UPSC కరెంట్ అఫైర్స్ 25th ఆగస్టు 2026

వార్తల్లో ఎందుకు ఉంది?

స్టాన్‌ఫోర్డ్ యూనివర్సిటీ, ఆర్క్ ఇన్‌స్టిట్యూట్ శాస్త్రవేత్తలు పూర్తి బ్యాక్టీరియోఫేజ్ జీనోమ్‌లను (Bacteriophage genomes) రూపొందించారు. దీనికోసం వారు కృత్రిమ మేధస్సును (AI) ఉపయోగించారు. వారు ప్రయోగశాలలో 285 డిజైన్లను పరీక్షించారు. వీటిలో 16 డిజైన్లు క్రియాశీల ఫేజ్‌లను (Functional phages) ఉత్పత్తి చేశాయి. కొన్ని ఫేజ్‌లు బ్యాక్టీరియా నిరోధకతను (Bacterial resistance) విజయవంతంగా ఎదుర్కొన్నాయి. ఈ ప్రయోగం ఒక ముఖ్యమైన మార్పును సూచిస్తుంది. AI కేవలం జన్యువులను విశ్లేషించడమే కాకుండా, కొత్త జీవ డిజైన్లను సూచిస్తోంది. ఇది కొత్త వైద్య అవకాశాలను సృష్టిస్తోంది. అదే సమయంలో జీవ భద్రత పట్ల ఆందోళనలను కూడా పెంచుతోంది.

స్టాన్‌ఫోర్డ్-ఆర్క్ ప్రయోగం

పరిశోధకులు ఇవో 1 (Evo 1), ఇవో 2 (Evo 2) లను ఉపయోగించారు. ఇవి జీనోమ్ లాంగ్వేజ్ మోడల్స్ (Genome language models). వీటి సహాయంతో వారు బ్యాక్టీరియోఫేజ్‌ల పూర్తి జన్యువులను సృష్టించారు. బ్యాక్టీరియోఫేజ్‌లు అంటే బ్యాక్టీరియాకు సోకే వైరస్‌లు.

కంప్యూటేషనల్ దశ (Computational Stage)

AI మోడల్స్ కింది పనులు చేశాయి:

• ΦX174 కి సంబంధించిన వేలాది ఫేజ్ జన్యువులను ఇవి అధ్యయనం చేశాయి.
• వాటి జన్యు శ్రేణులలోని (Genetic sequences) నమూనాలను (Patterns) ఇవి గుర్తించాయి.
• అంతకు ముందు ఎవరూ చూడని కొత్త ΦX174 తరహా జన్యువులను సృష్టించాయి.
• మొత్తం జన్యువులలో చేయాల్సిన మార్పుల కలయికలను ఇవి ప్రతిపాదించాయి.

ప్రయోగశాల దశ (Laboratory Stage)

శాస్త్రవేత్తలు కింది పనులు చేశారు:

• AI రూపొందించిన 285 జన్యు శ్రేణులను వారు ఎంచుకున్నారు.
• ఆయా డిజైన్లకు సంబంధించిన డిఎన్ఏను (DNA) వారు భౌతికంగా తయారు చేశారు.
• ఆ డిఎన్ఏను ఈ-కోలి (E. coli) బ్యాక్టీరియాలోకి ప్రవేశపెట్టారు.
• బ్యాక్టీరియా వ్యవస్థ ఫేజ్ కణాలను ఉత్పత్తి చేస్తుందో లేదో వారు గమనించారు.
• చివరగా, తయారైన ఫేజ్‌లు ఎలా పనిచేస్తున్నాయో వారు పరీక్షించారు.

పదహారు డిజైన్లు సక్రమంగా పనిచేసే ఫేజ్‌లను ఉత్పత్తి చేశాయి. అసలైన ΦX174 ను ఎదిరించిన బ్యాక్టీరియా రకాలపై కూడా కొన్ని ఫేజ్‌లు విజయవంతంగా పనిచేశాయి. అంటే, కంప్యూటర్ భౌతికంగా వైరస్‌ను సృష్టించలేదు. AI కేవలం జన్యు నమూనాను (Genetic blueprint) మాత్రమే ప్రతిపాదించింది. మానవ పరిశోధకులు వాటిని ఎంచుకుని, తయారు చేసి, పరీక్షించారు.

బ్యాక్టీరియోఫేజ్‌ల గురించి (About Bacteriophages)

బ్యాక్టీరియోఫేజ్ అంటే “బ్యాక్టీరియాను తినేవి” అని అర్థం. ఇవి బ్యాక్టీరియాకు సోకే వైరస్‌లు.

వీటి లక్షణాలు:

• ప్రకృతిలో అత్యధికంగా ఉండే జీవ జాతులలో ఇవి కూడా ఒకటి.
• సాధారణంగా ఇవి నిర్దిష్ట బ్యాక్టీరియా లేదా బ్యాక్టీరియా రకాలను లక్ష్యంగా చేసుకుంటాయి.
• ఇవి తమ సంఖ్యను పెంచుకోవడానికి బ్యాక్టీరియా వ్యవస్థను వాడుకుంటాయి.
• ఇవి సోకిన బ్యాక్టీరియా కణాన్ని నాశనం చేస్తాయి.

కొన్ని ఇన్ఫెక్షన్లు యాంటీబయాటిక్స్‌కు (Antibiotics) లొంగవు. అటువంటి వాటిని ఎదుర్కోవడంలో ఈ బ్యాక్టీరియోఫేజ్‌లు చాలా ఉపయోగపడతాయి. ఇవి బ్యాక్టీరియాను కచ్చితంగా లక్ష్యంగా చేసుకునే సామర్థ్యాన్ని కలిగి ఉంటాయి.

ఫేజ్ థెరపీ పరిమితులు (Limitations of Phage Therapy)

• ఒక బ్యాక్టీరియా రకంపై బాగా పనిచేసే ఫేజ్, మరొక రకంపై విఫలం కావచ్చు.
• బ్యాక్టీరియా ఈ ఫేజ్‌లకు వ్యతిరేకంగా నిరోధకతను (Resistance) పెంచుకోగలదు.
• తగిన సహజ ఫేజ్‌ను గుర్తించడానికి సుదీర్ఘమైన పరీక్షలు (Screening) చేయాల్సి ఉంటుంది.

ఉత్పాదక జీవశాస్త్రం శాస్త్రవేత్తలకు ఇక్కడ సహాయపడుతుంది. వారు కేవలం ప్రకృతిలో దొరికే ఫేజ్‌లపై మాత్రమే ఆధారపడాల్సిన అవసరం లేదు. తమకు కావాల్సిన విధంగా వారు ఫేజ్‌లను కస్టమైజ్ చేసి (Customised) డిజైన్ చేసుకోవచ్చు.

ΦX174 ఎందుకు ముఖ్యం?

• ΦX174 అనేది ఒక చిన్న బ్యాక్టీరియోఫేజ్. 1977లో మొదటిసారిగా దీని పూర్తి డిఎన్ఏ జీనోమ్‌ను శాస్త్రవేత్తలు సీక్వెన్స్ (Sequence) చేశారు.
• తెలిసిన వైరల్ సీక్వెన్స్‌లను రసాయనికంగా తయారు చేయవచ్చని 2000ల నాటికి శాస్త్రవేత్తలు నిరూపించారు. అలాగే వాటిని ఉపయోగించి సక్రమంగా పనిచేసే వైరస్‌లను తిరిగి పొందవచ్చని వారు చూపించారు.

స్టాన్‌ఫోర్డ్-ఆర్క్ ప్రయోగానికి ముందే పరిశోధకులకు కింది విషయాలు తెలుసు:

• సహజ ΦX174 జన్యువు గురించి వారికి తెలుసు.
• దాని డిఎన్ఏను ఎలా తయారు చేయాలో తెలుసు.
• ఆ డిఎన్ఏను బ్యాక్టీరియాలోకి ఎలా ప్రవేశపెట్టాలో తెలుసు.
• పనిచేసే ఫేజ్‌లను ఎలా తిరిగి పొందాలో తెలుసు.

అయితే ఇక్కడ కొత్త విషయం ఏమిటంటే, ఏ జన్యువును తయారు చేయాలో నిర్ణయించడానికి వారు AI ని ఉపయోగించారు.

జన్యు విజ్ఞాన పరిణామం (Evolution of Genomic Science)

• 2011–12 లో ఇన్‌ఫ్లుఎంజా (Influenza) పై శాస్త్రవేత్తలు గెయిన్-ఆఫ్-ఫంక్షన్ ప్రయోగాలు చేశారు. జన్యుపరమైన మార్పులు ప్రయోగ జంతువులలో వైరస్ వ్యాప్తిని ఎలా మారుస్తాయో ఆ ప్రయోగాలు చూపించాయి.
• ఇటువంటి పరిశోధనలు నిరంతర సందిగ్ధతను (Dilemma) సృష్టిస్తాయి. ఇదే శాస్త్రీయ సామర్థ్యం భవిష్యత్తులో వచ్చే మహమ్మారులను ఎదుర్కోవడానికి సహాయపడుతుంది. కానీ అదే సమయంలో ఇది జీవ భద్రత (Biosafety), బయోసెక్యూరిటీ (Biosecurity) ప్రమాదాలను కూడా తెస్తుంది. ఉత్పాదక జీవశాస్త్రం (Generative biology) ఈ సవాలుకు మరింత వేగాన్ని, స్థాయిని జోడిస్తుంది.

ఉత్పాదక జీవశాస్త్రం (Generative Biology) అంటే ఏమిటి?

ఉత్పాదక జీవశాస్త్రం అనేది కృత్రిమ మేధస్సు (AI), సింథటిక్ బయాలజీల (Synthetic biology) కలయిక.

బయోలాజికల్ ఫౌండేషన్ మోడల్స్ (Biological foundation models) కింది వాటి వ్యాకరణం, నిర్మాణం, నమూనాలను నేర్చుకుంటాయి:

• డిఎన్ఏ (DNA)
• ఆర్ఎన్ఏ (RNA)
• మాంసకృత్తులు (Proteins)

అనంతరం ఇవి నిర్దిష్ట పనులను చేయడానికి కొత్త శ్రేణులను (Sequences) లేదా జీవ నమూనాలను సృష్టిస్తాయి. సక్రమంగా పనిచేసే జీవ వస్తువులను డి నోవో (De novo) పద్ధతిలో రూపొందించడం ఈ రంగం ప్రధాన లక్ష్యం. డి నోవో అంటే మొదటి నుంచి తయారు చేయడం అని అర్థం.

జీనోమ్ లాంగ్వేజ్ మోడల్స్ ఎలా పనిచేస్తాయి?

సాధారణ లాంగ్వేజ్ మోడల్ పదాల మధ్య ఉన్న సంబంధాలను నేర్చుకుంటుంది. కానీ, జీనోమ్ లాంగ్వేజ్ మోడల్ జీవ శ్రేణులలోని (Biological sequences) నమూనాలను అధ్యయనం చేస్తుంది.

ఇది కింది డిఎన్ఏ అక్షరాల (DNA alphabet) నుంచి నేర్చుకుంటుంది:

• A: అడెనిన్ (Adenine)
• C: సైటోసిన్ (Cytosine)
• G: గ్వానిన్ (Guanine)
• T: థైమిన్ (Thymine)

పెద్ద జన్యు డేటాసెట్ల (Genomic datasets) నుంచి ఈ మోడల్ కింది విషయాలను నేర్చుకుంటుంది:

• ఏ జన్యు శ్రేణులు సాధారణంగా కలిసి వస్తాయి.
• వేర్వేరు జన్యు ప్రాంతాలను ఎలా నిర్మిస్తారు.
• ఏ మార్పులు ఒకదానికొకటి అనుకూలంగా ఉంటాయి.
• ఒక పూర్తి జన్యువు ఎలా సక్రమంగా పనిచేస్తుంది.

ఈ నమూనాల ఆధారంగా మోడల్ కొత్త శ్రేణులను సృష్టిస్తుంది. అయితే, ఇలా గణాంక నమూనాలను గుర్తించినంత మాత్రాన, దానికి జీవశాస్త్రంపై పూర్తి అవగాహన ఉన్నట్లు కాదు

శాస్త్రీయ ప్రాముఖ్యత

మొత్తం జన్యువు రూపకల్పన (Whole-genome Design)

ఈ మోడల్స్ కేవలం వ్యక్తిగత మార్పులను (Mutations) మాత్రమే సూచించలేదు. ఇవి ఏకంగా పూర్తి జన్యువులను (Complete genomes) సృష్టించాయి.

సమన్వయంతో కూడిన జన్యుపరమైన మార్పులు (Coordinated Genetic Changes)

సాధారణంగా, జీవసంబంధమైన పనులు (Biological functions) జరగాలంటే అనేక జన్యుపరమైన మార్పులు కలిసి పనిచేయాలి. AI రూపొందించిన ఒక ఫేజ్, వైరల్ ప్రొటీన్‌ను ఇతర మార్పులతో విజయవంతంగా కలిపింది. సాంప్రదాయ ఇంజనీరింగ్ విధానంలో ఇలా చేయడం చాలా కష్టం.

విస్తృత జన్యు శోధన (Wider Genetic Search)

శాస్త్రవేత్తలు మానవీయంగా (Manually) పరీక్షించగలిగే దానికంటే, AI చాలా ఎక్కువ జన్యు కలయికలను (Genetic combinations) పరిశీలించగలదు.

జీవసంబంధమైన పనితీరును డిజైన్ చేయడం (Designing Biological Function)

జీవ వ్యవస్థలను అంచనా వేయడం లేదా విశ్లేషించడం నుండి వాటిని నిర్దిష్ట పనుల కోసం డిజైన్ చేసే స్థాయికి మారడం ఇక్కడ ముఖ్యమైన విషయం. ఉదాహరణకు, బ్యాక్టీరియా నిరోధకతను (Bacterial resistance) అధిగమించడానికి ఇది ఉపయోగపడుతుంది.

వైద్య, శాస్త్రీయ అవకాశాలు

• 1. యాంటీమైక్రోబియల్ నిరోధకతను ఎదుర్కోవడం (Combating Antimicrobial Resistance)

యాంటీమైక్రోబియల్ నిరోధకత వల్ల సాధారణ యాంటీబయాటిక్స్ (Antibiotics) సరిగా పనిచేయడం లేదు. AI రూపొందించిన ఫేజ్‌లు కింది వాటికి మద్దతు ఇవ్వగలవు:

• బహుళ మందులను తట్టుకునే (Multidrug-resistant) బ్యాక్టీరియా చికిత్స.
• నిర్దిష్ట బ్యాక్టీరియా రకాలకు అనుకూలీకరించిన చికిత్సలు (Customised therapies).
• బ్యాక్టీరియా ఫేజ్ నిరోధకతను పెంచుకున్నప్పుడు కొత్త డిజైన్లు సృష్టించడం.
• బ్యాక్టీరియా తప్పించుకునే అవకాశాన్ని తగ్గించే కలయికలను (Combinations) రూపొందించడం.

రాబోయే రోజుల్లో, వైద్య రంగం “తగిన ఫేజ్ దొరుకుతుందా?” అని అడగదు, “అవసరమైన ఫేజ్‌ను డిజైన్ చేయగలమా?” అని అడుగుతుంది.

• 1. లక్షిత జన్యు పంపిణీ (Targeted Gene Delivery)

క్రిస్పర్ (CRISPR) వంటి జన్యు-సవరణ (Gene-editing) సాధనాలను మోసుకెళ్లే ఇంజనీరింగ్ వైరల్ వెక్టార్లను (Viral vectors) AI మెరుగుపరచగలదు. అడెనో-అసోసియేటెడ్ వైరస్‌లు (AAV) వీటికి ఉదాహరణ. మెరుగ్గా డిజైన్ చేసిన వెక్టార్లు కింది పనులు చేయగలవు:

• ఎంచుకున్న అవయవాలు లేదా కణజాలాలను లక్ష్యంగా చేసుకుంటాయి.
• పంపిణీ సామర్థ్యాన్ని (Delivery efficiency) మెరుగుపరుస్తాయి.
• అవాంఛిత రోగనిరోధక ప్రతిచర్యలను (Immune reactions) తగ్గిస్తాయి.

   

  1. టీకాలు, ఔషధాల ఆవిష్కరణ (Vaccine and Drug Discovery)

ఉత్పాదక నమూనాలు (Generative models) కింది వాటి రూపకల్పనను వేగవంతం చేయగలవు:

• వ్యాక్సిన్ యాంటిజెన్లు (Vaccine antigens).
• మోనోక్లోనల్ యాంటీబాడీలు (Monoclonal antibodies).
• చికిత్సా మాంసకృత్తులు (Therapeutic proteins).
• కొత్తగా పుట్టుకొచ్చే వ్యాధికారక క్రిములపై (Emerging pathogens) చికిత్సలు.

   

  1. ఖచ్చితమైన ఆంకాలజీ (Precision Oncology)

ఆరోగ్యకరమైన కణజాలాలకు హాని కలగకుండా, క్యాన్సర్ కణాలను మాత్రమే ఎంచుకుని నాశనం చేసే ఆంకోలైటిక్ వైరస్‌ల (Oncolytic viruses) రూపకల్పనకు AI సహాయపడుతుంది.

• 1. మహమ్మారి సన్నద్ధత (Pandemic Preparedness)

AI జన్యు విశ్లేషణ, నమూనాల తయారీ, ప్రయోగాత్మక రూపకల్పన వంటి దశల కాలాన్ని తగ్గించగలదు. అయితే, ఇదే వేగం హానికరమైన జీవసంబంధ ఇంజనీరింగ్‌కు కూడా సహాయపడుతుంది.

ప్రయోగం నిరూపించని విషయాలు

ఈ అధ్యయనం కింది విషయాలను నిరూపించదు:

• AI స్వయంగా వైరస్‌లను తయారు చేస్తుందని.
• పరిశోధకులు ప్రమాదకరమైన మానవ వ్యాధికారక క్రిమిని సృష్టించారని.
• ఒక సాధారణ చాట్‌బాట్ మహమ్మారి వైరస్‌ను సులభంగా డిజైన్ చేయగలదని.
• సంక్లిష్టమైన వైరల్ ప్రవర్తనను AI పూర్తిగా అర్థం చేసుకుంటుందని.
• మానవ శాస్త్రవేత్తలు, ప్రయోగశాల అవసరం ఇకపై ఉండదని.

మానవ వైరస్‌ల సంక్లిష్టత

ప్రమాదకరమైన మానవ వైరస్‌లు అనేక జీవ లక్షణాలను సమన్వయం చేసుకోవాలి:

• రిసెప్టార్ బైండింగ్ (Receptor binding)
• హోస్ట్ రేంజ్ (Host range)
• టిష్యూ ట్రోపిజం (Tissue tropism)
• ప్రతిరూపణ (Replication)
• రోగనిరోధక వ్యవస్థ నుంచి తప్పించుకోవడం (Immune escape)
• వ్యాప్తి చెందడం (Transmission)

వీటితో పోలిస్తే ΦX174 చాలా సులభమైనది. అయినప్పటికీ, మనం ఈ సులభత్వాన్ని చూసి భరోసాతో ఉండకూడదు. ఎందుకంటే జన్యుపరమైన మార్పులు, వైరల్ ప్రవర్తనకు మధ్య ఉన్న సంబంధం శాస్త్రవేత్తలకు ఇప్పటికే చాలా వరకు తెలుసు.

ప్రధాన ప్రమాదం: సామర్థ్యాల పెంపు (Capability Amplification)

శిక్షణ లేని వ్యక్తి పబ్లిక్ చాట్‌బాట్‌ను ఉపయోగించి ప్రమాదకరమైన వైరస్‌ను తయారు చేస్తాడనేది ప్రస్తుత ఆందోళన కాదు. అధునాతనమైన AI, తగిన వనరులు ఉన్న ప్రయోగశాల సామర్థ్యాన్ని భారీగా పెంచుతుందన్నదే అసలైన ఆందోళన. AI కింది పనుల సమయాన్ని తగ్గించగలదు:

• సాహిత్య సమీక్ష (Literature review)
• బయోలాజికల్ మోడలింగ్
• పరికల్పనల తయారీ (Hypothesis generation)
• జన్యు రూపకల్పన (Genome design)
• ప్రయోగాత్మక ప్రణాళిక (Experimental planning)

ఆటోమేటెడ్ ప్రయోగశాలలు, సులభమైన డిఎన్ఏ సంశ్లేషణతో (DNA synthesis) ఇది కలిసినప్పుడు, ఈ వేగం చాలా తీవ్రంగా మారుతుంది.

జీవ భద్రత, బయోసెక్యూరిటీ ప్రమాదాలు

ద్వంద్వ వినియోగ సామర్థ్యం (Dual-use Potential)

ఒకే మోడల్ ఉపయోగకరమైన మందులకు మద్దతు ఇస్తుంది. అదే సమయంలో హానికరమైన జీవ డిజైన్లను సృష్టించడానికి కూడా సహకరిస్తుంది.

అనూహ్య ఫలితాలు (Unpredictable Outcomes)

కంప్యూటర్‌లో సక్రమంగా కనిపించే జన్యు శ్రేణి (Sequence), సజీవ కణాలలోకి ప్రవేశపెట్టినప్పుడు భిన్నంగా ప్రవర్తించవచ్చు.

తక్కువ ప్రవేశ అడ్డంకులు (Lower Entry Barriers)

మరింత సామర్థ్యం ఉన్న మోడల్స్, ఆటోమేటెడ్ ప్రయోగశాలలు, డిఎన్ఏ-సంశ్లేషణ సేవలు పెరిగితే సంక్లిష్టమైన జీవ ఇంజనీరింగ్ (Biological engineering) ఎక్కువ మందికి అందుబాటులోకి వస్తుంది.

మోడల్ పరిమితులు (Model Limitations)

AI గణాంక నమూనాలను గుర్తిస్తుంది. కానీ, ఇది జీవకారణాలను (Biological causation) పూర్తిగా అర్థం చేసుకోదు. కాబట్టి, ఇది కొన్నిసార్లు ఊహించని లక్షణాలను (Unintended properties) కూడా సృష్టించవచ్చు.

కొత్త హానికరమైన శ్రేణులు (Novel Harmful Sequences)

• సాధారణ డిఎన్ఏ స్క్రీనింగ్ పద్ధతిలో, కొత్తగా డిజైన్ చేసిన శ్రేణి (Sequence) గతంలో తెలిసిన వ్యాధికారక క్రిమి లేదా టాక్సిన్‌ను (Toxin) పోలి ఉందో లేదో పరిశీలిస్తారు. కానీ, AI సరికొత్త శ్రేణిని సృష్టించవచ్చు. అది చూడటానికి భిన్నంగా ఉన్నప్పటికీ, అచ్చం పాతవాటిలాగే హానికరంగా పనిచేయవచ్చు.
• అందువల్ల, స్క్రీనింగ్ విధానం శ్రేణి రూపాన్ని మాత్రమే కాదు, దాని పనితీరును కూడా అంచనా వేయాలి.

శాస్త్రీయ ఆటంకం లేకుండా భద్రత

మరీ తక్కువ ఆంక్షలు విధిస్తే భద్రతా ప్రమాదాలు వస్తాయి. అలాగని అధిక ఆంక్షలు విధిస్తే చట్టబద్ధమైన వైద్య పరిశోధనలకు ఆటంకం కలుగుతుంది.

సరైన విధానం ఏమిటంటే, దశలవారీగా, ఆడిట్ (Audit) చేయదగిన యాక్సెస్‌ను ఇవ్వాలి. కింది వాటి ఆధారంగా మోడల్ సామర్థ్యాన్ని అందించాలి:

• వినియోగదారుడి విద్యార్హతలు (Qualifications)
• సంస్థాగత అనుబంధం (Institutional affiliation)
• పరిశోధన ఉద్దేశం
• రిస్క్ స్థాయి (Risk level)
• భద్రతా తనిఖీ (Security verification)
• ఆడిట్ అవసరాలు

సరైన సంస్థాగత నియంత్రణల (Institutional controls) కింద ఆమోదం పొందిన పరిశోధకులకు బలమైన సామర్థ్యాలను అందించవచ్చు. అదే సమయంలో అత్యంత సున్నితమైన అంశాలను నియంత్రించాలి.

బయోలాజికల్-డిజైన్ వ్యవస్థలో పాలన (Governance)

ప్రశ్నకు జవాబు ఇవ్వడానికి AI సిస్టమ్ నిరాకరిస్తే బయోసెక్యూరిటీ సరిపోదు. ప్రతి దశలోనూ రక్షణ ఏర్పాట్లు ఉండాలి.

1. AI మోడల్ పాలన

• మోడల్‌ను విడుదల చేయడానికి ముందు దాని జీవసంబంధ సామర్థ్యాలను అంచనా వేయాలి.
• అత్యంత ప్రమాదకరమైన డిజైన్లను (High-risk design) సులభతరం చేసే పనులను నియంత్రించాలి.
• సున్నితమైన వినియోగానికి సంబంధించిన లాగ్‌లను (Logs) నిర్వహించాలి.
• ధృవీకరించిన వినియోగదారులకు మాత్రమే అడ్వాన్స్డ్ యాక్సెస్ (Advanced access) ఇవ్వాలి.

2. డిఎన్ఏ-సంశ్లేషణ స్క్రీనింగ్ (DNA-Synthesis Screening)

• వచ్చిన ఆర్డర్లను పాత వ్యాధికారకాలు, టాక్సిన్ల డేటాబేస్‌లతో పోల్చాలి.
• కస్టమర్ గుర్తింపును, సంస్థాగత ఉద్దేశాన్ని నిర్ధారించాలి.
• కొత్త శ్రేణుల కోసం ఫంక్షనల్ స్క్రీనింగ్‌ను (Functional screening) అభివృద్ధి చేయాలి.
• అనుమానాస్పదంగా లేదా అసాధారణంగా ఉన్న ఆర్డర్లను గుర్తించాలి.

3. ప్రయోగశాల బయోసేఫ్టీ (Laboratory Biosafety)

• డిఎన్ఏను తయారు చేయడానికి ముందు రిస్క్ అసెస్‌మెంట్ (Risk assessment) చేయాలి.
• తగిన కంటైన్‌మెంట్‌ను (Containment) ఉపయోగించాలి.
• మెరుగుపరిచిన ఫంక్షన్లతో కూడిన ప్రయోగాలను పర్యవేక్షించాలి.
• ప్రమాదాల రిపోర్టింగ్, ఎమర్జెన్సీ విధానాలను పాటించాలి.

4. సంస్థాగత పర్యవేక్షణ (Institutional Oversight)

• బయోసేఫ్టీ కమిటీలను (Biosafety committees) బలోపేతం చేయాలి.
• ద్వంద్వ వినియోగ పరిశోధనలను (Dual-use research) సమీక్షించాలి.
• హై-రిస్క్ పనులకు నైతిక (Ethical), భద్రతా అనుమతులు తప్పనిసరి చేయాలి.
• పరిశోధకులు, సంస్థల జవాబుదారీతనాన్ని (Accountability) స్థాపించాలి.

5. డేటా భద్రత (Data Security)

• సున్నితమైన వ్యాధికారక డేటాసెట్లను రక్షించాలి.
• అత్యంత ప్రమాదకరమైన జీవ సమాచారానికి యాక్సెస్‌ను నియంత్రించాలి.
• సురక్షితమైన కంప్యూటింగ్ వ్యవస్థలను ఉపయోగించాలి.

6. అంతర్జాతీయ సహకారం (International Cooperation) కింది వాటికి ఉమ్మడి ప్రమాణాలు అవసరం:

• డిఎన్ఏ-సంశ్లేషణ స్క్రీనింగ్.
• అత్యంత ప్రమాదకరమైన పరిశోధనల రిపోర్టింగ్.
• జీవశాస్త్ర AI బాధ్యతాయుతమైన వినియోగం.
• బయోసెక్యూరిటీ సామర్థ్యాల పెంపు (Capacity-building).
• రెగ్యులేటరీ ఆర్బిట్రేజ్‌ను (Regulatory arbitrage) నివారించడం.

భారతదేశంపై ప్రభావం

ఉత్పాదక జీవశాస్త్రం (Generative biology) కింది విభాగాలలో భారతదేశ సామర్థ్యాలను బలోపేతం చేస్తుంది:

• మందుల ఆవిష్కరణ (Drug discovery)
• జినోమిక్స్ (Genomics)
• టీకాలు
• ప్రొటీన్ ఇంజనీరింగ్
• యాంటీమైక్రోబియల్-రెసిస్టెన్స్ పరిశోధన
• ప్రిసిషన్ మెడిసిన్
• ప్రయోగాత్మక రూపకల్పన

శాస్త్రీయ ఆధారపడటం (Risk of Scientific Dependence)

• అనేక శాస్త్రీయ పనులకు చిన్న మోడల్స్ సరిపోతాయి. అయినప్పటికీ, విదేశీ సంస్థలు ఫ్రాంటియర్ సిస్టమ్‌లను (Frontier systems) నియంత్రిస్తున్నాయని భారతీయ పరిశోధకులు బలహీనమైన మోడల్స్‌కే పరిమితం కాకూడదు.
• ఇతర దేశాల పరిశోధకులకు అధునాతన బయోమెడికల్ AI కి ట్రస్టెడ్ యాక్సెస్ (Trusted access) ఉండి, మన శాస్త్రవేత్తలు పరిమితమైన పబ్లిక్ వెర్షన్లపై ఆధారపడితే, మందులు, టీకాలు, AMR పరిశోధన, జినోమిక్స్‌లో భారతదేశం వెనుకబడే ప్రమాదం ఉంది.

భారతదేశానికి అవసరమైన సామర్థ్యాలు

• బయోమెడికల్ AI: భారతదేశం తన పరిశోధనా అవసరాలకు సరిపోయేలా జీవ, వైద్య ఫౌండేషన్ మోడల్స్‌ను అభివృద్ధి చేయాలి.
• సురక్షిత కంప్యూటింగ్: సున్నితమైన మోడల్స్, డేటాసెట్‌లకు సురక్షితమైన కంప్యూటింగ్ మౌలిక సదుపాయాలు అవసరం.
• నాణ్యమైన డేటాసెట్లు: స్వదేశీ మోడల్స్‌కు విభిన్నమైన, నమ్మకమైన, సరైన నియంత్రణలతో కూడిన జీవ సంబంధిత డేటా కావాలి.
• ట్రస్టెడ్ రీసెర్చర్ యాక్సెస్: ఆడిట్ చేయదగిన సంస్థాగత భద్రతతో ఆమోదించబడిన శాస్త్రవేత్తలకు అధునాతన మోడల్స్‌పై యాక్సెస్ ఇవ్వాలి.
• బయోసెక్యూరిటీ సామర్థ్యం: భారతదేశం కింది వాటిని బలోపేతం చేయాలి:
  • డిఎన్ఏ-సంశ్లేషణ స్క్రీనింగ్.
  • ప్రయోగశాల కంటైన్‌మెంట్.
  • సంస్థాగత సమీక్ష.
  • సురక్షిత జీవ డేటా నిర్వహణ.
  • ద్వంద్వ వినియోగ రిస్క్ అసెస్‌మెంట్.

ఇండియా-ఏఐ మిషన్ పాత్ర (Role of the IndiaAI Mission)

ఇండియా-ఏఐ మిషన్, స్వదేశీ ఫౌండేషన్-మోడల్ ప్రోగ్రామ్‌లు కింది వాటికి మద్దతు ఇవ్వాలి:

• శాస్త్రీయ, బయోమెడికల్ AI.
• సురక్షిత కంప్యూటింగ్ సామర్థ్యం.
• నాణ్యమైన బయోలాజికల్ డేటాసెట్లు.
• ట్రస్టెడ్-యాక్సెస్ సిస్టమ్స్.
• బాధ్యతాయుతమైన పరిశోధన భద్రతలు (Safeguards).

బయోసెక్యూరిటీ లేకుండా AI సార్వభౌమత్వం (AI sovereignty) సాధించడం ప్రమాదకరం. అదే సమయంలో AI సార్వభౌమత్వం లేకుండా బయోసెక్యూరిటీ పాటిస్తే, అది విదేశాలపై శాస్త్రీయ ఆధారపడటానికి దారితీస్తుంది.

ముగింపు

స్టాన్‌ఫోర్డ్-ఆర్క్ ప్రయోగం జన్యువులను చదవడం, రాయడం, మార్చడం నుండి AI సహాయంతో జీవసంబంధ డిజైన్లు చేసే దశకు మారుతున్నట్లు సూచిస్తుంది. AI స్వయంగా ప్రమాదకరమైన వైరస్‌ను తయారు చేయలేదు. అది కేవలం పూర్తి ఫేజ్ జన్యువులను మాత్రమే ప్రతిపాదించింది. శాస్త్రవేత్తలు వాటిని భౌతికంగా తయారు చేసి పరీక్షించారు.

ఈ సామర్థ్యం ఫేజ్ థెరపీ, వ్యాక్సిన్‌లు, జన్యు పంపిణీ, ఔషధ ఆవిష్కరణ, క్యాన్సర్ చికిత్సలను మార్చేస్తుంది. ఇది హానికరమైన బయోలాజికల్ ఇంజనీరింగ్‌ను కూడా వేగవంతం చేయవచ్చు. అందువల్ల భారతదేశం శాస్త్రీయ సామర్థ్యాన్ని, బయోసెక్యూరిటీని ఒకేసారి పెంచుకుంటూ అంతర్జాతీయ భద్రతా ప్రమాణాలను రూపొందించడంలో సహాయపడాలి.