ನಿತ್ಯದ ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯ ಕಾರ್ಯಗಳಲ್ಲಿ AI ಏಜೆಂಟ್‌ಗಳ ಸಾಮರ್ಥ್ಯ ಅಳೆಯುವುದು

ಆರ್ಟಿಫಿಷಿಯಲ್ ಜನರಲ್ ಇಂಟೆಲಿಜೆನ್ಸ್ ಇಡೀ ಮಾನವಕುಲಕ್ಕೆ ಪ್ರಯೋಜನವಾಗುವಂತೆ ಖಚಿತಪಡಿಸುವುದು ನಮ್ಮ ಧ್ಯೇಯ. ಆ ಧ್ಯೇಯದ ಭಾಗವಾಗಿ, ರೋಗಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದರಿಂದ ಹಿಡಿದು ಹೊಸ ಚಿಕಿತ್ಸೆಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವವರೆಗೆ ಜೈವಿಕ ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ವಿಜ್ಞಾನಿಗಳಿಗೆ ನೆರವಾಗಲು ನಾವು ಬಯಸುತ್ತೇವೆ. AI ಏಜೆಂಟ್‌ಗಳು ಇದಕ್ಕೆ ಕೊಡುಗೆ ನೀಡಬೇಕಾದರೆ, ವಿಜ್ಞಾನಿಗಳು ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ಜೈವಿಕ ಮಾದರಿಗಳೊಂದಿಗೆ ಪ್ರತಿದಿನ ನಡೆಸುವ ಪ್ರಯೋಗಗಳ ಸಾಕ್ಷ್ಯಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಅರ್ಥೈಸಬೇಕು. ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯದ ನಿತ್ಯದ ಕೆಲಸದಲ್ಲಿ ವಿಫಲ ಪ್ರಯೋಗಗಳು, ಅಸ್ಪಷ್ಟ ಚಿತ್ರಗಳು ಮತ್ತು ಪರಸ್ಪರ ವಿರುದ್ಧವಾದ ಅವಲೋಕನಗಳು ಎದುರಾಗುತ್ತವೆ. ಈಗಿರುವ ಮಾನದಂಡ ಪರೀಕ್ಷೆಗಳು ವೈಜ್ಞಾನಿಕ ಲೇಖನಗಳಿಗಾಗಿ ಆಯ್ದ ಪಟ್ಟಿಗಳು ಮತ್ತು ಚಿತ್ರಗಳನ್ನು ಆಧರಿಸಿವೆ. ಅವು ಈ ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಹಾಗೂ ಅದನ್ನು ಪರಿಹರಿಸಲು ಅಗತ್ಯವಿರುವ ಕ್ರಮಗಳನ್ನು ಪರೀಕ್ಷಿಸದೇ ಬಿಡಬಹುದು. ಆದ್ದರಿಂದಲೇ ನಾವು BioBasicsBench ಅನ್ನು ಪರಿಚಯಿಸುತ್ತಿದ್ದೇವೆ. ಕಿಣ್ವ ವಿನ್ಯಾಸದಲ್ಲಿ ತೊಡಗಿರುವ ಜೈವಿಕ ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿ Ligo ಜೊತೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಈ ಹೊಸ ಮಾನದಂಡ ಪರೀಕ್ಷೆಯು, ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯದ ನಿತ್ಯದ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಏಜೆಂಟ್‌ಗಳು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ನಿಭಾಯಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ಅಳೆಯುತ್ತದೆ.

ಈ ಮಾನದಂಡ ಪರೀಕ್ಷೆಯ 100 ಕಾರ್ಯಗಳು, ಏಜೆಂಟ್‌ಗಳು ಸಂಸ್ಕರಿಸದ ಪ್ರಯೋಗದ ದತ್ತಾಂಶವನ್ನು ಅರ್ಥೈಸಬಲ್ಲವೇ, ದೋಷಗಳನ್ನು ಗುರುತಿಸಬಲ್ಲವೇ ಮತ್ತು ಸಾಕ್ಷ್ಯಗಳು ತೀರ್ಮಾನಕ್ಕೆ ಆಧಾರವಾಗಲು ಸಾಲದಿದ್ದಾಗ ಅದನ್ನು ಗುರುತಿಸಬಲ್ಲವೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸುತ್ತವೆ. ಈ ಕಾರ್ಯಗಳನ್ನು ಸರಿಯಾಗಿ ನಿರ್ವಹಿಸುವುದು ಮುಖ್ಯ. ಚಿತ್ರವನ್ನು ತಪ್ಪಾಗಿ ಅರ್ಥೈಸುವುದು ಅಥವಾ ಪ್ರಯೋಗದ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಬಳಸುವ ನಿಯಂತ್ರಣ ಮಾದರಿಗಳ ಸಮಸ್ಯೆಯನ್ನು ಕಡೆಗಣಿಸುವುದು ವಿಜ್ಞಾನಿಗಳು ತಪ್ಪು ತೀರ್ಮಾನಕ್ಕೆ ಬರಲು ಕಾರಣವಾಗಬಹುದು. ಇದರಿಂದ ಅವರ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರ ಕಂಡುಕೊಳ್ಳಲು ನೆರವಾಗದ ಪ್ರಯೋಗಗಳಿಗೆ ಸಮಯ ವ್ಯಯವಾಗಬಹುದು.

ಪ್ರತಿ ಕಾರ್ಯಕ್ಕೂ ಹೆಚ್ಚು ರೀಜನಿಂಗ್‌ಗೆ ಅವಕಾಶ ನೀಡುವ “xhigh” ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿ GPT‑6 Astra ಲಭ್ಯವಿರುವ ಒಟ್ಟು ಅಂಕಗಳಲ್ಲಿ ಸರಾಸರಿ 66.7% ಗಳಿಸಿತು; GPT‑5.6 Sol ಗಳಿಸಿದ್ದು 43.8%. ಫಲಿತಾಂಶಗಳು ಪ್ರಯೋಗಾಲಯದ ನಿತ್ಯದ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಪ್ರಗತಿಯನ್ನು ತೋರಿಸುತ್ತವೆ. ಚಿತ್ರಗಳನ್ನು ಅರ್ಥೈಸುವುದು, ನಿಯಂತ್ರಣ ಮಾದರಿಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಪ್ರಯೋಗದ ಸಂದರ್ಭವನ್ನು ಅನ್ವಯಿಸುವುದರಲ್ಲಿ ಇನ್ನೂ ಸುಧಾರಣೆಗೆ ಅವಕಾಶವಿದೆ.

BioBasicsBench ಜೆಲ್ ಚಿತ್ರಗಳು ಮತ್ತು ವಸಾಹತು ತಟ್ಟೆಗಳಿಂದ ಹಿಡಿದು ಸೂಕ್ಷ್ಮದರ್ಶಕ ಚಿತ್ರಗಳು ಮತ್ತು ಉಪಕರಣಗಳ ಓದುಗಳವರೆಗಿನ ಸಂಸ್ಕರಿಸದ ಪ್ರಯೋಗದ ಸಾಕ್ಷ್ಯಗಳನ್ನು ಬಳಸುತ್ತದೆ.

BioBasicsBench ನಲ್ಲಿ ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯದ ನಿತ್ಯದ ಕೆಲಸದ ಐದು ಕ್ಷೇತ್ರಗಳಿಗೆ ಸೇರಿದ 100 ಕಾರ್ಯಗಳಿವೆ: ಪ್ರೋಟೀನ್ ವಿಧಾನಗಳು, ಚಿತ್ರಣ ಮತ್ತು ಕೋಶಮಾಪನ, ಪ್ರಮಾಣ ನಿರ್ಣಯ ಮತ್ತು ಪರೀಕ್ಷೆಗಳು, ನ್ಯೂಕ್ಲಿಯಿಕ್ ಆಮ್ಲ ವಿಧಾನಗಳು ಹಾಗೂ ಆಣ್ವಿಕ ತದ್ರೂಪೀಕರಣ. ಜೆಲ್‌ನಲ್ಲಿನ DNA ಮಾದರಿಯ ಆಣ್ವಿಕ ತೂಕವನ್ನು ಓದುವಂತಹ ಸರಳ ಬೇಡಿಕೆಗಳಿಂದ ಹಿಡಿದು ಪರೀಕ್ಷೆಯ ವಿವರವಾದ ವಿಶ್ಲೇಷಣೆಯವರೆಗೆ ಕಾರ್ಯಗಳು ವ್ಯಾಪಿಸಿವೆ. ಆದರೆ ಇವೆಲ್ಲವೂ ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯದ ವಿಜ್ಞಾನಿಗಳು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಪೂರ್ಣಗೊಳಿಸಬಲ್ಲ ನಿತ್ಯದ ಕೆಲಸಗಳೇ ಆಗಿವೆ.

ವಿಜ್ಞಾನಿಗಳು ತಮ್ಮದೇ ಪ್ರಯೋಗಗಳ ದತ್ತಾಂಶದಿಂದ ಕಾರ್ಯಗಳನ್ನು ರಚಿಸಿ, ಪ್ರತಿ ಪ್ರಶ್ನೆಗೂ ತಜ್ಞರು ಬರೆದ ಅಂಕನ ಮಾನದಂಡಗಳನ್ನು ಜೋಡಿಸಿದರು. ಪ್ರತಿ ಕಾರ್ಯವನ್ನು ಮೊದಲು ಅದನ್ನು ರಚಿಸದ Ligo ವಿಜ್ಞಾನಿಯೊಬ್ಬರು ಆಂತರಿಕವಾಗಿ ಪರಿಶೀಲಿಸಿದರು. ನಂತರ ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಪಿಎಚ್‌ಡಿ ಮಟ್ಟದ ವಿಜ್ಞಾನಿಯೊಬ್ಬರು ಬಾಹ್ಯವಾಗಿ ಪರಿಶೀಲಿಸಿದರು. ಕೊನೆಯಲ್ಲಿ ಮತ್ತೊಮ್ಮೆ ಆಂತರಿಕ ಪರಿಶೀಲನೆ ನಡೆಸಲಾಯಿತು.

ಏಜೆಂಟ್‌ಗಳು ಕೇಳಲಾದ ತೀರ್ಮಾನ, ಮಾಪನ ಅಥವಾ ಶಿಫಾರಸನ್ನು ಒಳಗೊಂಡ ವ್ಯವಸ್ಥಿತ ಉತ್ತರವನ್ನು ನೀಡುತ್ತವೆ. ಅಗತ್ಯವಿರುವಲ್ಲಿ ಅದಕ್ಕೆ ಆಧಾರವಾದ ರೀಜನಿಂಗ್ ಅನ್ನೂ ಒದಗಿಸುತ್ತವೆ. ಅಂಕನ ಪಟ್ಟಿಯ ಪ್ರತ್ಯೇಕ ಮಾನದಂಡಗಳ ಆಧಾರದಲ್ಲಿ ಉತ್ತರಗಳಿಗೆ ಅಂಕಗಳನ್ನು ನೀಡಲಾಗುತ್ತದೆ. ಹೀಗಾಗಿ ಸರಿಯಾದ ತೀರ್ಮಾನ ಮತ್ತು ಭಾಗಶಃ ಸರಿಯಾದ ವಿಶ್ಲೇಷಣೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಈ ಮಾನದಂಡ ಪರೀಕ್ಷೆ ಗುರುತಿಸಬಲ್ಲದು. ಹೆಚ್ಚಿನ ಕಾರ್ಯಗಳು ಜೈವಿಕ ಜ್ಞಾನ, ಚಿತ್ರಗಳು ಮತ್ತು ಇತರ ದತ್ತಾಂಶವನ್ನು ಅರ್ಥೈಸುವುದು, ದೋಷ ಪತ್ತೆ ಹಾಗೂ ಕಾರ್ಯವಿಧಾನದ ತಿಳುವಳಿಕೆ ಸೇರಿದಂತೆ ಹಲವು ಕೌಶಲ್ಯಗಳನ್ನು ಒಟ್ಟಿಗೇ ಪರೀಕ್ಷಿಸುತ್ತವೆ.

ಇನ್‌ಪುಟ್‌ಗಳಲ್ಲಿ ವಿಜ್ಞಾನಿಗಳು ಬಳಸುವ ಸಾಕ್ಷ್ಯಗಳ ರೂಪಗಳನ್ನು ಹಾಗೆಯೇ ಉಳಿಸಲಾಗಿದೆ: ಜೆಲ್ ಮತ್ತು ಬ್ಲಾಟ್ ಚಿತ್ರಗಳು, ತಟ್ಟೆಗಳ ಛಾಯಾಚಿತ್ರಗಳು, ಸೂಕ್ಷ್ಮದರ್ಶಕದ ಪದರಚಿತ್ರ ಸಮೂಹಗಳು, ಅನುಕ್ರಮಣ ಓದುಗಳು, ತಟ್ಟೆ ಓದುಗದಿಂದ ರಫ್ತು ಮಾಡಿದ ದತ್ತಾಂಶ ಮತ್ತು ಪ್ರಯೋಗದ ಮೇಜಿನ ಕೆಲಸದ ವೀಡಿಯೊಗಳು. ಒಂದು ಕಾರ್ಯವು ಹಲವು ಬಗೆಯ ದತ್ತಾಂಶವನ್ನು ಒಳಗೊಂಡಿರಬಹುದು. ಲ್ಯಾಡರ್ ಪಟ್ಟಿಗಳು ಮತ್ತು ಪ್ಲಾಸ್ಮಿಡ್ ನಕ್ಷೆಗಳಂತಹ ಉಲ್ಲೇಖ ಹಾಳೆಗಳು ಪ್ರಯೋಗದ ಸಾಕ್ಷ್ಯಗಳನ್ನು ಅರ್ಥೈಸಲು ನೆರವಾಗುತ್ತವೆ.

ವಿಜ್ಞಾನಿಗಳು ತಮ್ಮದೇ ಪ್ರಯೋಗಗಳ ದತ್ತಾಂಶದಿಂದ ಕಾರ್ಯಗಳನ್ನು ಬರೆದರು. ಪ್ರಯೋಗದ ಸಾಕ್ಷ್ಯಗಳೊಂದಿಗೆ ಒಂದು ಪ್ರಶ್ನೆ ಮತ್ತು ತಜ್ಞರು ಬರೆದ ಅಂಕನ ಮಾನದಂಡ ಪಟ್ಟಿಯನ್ನು ಜೋಡಿಸಿದರು. ಪ್ರತಿ ಕಾರ್ಯವನ್ನು ಮೊದಲು ಅದನ್ನು ರಚಿಸದ Ligo ವಿಜ್ಞಾನಿಯೊಬ್ಬರು ಆಂತರಿಕವಾಗಿ ಪರಿಶೀಲಿಸಿದರು. ಬಳಿಕ ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ಕೆಲಸ ಮಾಡುವ ಪಿಎಚ್‌ಡಿ ಮಟ್ಟದ ವಿಜ್ಞಾನಿಯೊಬ್ಬರು ಬಾಹ್ಯವಾಗಿ ಪರಿಶೀಲಿಸಿದರು. ಕೊನೆಯಲ್ಲಿ ಮತ್ತೊಮ್ಮೆ ಆಂತರಿಕ ಪರಿಶೀಲನೆ ನಡೆಸಲಾಯಿತು. ಪರಿಶೀಲಕರು ಪ್ರಾಂಪ್ಟ್, ಪ್ರಯೋಗದ ಸಾಕ್ಷ್ಯಗಳು, ಅಂಕನ ಮಾನದಂಡ ಪಟ್ಟಿ, ಲೇಖಕರ ಟಿಪ್ಪಣಿಗಳು ಮತ್ತು ಅಂಕ ನೀಡಲಾದ ಮಾಡೆಲ್‌ನ ಒಂದು ಪ್ರಯತ್ನವನ್ನು ಪರಿಶೀಲಿಸಿದರು.

ಕಾರ್ಯದ ಅಂಕನ ಮಾನದಂಡ ಪಟ್ಟಿಯ ಆಧಾರದಲ್ಲಿ ಉತ್ತರಗಳಿಗೆ ಅಂಕ ನೀಡಲಾಗುತ್ತದೆ. ಈ ಪಟ್ಟಿಯು ಪ್ರತ್ಯೇಕ ಮಾನದಂಡಗಳಿಗೆ ಅಂಕಗಳನ್ನು ನಿಗದಿಪಡಿಸುತ್ತದೆ. ಕಾರ್ಯಕ್ಕೆ ಅನುಗುಣವಾಗಿ, ಈ ಮಾನದಂಡಗಳು ತೀರ್ಮಾನ, ಸಂಖ್ಯಾತ್ಮಕ ಫಲಿತಾಂಶಗಳು, ಆಧಾರವಾಗಿರುವ ರೀಜನಿಂಗ್ ಅಥವಾ ಸಾಕ್ಷ್ಯಗಳು ಸಾಕಾಗುವುದಿಲ್ಲ ಎಂಬ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುತ್ತವೆ.

ನಾವು BioBasicsBench ನಲ್ಲಿ ಏಳು ಮಾಡೆಲ್‌ಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದೆವು: GPT‑5.2, GPT‑5.4, GPT‑5.5, GPT‑5.6 Sol, GPT‑6.1 Sol, GPT‑6 Luna ಮತ್ತು GPT‑6 Astra. ಮೌಲ್ಯಮಾಪನವು ಮಾಡೆಲ್ ಮತ್ತು ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದ 37 ಸಂಯೋಜಿತ ಸೆಟ್ಟಿಂಗ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಪ್ರತಿ ಸೆಟ್ಟಿಂಗ್‌ನಲ್ಲಿ 100 ಕಾರ್ಯಗಳಲ್ಲಿ ಪ್ರತಿಯೊಂದಕ್ಕೂ ಐದು ಪ್ರಯತ್ನಗಳಂತೆ ಒಟ್ಟು 18,500 ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ.

ನಾವು ಸರಾಸರಿ ಪ್ರತಿಫಲವನ್ನು ವರದಿ ಮಾಡುತ್ತೇವೆ: ಇದು ಕಾರ್ಯಗಳ ಸರಾಸರಿ ಅಂಕವನ್ನು ಲಭ್ಯವಿರುವ ಒಟ್ಟು ಅಂಕಗಳ ಶೇಕಡಾವಾರಾಗಿ ಸೂಚಿಸುತ್ತದೆ. ಪ್ರತಿ ಕಾರ್ಯದ ಐದು ಪ್ರಯತ್ನಗಳನ್ನು ಒಟ್ಟಿಗೇ ಇಟ್ಟು, ಸಂಪೂರ್ಣ ಕಾರ್ಯಗಳನ್ನು ಮರುಮಾದರಿಯಾಗಿ ಆಯ್ದು ಲೆಕ್ಕಹಾಕಿದ 95% ವಿಶ್ವಾಸಾಂತರಗಳನ್ನು ದೋಷ ಪಟ್ಟಿಗಳು ತೋರಿಸುತ್ತವೆ.

ಕಡಿಮೆ ರೀಜನಿಂಗ್ ಪ್ರಯತ್ನದಲ್ಲಿಯೂ GPT‑6 Astra, GPT‑5.6 Sol ಗಿಂತ ಗಣನೀಯವಾಗಿ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಈ ಸುಧಾರಣೆಗಳು, ನಿತ್ಯದ ಆರ್ದ್ರ ಪ್ರಯೋಗಾಲಯ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಹೆಚ್ಚು ಬಲವಾದ ಅಂತರ್ನಿರ್ಮಿತ ಬಹುಮಾಧ್ಯಮ ಸಾಮರ್ಥ್ಯಗಳು ಮುಖ್ಯವಾಗಿರಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತವೆ.

ದತ್ತಾಂಶದಿಂದ ಅದು ಹೇಳುವುದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಅರ್ಥ ತೆಗೆಯುವುದು ವಿಜ್ಞಾನದಲ್ಲಿ ಸಾಮಾನ್ಯವಾಗಿ ಎದುರಾಗುವ ಅಪಾಯ. ಊಹೆಯನ್ನು ಪರೀಕ್ಷಿಸುವಾಗ ಉಂಟಾಗುವ ಪಕ್ಷಪಾತ ಇದಕ್ಕೆ ವಿಶೇಷವಾಗಿ ಕಾರಣವಾಗಬಹುದು. ದತ್ತಾಂಶ ಏನನ್ನು ತೋರಿಸಬಲ್ಲದು ಎಂಬ ಮಿತಿಯನ್ನು ಗುರುತಿಸಿ, ಆಧಾರವಿಲ್ಲದ ತೀರ್ಮಾನಗಳಿಗೆ ಬರದಿರುವಲ್ಲಿ Astra ಉತ್ತಮ ಸಾಮರ್ಥ್ಯ ತೋರಿಸಿತು.

ಈ ಉದಾಹರಣೆಯಲ್ಲಿ, ಸತ್ತ ಕೋಶಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಬಳಸುವ ವರ್ಣದ್ರವ್ಯದ ಸಂಕೇತವನ್ನು ಆಧರಿಸಿ GPT‑5.6 Sol ಕೋಶಗಳನ್ನು ಸತ್ತವು ಎಂದು ವರ್ಗೀಕರಿಸಿತು. ಆದರೆ ಪತ್ತೆಕಾರಕವು ಇನ್ನೊಂದು ವರ್ಣದ್ರವ್ಯದಿಂದ ಬರುವ ಬೆಳಕನ್ನೂ ಗ್ರಹಿಸಬಹುದಾಗಿತ್ತು. ಹೀಗಾಗಿ ಹೊಳಪು ಮಾತ್ರವೇ ಆ ತೀರ್ಮಾನಕ್ಕೆ ಸಾಕಷ್ಟು ಆಧಾರವಾಗಿರಲಿಲ್ಲ. Astra ಈ ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಗುರುತಿಸಿ, ಸಂಕೇತಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಉತ್ತಮ ನಿಯಂತ್ರಣ ಮಾದರಿಗಳು ಬೇಕೆಂದು ತಿಳಿಸಿತು.

ವೈಜ್ಞಾನಿಕ ಸಂಶೋಧನೆಯಲ್ಲಿ ಹಲವು ಮಾಧ್ಯಮಗಳನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ; ದೃಶ್ಯಗಳನ್ನು ನಿರಂತರವಾಗಿ ಅರ್ಥೈಸುವುದು ಮತ್ತು ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವುದು ಅಗತ್ಯವಾಗಿರುತ್ತದೆ. ಛಾಯಾಚಿತ್ರಗಳು, ವೀಡಿಯೊಗಳು ಹಾಗೂ ಅನುಕ್ರಮಣ, ತಟ್ಟೆ ಓದುಗದ ಪರೀಕ್ಷೆಗಳು, ಸೂಕ್ಷ್ಮದರ್ಶಕ ಪರೀಕ್ಷೆ ಮತ್ತು ಪ್ರವಾಹ ಕೋಶಮಾಪನದಿಂದ ಬಂದ ಸಂಸ್ಕರಿಸದ ಫಲಿತಾಂಶಗಳ ರೂಪದಲ್ಲಿದ್ದ ಬಹುಮಾಧ್ಯಮ ದತ್ತಾಂಶವನ್ನು ನಿರ್ವಹಿಸುವಲ್ಲಿ Astra ಗಣನೀಯ ಸುಧಾರಣೆ ತೋರಿಸಿತು.

ಅತ್ಯಂತ ಮೂಲಭೂತ ಮಟ್ಟದಲ್ಲಿ, ಪ್ರಯೋಗಗಳ ಸಮಯದಲ್ಲಿ ತೆಗೆದ ಚಿತ್ರಗಳ ಸೂಕ್ಷ್ಮ ವಿವರಗಳನ್ನು ಗುರುತಿಸಿ, ಹೆಚ್ಚು ನಿಖರವಾದ ತೀರ್ಮಾನಗಳಿಗೆ ಬರುವ GPT‑6 Astra ದ ಸಾಮರ್ಥ್ಯದಲ್ಲಿ ಈ ಸುಧಾರಣೆ ಕಂಡುಬಂತು. ಈ ಉದಾಹರಣೆ ಅದನ್ನು ತೋರಿಸುತ್ತದೆ. ನಿಯಂತ್ರಣ ಮಾದರಿಗಳು ಅತ್ಯಗತ್ಯವಾಗಿರುವ DNA ತದ್ರೂಪೀಕರಣ ಪ್ರಯೋಗದಿಂದ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಂತೆ ಈ ಕಾರ್ಯದಲ್ಲಿ ಏಜೆಂಟ್‌ಗಳನ್ನು ಕೇಳಲಾಗಿತ್ತು. ಋಣಾತ್ಮಕ ನಿಯಂತ್ರಣ ತಟ್ಟೆಯಲ್ಲಿ ಯಾವುದೇ ವಸಾಹತುಗಳು ಕಾಣಲಿಲ್ಲ ಎಂದು GPT‑5.6 Sol ಗಮನಿಸಿ, ಅದನ್ನೇ ಆಧರಿಸಿ ತೀರ್ಮಾನಗಳನ್ನು ತೆಗೆದುಕೊಂಡಿತು. ತಟ್ಟೆಯ ಲೇಬಲ್‌ನಲ್ಲಿ ತಪ್ಪು ಪ್ರತಿಜೀವಕದ ಹೆಸರು ಇರುವುದನ್ನು GPT‑6 Astra ಗಮನಿಸಿತು. ಅದನ್ನು ವಿಶ್ವಾಸಾರ್ಹ ನಿಯಂತ್ರಣ ಮಾದರಿಯಾಗಿ ಬಳಸಲು ಆಗುವುದಿಲ್ಲ ಎಂದು ಸರಿಯಾಗಿ ತೀರ್ಮಾನಿಸಿತು.

ದತ್ತಾಂಶ ಏನನ್ನು ತೋರಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಸರಿಯಾಗಿ ಅರ್ಥೈಸಲು, ವಿಜ್ಞಾನಿಗಳು ಅದನ್ನು ವಿಶ್ಲೇಷಿಸುವಾಗ ಅನುಭವಜನ್ಯ ಜೈವಿಕ ಜ್ಞಾನ ಮತ್ತು ಪ್ರಯೋಗದ ಸಂದರ್ಭವನ್ನು ಮನಸ್ಸಿನಲ್ಲಿಟ್ಟುಕೊಳ್ಳಬೇಕು. ಈ ಸಂದರ್ಭವನ್ನು ನೆನಪಿಟ್ಟುಕೊಂಡು, ವಿಶ್ಲೇಷಣೆಯುದ್ದಕ್ಕೂ ಅದನ್ನು ಅನ್ವಯಿಸುವಲ್ಲಿ Astra ಸುಧಾರಿತ ಸಾಮರ್ಥ್ಯ ತೋರಿಸಿತು.

ಒಂದು ಕಾರ್ಯದಲ್ಲಿ, ಸೂಕ್ಷ್ಮದರ್ಶಕ ಚಿತ್ರಗಳ ಸರಣಿಯಲ್ಲಿ ಕೋಶಗಳು ಸ್ಪಷ್ಟವಾಗಿ ಕಾಣಿಸಿಕೊಂಡು ಮತ್ತೆ ಮಸುಕಾಗುತ್ತಿರುವುದನ್ನು ತೋರಿಸಲಾಗಿತ್ತು. ಕೋಶಗಳು ಕಣ್ಮರೆಯಾಗುತ್ತಿರುವಂತೆ ಕಾಣುವುದಕ್ಕೆ GPT‑5.6 Sol ಜೈವಿಕ ವಿವರಣೆಯನ್ನು ಹುಡುಕಿತು. ಆದರೆ GPT‑6 Astra ಅದನ್ನು z-ಪದರಚಿತ್ರ ಸಮೂಹ, ಅಂದರೆ ಬೇರೆ ಬೇರೆ ಆಳಗಳಲ್ಲಿ ತೆಗೆದ ಚಿತ್ರಗಳ ಸರಣಿ ಎಂದು ಸರಿಯಾಗಿ ಗುರುತಿಸಿತು.

ಮಾನದಂಡ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಹೆಚ್ಚಿನ ಅಂಕ ಗಳಿಸಿದ ಮಾತ್ರಕ್ಕೆ ಮಾಡೆಲ್‌ಗಳು ಪ್ರಯೋಗಾಲಯದಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬಲ್ಲವು ಎಂದು ಇನ್ನೂ ಹೇಳಲಾಗುವುದಿಲ್ಲ. ಊಹೆಗಳು, ನಿರೀಕ್ಷಿತ ಉತ್ತರಗಳು ಮತ್ತು ನೀಡಲಾದ ಲೇಬಲ್‌ಗಳು ಸಾಕ್ಷ್ಯಗಳಿಗಿಂತ ಮೇಲುಗೈ ಸಾಧಿಸಬಹುದು ಎಂಬುದನ್ನು Astra ದ ಈ ಉದಾಹರಣೆಗಳು ತೋರಿಸುತ್ತವೆ. ಮಧ್ಯಂತರ ಹಂತದ ಸರಿಯಾದ ಅವಲೋಕನವೂ ಅಂತಿಮ ನಿರ್ಧಾರಕ್ಕೆ ಮಾರ್ಗದರ್ಶನ ನೀಡದೆ ಹೋಗಬಹುದು ಎಂಬುದನ್ನೂ ಅವು ತೋರಿಸುತ್ತವೆ.

ಪ್ರಯೋಗದ ನಿಯಂತ್ರಣ ಮಾದರಿಗಳು ಬೆಂಬಲಿಸುವ ವಿವರಣೆಗಿಂತ ಪರಿಚಿತ ಊಹೆಗೆ Astra ಆದ್ಯತೆ ನೀಡುತ್ತದೆ. ವಸಾಹತುಗಳ ಪಟ್ಟೆಗಳ ಎರಡು ಗುಂಪುಗಳನ್ನು ಅದು ಪ್ರತ್ಯೇಕಿಸಬಲ್ಲದು. ಆದರೆ ದೊಡ್ಡ PCR ಉತ್ಪನ್ನವು ಯಶಸ್ವಿ ತದ್ರೂಪೀಕರಣವನ್ನು ಸೂಚಿಸುತ್ತದೆ ಎಂದು ಊಹಿಸುತ್ತದೆ. ಆ ಊಹೆಯ ಆಧಾರದಲ್ಲಿ ಅದು 4, 6, 7 ಮತ್ತು 8 ಪಥಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ; ಆದರೆ ಉಲ್ಲೇಖ ಉತ್ತರದಲ್ಲಿ ನಿಯಂತ್ರಣ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೋಲಿಸಿ 5, 9 ಮತ್ತು 10 ಪಥಗಳನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ.

ತಾನು ಒಲವು ತೋರಿದ ವಿವರಣೆಗೆ ವಿರುದ್ಧವಾದ ಅವಲೋಕನಗಳನ್ನು Astra ಕಡೆಗಣಿಸುತ್ತದೆ. ಕೋಶಗಳೊಳಗಿನ ವಿಭಾಗಗಳಾದ ರಸಧಾನಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಸುತ್ತಲಿನ ಕೋಶಭಾಗಕ್ಕಿಂತ ಗಾಢವಾಗಿರುತ್ತವೆ ಎಂದು ಅದು ತೀರ್ಮಾನಿಸುತ್ತದೆ. ಆದರೆ ಅದೇ ಚಿತ್ರದಲ್ಲಿ ಕೆಲವು ರಸಧಾನಿಗಳು ತಿಳಿಯಾಗಿ ಕಾಣುತ್ತವೆ. ಎರಡೂ ನೋಟಗಳು ಮುಖ್ಯ: ಸೂಕ್ಷ್ಮದರ್ಶಕದ ಕೇಂದ್ರೀಕರಣವನ್ನು ಬದಲಿಸಿದಾಗ ಬೆಳಕು-ಕತ್ತಲಿನ ವ್ಯತ್ಯಾಸ ತಿರುವುಮುರುವಾಗಬಹುದು. ಆದ್ದರಿಂದ ಗಾಢವಾಗಿ ಕಾಣುವ ಉದಾಹರಣೆಗಳಿಂದ ಸಾಮಾನ್ಯ ನಿಯಮವೊಂದನ್ನು ಸ್ಥಾಪಿಸಲಾಗುವುದಿಲ್ಲ.

Astra ದ ಎಣಿಕೆ ಗುರುತುಗಳು ಪ್ರತ್ಯೇಕ ವಸಾಹತುಗಳಿಗೆ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ: ಸಮೀಪದ ವಸಾಹತುಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ವಿಫಲವಾಗುತ್ತದೆ, ಕಾಣುವ ವಸಾಹತುಗಳನ್ನು ತಪ್ಪಿಸಿಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಖಾಲಿ ಅಗರ್ ಮೇಲೆ ಗುರುತು ಹಾಕುತ್ತದೆ. ಈ ತಟ್ಟೆಯಲ್ಲಿ ಅಂತಿಮವಾಗಿ, ಮಾನದಂಡ ಪರೀಕ್ಷೆಯ ಉಲ್ಲೇಖ ಎಣಿಕೆಗೆ ಹೋಲಿಸಿದರೆ ಸುಮಾರು 12% ಹೆಚ್ಚು ಎಣಿಸಲಾಗಿದೆ.

ವಸಾಹತುಗಳ ತಪ್ಪಾದ ಎಣಿಕೆಯು, DNA ಅನ್ನು ಕೋಶಗಳೊಳಗೆ ಎಷ್ಟು ದಕ್ಷವಾಗಿ ಸೇರಿಸಲಾಗಿದೆ ಎಂಬ ಅಂದಾಜಿನ ಮೇಲೆ ನೇರವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ತಟ್ಟೆಗೆ ಹಾಕಿದ ದ್ರವದ ಗಾತ್ರ ಮತ್ತು ದುರ್ಬಲೀಕರಣವನ್ನು ಸ್ಥಿರವಾಗಿರಿಸಿದಾಗ, ಹೆಚ್ಚುವರಿ ಎಣಿಕೆಯು ಅದೇ ಅನುಪಾತದಲ್ಲಿ ಆ ಅಂದಾಜನ್ನೂ ಹೆಚ್ಚಿಸುತ್ತದೆ.

ಜೈವಿಕ ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ನಿತ್ಯದ ಕೆಲಸವನ್ನು ಸರಿಯಾಗಿ ನಿರ್ವಹಿಸುವುದು ಅಗತ್ಯ. BioBasicsBench ಈ ಕೆಲಸವನ್ನೇ ಸುಧಾರಣೆಯ ಗುರಿಯಾಗಿಸುತ್ತದೆ: ಸಂಸ್ಕರಿಸದ ಪ್ರಯೋಗದ ದತ್ತಾಂಶವನ್ನು ಅರ್ಥೈಸುವುದು, ನಿಯಂತ್ರಣ ಮಾದರಿಗಳನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ತೀರ್ಮಾನಕ್ಕೆ ಆಧಾರವಿಲ್ಲದಿದ್ದಾಗ ಅದನ್ನು ಗುರುತಿಸುವುದು. ಈ ಕಾರ್ಯಗಳಲ್ಲಿನ ಪ್ರಗತಿಯು ವಿಜ್ಞಾನಿಗಳು ಸಮಸ್ಯೆ ಪರಿಹಾರಕ್ಕೆ ಕಡಿಮೆ ಸಮಯ ಮತ್ತು ಮುಂದಿನ ಪ್ರಯೋಗಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಹೆಚ್ಚು ಸಮಯ ಮೀಸಲಿಡಲು ನೆರವಾಗಬಹುದು. ಈ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಗಮನಿಸುತ್ತಿರುವುದರಿಂದ ಜೈವಿಕ ಸುರಕ್ಷತೆ ಮತ್ತು ಜೈವಿಕ ಭದ್ರತೆಯ ಮೇಲೆ ಅವು ಬೀರುವ ಪರಿಣಾಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲೂ ನಮಗೆ ನೆರವಾಗುತ್ತದೆ.