GSK ব্রিটিশ বায়োটেক সংস্থা Relation Therapeutics-এর সাথে ১১০ মিলিয়ন ডলার পর্যন্ত মূল্যের একটি গবেষণা সহযোগিতার চুক্তি স্বাক্ষর করেছে। এই অংশীদারিত্বের মাধ্যমে বিশাল এবং উচ্চ-রেজোলিউশনের ডেটাসেট তৈরি করা হবে, যা মানুষের কোষ জেনেটিক পরিবর্তন এবং ওষুধের চিকিৎসায় কীভাবে প্রতিক্রিয়া জানায় তা ট্র্যাক করবে। এটি ডেটার সেই প্রতিবন্ধকতাকে (bottleneck) দূর করবে যা এআই-চালিত ওষুধ আবিষ্কারের গতিকে ধীর করে দিয়েছিল এবং অণু থেকে ওষুধ তৈরির পথকে কয়েক বছর সংক্ষিপ্ত করতে পারে।

ডেটার সমস্যা যা এআই-কে পিছিয়ে রেখেছিল

গত এক দশকের বেশিরভাগ সময় ধরে, ফার্মাসিউটিক্যাল ক্ষেত্রে এআই-এর মান নির্ধারণ করা হয়েছে মডেলের আকারের ভিত্তিতে, ইনপুট প্রাসঙ্গিকতার ভিত্তিতে নয়। ইন্টারনেটের টেক্সটের ওপর প্রশিক্ষিত লার্জ ল্যাঙ্গুয়েজ মডেলগুলো প্যাটার্ন ম্যাচিংয়ে পারদর্শী হলেও, একটি যৌগ কীভাবে একটি জীবন্ত কোষের মধ্যে প্রভাব ফেলে তা ভবিষ্যদ্বাণী করার ক্ষেত্রে তারা হোঁচট খায়। এখানে যে অংশটি অনুপস্থিত ছিল তা হলো "ওয়েট ল্যাব" (wet lab) ডেটা—বাস্তব পরীক্ষা থেকে প্রাপ্ত পরিমাপ যা একটি জিন চালু বা বন্ধ হওয়ার পর বা কোনো ওষুধ প্রয়োগ করার পর জৈবিক প্রভাবের ধারাকে ধারণ করে।

Relation Therapeutics সেই শূন্যতা পূরণ করবে। এই চুক্তির অধীনে, এটি বৃহৎ পরিসরে এমন ডেটা তৈরি করবে যা অত্যন্ত সূক্ষ্মভাবে পরিমাপ করবে যে মানুষের কোষ দুটি চলকের (variables) প্রতি কীভাবে প্রতিক্রিয়া জানায়: জেনেটিক পরিবর্তন এবং ওষুধের হস্তক্ষেপ। এআই সিস্টেমগুলোকে কোষীয় আচরণের এই সূক্ষ্ম ধারণা প্রদানের মাধ্যমে, এই অংশীদারিত্বের লক্ষ্য হলো মডেলগুলোকে সাধারণ বাইন্ডিং প্রেডিকশন থেকে সম্পূর্ণ পাথওয়ে সিমুলেশনে উন্নীত করা।

ব্ল্যাক-বক্স প্রেডিকশন থেকে কোষীয় নির্ভুলতা

প্রথাগত এআই পাইপলাইনগুলো প্রায়শই একটি মাত্র সংখ্যা প্রদান করে: একটি অণু লক্ষ্য প্রোটিনের সাথে যুক্ত হওয়ার সম্ভাবনা কতটুকু। গবেষকরা তারপর সেই বাইন্ডিং একটি থেরাপিউটিক বা চিকিৎসাগত প্রভাব ফেলে কি না তা পরীক্ষা করতে মাস বা বছর ব্যয় করেন। নতুন পদ্ধতিটি এই একক-বিন্দু অনুমানের পরিবর্তে ডাউনস্ট্রিম ফলাফলের একটি বহুমাত্রিক মানচিত্র প্রদান করে। যখন একটি এআই মডেল জানতে পারে যে জিন X কে নিষ্ক্রিয় (knock out) করলে পাথওয়ে Y সক্রিয় হয় এবং একটি সম্ভাব্য ওষুধ সেই একই পাথওয়েকে প্রশমিত করে, তখন এটি অনেক আগেই কার্যকারিতা অনুমান করতে পারে।

এর ফলে ব্যয়বহুল ট্রায়াল-অ্যান্ড-এরর (trial-and-error) বা পরীক্ষা-নিরীক্ষার খরচ কমে আসে। যদি একটি মডেল নির্ভরযোগ্যভাবে পূর্বাভাস দিতে পারে যে একটি যৌগ কাঙ্ক্ষিত কোষীয় প্রতিক্রিয়া সৃষ্টি করবে, তবে কম সংখ্যক যৌগ সংশ্লেষণ, স্ক্রিনিং এবং বর্জন করার প্রয়োজন হবে। এটি গবেষণা ও উন্নয়ন (R&D) খরচ কমায় এবং সময়সীমা সংক্ষিপ্ত করে—যা সরাসরি ওষুধের বাজারের একচেটিয়া সময়কাল এবং ফার্মাসিউটিক্যাল কোম্পানিগুলোর মুনাফাকে প্রভাবিত করে।

"সঠিক ডেটা" হয়ে উঠছে রক্ষাকবচ (moat)

এই অংশীদারিত্ব "বিগ ডেটা" থেকে "সঠিক ডেটা"-র দিকে একটি পরিবর্তনের ইঙ্গিত দেয়। সাধারণ উদ্দেশ্যে ব্যবহৃত মডেলগুলো বিশাল পরিমাণের ডেটার ওপর ভিত্তি করে কাজ করে, কিন্তু ওষুধ আবিষ্কারের জন্য এমন ডেটা প্রয়োজন যা অত্যন্ত সুনির্দিষ্ট এবং যা সংগ্রহ করা কঠিন। নির্ভরযোগ্য কোষীয় প্রতিক্রিয়া প্রোফাইল তৈরি করতে উন্নত যন্ত্রপাতি, দক্ষ জনবল এবং কঠোর মান নিয়ন্ত্রণের প্রয়োজন—যা কেবল সুপ্রতিষ্ঠিত এবং অর্থায়ন সমৃদ্ধ প্রতিষ্ঠানগুলোই করতে পারে।

যে কোম্পানিগুলো জেনেটিক কোড এবং পরিমাপযোগ্য কোষীয় ফলাফলের মধ্যে সংযোগকারী পাইপলাইনের মালিক হবে, তারা সবচেয়ে মূল্যবান বুদ্ধিবৃত্তিক সম্পত্তির (intellectual property) অধিকারী হবে। এই ধরনের ডেটাসেটের একচেটিয়া অধিকার একটি প্রতিরক্ষামূলক বাধা তৈরি করে যা একটি নতুন নিউরাল নেটওয়ার্ক আর্কিটেকচারের চেয়েও অনুকরণ করা কঠিন। বায়োটেক উদ্যোক্তাদের জন্য বার্তাটি স্পষ্ট: পরবর্তী অ্যালগরিদমিক যুগান্তকারী আবিষ্কারের পেছনে ছোটার চেয়ে একটি ডেটা ইঞ্জিন তৈরি করা অনেক বেশি কৌশলগত হতে পারে।

পাল্টা যুক্তি: শুধুমাত্র ডেটা সবকিছু সমাধান করবে না

সমালোচকরা উল্লেখ করেছেন যে নিখুঁত ডেটাও এআই মডেলকে বিভ্রান্ত করতে পারে। টিস্যুর ধরন, রোগের অবস্থা এবং রোগীর জনতাত্ত্বিক বৈশিষ্ট্যের ভিত্তিতে কোষের মধ্যে পার্থক্য থাকে; একটি নির্দিষ্ট প্রেক্ষাপটে সংগৃহীত ডেটাসেট সব ক্ষেত্রে প্রযোজ্য নাও হতে পারে। বিশাল এবং উচ্চ-মানের ডেটাসেট তৈরি এবং কিউরেট করার খরচ মডেল প্রশিক্ষণের খরচের চেয়ে অনেক বেশি হতে পারে, যা ছোট কোম্পানিগুলোর জন্য স্কেলেবিলিটি বা সম্প্রসারণযোগ্যতা নিয়ে প্রশ্ন তোলে।

নিয়ন্ত্রক সংস্থাগুলোও গুরুত্বপূর্ণ। মানুষের জীববিজ্ঞান সিমুলেট করার দাবি করা প্রেডিক্টিভ এআই-কে শেষ পর্যন্ত ক্লিনিক্যাল ফলাফলের মাধ্যমে যাচাই করতে হবে, যা কঠোর পর্যবেক্ষণের একটি স্তর যোগ করে। যদি শিল্পটি পর্যাপ্ত বাস্তব-বিশ্ব পরীক্ষা ছাড়া ইন-সিলিকো (in-silico) পূর্বাভাসের ওপর অতিরিক্ত নির্ভর করে, তবে সম্ভাবনাময় ওষুধগুলো ট্রায়ালে ব্যর্থ হলে বড় ধরনের বিপর্যয়ের সম্মুখীন হতে পারে।

পরবর্তীতে যা লক্ষ্য রাখতে হবে

আগামী কয়েক মাস প্রকাশ করবে যে GSK-Relation প্রচেষ্টা প্রতিশ্রুতি অনুযায়ী ব্যবহারযোগ্য ডেটা সরবরাহ করতে পারে কি না। মূল সূচকগুলোর মধ্যে রয়েছে:

  • বেঞ্চমার্ক ডেটাসেট প্রকাশ করা যা অন্যান্য গবেষকরা (এমনকি সীমিত শর্তে) ব্যবহার করতে পারবেন
  • প্রাথমিক পর্যায়ের এআই মডেল যা একটি টেস্ট সেটে প্রথাগত স্ক্রিনিং পদ্ধতির চেয়ে স্পষ্টভাবে ভালো ফলাফল দেখায়
  • অন্যান্য বড় ফার্মাসিউটিক্যাল কোম্পানিগুলোর থেকে পরবর্তী বিনিয়োগ, যা এই ডেটা পদ্ধতির কার্যকারিতার প্রতি আস্থা প্রকাশ করবে

যদি এই সহযোগিতা হিট-রেট (hit-rate) বা সাইকেল টাইমে দৃশ্যমান উন্নতি আনে, তবে এটি একই ধরনের চুক্তির একটি ঢেউ সৃষ্টি করতে পারে, যা শিল্পে গবেষণা ও উন্নয়নে (R&D) অর্থ বরাদ্দের পদ্ধতিকে নতুন রূপ দেবে। বিপরীতে, যদি ডেটা খুব বেশি অস্পষ্ট (noisy) বা সমন্বয় করা ব্যয়বহুল প্রমাণিত হয়, তবে কোম্পানিগুলো এআই-এর সাথে প্রথাগত হাই-থ্রুপুট স্ক্রিনিংয়ের সমন্বয়ে হাইব্রিড পদ্ধতিতে ফিরে যেতে পারে।

সারসংক্ষেপ

উচ্চ-নির্ভুলতা সম্পন্ন সেলুলার ডেটার ওপর GSK-এর ১১০ মিলিয়ন ডলারের বিনিয়োগ একটি নির্ণায়ক পরিবর্তনের সংকেত দিচ্ছে: এআই (AI) ড্রাগ ডিসকভারির ক্ষেত্রে, সবচেয়ে নির্ণায়ক সুবিধা হবে মডেলগুলোকে প্রশিক্ষণ দেওয়া জৈবিক সংকেতগুলোর (biological signals) গুণমান এবং একচেটিয়া অধিকার, অ্যালগরিদমগুলোর বিশাল আকার নয়।