను అంచనా వేయడం ద్వారా లేదా నవల డ్రగ్ టార్గెట్లను గుర్తించడం ద్వారా డ్రగ్ డిస్కవరీని వేగవంతం చేస్తుంది.
ఈ అధ్యయనం పరిణామాత్మక అభివృద్ధి జీవశాస్త్రానికి (ఎవో-డెవో) కొత్త మార్గాలను కూడా తెరుస్తుంది, సెల్ రకాల మూలం మరియు ప్రధాన పరిణామ ఆవిష్కరణలను నడిపించిన జన్యు మార్పుల గురించి పరికల్పనలను పరీక్షించడానికి శాస్త్రవేత్తలను అనుమతిస్తుంది.
పరిమితులు మరియు భవిష్యత్తు దిశలు
ట్రాన్స్క్రిప్ట్ఫార్మర్ ఒక ప్రధాన పురోగతిని సూచిస్తున్నప్పటికీ, రచయితలు అనేక పరిమితులను అంగీకరిస్తున్నారు. మోడల్ యొక్క అంచనాలు శిక్షణ డేటా వలె మాత్రమే మంచివి, మరియు జాతుల ప్రాతినిధ్యం లేదా ప్రయోగాత్మక పరిస్థితులలో పక్షపాతాలు ఖచ్చితత్వాన్ని ప్రభావితం చేస్తాయి. అదనంగా, మోడల్ ఎపిజెనెటిక్ మార్పులు లేదా పోస్ట్-ట్రాన్స్క్రిప్షనల్ రెగ్యులేషన్ను పరిగణనలోకి తీసుకోదు, ఇవి సెల్ గుర్తింపులో ముఖ్యమైన పాత్రలను పోషిస్తాయి.
భవిష్యత్తు పని సెల్యులార్ స్థితుల యొక్క మరింత సమగ్ర వీక్షణను సృష్టించడానికి క్రోమాటిన్ యాక్సెసిబిలిటీ మరియు ప్రోటీన్ స్థాయిలతో సహా మల్టీ-ఓమిక్స్ డేటాను ఏకీకృతం చేయడంపై దృష్టి పెడుతుంది. పరిశోధకులు జీవిత వృక్షం యొక్క తక్కువ అధ్యయనం చేయబడిన శాఖల నుండి మరిన్ని జాతులను చేర్చడానికి అట్లాస్ను విస్తరించాలని కూడా ప్లాన్ చేస్తున్నారు.
ముగింపు
ట్రాన్స్క్రిప్ట్ఫార్మర్ గణన జీవశాస్త్రంలో ఒక కొత్త శకాన్ని సూచిస్తుంది, ఇక్కడ జెనరేటివ్ AI విశేషమైన ఖచ్చితత్వంతో కణాల పరిణామ చరిత్రను పునర్నిర్మించగలదు. 1.5 బిలియన్ సంవత్సరాల పరిణామాన్ని విస్తరించడం ద్వారా, ఈ సెల్ అట్లాస్ సెల్యులార్ వైవిధ్యం మరియు జన్యు నియంత్రణ సూత్రాలను అర్థం చేసుకోవడానికి ఏకీకృత ఫ్రేమ్వర్క్ను అందిస్తుంది. మోడల్ అభివృద్ధి చెందుతూనే ఉన్నందున, ఇది జీవితం యొక్క సెల్యులార్ పునాదులపై మన అవగాహనను మార్చడానికి వాగ్దానం చేస్తుంది.
ఈ కథనం సైన్స్ (AAAS) నివేదికపై ఆధారపడి ఉంది. అసలు కథనాన్ని చదవండి.
Originally published on science.org
