کیسے AI صحت مند بڑھاپے کے لیے نئے Molecular Targets تلاش کر رہا ہے

عمر رسانی کا مطالعہ کرنے والے سائنسدان کے پاس ایک نیا آلہ ہے: مصنوعی ذہانت کے نظام جو ہزاروں molecules یا genetic datasets کو دنوں میں اسکین کر سکتے ہیں اور ان چند کو نشان زد کرتے ہیں جو خلیات کی عمر رسانی کو متاثر کرنے کا امکان رکھتے ہیں۔ حالیہ ہفتوں میں عام کی گئی کئی projects اس بات کو عملی طور پر ظاہر کرتی ہیں — ان میں ایک برازیلی یونیورسٹی کی لیب، ایک بین الاقوامی بائیوٹیکنالوجی کمپنی، اور ایک تحقیقی ٹیم جو بڑی عوامی genomic databases کو mining کر رہے ہیں — اور یہ سب ایک ہی بنیادی مسئلہ کو نشانہ بناتے ہیں: oxidative stress اور cellular damage جو عمر کے ساتھ جمع ہوتا ہے۔

ایک قابل تشریح AI ماڈل antioxidant peptides کی تلاش کرتا ہے

Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) میں، کیمسٹری کے پروفیسر André Silva Pimentel کی قیادت میں ایک ٹیم، محققین Maria Carolina J. A. Schneider اور Marina Geisiely Damaso Godinho Alves کے ساتھ کام کرتے ہوئے، antioxidant peptides پر لاگو قابل تشریح مصنوعی ذہانت پر ایک مطالعہ شائع کیا، جیسے کہ ٹیم نے The Conversation Brasil کے لیے 5 اکتوبر 2026 کو لکھے گئے ایک مضمون میں کہا ہے۔ Peptides amino acids کی مختصر زنجیریں ہیں جو خوراک میں قدرتی طور پر پائی جاتی ہیں یا synthesize کی جا سکتی ہیں، اور ان میں سے کچھ free radicals کو غیر فعال کر سکتی ہیں — غیر مستحکم molecules جو خلیات کو نقصان پہنچاتے ہیں جب وہ جسم کے antioxidant systems کے صاف کرنے سے تیز رفتاری سے جمع ہوتے ہیں۔

PUC-Rio گروپ نے explainable AI کا نام ایک طریقہ استعمال کیا، جو معیاری machine-learning ماڈل سے ایک اہم لحاظ سے مختلف ہے: صرف پیشن گوئی پیش کرنے کے بجائے، یہ یہ بھی دکھاتا ہے کہ peptide کی amino-acid sequence کے کون سے حصے نے اس پیشن گوئی کو سب سے زیادہ متاثر کیا۔ محققین کے مطابق، یہ سائنسدانوں کو دیکھنے دیتا ہے کہ کون سی ساختی خصوصیات ایک peptide کو antioxidant کے طور پر کام کرنے کا زیادہ امکان دیتی ہیں، بجائے AI کو ایک black box کے طور پر سمجھے۔ کام FAPERJ سے فنڈ کیا گیا تھا، Rio de Janeiro کی ریاستی تحقیقی بنیاد، اور یہ برازیلی آؤٹ ٹیک Brasil em Folhas کے ذریعے بھی سمجھایا گیا تھا، جس نے ایک ہی لیب اور طریقے کو بیان کیا۔

محققین نے لکھا، عملی قیمت رفتار میں ہے: peptide candidates کی بڑی تعداد کو lab میں ایک ایک کر کے testing کرنے کے بجائے، AI ماڈل ایک لمبی فہرست کو ان کچھ sequences تک محدود کرتا ہے جو testing کے لیے قابلِ غور ہیں۔ ٹیم نے کہا کہ ممکنہ استعمال anti-aging cosmetics اور nutraceuticals سے آگے بڑھ جاتے ہیں Alzheimer's disease، Parkinson's disease اور cancer جیسی oxidative-stress سے منسلک حالتوں پر تحقیق تک — اگرچہ انہوں نے اس کو مزید مطالعے کی سمت کے طور پر بیان کیا، نہ کہ ختم شدہ علاج۔

بڑے AI نظام genomes اور drug libraries کو عمر رسانی کے targets کے لیے اسکین کر رہے ہیں

ایک الگ، بڑے پیمانے کی کوشش Insilico Medicine سے آتی ہے، ایک بائیوٹیکنالوجی کمپنی جو drug discovery کے لیے AI tools تیار کرتی ہے۔ 17 ستمبر 2026 کو، کمپنی نے journal Cell کے cover پر longevity research کے لیے ایک open-source toolkit پر ایک مطالعہ شائع کیا، Liquid AI، Buck Institute for Research on Aging، Harvard Medical School اور Brigham and Women's Hospital کے ساتھ بنایا گیا، Insilico Medicine کے اپنے اعلان کے مطابق۔

toolkit کے تین حصے ہیں: LongevityBench، ایک benchmark جو یہ test کرتا ہے کہ AI ماڈل genetics اور proteomics سمیت پانچ data types میں عمر رسانی کی biology کے بارے میں کتنی اچھی وجہ دیتے ہیں؛ Longevity-LLMs، compact language models کا ایک خاندان (0.6 سے 9 billion parameters تک) جو خاص طور پر عمر سے متعلق ڈیٹا پر تربیت یافتہ ہیں؛ اور Longevity Claw، ایک خودمختار تحقیقی platform جس کا مقصد ممکنہ عمر سے متعلق targets کی نشاندہی اور درجہ بندی کرنا ہے۔ Insilico Medicine نے رپورٹ کیا کہ اس کا خاص 9-billion-parameter ماڈل 16 frontier general-purpose AI systems پر عمر رسانی کی biology کے کام میں بھی برابر یا بہتر تھا، اور Longevity Claw نے 328 candidate عمر رسانی کے intervention targets تجویز کیے، جس نے کہا گیا تھا کہ عمر سے متعلق جینز کے لیے 5.6-fold تک enrichment ظاہر کیا گیا جب ایک آزادانہ طور پر شائع کردہ experimentally validated عمر رسانی کے targets کے reference set کے ساتھ موازنہ کیا گیا۔

تیسرا طریقہ، عمر سے متعلق تحقیقی news site Lifespan.io کے ذریعے بیان کیا گیا، ایک AI tool استعمال کرتا ہے جسے ClockBase Agent کہتے ہیں — researcher Vadim Gladyshev کی قیادت میں ایک ٹیم کے ذریعے بنایا گیا — 2 million سے زیادہ موجودہ RNA-sequencing اور epigenetic datasets کو mining کرنے کے لیے 43,529 ریکارڈ شدہ biological interventions کا احاطہ کرتے ہوئے۔ نظام معلوم ادویات rapamycin، metformin، fenofibrate اور ouabain کو slower biological عمر رسانی سے منسلک کے طور پر نشان زد کیا؛ Lifespan.io نے رپورٹ کیا کہ 20-month-پرانے mice پر follow-up tests میں، تین ماہ کی ouabain treatment بہتر frailty scores، cognitive performance، fur condition اور heart function سے منسلک تھا، اگرچہ مکمل مطالعے کو بیان کرنے والا preprint نومبر 2025 میں پوسٹ کیا گیا تھا اور انسانی trials میں تصدیق نہیں کی گئی ہے۔

یہ تحقیق کیا کرتی ہے اور کیا نہیں کرتی

ان میں سے کوئی بھی project دعویٰ نہیں کرتا کہ اس نے ایک منظور anti-aging treatment تیار کیا ہے۔ PUC-Rio peptide ماڈل اور Insilico Medicine کی target فہرست پیشن گوئی کے آلات ہیں جن کا مقصد lab اور clinical testing کے لیے candidates کو ترجیح دینا ہے، مکمل therapies نہیں۔ Lifespan.io کے ذریعے بیان کردہ ouabain نتائج جانوروں کی experiments سے آتے ہیں، انسانی trials سے نہیں۔ PUC-Rio مطالعے اور Insilico Medicine دونوں میں شامل محققین اپنے کام کو ایک بہت بڑی تلاش کی جگہ کو محدود کرنے کے طور پر بیان کرتے ہیں — لاکھوں ممکنہ molecules یا gene targets — تاکہ قلیل lab اور clinical وسائل سب سے زیادہ امید افزا candidates کو پہلے testing میں خرچ کریں۔

• Explainable AI (PUC-Rio): amino-acid sequences کو نشان زد کرتا ہے خوراک سے حاصل یا synthetic peptides میں جو antioxidants ہو سکتے ہیں۔
• LongevityBench / Longevity-LLMs / Longevity Claw (Insilico Medicine، Buck Institute اور Harvard Medical School کے ساتھ): benchmark اور omics datasets کے عمر رسانی سے منسلک genetic targets کو rank کریں۔
• ClockBase Agent (Gladyshev تحقیقی ٹیم): موجودہ عوامی genomic datasets کو mining کریں جانوری ڈیٹا میں slower biological عمر رسانی سے منسلک موجودہ ادویات کو نشان زد کرنے کے لیے۔