ਫਾਰਮਾ ਦਾ ਭਵਿੱਖ: Google ਦੀ TxGemma AI ਪਹਿਲ ਅੰਦਰ

ਇੱਕ ਸੰਭਾਵੀ ਜੀਵਨ-ਰੱਖਿਅਕ ਦਵਾਈ ਦੀ ਯਾਤਰਾ, ਇੱਕ ਖੋਜਕਰਤਾ ਦੀ ਅੱਖ ਵਿੱਚ ਇੱਕ ਚਮਕ ਤੋਂ ਲੈ ਕੇ ਮਰੀਜ਼ ਦੇ ਬਿਸਤਰੇ ਤੱਕ, ਬਦਨਾਮ ਤੌਰ ‘ਤੇ ਲੰਬੀ, ਔਖੀ, ਅਤੇ ਹੈਰਾਨੀਜਨਕ ਤੌਰ ‘ਤੇ ਮਹਿੰਗੀ ਹੁੰਦੀ ਹੈ। ਇਹ ਅਣੂਆਂ ਦੇ ਆਪਸੀ ਤਾਲਮੇਲ, ਜੀਵ-ਵਿਗਿਆਨਕ ਮਾਰਗਾਂ, ਕਲੀਨਿਕਲ ਅਜ਼ਮਾਇਸ਼ਾਂ, ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਰੁਕਾਵਟਾਂ ਦੀ ਇੱਕ ਭੁੱਲ-ਭੁਲੱਈਆ ਹੈ। ਅਸਫਲਤਾ ਆਮ ਹੈ, ਸਫਲਤਾ ਦੁਰਲੱਭ ਅਤੇ ਮੁਸ਼ਕਲ ਨਾਲ ਜਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਦਹਾਕਿਆਂ ਤੋਂ, ਫਾਰਮਾਸਿਊਟੀਕਲ ਉਦਯੋਗ ਇਸ ਹਕੀਕਤ ਨਾਲ ਜੂਝ ਰਿਹਾ ਹੈ, ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾਉਣ, ਲਾਗਤਾਂ ਨੂੰ ਘਟਾਉਣ, ਅਤੇ, ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ, ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਇਲਾਜਾਂ ਦੀ ਸਪੁਰਦਗੀ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਦੇ ਤਰੀਕੇ ਲੱਭ ਰਿਹਾ ਹੈ। ਹੁਣ, ਤਕਨਾਲੋਜੀ ਦੀ ਦਿੱਗਜ ਕੰਪਨੀ Google ਇਸ ਗੁੰਝਲਦਾਰ ਖੇਤਰ ਵਿੱਚ ਹੋਰ ਅੱਗੇ ਵਧ ਰਹੀ ਹੈ, ਨਕਲੀ ਬੁੱਧੀ (AI) ਦੀ ਨੀਂਹ ‘ਤੇ ਬਣੇ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਨਵੇਂ ਸਾਧਨ ਦਾ ਪ੍ਰਸਤਾਵ ਦੇ ਰਹੀ ਹੈ: TxGemma। ਇਹ ਸਿਰਫ਼ ਇੱਕ ਹੋਰ ਐਲਗੋਰਿਦਮ ਨਹੀਂ ਹੈ; ਇਸਨੂੰ ਇੱਕ ਓਪਨ-ਸੋਰਸ ਉਤਪ੍ਰੇਰਕ ਵਜੋਂ ਸਥਾਪਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਖਾਸ ਤੌਰ ‘ਤੇ ਇਲਾਜ ਵਿਕਾਸ ਵਿੱਚ ਗੁੰਝਲਾਂ ਨੂੰ ਸੁਲਝਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।

ਜਨਰਲਿਸਟ AI ਤੋਂ ਵਿਸ਼ੇਸ਼ ਡਰੱਗ ਡਿਸਕਵਰੀ ਟੂਲ ਤੱਕ

ਜੀਵਨ ਵਿਗਿਆਨ ਲਈ ਵੱਡੇ ਭਾਸ਼ਾਈ ਮਾਡਲਾਂ (LLMs) ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ Google ਦੀ ਕੋਸ਼ਿਸ਼ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੀਂ ਨਹੀਂ ਹੈ। ਅਕਤੂਬਰ 2023 ਵਿੱਚ Tx-LLM ਦੀ ਸ਼ੁਰੂਆਤ ਨੇ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ, ਜੋ ਡਰੱਗ ਵਿਕਾਸ ਦੇ ਵੱਖ-ਵੱਖ ਪਹਿਲੂਆਂ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਨ ਦੇ ਉਦੇਸ਼ ਨਾਲ ਇੱਕ ਜਨਰਲਿਸਟ ਮਾਡਲ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਜੀਵ ਵਿਗਿਆਨ ਅਤੇ ਰਸਾਇਣ ਵਿਗਿਆਨ ਦੀਆਂ ਗੁੰਝਲਾਂ ਵਧੇਰੇ ਵਿਸ਼ੇਸ਼ ਸਾਧਨਾਂ ਦੀ ਮੰਗ ਕਰਦੀਆਂ ਹਨ। ਇਸ ਨੂੰ ਪਛਾਣਦੇ ਹੋਏ, Google ਇੰਜੀਨੀਅਰਾਂ ਨੇ ਆਪਣੇ ਕੰਮ ‘ਤੇ ਨਿਰਮਾਣ ਕੀਤਾ ਹੈ, ਆਪਣੇ ਚੰਗੀ ਤਰ੍ਹਾਂ ਮੰਨੇ ਜਾਂਦੇ Gemma ਮਾਡਲਾਂ ਦੇ ਆਰਕੀਟੈਕਚਰ ਦਾ ਲਾਭ ਉਠਾਉਂਦੇ ਹੋਏ TxGemma ਬਣਾਇਆ ਹੈ।

ਮਹੱਤਵਪੂਰਨ ਅੰਤਰ ਸਿਖਲਾਈ ਵਿੱਚ ਹੈ। ਜਦੋਂ ਕਿ ਆਮ LLMs ਟੈਕਸਟ ਅਤੇ ਕੋਡ ਦੇ ਵਿਸ਼ਾਲ ਭੰਡਾਰ ਤੋਂ ਸਿੱਖਦੇ ਹਨ, TxGemma ਨੂੰ ਇਲਾਜ ਵਿਕਾਸ ਨਾਲ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਸੰਬੰਧਿਤ ਡੇਟਾ ‘ਤੇ ਸਾਵਧਾਨੀ ਨਾਲ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ। ਇਹ ਕੇਂਦਰਿਤ ਸਿੱਖਿਆ ਮਾਡਲ ਨੂੰ ਡਰੱਗ ਖੋਜ ਦੀ ਭਾਸ਼ਾ ਅਤੇ ਤਰਕ ਦੀ ਇੱਕ ਸੂਖਮ ਸਮਝ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ। ਇਹ ਸਿਰਫ਼ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਸੰਭਾਵੀ ਡਰੱਗ ਉਮੀਦਵਾਰਾਂ ਦੀਆਂ ਉਹਨਾਂ ਦੇ ਜੀਵਨ ਚੱਕਰ ਦੌਰਾਨ ਗੁੰਝਲਦਾਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਮਝਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। ਇਸਨੂੰ ਇੱਕ ਪੌਲੀਮੈਥ AI ਤੋਂ ਫਾਰਮਾਸਿਊਟੀਕਲ ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਡਾਕਟਰੇਟ ਰੱਖਣ ਵਾਲੇ AI ਵਿੱਚ ਤਬਦੀਲ ਹੋਣ ਬਾਰੇ ਸੋਚੋ।

TxGemma ਨੂੰ ਇੱਕ ਓਪਨ-ਸੋਰਸ ਪ੍ਰੋਜੈਕਟ ਵਜੋਂ ਜਾਰੀ ਕਰਨ ਦਾ ਫੈਸਲਾ ਖਾਸ ਤੌਰ ‘ਤੇ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ। ਇਸ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਤਕਨਾਲੋਜੀ ਨੂੰ ਮਲਕੀਅਤੀ ਕੰਧਾਂ ਦੇ ਪਿੱਛੇ ਰੱਖਣ ਦੀ ਬਜਾਏ, Google ਗਲੋਬਲ ਖੋਜ ਭਾਈਚਾਰੇ - ਅਕਾਦਮਿਕ, ਬਾਇਓਟੈਕ ਸਟਾਰਟਅੱਪ, ਅਤੇ ਸਥਾਪਿਤ ਫਾਰਮਾਸਿਊਟੀਕਲ ਕੰਪਨੀਆਂ - ਨੂੰ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ, ਅਨੁਕੂਲਨ ਅਤੇ ਸੁਧਾਰ ਕਰਨ ਲਈ ਸੱਦਾ ਦੇ ਰਿਹਾ ਹੈ। ਇਹ ਸਹਿਯੋਗੀ ਪਹੁੰਚ ਡਿਵੈਲਪਰਾਂ ਨੂੰ TxGemma ਨੂੰ ਉਹਨਾਂ ਦੇ ਆਪਣੇ ਡੇਟਾਸੈਟਾਂ ‘ਤੇ ਫਾਈਨ-ਟਿਊਨ ਕਰਨ, ਇਸਨੂੰ ਖਾਸ ਖੋਜ ਪ੍ਰਸ਼ਨਾਂ ਅਤੇ ਮਲਕੀਅਤੀ ਪਾਈਪਲਾਈਨਾਂ ਦੇ ਅਨੁਸਾਰ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ, ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਨਵੀਨਤਾ ਦੀ ਇੱਕ ਤੇਜ਼, ਵਧੇਰੇ ਵੰਡੀ ਹੋਈ ਗਤੀ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦੀ ਹੈ।

AI ਪਾਵਰ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ: ਮਾਡਲ ਆਕਾਰ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਸਮਰੱਥਾਵਾਂ

ਇਹ ਸਮਝਦੇ ਹੋਏ ਕਿ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਰੋਤ ਖੋਜ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ, Google ਨੇ ਇੱਕ-ਆਕਾਰ-ਫਿੱਟ-ਸਭ ਹੱਲ ਪੇਸ਼ ਨਹੀਂ ਕੀਤਾ ਹੈ। TxGemma ਮਾਡਲਾਂ ਦੇ ਇੱਕ ਪੱਧਰੀ ਸੂਟ ਵਿੱਚ ਆਉਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਹਾਰਸਪਾਵਰ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ਕਤੀ ਦੇ ਵਿਚਕਾਰ ਸਰਵੋਤਮ ਸੰਤੁਲਨ ਚੁਣਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ:

• 2 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ: ਇੱਕ ਮੁਕਾਬਲਤਨ ਹਲਕਾ ਵਿਕਲਪ, ਵਧੇਰੇ ਸੀਮਤ ਹਾਰਡਵੇਅਰ ਵਾਲੇ ਵਾਤਾਵਰਣਾਂ ਲਈ ਜਾਂ ਉਹਨਾਂ ਕਾਰਜਾਂ ਲਈ ਢੁਕਵਾਂ ਜਿਨ੍ਹਾਂ ਲਈ ਘੱਟ ਗੁੰਝਲਦਾਰ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
• 9 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ: ਇੱਕ ਮੱਧ-ਰੇਂਜ ਮਾਡਲ ਜੋ ਸਮਰੱਥਾ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਾਧਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਪ੍ਰਬੰਧਨਯੋਗ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮੰਗਾਂ ਦੇ ਨਾਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ।
• 27 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ: ਫਲੈਗਸ਼ਿਪ ਮਾਡਲ, ਗੁੰਝਲਦਾਰ ਕਾਰਜਾਂ ‘ਤੇ ਵੱਧ ਤੋਂ ਵੱਧ ਪ੍ਰਦਰਸ਼ਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਲਈ ਕਾਫ਼ੀ ਹਾਰਡਵੇਅਰ ਸਰੋਤਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਪਰ ਸਭ ਤੋਂ ਡੂੰਘੀ ਸੂਝ ਦਾ ਵਾਅਦਾ ਕਰਦਾ ਹੈ।

ਇਹਨਾਂ ਮਾਡਲਾਂ ਵਿੱਚ ‘ਪੈਰਾਮੀਟਰਾਂ’ ਦੀ ਧਾਰਨਾ ਨੂੰ ਨੌਬਸ ਅਤੇ ਡਾਇਲਸ ਵਜੋਂ ਸੋਚਿਆ ਜਾ ਸਕਦਾ ਹੈ ਜੋ AI ਸਿੱਖਣ ਅਤੇ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨ ਲਈ ਵਰਤਦਾ ਹੈ। ਵਧੇਰੇ ਪੈਰਾਮੀਟਰ ਆਮ ਤੌਰ ‘ਤੇ ਡੇਟਾ ਵਿੱਚ ਵਧੇਰੇ ਗੁੰਝਲਦਾਰ ਪੈਟਰਨਾਂ ਅਤੇ ਸੂਖਮਤਾਵਾਂ ਨੂੰ ਕੈਪਚਰ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਉੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਵਧੇਰੇ ਆਧੁਨਿਕ ਸਮਰੱਥਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ, ਭਾਵੇਂ ਸਿਖਲਾਈ ਅਤੇ ਅਨੁਮਾਨ ਲਈ ਵਧੀਆਂ ਕੰਪਿਊਟੇਸ਼ਨਲ ਲੋੜਾਂ ਦੀ ਕੀਮਤ ‘ਤੇ।

ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ, ਹਰੇਕ ਆਕਾਰ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਇੱਕ ‘ਪ੍ਰੈਡਿਕਟ’ ਵਰਜਨ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਇਹ ਵਰਕਹਾਰਸ ਹਨ, ਖਾਸ, ਨਾਜ਼ੁਕ ਕਾਰਜਾਂ ਲਈ ਫਾਈਨ-ਟਿਊਨ ਕੀਤੇ ਗਏ ਹਨ ਜੋ ਡਰੱਗ ਵਿਕਾਸ ਪਾਈਪਲਾਈਨ ਨੂੰ ਵਿਰਾਮ ਦਿੰਦੇ ਹਨ:

1. ਵਰਗੀਕਰਨ (Classification): ਇਹਨਾਂ ਕਾਰਜਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਭਵਿੱਖਬਾਣੀਆਂ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। Google ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਇੱਕ ਕਲਾਸਿਕ ਉਦਾਹਰਨ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ ਕਿ ਕੀ ਕੋਈ ਖਾਸ ਅਣੂ ਖੂਨ-ਦਿਮਾਗ ਦੀ ਰੁਕਾਵਟ (blood-brain barrier) ਨੂੰ ਪਾਰ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਰੱਖਦਾ ਹੈ। ਇਹ Alzheimer’s ਜਾਂ Parkinson’s ਵਰਗੀਆਂ ਨਿਊਰੋਲੌਜੀਕਲ ਬਿਮਾਰੀਆਂ ਦੇ ਇਲਾਜ ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਗੇਟਕੀਪਰ ਸਵਾਲ ਹੈ। ਇੱਕ ਦਵਾਈ ਜੋ ਦਿਮਾਗ ਵਿੱਚ ਆਪਣੇ ਨਿਸ਼ਾਨੇ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚ ਸਕਦੀ, ਉਸਦੀਆਂ ਹੋਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ, ਬੇਅਸਰ ਹੁੰਦੀ ਹੈ। TxGemma ਦਾ ਉਦੇਸ਼ ਇਸ ਪਾਰਦਰਸ਼ਤਾ ਦੀ ਛੇਤੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਹੈ, ਕੀਮਤੀ ਸਮਾਂ ਅਤੇ ਸਰੋਤਾਂ ਦੀ ਬਚਤ ਕਰਨਾ ਜੋ ਸ਼ਾਇਦ ਗੈਰ-ਵਿਹਾਰਕ ਉਮੀਦਵਾਰਾਂ ‘ਤੇ ਖਰਚ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਹੋਰ ਵਰਗੀਕਰਨ ਕਾਰਜਾਂ ਵਿੱਚ ਜ਼ਹਿਰੀਲੇਪਣ, ਘੁਲਣਸ਼ੀਲਤਾ, ਜਾਂ ਪਾਚਕ ਸਥਿਰਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸ਼ਾਮਲ ਹੋ ਸਕਦਾ ਹੈ।
2. ਰਿਗਰੈਸ਼ਨ (Regression): ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਬਜਾਏ, ਰਿਗਰੈਸ਼ਨ ਕਾਰਜ ਨਿਰੰਤਰ ਸੰਖਿਆਤਮਕ ਮੁੱਲਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। ਇੱਕ ਪ੍ਰਮੁੱਖ ਉਦਾਹਰਨ ਇੱਕ ਦਵਾਈ ਦੀ ਬਾਈਡਿੰਗ ਐਫੀਨਿਟੀ (binding affinity) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਹੈ - ਇੱਕ ਸੰਭਾਵੀ ਡਰੱਗ ਅਣੂ ਆਪਣੇ ਇੱਛਤ ਜੀਵ-ਵਿਗਿਆਨਕ ਨਿਸ਼ਾਨੇ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਖਾਸ ਪ੍ਰੋਟੀਨ) ਨਾਲ ਕਿੰਨੀ ਮਜ਼ਬੂਤੀ ਨਾਲ ਜੁੜਦਾ ਹੈ। ਉੱਚ ਬਾਈਡਿੰਗ ਐਫੀਨਿਟੀ ਅਕਸਰ ਇੱਕ ਦਵਾਈ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਲਈ ਇੱਕ ਪੂਰਵ ਸ਼ਰਤ ਹੁੰਦੀ ਹੈ। ਇਸ ਮੁੱਲ ਦੀ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ ‘ਤੇ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਹੋਰ ਪ੍ਰਯੋਗਾਤਮਕ ਜਾਂਚ ਲਈ ਅਣੂਆਂ ਨੂੰ ਤਰਜੀਹ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਕੰਮ ਨੂੰ ਸਭ ਤੋਂ ਵੱਧ ਹੋਨਹਾਰ ਉਮੀਦਵਾਰਾਂ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਕਰ ਸਕਦਾ ਹੈ। ਹੋਰ ਰਿਗਰੈਸ਼ਨ ਕਾਰਜਾਂ ਵਿੱਚ ਖੁਰਾਕ ਦੇ ਪੱਧਰਾਂ ਜਾਂ ਸਮਾਈ ਦਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਸ਼ਾਮਲ ਹੋ ਸਕਦਾ ਹੈ।
3. ਜਨਰੇਸ਼ਨ (Generation): ਇਹ ਸਮਰੱਥਾ AI ਨੂੰ ਦਿੱਤੀਆਂ ਗਈਆਂ ਰੁਕਾਵਟਾਂ ਦੇ ਅਧਾਰ ‘ਤੇ ਨਵੇਂ ਅਣੂ ਢਾਂਚੇ ਜਾਂ ਰਸਾਇਣਕ ਇਕਾਈਆਂ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, Google ਨੋਟ ਕਰਦਾ ਹੈ ਕਿ ਮਾਡਲ ਪਿੱਛੇ ਵੱਲ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ: ਇੱਕ ਰਸਾਇਣਕ ਪ੍ਰਤੀਕ੍ਰਿਆ ਦੇ ਲੋੜੀਂਦੇ ਉਤਪਾਦ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, TxGemma ਲੋੜੀਂਦੇ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ ਜਾਂ ਸ਼ੁਰੂਆਤੀ ਸਮੱਗਰੀ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ। ਇਹ ਉਤਪੰਨ ਸ਼ਕਤੀ ਰਸਾਇਣਕ ਸਪੇਸ ਦੀ ਖੋਜ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ, ਰਸਾਇਣ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਸੰਸਲੇਸ਼ਣ ਮਾਰਗਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਜਾਂ ਲੋੜੀਂਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੇਂ ਅਣੂ ਸਕੈਫੋਲਡਸ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ।

ਇਹ ਬਹੁ-ਪੱਖੀ ਭਵਿੱਖਬਾਣੀ ਯੋਗਤਾ TxGemma ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਸਾਧਨ ਵਜੋਂ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਵਿਗਿਆਨਕ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਇੱਕ ਸਰਗਰਮ ਭਾਗੀਦਾਰ ਵਜੋਂ ਸਥਾਪਿਤ ਕਰਦੀ ਹੈ, ਜੋ ਕਈ ਨਾਜ਼ੁਕ ਮੋੜਾਂ ‘ਤੇ ਫੈਸਲਿਆਂ ਨੂੰ ਸੂਚਿਤ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ।

ਮਾਪਣਾ: ਪ੍ਰਦਰਸ਼ਨ ਬੈਂਚਮਾਰਕ ਅਤੇ ਪ੍ਰਭਾਵ

ਇੱਕ ਨਵਾਂ ਟੂਲ ਜਾਰੀ ਕਰਨਾ ਇੱਕ ਗੱਲ ਹੈ; ਇਸਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨਾ ਦੂਜੀ ਗੱਲ ਹੈ। Google ਨੇ ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ ਸਾਂਝਾ ਕੀਤਾ ਹੈ, ਖਾਸ ਤੌਰ ‘ਤੇ ਇਸਦੇ ਸਭ ਤੋਂ ਵੱਡੇ 27-ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ‘ਪ੍ਰੈਡਿਕਟ’ ਮਾਡਲ ਲਈ, ਜੋ ਮਹੱਤਵਪੂਰਨ ਤਰੱਕੀ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ। ਉਹਨਾਂ ਦੇ ਅੰਦਰੂਨੀ ਮੁਲਾਂਕਣਾਂ ਦੇ ਅਨੁਸਾਰ, ਇਹ ਫਲੈਗਸ਼ਿਪ TxGemma ਮਾਡਲ ਸਿਰਫ਼ ਆਪਣੇ ਪੂਰਵਜ, Tx-LLM ਨੂੰ ਪਛਾੜਦਾ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਅਕਸਰ ਕਾਰਜਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਇਸਦੇ ਬਰਾਬਰ ਜਾਂ ਇਸ ਤੋਂ ਵੱਧ ਜਾਂਦਾ ਹੈ।

ਦੱਸੇ ਗਏ ਅੰਕੜੇ ਮਜਬੂਰ ਕਰਨ ਵਾਲੇ ਹਨ: 27B TxGemma ਮਾਡਲ ਨੇ ਕਥਿਤ ਤੌਰ ‘ਤੇ 66 ਬੈਂਚਮਾਰਕ ਕਾਰਜਾਂ ਵਿੱਚੋਂ 64 ‘ਤੇ Tx-LLM ਨਾਲੋਂ ਵਧੀਆ ਜਾਂ ਤੁਲਨਾਤਮਕ ਪ੍ਰਦਰਸ਼ਨ ਦਿਖਾਇਆ, ਉਹਨਾਂ ਵਿੱਚੋਂ 45 ‘ਤੇ ਸਰਗਰਮੀ ਨਾਲ ਇਸ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ। ਇਹ ਇਲਾਜ ਦੇ ਖੇਤਰ ਵਿੱਚ ਜਨਰਲਿਸਟ ਸਮਰੱਥਾ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਛਾਲ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ।

ਸ਼ਾਇਦ ਹੋਰ ਵੀ ਹੈਰਾਨੀਜਨਕ TxGemma ਦਾ ਉੱਚ ਵਿਸ਼ੇਸ਼, ਸਿੰਗਲ-ਟਾਸਕ ਮਾਡਲਾਂ ਦੇ ਮੁਕਾਬਲੇ ਪ੍ਰਦਰਸ਼ਨ ਹੈ। ਅਕਸਰ, AI ਮਾਡਲ ਜੋ ਸਿਰਫ਼ ਇੱਕ ਖਾਸ ਕੰਮ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ (ਜਿਵੇਂ ਕਿ ਘੁਲਣਸ਼ੀਲਤਾ ਜਾਂ ਜ਼ਹਿਰੀਲੇਪਣ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ) ਉਸ ਖਾਸ ਕੰਮ ‘ਤੇ ਵਧੇਰੇ ਜਨਰਲਿਸਟ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਨ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ, Google ਦਾ ਡੇਟਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ 27B TxGemma 50 ਵੱਖ-ਵੱਖ ਕਾਰਜਾਂ ‘ਤੇ ਇਹਨਾਂ ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਦਾ ਮੁਕਾਬਲਾ ਕਰਦਾ ਹੈ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਪਛਾੜਦਾ ਹੈ, 26 ‘ਤੇ ਉਹਨਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਪਛਾੜਦਾ ਹੈ।

ਇਸਦਾ ਵਿਹਾਰਕ ਰੂਪ ਵਿੱਚ ਕੀ ਅਰਥ ਹੈ? ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ ਦਰਜਨਾਂ ਵੱਖ-ਵੱਖ, ਤੰਗ-ਕੇਂਦ੍ਰਿਤ AI ਸਾਧਨਾਂ ਦੇ ਪੈਚਵਰਕ ਦੀ ਲੋੜ ਨਹੀਂ ਹੋ ਸਕਦੀ। TxGemma ਵਰਗਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਜਨਰਲਿਸਟ ਮਾਡਲ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਇੱਕ ਏਕੀਕ੍ਰਿਤ ਪਲੇਟਫਾਰਮ ਵਜੋਂ ਕੰਮ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਡਰੱਗ ਖੋਜ ਵਰਕਫਲੋ ਦੇ ਅੰਦਰ ਵਿਭਿੰਨ ਭਵਿੱਖਬਾਣੀ ਚੁਣੌਤੀਆਂ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਸਮਰੱਥ ਹੈ। ਇਹ ਵਰਕਫਲੋ ਨੂੰ ਸਰਲ ਬਣਾ ਸਕਦਾ ਹੈ, ਕਈ ਵੱਖ-ਵੱਖ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਨੂੰ ਘਟਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਡਰੱਗ ਉਮੀਦਵਾਰ ਦੀ ਸੰਭਾਵੀ ਪ੍ਰੋਫਾਈਲ ਦਾ ਵਧੇਰੇ ਸੰਪੂਰਨ ਦ੍ਰਿਸ਼ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ। ਇੱਕ ਸਿੰਗਲ, ਭਾਵੇਂ ਵੱਡਾ, ਮਾਡਲ ਦੀ ਕਾਰਜ-ਵਿਸ਼ੇਸ਼ ਮਾਹਿਰਾਂ ਦੇ ਵਿਰੁੱਧ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵਿਆਪਕ, ਡੋਮੇਨ-ਕੇਂਦ੍ਰਿਤ ਸਿਖਲਾਈ ਡੇਟਾ ਅਤੇ ਆਧੁਨਿਕ ਮਾਡਲ ਆਰਕੀਟੈਕਚਰ ਦੀ ਸ਼ਕਤੀ ਨੂੰ ਰੇਖਾਂਕਿਤ ਕਰਦੀ ਹੈ। ਇਹ ਇੱਕ ਅਜਿਹੇ ਭਵਿੱਖ ਵੱਲ ਇਸ਼ਾਰਾ ਕਰਦਾ ਹੈ ਜਿੱਥੇ ਏਕੀਕ੍ਰਿਤ AI ਪਲੇਟਫਾਰਮ ਫਾਰਮਾਸਿਊਟੀਕਲ R&D ਲਈ ਕੇਂਦਰੀ ਹੱਬ ਬਣ ਜਾਂਦੇ ਹਨ।

ਸੰਖਿਆਵਾਂ ਤੋਂ ਪਰੇ: TxGemma-Chat ਨਾਲ ਇੱਕ ਵਿਗਿਆਨਕ ਸੰਵਾਦ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਾ

ਜਦੋਂ ਕਿ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸ਼ੁੱਧਤਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਵਿਗਿਆਨਕ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਅਕਸਰ ਸਿਰਫ਼ ਸਹੀ ਜਵਾਬ ਪ੍ਰਾਪਤ ਕਰਨ ਤੋਂ ਵੱਧ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਇਹ ਸਮਝਣਾ ਸ਼ਾਮਲ ਹੈ ਕਿ ਕਿਉਂ ਇੱਕ ਜਵਾਬ ਸਹੀ ਹੈ, ਵਿਕਲਪਕ ਪਰਿਕਲਪਨਾਵਾਂ ਦੀ ਪੜਚੋਲ ਕਰਨਾ, ਅਤੇ ਦੁਹਰਾਓ ਵਾਲੇ ਸੁਧਾਰ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣਾ। ਇਸ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, Google ਨੇ TxGemma-Chat ਮਾਡਲ ਵੀ ਪੇਸ਼ ਕੀਤੇ ਹਨ, ਜੋ 9B ਅਤੇ 27B ਪੈਰਾਮੀਟਰ ਕੌਂਫਿਗਰੇਸ਼ਨਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹਨ।

ਇਹ ਗੱਲਬਾਤ ਵਾਲੇ ਸੰਸਕਰਣ ਇਸ ਗੱਲ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਕਾਸ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਕਿ ਖੋਜਕਰਤਾ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ AI ਨਾਲ ਕਿਵੇਂ ਗੱਲਬਾਤ ਕਰ ਸਕਦੇ ਹਨ। ਸਿਰਫ਼ ਡੇਟਾ ਇਨਪੁਟ ਕਰਨ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਬਜਾਏ, ਵਿਗਿਆਨੀ TxGemma-Chat ਨਾਲ ਗੱਲਬਾਤ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ। ਉਹ ਮਾਡਲ ਨੂੰ ਇਸਦੇ ਸਿੱਟਿਆਂ ਪਿੱਛੇ ਤਰਕ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ ਕਹਿ ਸਕਦੇ ਹਨ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਮਾਡਲ ਇੱਕ ਅਣੂ ਲਈ ਘੱਟ ਬਾਈਡਿੰਗ ਐਫੀਨਿਟੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਤਾਂ ਇੱਕ ਖੋਜਕਰਤਾ ਪੁੱਛ ਸਕਦਾ ਹੈ ਕਿ ਕਿਉਂ ਇਹ ਉਸ ਸਿੱਟੇ ‘ਤੇ ਪਹੁੰਚਿਆ, ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਖਾਸ ਢਾਂਚਾਗਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਜਾਂ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਚਲਾਉਣ ਵਾਲੇ ਆਪਸੀ ਤਾਲਮੇਲ ਬਾਰੇ ਸੂਝ ਦਾ ਪਰਦਾਫਾਸ਼ ਕਰ ਸਕਦਾ ਹੈ।

ਇਹ ਸਮਰੱਥਾ AI ਨੂੰ ਇੱਕ ਬਲੈਕ ਬਾਕਸ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਤੋਂ ਇੱਕ ਸੰਭਾਵੀ ਸਹਿਯੋਗੀ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ। ਖੋਜਕਰਤਾ ਗੁੰਝਲਦਾਰ, ਬਹੁ-ਪੱਖੀ ਸਵਾਲ ਪੁੱਛ ਸਕਦੇ ਹਨ ਜੋ ਸਧਾਰਨ ਵਰਗੀਕਰਨ ਜਾਂ ਰਿਗਰੈਸ਼ਨ ਤੋਂ ਪਰੇ ਜਾਂਦੇ ਹਨ। ਮਾਡਲ ਨੂੰ ਸੰਭਾਵੀ ਆਫ-ਟਾਰਗੇਟ ਪ੍ਰਭਾਵਾਂ ਬਾਰੇ ਪੁੱਛਗਿੱਛ ਕਰਨ ਦੀ ਕਲਪਨਾ ਕਰੋ, ਇੱਕ ਖਾਸ ਜੀਵ-ਵਿਗਿਆਨਕ ਮਾਰਗ ਨਾਲ ਸਬੰਧਤ ਸਾਹਿਤ ਦੇ ਸੰਖੇਪਾਂ ਦੀ ਮੰਗ ਕਰਨਾ, ਜਾਂ ਇਸ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਲੀਡ ਕੰਪਾਊਂਡ ਵਿੱਚ ਸੋਧਾਂ ਬਾਰੇ ਵਿਚਾਰ-ਵਟਾਂਦਰਾ ਕਰਨਾ।

ਇਹਨਾਂ ਗੱਲਬਾਤ ਵਾਲੇ ਆਪਸੀ ਤਾਲਮੇਲ ਵਿੱਚ ਖੋਜ ਚੱਕਰ ਨੂੰ ਨਾਟਕੀ ਢੰਗ ਨਾਲ ਤੇਜ਼ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਡੇਟਾਬੇਸ ਨੂੰ ਹੱਥੀਂ ਖੋਜਣ ਜਾਂ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਵਿੱਚ ਘੰਟੇ ਬਿਤਾਉਣ ਦੀ ਬਜਾਏ, ਖੋਜਕਰਤਾ ਤੇਜ਼ ਜਾਣਕਾਰੀ ਸੰਸਲੇਸ਼ਣ, ਪਰਿਕਲਪਨਾ ਉਤਪਤੀ, ਅਤੇ ਸਮੱਸਿਆ-ਨਿਪਟਾਰੇ ਲਈ TxGemma-Chat ਦਾ ਲਾਭ ਉਠਾ ਸਕਦੇ ਹਨ। ਇਹ ਇੰਟਰਐਕਟਿਵ ਤੱਤ ਡੂੰਘੀ ਸਮਝ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਜਾਂਚ ਦੇ ਨਵੇਂ ਰਾਹ ਖੋਲ੍ਹ ਸਕਦਾ ਹੈ ਜੋ ਸ਼ਾਇਦ ਖੁੰਝ ਗਏ ਹੋਣ। ਇਹ ਮਨੁੱਖੀ ਵਿਗਿਆਨਕ ਟੀਮਾਂ ਦੇ ਸਹਿਯੋਗੀ ਸੁਭਾਅ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਇੱਕ AI ਸਾਥੀ ਨੂੰ ਜੋੜਦਾ ਹੈ ਜੋ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਅਤੇ ਇਸਦੀ ‘ਵਿਚਾਰ ਪ੍ਰਕਿਰਿਆ’ ਨੂੰ ਸਪਸ਼ਟ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ।

ਇਸਨੂੰ ਇਕੱਠੇ ਬੁਣਨਾ: Agentic-Tx ਫਰੇਮਵਰਕ ਅਤੇ ਏਕੀਕ੍ਰਿਤ ਟੂਲਿੰਗ

ਅਸਲ-ਸੰਸਾਰ ਡਰੱਗ ਖੋਜ ਵਿੱਚ ਘੱਟ ਹੀ ਅਲੱਗ-ਥਲੱਗ ਭਵਿੱਖਬਾਣੀ ਕਾਰਜ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ। ਇਹ ਇੱਕ ਗੁੰਝਲਦਾਰ, ਬਹੁ-ਪੜਾਵੀ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸ ਲਈ ਵਿਭਿੰਨ ਸਰੋਤਾਂ ਤੋਂ ਜਾਣਕਾਰੀ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ, ਕ੍ਰਮਵਾਰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ, ਅਤੇ ਅਪ-ਟੂ-ਦ-ਮਿੰਟ ਗਿਆਨ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਸ ਨੂੰ ਪਛਾਣਦੇ ਹੋਏ, Google ਨੇ Agentic-Tx ਦੀ ਵੀ ਘੋਸ਼ਣਾ ਕੀਤੀ, ਇੱਕ ਵਧੇਰੇ ਆਧੁਨਿਕ ਫਰੇਮਵਰਕ ਜੋ ਇਸਦੇ ਸ਼ਕਤੀਸ਼ਾਲੀ Gemini 1.5 Pro ਮਾਡਲ ‘ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ।

Agentic-Tx ਨੂੰ ਕਈ ਸਟੈਂਡਅਲੋਨ AI ਮਾਡਲਾਂ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਖ ਸੀਮਾਵਾਂ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ: ਰੀਅਲ-ਟਾਈਮ, ਬਾਹਰੀ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚ ਕਰਨਾ ਅਤੇ ਗੁੰਝਲਦਾਰ, ਬਹੁ-ਪੜਾਵੀ ਤਰਕ ਕਾਰਜਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨਾ। ਇਹ ਇੱਕ ਸਿੰਗਲ ਟੂਲ ਵਾਂਗ ਘੱਟ ਕੰਮ ਕਰਦਾ ਹੈ ਅਤੇ ਇੱਕ ਬੁੱਧੀਮਾਨ ਏਜੰਟ ਜਾਂ ਖੋਜ ਸਹਾਇਕ ਵਾਂਗ ਵਧੇਰੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਜੋ ਗੁੰਝਲਦਾਰ ਵਿਗਿਆਨਕ ਚੁਣੌਤੀਆਂ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਇੱਕ ਵਰਚੁਅਲ ਟੂਲਕਿੱਟ ਨਾਲ ਲੈਸ ਹੈ।

ਇਹ ਟੂਲਕਿੱਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਵਿਆਪਕ ਹੈ, ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਅਤੇ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ:

• ਇੱਕ ਟੂਲ ਵਜੋਂ TxGemma: TxGemma ਦੀ ਭਵਿੱਖਬਾਣੀ ਅਤੇ ਤਰਕ ਸ਼ਕਤੀ ਨੂੰ Agentic-Tx ਫਰੇਮਵਰਕ ਦੇ ਅੰਦਰ ਮੁੱਖ ਸਾਧਨਾਂ ਵਿੱਚੋਂ ਇੱਕ ਵਜੋਂ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਏਜੰਟ ਨੂੰ ਇਸਦੇ ਵਿਸ਼ੇਸ਼ ਇਲਾਜ ਸੰਬੰਧੀ ਗਿਆਨ ਦਾ ਲਾਭ ਉਠਾਉਣ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ।
• ਆਮ ਖੋਜ ਸਮਰੱਥਾਵਾਂ: Agentic-Tx ਵਿਸ਼ਾਲ ਬਾਹਰੀ ਗਿਆਨ ਅਧਾਰਾਂ ਵਿੱਚ ਟੈਪ ਕਰ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ PubMed (ਬਾਇਓਮੈਡੀਕਲ ਸਾਹਿਤ ਲਈ ਪ੍ਰਾਇਮਰੀ ਡੇਟਾਬੇਸ), Wikipedia, ਅਤੇ ਵਿਆਪਕ ਵੈੱਬ ਸ਼ਾਮਲ ਹਨ। ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਏਜੰਟ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨਵੀਨਤਮ ਖੋਜ ਖੋਜਾਂ ਅਤੇ ਆਮ ਵਿਗਿਆਨਕ ਸੰਦਰਭ ਦੁਆਰਾ ਸੂਚਿਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
• ਵਿਸ਼ੇਸ਼ ਅਣੂ ਟੂਲ: ਵਿਸ਼ੇਸ਼ ਸਾਧਨਾਂ ਨਾਲ ਏਕੀਕਰਣ ਅਣੂ ਡੇਟਾ ਦੇ ਸਿੱਧੇ ਹੇਰਾਫੇਰੀ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ, ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਢਾਂਚਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਜਾਂ ਸੰਪਤੀ ਗਣਨਾ ਵਰਗੇ ਕਾਰਜ ਕਰਦਾ ਹੈ।
• ਜੀਨ ਅਤੇ ਪ੍ਰੋਟੀਨ ਟੂਲ: ਜੀਨੋਮਿਕਸ ਅਤੇ ਪ੍ਰੋਟੀਓਮਿਕਸ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਡੇਟਾਬੇਸ ਅਤੇ ਸਾਧਨਾਂ ਤੱਕ ਪਹੁੰਚ ਏਜੰਟ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਜੀਵ-ਵਿਗਿਆਨਕ ਸੰਦਰਭ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਜੀਨ ਫੰਕਸ਼ਨ, ਪ੍ਰੋਟੀਨ ਪਰਸਪਰ ਪ੍ਰਭਾਵ, ਅਤੇ ਮਾਰਗ ਵਿਸ਼ਲੇਸ਼ਣ।

ਇਹਨਾਂ 18 ਵੱਖ-ਵੱਖ ਸਾਧਨਾਂ ਦਾ ਤਾਲਮੇਲ ਕਰਕੇ, Agentic-Tx ਦਾ ਉਦੇਸ਼ ਗੁੰਝਲਦਾਰ ਖੋਜ ਵਰਕਫਲੋ ਨੂੰ ਸੰਭਾਲਣਾ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਕ੍ਰਮਵਾਰ ਕਦਮਾਂ ਅਤੇ ਜਾਣਕਾਰੀ ਏਕੀਕਰਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਖੋਜਕਰਤਾ Agentic-Tx ਨੂੰ ਇੱਕ ਖਾਸ ਬਿਮਾਰੀ ਲਈ ਸੰਭਾਵੀ ਡਰੱਗ ਟੀਚਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ, ਉਹਨਾਂ ਟੀਚਿਆਂ ‘ਤੇ ਨਵੀਨਤਮ ਸਾਹਿਤ ਪ੍ਰਾਪਤ ਕਰਨ, ਜਾਣੇ-ਪਛਾਣੇ ਇਨਿਹਿਬਟਰਾਂ ਦੀ ਬਾਈਡਿੰਗ ਐਫੀਨਿਟੀ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ TxGemma ਦੀ ਵਰਤੋਂ ਕਰਨ, ਪ੍ਰੋਟੀਨ ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸੰਭਾਵੀ ਆਫ-ਟਾਰਗੇਟ ਪ੍ਰਭਾਵਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ, ਅਤੇ ਅੰਤ ਵਿੱਚ, ਸਹਾਇਕ ਸਬੂਤਾਂ ਨਾਲ ਖੋਜਾਂ ਦਾ ਸਾਰ ਦੇਣ ਲਈ ਕਹਿ ਸਕਦਾ ਹੈ। ਇਹ ਏਕੀਕ੍ਰਿਤ, ਏਜੰਟ-ਅਧਾਰਤ ਪਹੁੰਚ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਮਨੁੱਖੀ ਖੋਜਕਰਤਾ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਨਾਲ ਕਿਵੇਂ ਨਜਿੱਠਦੇ ਹਨ, ਪਰ ਬਹੁਤ ਤੇਜ਼ ਜਾਣਕਾਰੀ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਨਾਲ।

ਖੁੱਲ੍ਹੇ ਦਰਵਾਜ਼ੇ: ਪਹੁੰਚਯੋਗਤਾ ਅਤੇ ਸਹਿਯੋਗੀ ਭਵਿੱਖ

ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਉਦੋਂ ਹੀ ਲਾਭਦਾਇਕ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇਹ ਪਹੁੰਚਯੋਗ ਹੋਵੇ। Google ਸਥਾਪਿਤ ਪਲੇਟਫਾਰਮਾਂ ਜਿਵੇਂ ਕਿ Vertex AI Model Garden ਅਤੇ ਪ੍ਰਸਿੱਧ ਓਪਨ-ਸੋਰਸ ਹੱਬ Hugging Face ਦੁਆਰਾ TxGemma ਨੂੰ ਖੋਜ ਭਾਈਚਾਰੇ ਲਈ ਆਸਾਨੀ ਨਾਲ ਉਪਲਬਧ ਕਰਵਾ ਰਿਹਾ ਹੈ। ਇਹ ਦਾਖਲੇ ਦੀ ਰੁਕਾਵਟ ਨੂੰ ਘੱਟ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਦੁਨੀਆ ਭਰ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੂੰ TxGemma ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨਾ ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਕੰਮ ਵਿੱਚ ਮੁਕਾਬਲਤਨ ਆਸਾਨੀ ਨਾਲ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਨ ਦੀ ਆਗਿਆ ਮਿਲਦੀ ਹੈ।

ਮਾਡਲਾਂ ਦੇ ਓਪਨ-ਸੋਰਸ ਸੁਭਾਅ ‘ਤੇ ਜ਼ੋਰ ਭਾਈਚਾਰਕ ਸ਼ਮੂਲੀਅਤ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ ਇੱਕ ਜਾਣਬੁੱਝ ਕੇ ਰਣਨੀਤੀ ਹੈ। Google ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਆਪਣੀ ਉਮੀਦ ਦੱਸਦਾ ਹੈ ਕਿ ਖੋਜਕਰਤਾ ਨਾ ਸਿਰਫ਼ TxGemma ਦੀ ਵਰਤੋਂ ਕਰਨਗੇ, ਸਗੋਂ ਇਸ ‘ਤੇ ਦੁਹਰਾਉਣਗੇ, ਇਸ ਨੂੰ ਹੋਰ ਵਧੀਆ ਬਣਾਉਣਗੇ, ਅਤੇ ਆਪਣੇ ਸੁਧਾਰਾਂ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨਗੇ। ਇਹ ਇੱਕ ਨੇਕ ਚੱਕਰ ਬਣਾਉਂਦਾ ਹੈ: ਜਿਵੇਂ ਕਿ ਭਾਈਚਾਰਾ ਮਾਡਲਾਂ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ, ਡ