หลักพิสูจน์ว่า Intent Field Theory of Biology ผิดแน่นอน
พลวัตลากรางเจียนของสนามเจตจำนงทางชีววิทยา: กรอบการจำลองระดับจีโนมและการกำหนดเกณฑ์การพิสูจน์เท็จเชิงฟิสิกส์
ความพยายามในการทำความเข้าใจความซับซ้อนของสิ่งมีชีวิตผ่านมุมมองทางฟิสิกส์บริสุทธิ์ได้ก้าวข้ามขอบเขตของการมองชีววิทยาเป็นเพียงระบบของปฏิกิริยาเคมีที่เกิดขึ้นโดยบังเอิญ ไปสู่การพิจารณาชีววิทยาในฐานะระบบสารสนเทศที่มีการจัดการตนเองอย่างมีเป้าหมาย ทฤษฎีสนามเจตจำนงทางชีววิทยา (Intent Field Theory of Biology หรือ IFT-B) นำเสนอสมมติฐานว่า พฤติกรรมที่ดูเหมือนมีจุดมุ่งหมายในสิ่งมีชีวิต ตั้งแต่การแสดงออกของยีนไปจนถึงการสร้างอวัยวะใหม่ (Regeneration) ไม่ได้เป็นเพียงผลลัพธ์ของกลไกการตอบสนองระดับล่าง แต่ถูกขับเคลื่อนด้วย "สนาม" เชิงฟิสิกส์ที่กำหนดทิศทางของระบบผ่านหลักการทางสถิติและพลังงานลากรางเจียน 1 รายงานฉบับนี้มีวัตถุประสงค์เพื่อยกระดับทฤษฎีนี้ให้กลายเป็นทฤษฎีชีววิทยาเชิงฟิสิกส์ที่สมบูรณ์ โดยการสร้างสูตรทางคณิตศาสตร์แบบลากรางเจียน (Lagrangian Formulation) พัฒนาโครงสร้างการจำลองด้วยโมเดลภาษาทางจีโนม (Genomic Foundation Models) และกำหนดเกณฑ์การพิสูจน์เท็จ (Falsification) เพื่อให้ทฤษฎีนี้สามารถทดสอบได้อย่างเข้มงวดตามมาตรฐานวิทยาศาสตร์ระดับสากล 3
1. การกำหนดรูปสูตรลากรางเจียนของสนามเจตจำนง
ในการเปลี่ยนแบบจำลองเชิงแนวคิดให้กลายเป็นทฤษฎีฟิสิกส์ที่คำนวณได้ จำเป็นต้องมีฟังก์ชันลากรางเจียน (Lagrangian) ซึ่งเป็นหัวใจสำคัญของฟิสิกส์ยุคใหม่ที่ใช้บรรยายระบบตั้งแต่กลศาสตร์คลาสสิกไปจนถึงฟิสิกส์อนุภาค 3 สำหรับสนามเจตจำนง (
1.1 หลักการแอคชันต่ำสุดและพลวัตของข้อมูล
หลักการพื้นฐานที่สุดประการหนึ่งของฟิสิกส์คือหลักการแอคชันต่ำสุด (Principle of Least Action) หรือที่แม่นยำกว่าคือหลักการแอคชันคงตัว (Principle of Stationary Action) 1 ในบริบทของ IFT-B เรานิยาม "แอคชัน" (
สมการออยเลอร์-ลากรางเจียน (Euler-Lagrange equations) สำหรับความหนาแน่นลากรางเจียน 
โดยที่ 
1.2 องค์ประกอบของความหนาแน่นลากรางเจียนชีวภาพ
เพื่อให้สอดคล้องกับพฤติกรรมของสิ่งมีชีวิต ลากรางเจียนของสนามเจตจำนงต้องประกอบด้วยเทอมที่อธิบายถึงต้นทุนในการเปลี่ยนสถานะ (Kinetic-like energy), พลังงานศักย์ที่กำหนดโดยเป้าหมายทางสรีรวิทยา (Potential energy), และการสูญเสียพลังงานเนื่องจากเอนโทรปี (Dissipative terms) 3
องค์ประกอบทางฟิสิกส์ | สัญลักษณ์ | ความหมายเชิงชีวภาพ |
ความหนาแน่นจลน์เชิงข้อมูล | พลังงานที่เกี่ยวข้องกับอัตราการเปลี่ยนแปลงของสถานะสารสนเทศ (เช่น อัตราการถอดรหัสยีน หรือการส่งสัญญาณประสาท) 5 | |
ศักย์สารสนเทศเป้าหมาย | ภูมิทัศน์ของฟิตเนส (Fitness Landscape) หรือโครงสร้างเป้าหมาย (Target Morphology) ที่ระบบต้องการเข้าหา 11 | |
ความยืดหยุ่นของสนาม | ความต้านทานต่อการเปลี่ยนแปลงเชิงพื้นที่อย่างกะทันหัน ซึ่งบังคับให้เซลล์ข้างเคียงต้องมีความเจตจำนงที่สอดคล้องกัน 9 | |
การมีปฏิสัมพันธ์ภายนอก | การเชื่อมโยงระหว่างสนามภายในกับสัญญาณจากสิ่งแวดล้อมหรือข้อมูลจากการวัด 13 |
สมการความหนาแน่นลากรางเจียนสำหรับสนามเจตจำนง
โดยที่:
: แสดงถึงต้นทุนของการเปลี่ยนแปลงสถานะข้อมูลอย่างรวดเร็ว (Informational Inertia)
: แสดงถึงความสอดประสานเชิงพื้นที่ (Spatial Coherence) ซึ่งทำให้เกิด "แรงตึง" ที่รักษาระเบียบของโครงสร้างทางชีวภาพ 9
: คือศักย์ปฏิสัมพันธ์ตนเอง (Self-interaction potential) ที่กำหนด "แอตแทรกเตอร์" (Attractors) ในมอร์โฟสเปซ (Morphospace) เช่น รูปร่างที่สมบูรณ์ของแผนผังร่างกาย 11
: คือสารสนเทศแฮมิลโทเนียน (Information Hamiltonian) ที่ได้จากทฤษฎีสนามสารสนเทศ (IFT) ของ Torsten Ensslin ซึ่งใช้ปรับปรุงสนามตามข้อมูลจีโนมหรือฟีโนไทป์
ที่สังเกตได้ 13
1.3 การเชื่อมโยงสนามเจตจำนงกับเทอร์โมไดนามิกส์และทฤษฎีสนามสารสนเทศ
สนามเจตจำนงตามข้อเสนอใน IFT-B ไม่ได้แยกขาดจากกฎทางฟิสิกส์พื้นฐาน แต่ทำงานร่วมกับความหนาแน่นเอนโทรปี 
การวิเคราะห์เชิงลึกชี้ให้เห็นว่า ระบบชีวภาพดำเนินการผ่านสิ่งที่เรียกว่า "การคำนวณแบบมองไปข้างหน้า" (Prospective processing) โดยสมองหรือระบบควบคุมในเซลล์จะทำการเทรดระหว่างสภาวะปัจจุบันกับสภาวะในอนาคตอันใกล้ เพื่อหาเส้นทางที่ลดความผิดพลาด (Prediction Error) ให้เหลือน้อยที่สุด 2 ความแตกต่างนี้คือสิ่งที่แยกสิ่งมีชีวิตออกจากสิ่งไม่มีชีวิต: ในขณะที่วัตถุฟิสิกส์ตอบสนองต่อสภาวะปัจจุบันเท่านั้น สิ่งมีชีวิตตอบสนองต่อสิ่งที่ อาจจะ เกิดขึ้นเพื่อความอยู่รอด 2
ในเชิงคณิตศาสตร์ สิ่งนี้สอดคล้องกับสารสนเทศแฮมิลโทเนียนที่รวมเอาความรู้ก่อนหน้า (Prior) และความน่าจะเป็น (Likelihood) เข้าด้วยกัน:
ซึ่งพลวัตของระบบจะดำเนินไปตามเส้นทางที่ให้ค่า Posterior สูงสุด หรือเทียบเท่ากับการหาจุดนิ่ง (Stationary point) ในลากรางเจียนสารสนเทศ 14 เทฤษฎีนี้ทำนายการเปลี่ยนสถานะ (Phase transition) ที่ระดับเกณฑ์วิกฤตของสารสนเทศ ซึ่งเราสามารถวัด "แรงดันสารสนเทศ" (Information pressure) ที่กระทำต่อการจัดเรียงตัวของโมเลกุลในเซลล์ได้จริง 10
1.4 พลวัตเชิงสถิติและสมการแฮมิลตัน-จาโคบี-เบลล์แมน (HJB)
เนื่องจากระบบชีวภาพเต็มไปด้วยสัญญาณรบกวน (Noise) การใช้ลากรางเจียนแบบกำหนดทิศทางแน่นอน (Deterministic) จึงไม่เพียงพอ ต้องมีการขยายไปสู่กรอบการทำงานของสมการแฮมิลตัน-จาโคบี-เบลล์แมนเชิงสถิติ (Stochastic HJB) 18 สมการนี้ให้เงื่อนไขที่จำเป็นและเพียงพอสำหรับการบรรลุเป้าหมายที่เหมาะสมที่สุดภายใต้ความไม่แน่นอน 19
ฟังก์ชันมูลค่า (Value function) 
ในทฤษฎี IFT-B สมการนี้อธิบายว่าเซลล์ "ตัดสินใจ" เลือกวิถีทางพันธุกรรมหรืออีพิพันธุกรรมอย่างไรเพื่อให้เกิดฟีโนไทป์ที่ต้องการ โดยพิจารณาจากต้นทุนสะสมและการรบกวนเชิงสถิติ 18 สิ่งนี้ทำให้เจตจำนงกลายเป็นคุณสมบัติที่เกิดขึ้น (Emergent property) จากการหาค่าเหมาะสมที่สุด (Optimization) ของการไหลสารสนเทศในพื้นที่สถานะ (State Space) ที่มีความซับซ้อนสูง 12
2. โครงสร้างการจำลอง: การใช้ AI และโมเดลภาษาทางจีโนม
การจะพิสูจน์ว่าสนามเจตจำนงมีอยู่จริงและสามารถทำนายพฤติกรรมทางชีววิทยาได้ จำเป็นต้องมีสภาพแวดล้อมการจำลองที่สามารถประมวลผลข้อมูลจีโนมในระดับพันล้านโทเค็น โมเดลภาษาทางจีโนมรุ่นล่าสุด เช่น Evo, Evo 2, และ HyenaDNA นำเสนอแพลตฟอร์มที่เหมาะสมที่สุดในการเป็น "สนามทดสอบ" สำหรับ IFT-B 21
2.1 โมเดลพื้นฐานทางจีโนมในฐานะกลไกการจำลองสนาม
โมเดลเหล่านี้ทำหน้าที่เป็นฟังก์ชันตอบสนอง (Response function) ในทฤษฎีสนามสารสนเทศ โดยทำหน้าที่เชื่อมโยงระหว่างสนามศักย์ที่เป็นนามธรรมกับลำดับนิวคลีโอไทด์ที่วัดได้จริง 13 โมเดลอย่าง Evo 2 ซึ่งถูกฝึกด้วยข้อมูล 9.3 ล้านล้านเบสจากทุกอาณาจักรของสิ่งมีชีวิต มีความสามารถในการเข้าใจ "ไวยากรณ์" ของชีวิตในระดับความละเอียดนิวคลีโอไทด์เดี่ยว และสามารถจับความสัมพันธ์ระยะไกล (Long-range dependencies) ได้ถึง 1 ล้านโทเค็น 22
โมเดล (Model) | สถาปัตยกรรม (Architecture) | พารามิเตอร์ (Parameters) | ความยาวบริบท (Context Length) | ขอบเขตการใช้งาน (Capabilities) |
Evo 2 | StripedHyena 2 | 7B - 40B | 1,000,000 bp | การทำนายและสร้างลำดับ DNA, RNA และโปรตีนข้ามสายพันธุ์ 25 |
HyenaDNA | Implicit Convolution | <100M | 1,000,000 bp | ประสิทธิภาพสูงในการสกัดฟีเจอร์จีโนมแบบครอบคลุมทั้งพื้นที่ 23 |
Caduceus | Bidirectional Mamba | ~100M | Long-range | เน้นความแม่นยำในการทำนายผลกระทบของการกลายพันธุ์และโครงสร้างยีน 28 |
NTv3 | U-Net Transformer | ~2.5B | 1,000,000 bp | เน้นการจัดการความสัมพันธ์ของอิลิเมนต์ควบคุมระยะไกล (Distal CREs) 29 |
ในกรอบการจำลองนี้ สนามเจตจำนงจะถูกใช้เป็น "ตัวแปรแฝง" (Latent variable) ที่ปรับค่าการสร้าง (Generative output) ของโมเดลเหล่านี้ การใช้การค้นหาในเวลาอนุมาน (Inference-time search) ร่วมกับ Evo 2 ช่วยให้เราสามารถจำลองการปรับแต่งจีโนมอย่างมีทิศทางเพื่อไปให้ถึง "เป้าหมาย" สารสนเทศที่กำหนดโดยสมการลากรางเจียน 22
2.2 การสำรวจพื้นที่แฝงและการทำแผนที่ฟีโนไทป์
การจำลองเริ่มต้นจากการฝัง (Embedding) ข้อมูลจีโนมและฟีโนไทป์ลงในพื้นที่แฝง (Latent Space) ที่มีมิติต่ำลงแต่ยังคงคุณสมบัติเชิงเรขาคณิตไว้ 30 การเรียนรู้เชิงลึกที่ได้รับข้อมูลทางเรขาคณิต (Geometry-informed deep learning) จะถูกนำมาใช้เพื่อสร้างแผนที่จากภูมิทัศน์ฟิตเนสที่มีมิติสูงไปสู่พื้นที่แฝงเหล่านี้ 30
เจตจำนงของระบบจะถูกจำลองในฐานะการเดินแบบสุ่มที่มีอคติ (Biased random walk) หรือการเคลื่อนที่ตามเกรเดียนต์บนภูมิทัศน์นี้ โดยที่ GFMs จะทำหน้าที่ระบุขั้นตอนการเปลี่ยนแปลงที่เป็นไปได้ในระดับท้องถิ่น (Local transitions เช่น การกลายพันธุ์ หรือการเปลี่ยนแปลงการแสดงออก) ในขณะที่สมการสนามลากรางเจียนจะเป็น "แรงผลัก" ระดับสากลที่กำหนดทิศทางไปยังแอตแทรกเตอร์ 31 สิ่งนี้ช่วยให้เราสามารถจำลองปรากฏการณ์ทางชีววิทยาที่ซับซ้อนได้ เช่น:
วิวัฒนาการแบบก้าวกระโดด (Punctuated Evolution): การที่การเปลี่ยนแปลงเพียงเล็กน้อยในชั้นแฝงที่อยู่ลึกลงไปสามารถกระตุ้นให้เกิดการเปลี่ยนแปลงฟีโนไทป์ขนาดใหญ่ที่ดูเหมือนจงใจ 31
สภาวะธำรงดุลทางกายวิภาค (Anatomical Homeostasis): การที่กลุ่มเซลล์ใช้ความทรงจำทางไฟฟ้า (Bioelectric memories) เพื่อนำทางการเจริญเติบโตและการซ่อมแซมรูปร่างที่ได้รับความเสียหาย 11
2.3 การนำไปใช้งานผ่าน NIFTy และ JAX
การคำนวณเชิงตัวเลขของระบบนี้อาศัยชุดเครื่องมือ Python สำหรับทฤษฎีสนามสารสนเทศเชิงตัวเลข (NIFTy) ร่วมกับความสามารถในการประมวลผลประสิทธิภาพสูงของ JAX 24
กระบวนการจำลอง (Simulation Pipeline) ประกอบด้วย:
การกำหนดสถิติก่อนหน้าของสนาม (Field Prior): ใช้สถิติสนามสุ่มเกาส์เซียน (Gaussian Random Field) เพื่อเข้ารหัสความราบเรียบและความสอดประสานเชิงพื้นที่ของเจตจำนง 13
การฝังจีโนม (Genomic Embedding): ใช้ Evo 2 เพื่อแปลงรหัสพันธุกรรมปัจจุบันให้อยู่ในรูปพิกัดแฝง
การอนุมานเชิงแปรผัน (Variational Inference): การหาค่าต่ำสุดของสารสนเทศแฮมิลโทเนียน
โดยใช้เทคนิค geoVI เพื่ออัปเดตสถานะของสนามตามข้อมูลจริง 35
การรวมสมการการเคลื่อนที่ (Equation of Motion Integration): แก้สมการ HJB เพื่อทำนายสภาวะที่เหมาะสมถัดไป
การถอดรหัสเชิงสร้าง (Generative Decoding): สุ่มตัวอย่างจากโมเดลจีโนมที่ถูกควบคุมด้วยเงื่อนไขของสนาม (Conditioned GFM) เพื่อสร้างลำดับ DNA หรืออีพิพันธุกรรมที่ปรับปรุงแล้ว 36
แนวทางนี้ทำให้เราสามารถจำลอง "ผลกระทบแบบโดมิโน" (Cascade effects) เมื่อการเปลี่ยนแปลงเล็กน้อยในตำแหน่งควบคุมระยะไกล (learned by the GFM) ส่งผ่านสนามเจตจำนงและนำไปสู่การเปลี่ยนแปลงฟีโนไทป์ระดับกว้างได้ 36
3. หลักฐานเชิงประจักษ์และเกณฑ์อ้างอิงทางทฤษฎี
เพื่อให้ IFT-B ก้าวพ้นจากการเป็นเพียงแบบจำลองเชิงแนวคิด มันต้องผ่านการตรวจสอบเทียบกับข้อมูลเชิงประจักษ์ที่แม่นยำ ข้อมูลสามกลุ่มสำคัญ ได้แก่ หน้าที่ขององค์ประกอบเบส, อีพิพันธุกรรมของความจำกล้ามเนื้อ, และอัตราส่วนอันตรายของความจำระดับเมแทบอลิซึม จะเป็นตัวกำหนดขอบเขตและค่าพารามิเตอร์ของทฤษฎีนี้ 37
3.1 องค์ประกอบของเบสและการกำหนดโครงสร้างเชิงข้อมูล
การกระจายตัวของภูมิภาค DNA ที่รวยด้วย AT (AT-rich) และ GC (GC-rich) ในจีโนมเป็นหลักฐานเชิงโครงสร้างที่สะท้อนถึงข้อจำกัดของสนามเจตจำนง การวิเคราะห์จีโนมของมนุษย์และยีสต์เผยให้เห็นความแตกต่างเชิงหน้าที่ซึ่งสะท้อนถึงการแลกเปลี่ยน (Trade-off) ระหว่างความมั่นคงและความยืดหยุ่น 37
คุณสมบัติ | ภูมิภาค DNA ที่รวยด้วย GC | ภูมิภาค DNA ที่รวยด้วย AT |
สถานะโครมาติน | คลายตัว (Open) | หนาแน่น (Condensed) 37 |
ประเภทของยีน | Housekeeping (แสดงออกในหลายเนื้อเยื่อ) | Tissue-Specific (แสดงออกเฉพาะเนื้อเยื่อ) 37 |
ความน่าจะเป็นในการกลายพันธุ์ | สูง (สหสัมพันธ์ Spearman > 0.9) | ต่ำกว่า; ยีนวัฏจักรเซลล์ที่สำคัญมักเป็น AT-rich 37 |
ความยืดหยุ่นเชิงฟิสิกส์ | โค้งงอได้ดี; ส่งเสริมการเปลี่ยนสถานะ B-Z | แข็งตัว; เอื้อต่อการอัดแน่นของโครงสร้าง 41 |
บทบาททางอีพิพันธุกรรม | ต้านทานการเติมหมู่เมทิล; มี CpG islands | มักถูกเติมหมู่เมทิลเพื่อล็อกสถานะการปิดยีน 43 |
IFT-B ทำนายว่าสนามเจตจำนงจะแสดงค่าคงที่การควบคู่ (Coupling constant) ที่แตกต่างกันในภูมิภาคเหล่านี้ โดยภูมิภาค GC-rich ทำหน้าที่เป็นศูนย์กลางการสื่อสารแบนด์วิดท์สูง (Bandwidth-rich) สำหรับหน้าที่พื้นฐาน ในขณะที่ภูมิภาค AT-rich ทำหน้าที่เป็นหน่วยความจำที่มีความเสถียรสูงสำหรับอัตลักษณ์เฉพาะของเนื้อเยื่อ 37 หากการจำลองแสดงให้เห็นว่าสนามเจตจำนงไม่สามารถรักษา "เจตจำนง" เฉพาะเนื้อเยื่อภายในโครมาตินที่หนาแน่นได้ ทฤษฎีนี้จะต้องได้รับการแก้ไขในส่วนของศักย์สารสนเทศ 37
3.2 ความจำกล้ามเนื้อและการคงอยู่ของอีพิพันธุกรรม
การศึกษากระบวนการ "ความจำกล้ามเนื้อ" (Muscle Memory) เป็นตัวบ่งชี้ทางเวลา (Temporal benchmark) ที่สำคัญสำหรับ IFT-B การศึกษาโดย Seaborne et al. (2018, 2024) พบว่ากล้ามเนื้อลายของมนุษย์มีการเก็บรักษาความทรงจำทางอีพิพันธุกรรมจากการฝึกหนักแม้จะหยุดฝึกไปนานแล้ว 38
ข้อมูลสำคัญสำหรับการพิสูจน์ IFT-B ได้แก่:
ตำแหน่ง CpG 3,190 แห่ง: มีกลุ่มตำแหน่ง CpG จำนวนมากที่แสดงการสูญเสียหมู่เมทิล (Hypomethylation) และถูกเก็บรักษาไว้แม้หลังจากหยุดออกกำลังกายไป 3 เดือน 38
ยีนความจำเฉพาะ: ยีน 5 ตัว ได้แก่ ADAM19, INPP5a, MTHFD1L, CAPN2, และ SLC16A3 แสดงภูมิภาคที่มีการสูญเสียหมู่เมทิลอย่างถาวรและมีการแสดงออกเพิ่มขึ้น 47
กลไกเชิงฟิสิกส์: การคงอยู่ของสถานะ Hypomethylation สอดคล้องกับการเพิ่มการแสดงออกของยีนที่เกี่ยวข้องกับการส่งสัญญาณแคลเซียมและการขนส่งแลคเตท ซึ่งเป็นการ "เตรียมพร้อม" ระบบสำหรับความเครียดทางสรีรวิทยาในอนาคต 48
ทฤษฎีสนามเจตจำนงที่เข้มงวดต้องสามารถทำนายได้ว่า ทำไม ตำแหน่ง 3,190 แห่งนี้จึงถูกเลือกผ่านหลักการแอคชันต่ำสุด ทฤษฎีเสนอว่าตำแหน่งเหล่านี้คือ "เส้นทางนิ่ง" (Stationary path) สำหรับการคงไว้ซึ่งสมรรถนะของเมแทบอลิซึมโดยใช้พลังงานต่อเนื่องน้อยที่สุด 2 หากการจำลองที่ใช้สมการ IFF เลือกตำแหน่งที่แตกต่างออกไปหรือไม่สามารถทำนายความคงอยู่ของยีนเหล่านี้ได้ แสดงว่าภูมิทัศน์ศักย์
3.3 ความจำระดับเมแทบอลิซึมและอัตราส่วนอันตราย (Hazard Ratio)
"ความจำระดับเมแทบอลิซึม" (Metabolic Memory) หรือการคงอยู่ของความเสี่ยงต่อโรคแม้จะควบคุมระดับน้ำตาลหรือไขมันได้แล้ว เป็นบททดสอบความแม่นยำในการทำนายของทฤษฎีเกี่ยวกับผลลัพธ์ในระยะยาว 50
ผลลัพธ์จากการศึกษา | เกณฑ์ทางสถิติ (Benchmark) | ความเชื่อมโยงเชิงฟิสิกส์/ชีวภาพ |
ความเสี่ยง MI | HR = 1.06 ต่อเหตุการณ์ | ต้นทุนของเหตุการณ์ชีวิตที่ตึงเครียดต่อ "เจตจำนง" ของระบบหัวใจและหลอดเลือด 52 |
TyG-BMI & CVD | HR = 1.06 ต่อการเพิ่มขึ้น 10 หน่วย | ความไวของสนามเจตจำนงต่อความเครียดทางเมแทบอลิซึมเรื้อรัง 53 |
การชราภาพทางอีพิพันธุกรรม | GrimAge OR = 1.06 สำหรับโรคเส้นประสาท | การเร่ง "นาฬิกาภายใน" ของสนามเนื่องจากโรคเบาหวานชนิดที่ 1 54 |
ภาวะหัวใจห้องบนสั่นพลิ้ว | OR = 1.05 (95% CI: 1.01–1.10) | ผลกระทบที่คงอยู่ของภาวะน้ำตาลในเลือดสูงแบบเฉียบพลัน 39 |
การลุกลามของโรคเรตินา | 56% Hazard Reduction (INT group) | การคงอยู่ของประโยชน์จากการควบคุมระดับน้ำตาลอย่างเข้มงวดในช่วงแรก 50 |
อัตราส่วนอันตราย (Hazard Ratios) เหล่านี้เปรียบเสมือน "ความชัน" ของภูมิทัศน์ศักย์สารสนเทศ IFT-B ทำนายว่าความเครียดทางเมแทบอลิซึมจะทำให้สนามเจตจำนงเสียรูป (Deform) จนทำให้เส้นทางนิ่งสู่สุขภาพถูกเบี่ยงเบนไป ความคงเส้นคงวาของค่า HR ≈ 1.06 ในกรณีของความเครียดที่หลากหลายชี้ให้เห็นถึงค่าคงที่สากล (Universal constant) ในการตอบสนองของระบบชีวภาพต่อการรบกวน 52 ทฤษฎีนี้ต้องสามารถอนุมานค่าคงที่นี้ได้จากพารามิเตอร์พื้นฐานของการไหลของสารสนเทศและการผลิตเอนโทรปี 10
4. มาตรฐานความเข้มงวดทางวิทยาศาสตร์และการพิสูจน์เท็จ (Falsifiability)
ทฤษฎีที่ไม่สามารถพิสูจน์ได้ว่าผิดย่อมไม่ใช่ทฤษฎีวิทยาศาสตร์ IFT-B ต้องถูกทดสอบผ่านเกณฑ์การพิสูจน์เท็จที่กำหนดโดย Karl Popper อย่างเข้มงวด 4
4.1 ตัวพิสูจน์เท็จที่เป็นไปได้ของ IFT-B
ทฤษฎีนี้สร้างคำกล่าวอ้างที่ชัดเจนซึ่งหากพบว่าไม่เป็นจริง ทฤษฎีจะต้องถูกปฏิเสธหรือปรับปรุงใหม่ทั้งหมด:
ตัวพิสูจน์เท็จเรื่องความสุ่ม (The Randomness Falsifier): หากสามารถพิสูจน์ได้ว่าการกลายพันธุ์และการก่อตัวของโปรตีนเกิดขึ้นโดยความสุ่มอย่างแท้จริง และไม่สอดคล้องกับเส้นทางการหาค่าเหมาะสมที่สุดใด ๆ สูตรลากรางเจียนที่ตั้งอยู่บนพื้นฐานของวิถีทางที่มีเป้าหมายจะถือว่าใช้ไม่ได้ 8
ความล้มเหลวของการมองภาพรวม (Morphogenetic Mismatch): หากรูปแบบของการเจริญเติบโตหรือการซ่อมแซม (เช่น การทดลองของ Michael Levin ในพลานาเรีย) สามารถทำนายได้ดีกว่าด้วยการส่งสัญญาณเคมีในระดับท้องถิ่นเท่านั้น โดยไม่ต้องอ้างอิงถึง "เป้าหมายรูปร่างสากล" หรือความจำเชิงรูปแบบ ความจำเป็นของสนามเจตจำนงก็จะหมดไป 11
สมมติฐานว่างของโมเดลจีโนม (Genomic Foundation Null Hypothesis): หาก GFMs (เช่น Evo 2) สามารถบรรลุความแม่นยำในการทำนายสูงสุดได้โดยใช้เพียงบริบทของลำดับเบส โดยไม่ต้องใช้ "ศักย์สารสนเทศ" หรือ "ตัวแปรเจตจำนง" เพิ่มเติม สนามเจตจำนงจะถือว่าเป็นแนวคิดที่ซ้ำซ้อน 22
ความไม่ต่อเนื่องทางอีพิพันธุกรรม (The Epigenetic Discontinuity): หากตำแหน่ง CpG 3,190 แห่งที่ระบุโดย Seaborne et al. พบว่าไม่มีส่วนเกี่ยวข้องกับการปรับตัวเชิงหน้าที่ หรือสูญหายไปในระหว่างช่วงที่กลับมาฝึกใหม่ แนวคิดเรื่อง "เจตจำนงทางอีพิพันธุกรรม" ที่เสถียรจะถือว่าถูกพิสูจน์เท็จ 38
การเบี่ยงเบนของอัตราส่วนอันตราย (The Hazard Ratio Deviation): หากการศึกษาในอนาคตแสดงให้เห็นว่าความเสี่ยงต่อโรคเรื้อรังแยกขาดจาก "ความจำระดับเมแทบอลิซึม" และผลกระทบจากอดีตอย่างสิ้นเชิง พลวัตทางเวลาของทฤษฎีนี้จะถือว่าไม่ถูกต้อง 50
4.2 บทบาทของการจำลองในการพิสูจน์เท็จ
การจำลองด้วยคอมพิวเตอร์ผ่าน Python โดยใช้ GFMs เป็นเครื่องมือหลักในการทดสอบตัวพิสูจน์เท็จเหล่านี้ โดยการเปรียบเทียบระหว่าง "Null GFM" (การทำนายโทเค็นถัดไปตามปกติ) กับ "Intent-Conditioned GFM" (GFM ที่ถูกควบคุมโดยสมการลากรางเจียน) เพื่อวัดมูลค่าเพิ่มของทฤษฎี
หาก "Intent-Conditioned GFM" ไม่ได้แสดงประสิทธิภาพที่เหนือกว่าอย่างมีนัยสำคัญในการทำนาย:
รูปแบบการเติมหมู่เมทิลของ DNA ที่ตอบสนองต่อการออกกำลังกาย 38
การจัดระเบียบเชิงโครงสร้างของไอโซคอร์ AT-rich เทียบกับ GC-rich 37
ผลกระทบของตัวแปรทางพันธุกรรมต่อฟิตเนสของสิ่งมีชีวิต 25
...ทฤษฎีนี้ก็จะล้มเหลวในการให้พลังในการทำนายที่เพียงพอต่อการเป็นทฤษฎีระดับวารสาร Nature/Science
5. กรอบการจำลองและระเบียบวิธี Python
การเปลี่ยนจากแบบจำลองแนวคิดไปสู่ทฤษฎีชีววิทยาที่มีข้อมูลทางฟิสิกส์สนับสนุน (Physics-informed) จำเป็นต้องมีสภาพแวดล้อมการจำลองที่สามารถดำเนินการคำนวณสนามในมิติสูงได้ กรอบการทำงานนี้ใช้สมมติฐาน "Stacked Autoencoder Evolution" ซึ่งข้อมูลชีวภาพจะถูกบีบอัดและสร้างใหม่ผ่านชั้นของนามธรรมที่หลากหลาย 31
5.1 ตรรกะการจำลองด้วย Python
กรอบการจำลองถูกสร้างขึ้นบนเสาหลักสามประการ:
NIFTy สำหรับการดำเนินงานของสนาม: จัดการกับองศาอิสระที่เป็นอนันต์ของสนามเจตจำนง
JAX สำหรับการหาค่าเหมาะสมที่สุด: ใช้การหาอนุพันธ์อัตโนมัติ (Automatic differentiation) เพื่อแก้สมการออยเลอร์-ลากรางเจียน และ HJB 24
Evo/HyenaDNA สำหรับการยึดโยงทางชีวภาพ: ให้ข้อจำกัดตามหลักการ Central Dogma เพื่อป้องกันไม่ให้สนามสำรวจภูมิภาคในพื้นที่สถานะที่เป็นไปไม่ได้ทางชีวภาพ 25
5.2 พารามิเตอร์การจำลองและการรวมข้อมูล
พารามิเตอร์ | โมดูล Python/เทคนิค | แหล่งอ้างอิงเชิงลึก |
Field Prior | nifty.prior | ใช้ Kernel แบบ Matérn เพื่อกำหนดความราบเรียบของเจตจำนง 13 |
Likelihood | evo2.score | การให้คะแนนฟิตเนส/เอนโทรปีของลำดับเบสแบบ Zero-shot 25 |
Action Minimizer | jax.grad(action) | การใช้ Gradient Descent บนฟังก์ชันต้นทุนที่ได้จากลากรางเจียน 24 |
Morphospace Attractor | levin_target.morph | กำหนดเป้าหมายรูปร่างทางไฟฟ้าในฐานะศักย์ที่ดึงดูดระบบเข้าหา 11 |
กระบวนการจำลองเริ่มต้นด้วยการนำเข้าข้อมูลจีโนมทั้งหมดของมนุษย์ 23 เข้าสู่ GFM สนามเจตจำนงจะถูกตั้งค่าเริ่มต้นตามสภาวะฟีโนไทป์ปัจจุบัน เมื่อมีการนำเข้าปัจจัยกระตุ้นภายนอก (เช่น ระดับน้ำตาลในเลือดที่สูงขึ้น) สมการ IFF จะคำนวณความเสียรูปของสนาม 10 จากนั้น GFM จะทำนายการเปลี่ยนแปลงของลำดับยีนหรือสถานะอีพิพันธุกรรม (เช่น ตำแหน่งเมทิลเลชัน 3,190 แห่ง) ซึ่งจะถูกนำไปเปรียบเทียบกับฐานข้อมูลของ Seaborne เพื่อการตรวจสอบความถูกต้อง 38
6. การจัดการกับความท้าทายทางทฤษฎีและความขัดแย้ง
การวิเคราะห์ทางทฤษฎีที่เข้มงวดต้องยอมรับและหาทางแก้ไขความขัดแย้งภายในข้อมูลที่มีอยู่
6.1 ปรากฏการณ์ "Sloppiness" ในแบบจำลองทางชีวภาพ
เรขาคณิตสารสนเทศเผยให้เห็นว่าแบบจำลองทางชีวภาพจำนวนมากมีลักษณะ "เฉื่อยชา" (Sloppy) หมายความว่ามีการรวมตัวกันของพารามิเตอร์เพียงไม่กี่ตัวเท่านั้นที่ส่งผลต่อพฤติกรรมของระบบอย่างแท้จริง 67 โครงสร้างแบบ Hyperribbon นี้อธิบายว่าทำไมแบบจำลองง่าย ๆ จึงมักทำนายพฤติกรรมที่ซับซ้อนได้ IFT-B ต้องพิสูจน์ให้ได้ว่าสนามเจตจำนงไม่ใช่เพียงแค่พารามิเตอร์ที่เฉื่อยชาอีกตัวหนึ่ง แต่เป็น "กลไกพื้นฐาน" ที่ทำให้เกิดการลดมิติ (Dimensionality reduction) ของระบบตั้งแต่แรก 67
6.2 นีโอดาร์วินนิสม์ เทียบกับ ลัทธิโครงสร้างนิยม (Structuralism)
มีความขัดแย้งที่ยาวนานระหว่างมุมมองแบบนีโอดาร์วินนิสม์ (จีโนมคือพิมพ์เขียว) และลัทธิโครงสร้างนิยมทางชีวภาพ (รูปแบบเกิดจากกฎฟิสิกส์และเคออส) 31 IFT-B ผสมผสานสองมุมมองนี้เข้าด้วยกันโดยเสนอว่า "สนามเจตจำนง" คือกลไกที่การคัดเลือกโดยธรรมชาติ (นีโอดาร์วินนิสม์) แสดงออกมาในรูปของข้อจำกัดเชิงเรขาคณิตและฟิสิกส์ (โครงสร้างนิยม) 12 การแลกเปลี่ยนพันธุกรรมและการกลายพันธุ์คือ "สัญญาณรบกวน" ในกรอบสถิติของ HJB ในขณะที่แอคชันลากรางเจียนคือ "สัญญาณ" ของการคัดเลือก 12
6.3 ความเปราะบางของภูมิภาค GC-rich เทียบกับ ความเสถียรของ AT-rich
ความขัดแย้งประการหนึ่งคือ ภูมิภาค GC-rich ซึ่งมีการทำงานสารสนเทศสูงที่สุด (เป็นที่อยู่ของยีนส่วนใหญ่) กลับมีความเสี่ยงต่อการกลายพันธุ์สูงที่สุดด้วย (สหสัมพันธ์ > 0.9) 37 ในขณะที่ภูมิภาค AT-rich ซึ่งมีความเสถียรสูงกลับมักจะถูกปิดการทำงานในเนื้อเยื่อส่วนใหญ่ 37 IFT-B แก้ไขความขัดแย้งนี้โดยระบุว่ามันคือการแลกเปลี่ยนทางเทอร์โมไดนามิกส์: แบนด์วิดท์สารสนเทศสูง (GC-rich) ย่อมต้องการการไหลของพลังงานสูง ซึ่งเพิ่มความเสี่ยงต่อความเสียหายจากปฏิกิริยาออกซิเดชันและการกลายพันธุ์ 12 สนามเจตจำนงต้องจัดการการแลกเปลี่ยนนี้โดยการวางหน้าที่ "Housekeeping" ที่สำคัญไว้ในโคดอนที่เป็น AT-rich เมื่อจำเป็นเพื่อรักษาความมั่นคงของชีวิต 37
7. ทิศทางในอนาคตสำหรับการตรวจสอบเชิงประจักษ์
การเปลี่ยนผ่านของ IFT-B ไปสู่การเป็นทฤษฎีกระแสหลักขึ้นอยู่กับผลการทดลองในอนาคตที่มีความจำเพาะสูง
7.1 การทดลองที่เสนอ
การลบความจำทางอีพิพันธุกรรม (Epigenetic Erasure): ใช้ CRISPR/Cas9 เพื่อเจาะจงเป้าหมายและย้อนกลับสถานะเมทิลเลชันของตำแหน่ง CpG 3,190 แห่งในความจำกล้ามเนื้อ 38 หากกล้ามเนื้อยังคงสามารถปรับตัวได้เร็วขึ้นเมื่อกลับมาฝึกใหม่ แสดงว่าสนามเจตจำนงไม่ได้ถูกเก็บไว้ในตำแหน่งเหล่านี้ และทฤษฎีจำเป็นต้องได้รับการปรับปรุง
การตั้งโปรแกรมรูปร่างใหม่ทางไฟฟ้า (Bioelectric Re-programming): ใช้วิธีการของ Michael Levin เพื่อตั้งค่ารูปร่างเป้าหมายใหม่ในสิ่งมีชีวิต จากนั้นทำการหาลำดับจีโนมด้วย GFMs 11 หากไม่พบการเปลี่ยนแปลงที่สอดคล้องกันใน Embedding ของโมเดลหรือการอัปเดตของสนามเจตจำนง แสดงว่าการเชื่อมโยงระหว่างไฟฟ้าชีวภาพและจีโนมตามที่ทฤษฎีเสนอไม่เป็นความจริง
การบรรเทาอัตราส่วนอันตราย (Hazard Ratio Attenuation): ทำการทดสอบทางคลินิกด้วย "ตัวลบความจำระดับเมแทบอลิซึม" (เช่น สารยับยั้ง DNMT เฉพาะทาง) เพื่อดูว่าค่า HR = 1.06 สามารถลดลงได้หรือไม่ 52 ซึ่งจะเป็นการยืนยันบทบาทเชิงเหตุและผลของศักย์สารสนเทศที่บรรยายในลากรางเจียนโดยตรง
7.2 การรวมเข้ากับแบบจำลองเซลล์เสมือน (Virtual Cell Models)
กรอบการจำลองจะถูกรวมเข้ากับ "State" ซึ่งเป็นแบบจำลองเซลล์เสมือนตัวแรกของสถาบัน Arc Institute ที่ฝึกด้วยข้อมูลการรบกวน (Perturbational data) ขนาดใหญ่ 72 สิ่งนี้จะช่วยให้สามารถทำนายว่าการเปลี่ยนแปลงทางพันธุกรรม เคมี และสิ่งแวดล้อมส่งผลต่อการแสดงออกของยีนในเซลล์ทุกประเภทอย่างไร ซึ่งเป็นการทดสอบความสามารถของสนามเจตจำนงในการรักษาภาวะธำรงดุลเชิงรูปแบบ (Pattern Homeostasis) ได้โดยตรง 15
บทสรุป
ทฤษฎีสนามเจตจำนงทางชีววิทยา (IFT-B) นำเสนอการเปลี่ยนแปลงกระบวนทัศน์จากการมองชีววิทยาในเชิงพรรณนาไปสู่การเป็นทฤษฎีเชิงฟิสิกส์ที่เข้มงวด การสร้างสูตรลากรางเจียนและหลักการแอคชันคงตัวช่วยให้เราสามารถอธิบายการมีเป้าหมายของสิ่งมีชีวิตผ่านสมการคณิตศาสตร์ที่ยึดโยงกับกฎของสารสนเทศและเอนโทรปี การใช้โมเดลจีโนมยุคใหม่อย่าง Evo 2 เป็นกลไกการจำลองช่วยให้เรามีพลังในการคำนวณที่เพียงพอต่อการตรวจสอบทฤษฎีในระดับความละเอียดของนิวคลีโอไทด์เดี่ยว
ความสำเร็จของ IFT-B ในอนาคตขึ้นอยู่กับความสามารถในการให้คำอธิบายที่เหนือกว่าแบบจำลองดั้งเดิมสำหรับปรากฏการณ์ความจำระดับเซลล์และภูมิทัศน์ของจีโนม หากทฤษฎีนี้สามารถทำนายปฏิสัมพันธ์ที่ซับซ้อนระหว่างโครงสร้างจีโนม การส่งสัญญาณทางไฟฟ้าชีวภาพ และความเสี่ยงทางเมแทบอลิซึมในระยะยาวได้จริง มันจะกลายเป็นเสาหลักสำคัญของวิชาชีววิทยาเชิงปริมาณยุคใหม่ที่เชื่อมโยงฟิสิกส์ของสสารเข้ากับวิทยาศาสตร์ของชีวิตได้อย่างสมบูรณ์ 1
ผลงานที่อ้างอิง
เข้าถึงเมื่อ มีนาคม 13, 2026 https://arxiv.org/html/2408.10834v1#:~:text=Then%2C%20the%20action%20is%20defined,corresponds%20to%20the%20lowest%20energy.
A neuronal least-action principle for real-time learning in cortical circuits | eLife, เข้าถึงเมื่อ มีนาคม 13, 2026 https://elifesciences.org/articles/89674
A Review of Lagrangian Formalism in Biology: Recent Advances and Perspectives, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arxiv.org/html/2408.10834v1
Karl Popper: Philosophy of Science, เข้าถึงเมื่อ มีนาคม 13, 2026 https://iep.utm.edu/pop-sci/
Principle of Least Action — IV Lagrangian Mechanics | Torah and Science, เข้าถึงเมื่อ มีนาคม 13, 2026 https://quantumtorah.com/principle-of-least-action-iv-lagrangian-mechanics/
Should we be astonished by the Principle of “Least” Action?, เข้าถึงเมื่อ มีนาคม 13, 2026 https://egtheory.wordpress.com/2014/09/28/principle-of-least-action/
Why the Principle of Least Action? - Physics Stack Exchange, เข้าถึงเมื่อ มีนาคม 13, 2026 https://physics.stackexchange.com/questions/15899/why-the-principle-of-least-action
Principle of Least Action and Evolution - SCIRP, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.scirp.org/journal/paperinformation?paperid=144468
The Theory of Informational Relative Evolution - Hugging Face, เข้าถึงเมื่อ มีนาคม 13, 2026 https://huggingface.co/blog/Severian/informational-relative-evolution
Information Force Field and Entropy-Information Coupling Mechanics: A Variational Field Theory for Self-Organizing Information Dynamics - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/397533906_Information_Force_Field_and_Entropy-Information_Coupling_Mechanics_A_Variational_Field_Theory_for_Self-Organizing_Information_Dynamics
Spatial Information - The Levin Lab, เข้าถึงเมื่อ มีนาคม 13, 2026 https://drmichaellevin.org/research/spatial.html
Natural selection for least action | Proceedings A | The Royal Society, เข้าถึงเมื่อ มีนาคม 13, 2026 https://royalsocietypublishing.org/rspa/article/464/2099/3055/82730/Natural-selection-for-least-action
Information field theory - Wikipedia, เข้าถึงเมื่อ มีนาคม 13, 2026 https://en.wikipedia.org/wiki/Information_field_theory
Information field dynamics for simulation scheme construction - arXiv, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arxiv.org/pdf/1206.4229
Ep 39: Bioelectric Computation (with Michael Levin) - Big Biology Podcast, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.bigbiology.org/episodes/2020/4/2/ep-39-bioelectric-computation-with-michael-levin
A neuronal least-action principle for real-time learning in cortical circuits - eLife, เข้าถึงเมื่อ มีนาคม 13, 2026 https://elifesciences.org/reviewed-preprints/89674
Information field theory - MPA Garching, เข้าถึงเมื่อ มีนาคม 13, 2026 https://wwwmpa.mpa-garching.mpg.de/~ensslin/Bayes_Forum/Files/2011-12-12_Torsten_Ensslin_IFT.pdf
The stochastic Hamilton–Jacobi–Bellman equation on Jacobi structures - arXiv, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arxiv.org/html/2503.11171v1
Hamilton–Jacobi–Bellman equation - Wikipedia, เข้าถึงเมื่อ มีนาคม 13, 2026 https://en.wikipedia.org/wiki/Hamilton%E2%80%93Jacobi%E2%80%93Bellman_equation
INTRODUCTION TO THE HAMILTON-JACOBI-BELLMAN EQUATION This text is a summary of important parts of chapter 3 and 4 in the book (C, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.math.chalmers.se/~donnerda/StochasticControl.pdf
Sequence modeling and design from molecular to genome scale with Evo - PMC - NIH, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC12057570/
Genome modeling and design across all domains of life with Evo 2., เข้าถึงเมื่อ มีนาคม 13, 2026 https://dbds.stanford.edu/wp-content/uploads/2025/03/Seminar-series-Flier-Brian-Hie-1.pdf
HyenaDNA: Long-Range Genomic Sequence Modeling at Single Nucleotide Resolution | Request PDF - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/372241951_HyenaDNA_Long-Range_Genomic_Sequence_Modeling_at_Single_Nucleotide_Resolution
Information Theory for Fields - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/330320183_Information_Theory_for_Fields
Genome modeling and design across all domains of life with Evo 2 - bioRxiv.org, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.biorxiv.org/content/10.1101/2025.02.18.638918v1.full.pdf
(PDF) Genome modeling and design across all domains of life with Evo 2 - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/389218623_Genome_modeling_and_design_across_all_domains_of_life_with_Evo_2
A Bioinformatician's Guide to Choosing Genomic Foundation Models | rewire.it, เข้าถึงเมื่อ มีนาคม 13, 2026 https://rewire.it/blog/a-bioinformaticians-guide-to-choosing-genomic-foundation-models/
Caduceus project page, เข้าถึงเมื่อ มีนาคม 13, 2026 https://caduceus-dna.github.io/
A foundational model for joint sequence-function multi-species modeling at scale for long-range genomic prediction - bioRxiv.org, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.biorxiv.org/content/10.64898/2025.12.22.695963v1.full-text
Learning the Shape of Evolutionary Landscapes: Geometric Deep Learning Reveals Hidden Structure in Phenotype-to-Fitness Maps - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/401665948_Learning_the_Shape_of_Evolutionary_Landscapes_Geometric_Deep_Learning_Reveals_Hidden_Structure_in_Phenotype-to-Fitness_Maps
The Stacked Autoencoder Evolution Hypothesis - arXiv.org, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arxiv.org/html/2602.01026v1
Pleiotropy and the evolutionary stability of plastic phenotypes: a geometric framework | G3 Genes|Genomes - Oxford Academic, เข้าถึงเมื่อ มีนาคม 13, 2026 https://academic.oup.com/g3journal/article/16/1/jkaf262/8321403
[2508.17269] Information Field Theory -- Concepts, Applications, and AI-Perspective, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arxiv.org/abs/2508.17269
On the Well-posedness of Inverse Problems Under Information Field Theory: Application to Model-form Error Detection - arXiv, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arxiv.org/html/2401.14224v1
[PDF] Information Field Theory and Artificial Intelligence | Semantic Scholar, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.semanticscholar.org/paper/14e34025b5d52788636279832404f316199e569c
Genos: a human-centric genomic foundation model | GigaScience | Oxford Academic, เข้าถึงเมื่อ มีนาคม 13, 2026 https://academic.oup.com/gigascience/article/doi/10.1093/gigascience/giaf132/8296738
DNA helix: the importance of being AT-rich - PubMed, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pubmed.ncbi.nlm.nih.gov/28836096/
Human skeletal muscle possesses an epigenetic memory of high-intensity interval training, เข้าถึงเมื่อ มีนาคม 13, 2026 https://journals.physiology.org/doi/10.1152/ajpcell.00423.2024
Stress hyperglycemia ratio and the risk of new-onset chronic diseases: results of a national prospective longitudinal study - PMC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC12166628/
GC- and AT-rich chromatin domains differ in conformation and histone modification status and are differentially modulated by Rpd3p - PMC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC2394764/
DNA helix: the importance of being AT-rich | Request PDF - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/319252825_DNA_helix_the_importance_of_being_AT-rich
DNA helix: the importance of being GC‐rich | Nucleic Acids Research | Oxford Academic, เข้าถึงเมื่อ มีนาคม 13, 2026 https://academic.oup.com/nar/article/31/7/1838/1193758
Genetic determinants of the epigenome in development and cancer | Swiss Medical Weekly, เข้าถึงเมื่อ มีนาคม 13, 2026 https://smw.ch/index.php/smw/article/view/2384/3655
Emergence and influence of sequence bias in evolutionarily malleable, mammalian tandem arrays - University of Michigan, เข้าถึงเมื่อ มีนาคม 13, 2026 https://sites.lsa.umich.edu/clowney-lab/wp-content/uploads/sites/1017/2023/09/Brovkina-Chapman-Holding.pdf
Phylogenomic analysis of the emergence of GC-rich transcription elements | PNAS, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.pnas.org/doi/10.1073/pnas.0707203104
Human skeletal muscle possesses an epigenetic memory of high-intensity interval training, เข้าถึงเมื่อ มีนาคม 13, 2026 https://journals.physiology.org/doi/full/10.1152/ajpcell.00423.2024?utm_source\x3dopenai
Human skeletal muscle possesses an epigenetic memory of high intensity interval training, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/381140104_Human_skeletal_muscle_possesses_an_epigenetic_memory_of_high_intensity_interval_training
(PDF) Human skeletal muscle possesses an epigenetic memory of high intensity interval training - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/386018465_Human_skeletal_muscle_possesses_an_epigenetic_memory_of_high_intensity_interval_training
Human skeletal muscle possesses an epigenetic memory of high intensity interval training - bioRxiv.org, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.biorxiv.org/content/10.1101/2024.05.30.596458v1.full.pdf
Effect of Prior Intensive Therapy in Type 1 Diabetes on 10-Year Progression of Retinopathy in the DCCT/EDIC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://rcastoragev2.blob.core.windows.net/07852d7bac2f7bb433e3f31b672da2aa/PMC2857905.pdf
Sustained kidney biochemical derangement in treated experimental diabetes: a clue to metabolic memory - PMC - PubMed Central, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC5228190/
Investigating the association between stressful life events and the risk of myocardial infarction and mortality: the Tromsø study - PMC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC12729713/
Comparison of novel nutritional index (TCBI) and insulin resistance index (TyG-BMI) for assessing cardiovascular disease risk: a cohort study - PMC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC12914969/
DNA methylation age calculators reveal association with diabetic neuropathy in type 1 diabetes, เข้าถึงเมื่อ มีนาคม 13, 2026 https://d-nb.info/1212361865/34
(PDF) DNA methylation age calculators reveal association with diabetic neuropathy in type 1 diabetes - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/340450480_DNA_methylation_age_calculators_reveal_association_with_diabetic_neuropathy_in_type_1_diabetes
Metabolic syndrome and the risk of late onset Alzheimer's disease: An updated review and meta-analysis | Request PDF - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/350549393_Metabolic_syndrome_and_the_risk_of_late_onset_Alzheimer's_disease_An_updated_review_and_meta-analysis
Falsifiability - Karl Popper's Basic Scientific Principle - Explorable.com, เข้าถึงเมื่อ มีนาคม 13, 2026 https://explorable.com/falsifiability
The Guy Foundation funds pioneering bioelectric field research at Tufts University, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.theguyfoundation.org/the-guy-foundation-funds-pioneering-bioelectric-field-research-at-tufts-university/
"Muscle Memory" Not Mediated By Myonuclear Number?: Secondary Analysis of Human Detraining Data | Request PDF - ResearchGate, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.researchgate.net/publication/335793037_Muscle_Memory_Not_Mediated_By_Myonuclear_Number_Secondary_Analysis_of_Human_Detraining_Data
The legacy effect in diabetes: are there long-term benefits? - PMC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC9196952/
Advancing Human Population Genomics with DNA Foundation Models - medRxiv.org, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.medrxiv.org/content/10.1101/2025.09.09.25335438v1.full-text
Sequence modeling and design from molecular to genome scale with Evo - bioRxiv.org, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.biorxiv.org/content/10.1101/2024.02.27.582234v1.full
Evo: Long-context modeling from molecular to genome scale - Together AI, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.together.ai/blog/evo
Evo Designer - DNA Foundation Model - Arc Institute, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arcinstitute.org/tools/evo/evo-designer
Frontier Science #10: Bioelectrics w/ Michael Levin - Wyss Institute, เข้าถึงเมื่อ มีนาคม 13, 2026 https://wyss.harvard.edu/media-post/frontier-science-10-bioelectrics-w-michael-levin/
A Feature Engineering Method for Whole-Genome DNA Sequence with Nucleotide Resolution - MDPI, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.mdpi.com/1422-0067/26/5/2281
Information geometry of multiparameter models: New perspectives on the origin of simplicity - PMC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC10018491/
Toward a Geometric Theory of Information Processing: Mathematical Foundations, Computational Applications, and Empirical Predictions - Nova Spivack, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.novaspivack.com/science/toward-a-geometric-theory-of-information-processing-a-research-program
Entropy as a Geometrical Source of Information in Biological Organizations - MDPI, เข้าถึงเมื่อ มีนาคม 13, 2026 https://www.mdpi.com/1099-4300/24/10/1390
AT-rich DNA region (null) - Gosset, เข้าถึงเมื่อ มีนาคม 13, 2026 https://gosset.ai/targets/at-rich-dna-region/
Diabetes mellitus and stroke: A clinical update - PMC, เข้าถึงเมื่อ มีนาคม 13, 2026 https://pmc.ncbi.nlm.nih.gov/articles/PMC5483423/
Evo 2: DNA Foundation Model - Arc Institute, เข้าถึงเมื่อ มีนาคม 13, 2026 https://arcinstitute.org/tools/evo
ความคิดเห็น
แสดงความคิดเห็น