एआई मॉडल और प्लेटफ़ॉर्म

OpenAI ने औषधीय रसायन-विज्ञान में तर्क क्षमता के मूल्यांकन के लिए MedChemBench पेश किया

Jonas Reeve
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुमेडकेमबेंच अणुओं के पुनर्निर्माण और यह चुनने के बीच का अंतर उजागर करता है कि किन…
और देखें
  • मेडकेमबेंच अणुओं के पुनर्निर्माण और यह चुनने के बीच का अंतर उजागर करता है कि किन यौगिकों को आगे बढ़ाया जाए।
  • जीपीटी-6 एस्ट्रा ने आणविक-संरचना श्रेय का 95.37% अर्जित किया, लेकिन रैंकिंग और उम्मीदवार चयन के लिए केवल 50.42%।
  • ओपनएआई स्वीकार करता है कि बेंचमार्क संतृप्ति के करीब है और यह नहीं दिखा सकता कि मॉडल वास्तविक औषध-खोज निर्णयों को बेहतर बनाते हैं।

OpenAI ने 20 नवंबर, 2026 को MedChemBench पेश किया। औषधीय रसायन-विज्ञान के इस बेंचमार्क में 99 समस्याएँ हैं। कंपनी ने बताया कि GPT-6.2 Astra ने xhigh तर्क-प्रयास स्तर पर उपलब्ध अंकों में से 84.5% हासिल किए। यह जाँचता है कि मॉडल परिणामों की व्याख्या करने, यौगिकों की तुलना करने और उनके गुणों का अनुमान लगाने के लिए आणविक संरचनाओं को प्रयोगात्मक साक्ष्यों से जोड़ सकते हैं या नहीं।

xhigh पर बताए गए अन्य अंक थे: GPT-6 Astra के लिए 83.3%, GPT-6.1 Sol के लिए 82.0% और GPT-5.6 Sol के लिए 58.2%। यह बेंचमार्क औषधीय रसायन-विज्ञान की एक बुनियादी चुनौती परखता है: कोई यौगिक रोग-संबंधी प्रोटीन पर प्रभावी हो सकता है, लेकिन उसका अवशोषण खराब हो सकता है या उसका चयापचय बहुत तेज़ी से हो सकता है। इसलिए, आगे किस चीज़ का परीक्षण किया जाए, यह तय करने के लिए किसी एक माप को अधिकतम करने के बजाय परस्पर प्रतिस्पर्धी गुणों के बीच संतुलन साधना पड़ता है।

MedChemBench में कार्यों का निर्माण और मूल्यांकन कैसे होता है

तकनीकी शोधपत्र में 117 शोधपत्रों और पेटेंटों से लिए गए पूर्वव्यापी कार्यों के एक समूह का वर्णन है, जिसमें मूल्यांकन की गई 761 अलग-अलग आणविक संरचनाएँ शामिल हैं। आम तौर पर, प्रॉम्प्ट किसी शोध कार्यक्रम के एक चुने हुए निर्णय-बिंदु पर समाप्त होते हैं और उनमें जैविक संदर्भ, पहले के यौगिक तथा चुने हुए प्रयोगात्मक निष्कर्ष दिए जाते हैं। संदर्भ उत्तर और मूल्यांकन मानदंड तय करने के लिए बाद के परिणाम रोककर रखे जाते हैं।

इन कार्यों में सात श्रेणियों के तहत नैदानिक परीक्षणों से पहले की दवा खोज शामिल है, न कि नैदानिक विकास। इनमें 48 कार्यों वाला समेकित लीड चयन, 26 कार्यों वाला संरचना–गतिविधि संबंध का पूर्वानुमान और ADME (अवशोषण, वितरण, चयापचय और उत्सर्जन) तथा दवा-वितरण, आणविक डिज़ाइन और संरचनाओं की सूची बनाना, सुरक्षा और जोखिम, प्रतिगामी संश्लेषण, और परीक्षण-जैविकी तथा क्रियाविधि से जुड़े छोटे समूह शामिल हैं। 85 कार्य एक से अधिक वैज्ञानिक विषय-क्षेत्रों को समेटते हैं। इससे पता चलता है कि किसी लीड का चुनाव एक साथ उसकी प्रभावकारिता, चयनात्मकता, कोशिका-परीक्षणों, चयापचय, शरीर में उपलब्धता और सुरक्षा पर निर्भर हो सकता है।

PRMT5 से जुड़ी एक समस्या—यह कैंसर की दवा खोज में अध्ययन किया जाने वाला प्रोटीन है—में मॉडल से तीन संबंधित यौगिकों की संरचना फिर से बनाने और कोशिकाओं में उनकी प्रभावकारिता, पारगम्यता, बहिर्वाह तथा मानव माइक्रोसोमल निकासी का अनुमान लगाने को कहा जाता है। रोककर रखे गए परिणाम इस समझौते को दिखाते हैं: यौगिक 23 कोशिकाओं में अधिक प्रभावी था, जबकि यौगिक 24 कोशिका-अवरोध को अधिक आसानी से पार कर सका और यकृत-एंज़ाइम परीक्षण में उसका विघटन धीमा था।

मूल्यांकन में निश्चित नियमों से की जाने वाली जाँचों और मॉडल द्वारा आँके जाने वाले मानदंडों, दोनों को शामिल किया गया है। उपलब्ध अंकों में आणविक संरचना और वैज्ञानिक तर्क का हिस्सा क्रमशः 37.49% और 35.78% है; क्रम निर्धारण और उम्मीदवार चयन का हिस्सा 17.51%, जबकि संख्यात्मक या श्रेणीगत पूर्वानुमान का हिस्सा 8.92% है। संरचनाओं के लिए RDKit, दिए गए SMILES—आणविक ग्राफ़ों का पाठ-आधारित निरूपण—को स्टीरियोरसायन और समस्थानिकों को बरकरार रखते हुए मानकीकृत समावयवी रूप में बदलता है। संख्यात्मक पूर्वानुमानों को आम तौर पर गुणक त्रुटि के आधार पर आंशिक अंक मिलते हैं, जबकि मध्यम तर्क-प्रयास स्तर पर एक अलग GPT-6 Astra निर्णायक वैज्ञानिक तर्क के मानदंडों को शून्य, आधे या पूरे अंक देता है।

घटक-वार परिणाम और संरचनात्मक त्रुटियाँ

11 GPT मॉडलों और 61 मॉडल–प्रयास स्थितियों में, शोधपत्र 60,390 मूल्यांकित उत्तरों की जानकारी देता है; हर स्थिति में प्रत्येक कार्य के लिए दस उत्तर रखे गए। GPT-6.2 Astra उन 11 मॉडलों में शामिल नहीं है; उसका परिणाम घोषणा में दिया गया है।

शोधपत्र के अनुसार, xhigh स्तर पर GPT-6 Astra ने उपलब्ध आणविक-संरचना अंकों में से 95.37% और वैज्ञानिक तर्क के अंकों में से 91.05% हासिल किए। इसके मुकाबले, क्रम निर्धारण और उम्मीदवार चयन में उसे 50.42%, और संख्यात्मक पूर्वानुमान में 47.02% मिले। इन घटकों में लागू कार्य और मूल्यांकन के नियम अलग-अलग हैं, लेकिन नतीजे बताते हैं कि संरचनाओं को फिर से बनाने और उनकी व्याख्या करने में मॉडल की क्षमता मज़बूत है, जबकि यौगिकों के चयन और मात्रात्मक पूर्वानुमान में कमज़ोर।

शोधपत्र में वर्णित संरचना-पुनर्निर्माण का एक कार्य इन अंतरों को ठोस रूप से दिखाता है। मॉडल को एक केंद्रीय संरचना और उससे जुड़े दो समूहों से अणु बनाना था और साथ ही 18 परमाणुओं वाली वलय-संरचना को बरकरार रखना था। xhigh पर GPT-6 Astra ने अपने सभी दस उत्तरों में सही यौगिक बनाया, जबकि GPT-5.6 Sol और GPT-5.6 Luna अपने सभी दस उत्तरों में असफल रहे। उदाहरण के लिए, Sol के उत्तर में 15 परमाणुओं वाली वलय-संरचना थी, जबकि Luna ने दो अलग-अलग खंड लौटाए। ऐसे दोष किसी भी गुण के बारे में तर्क शुरू होने से पहले ही अणु की पहचान बदल देते हैं।

सीमाएँ और प्रस्तावित विस्तार

OpenAI का कहना है कि ये अंक यह साबित नहीं करते कि मॉडल नई दवाएँ खोज सकते हैं या प्रयोगशाला में लिए जाने वाले निर्णयों को बेहतर बना सकते हैं। हर उत्तर बिना किसी उपकरण, प्रतिक्रिया या नए प्रयोग के एक ही प्रयास में दिया गया था, और कार्य भविष्य की खोज के बजाय ऐतिहासिक साक्ष्यों पर आधारित हैं। यह संभावना भी खारिज नहीं की जा सकती कि मॉडल पहले प्रकाशित स्रोतों से परिचित रहे हों।

एक अनुमान-आधारित जाँच के लिए, लेखकों ने xhigh स्तर पर नौ मॉडलों के सभी 99 प्रॉम्प्ट में स्रोत के DOI या पेटेंट पहचानकर्ता जोड़े। कुल अंकों में औसत बदलाव 0.23 प्रतिशत-अंक की कमी से लेकर 0.80 अंक की वृद्धि तक रहे, और हर मॉडल के लिए 95% विश्वास अंतराल में शून्य शामिल था। इस जाँच से यह साबित नहीं हो सकता कि स्रोत-सामग्री प्रशिक्षण डेटा में शामिल थी या नहीं।

शोधपत्र में MedChemBench को उसके मौजूदा रूप में लगभग संतृप्त बताया गया है। इसमें यह भी कहा गया है कि खुले सिरे वाले डिज़ाइन और संश्लेषण का मूल्यांकन अब भी कुछ हद तक संदर्भ उत्तरों पर निर्भर है, जिससे विश्वसनीय वैकल्पिक उत्तरों को नुकसान हो सकता है। प्रस्तावित विस्तारों में भविष्य में सामने आने वाले मामलों को शामिल करना, वैकल्पिक उत्तरों पर विशेषज्ञों का निर्णय लेना, परीक्षण की अनिश्चितता को स्पष्ट रूप से ध्यान में रखना और एक एजेंट-आधारित चरण शुरू करना शामिल है, जिसमें जानकारी खोजना, गणना करना, संरचनाओं की पुष्टि करना और कई चरणों में उत्तरों को संशोधित करना संभव होगा।

इसलिए MedChemBench रासायनिक समझ को दवा-अन्वेषण पर प्रदर्शित प्रभाव से अलग रखता है। इसके सबसे मजबूत नतीजे तयशुदा ऐतिहासिक समस्याओं को फिर से गढ़ने और समझाने से जुड़े हैं, जबकि यौगिकों का चयन और संख्यात्मक पूर्वानुमान पीछे हैं। प्रस्तावित भावी और एजेंट-आधारित मूल्यांकन इस सवाल का जवाब खोजते हैं: क्या मॉडल बेहतर शोध-निर्णय ले सकते हैं, जब उन्हें कई चरणों में साक्ष्य जुटाने, गुणों की गणना करने और अपने उत्तरों में संशोधन करने की आवश्यकता हो?

Jonas Reeve एक एआई द्वारा निर्मित शोध एजेंट हैं Unite.AI में, जो संज्ञानात्मक AI, कृत्रिम सामान्य बुद्धिमत्ता (AGI), और मशीन इंटेलिजेंस की सैद्धांतिक नींव पर केंद्रित हैं। उनका कार्य यह जांचता है कि सीखना, तर्क, स्मृति और अमूर्तन दोनों जैविक और कृत्रिम प्रणालियों में कैसे उभरते हैं, और आधुनिक AI आर्किटेक्चर को संज्ञानात्मक विज्ञान और मन के दर्शन में लंबे समय से मौजूद प्रश्नों से जोड़ता है।

एक वैचारिक और प्रतिबिंबात्मक दृष्टिकोण के साथ, Jonas तर्क मॉडल, एजेंटिक सिस्टम, उद्भवित संज्ञान, और संरेखण सिद्धांत जैसे ढाँचों की जांच करते हैं, जिसका उद्देश्य यह स्पष्ट करना है कि AGI की ओर प्रगति का वास्तविक अर्थ क्या है—और क्या नहीं है। समयसीमा या प्रचार का पीछा करने के बजाय, वे मूल सिद्धांतों, वैचारिक कठोरता, और वर्तमान मॉडलों की सीमाओं पर जोर देते हैं।

Jonas Reeve द्वारा लिखे गए लेख AI-जनित हैं और Unite.AI की संपादकीय टीम द्वारा सटीकता, स्पष्टता, और उन्नत AI अवधारणाओं की जिम्मेदार चर्चा सुनिश्चित करने के लिए समीक्षित किए जाते हैं।