একটি কোষের ডিজিটাল টুইন কেন গুরুত্বপূর্ণ
বর্তমান সময়ে ওষুধ আবিষ্কার একটি জুয়া খেলার মতো। গবেষকরা বছরের পর বছর ধরে অণুগুলোর (molecules) পরিবর্তন বা পরিমার্জন করেন, তারপর সেগুলো কোষ, প্রাণী এবং সবশেষে মানুষের ওপর পরীক্ষা করেন। বেশিরভাগ পরীক্ষাধীন উপাদান প্রাথমিক পর্যায়ের মানব পরীক্ষার ধাপও পার হতে পারে না। একটি নির্ভরযোগ্য কম্পিউটেশনাল মডেল যা কোষের প্রতিক্রিয়া পূর্বাভাস দিতে পারে, তা বিজ্ঞানীদের অকার্যকর যৌগগুলো দ্রুত বাদ দিতে এবং সবচেয়ে সম্ভাবনাময় উপাদানগুলোর ওপর সম্পদ ও মনোযোগ কেন্দ্রীভূত করতে সাহায্য করবে।
Arc একটি কোষকে এমন একটি সিস্টেম হিসেবে বিবেচনা করে যা in silico পদ্ধতিতে সিমুলেট করা সম্ভব, ঠিক যেমন প্রকৌশলীরা একটি বিমান মাটি ছাড়ার আগেই তার মডেল তৈরি করেন। যদি সিমুলেশনটি কোনো নির্দিষ্ট পরিবর্তনের (perturbation) ফলে একটি বাস্তব কোষের জিনের অভিব্যক্তির (gene-expression) পরিবর্তনগুলো সঠিকভাবে ফুটিয়ে তুলতে পারে, তবে ব্যয়বহুল ও সময়সাপেক্ষ পরীক্ষার প্রয়োজনীয়তা নাটকীয়ভাবে কমে যায়।
“State” মডেল – ১০০ মিলিয়ন কোষে প্রশিক্ষিত একটি ট্রান্সফরমার
এই প্ল্যাটফর্মের মূলে রয়েছে একটি ট্রান্সফরমার-শৈলীর নিউরাল নেটওয়ার্ক যাকে দলটি State নামে অভিহিত করেছে। ট্রান্সফরমারগুলো লার্জ ল্যাঙ্গুয়েজ মডেল পরিচালনা করে; এখানে সেগুলো টেক্সটের পরিবর্তে জৈবিক ডেটা গ্রহণ করে। State ১০০ মিলিয়ন সিঙ্গেল-সেল পরিমাপের একটি কিউরেটেড সেট থেকে শিখেছে, যা জেনেটিক পার্টারবেশন (genetic perturbations) এবং ডাউনস্ট্রিম এক্সপ্রেশন প্যাটার্নের মধ্যে পরিসংখ্যানগত সম্পর্কগুলো চিহ্নিত করতে সক্ষম।
Arc বলছে যে State আগের মডেলগুলোর তুলনায় অনেক বেশি কার্যকর, যা সহজতর পরিসংখ্যানগত কৌশলের ওপর নির্ভরশীল ছিল। দলটি একটি প্রধান সীমাবদ্ধতাও স্বীকার করেছে: যখন মডেলটি এমন কোনো কোষের ধরনের সম্মুখীন হয় যা প্রশিক্ষণের সময় দেখেনি, তখন এর পূর্বাভাসের মান কমে যায়। গবেষকদের ধারণা, একটি "নিখুঁত" মডেল—যা সমস্ত মানব কোষের ধরনের ক্ষেত্রে সাধারণীকরণ (generalize) করতে পারে—তৈরি হতে আরও প্রায় এক দশক সময় লাগবে।
মডেলটিকে পরীক্ষার মুখে বসানো: Virtual Cell Challenge
বাস্তবসম্মত পরিবেশে State এবং অন্যান্য পদ্ধতিগুলো কতটা কার্যকর তা যাচাই করার জন্য, Arc Virtual Cell Challenge নামে একটি প্রকাশ্য প্রতিযোগিতার আয়োজন করেছিল। অংশগ্রহণকারীরা একটি কঠিন ডেটাসেট পেয়েছিলেন এবং তাদের কাছে অজানা পার্টারবেশনের জন্য জিনের অভিব্যক্তির ফলাফল পূর্বাভাস দেওয়ার কথা বলা হয়েছিল। ফলাফল ছিল হতাশাজনক: অনেক AI টিম প্রশিক্ষণের ডেটার সাধারণ গাণিতিক গড় (naïve mathematical average) থেকে খারাপ ফলাফল করেছে।
এই ফলাফলটি একটি বৃহত্তর সমস্যার দিকে ইঙ্গিত করে যা নিয়ে এই ক্ষেত্রটি দীর্ঘদিন লড়াই করছে: বিশুদ্ধ ডিপ-লার্নিং মডেলগুলো, এমনকি বড় মডেলগুলোও ব্যর্থ হয় যখন ইনপুট ডেটা নয়েজি (noisy), বিরল (sparse) বা জৈবিকভাবে বৈচিত্র্যময় (heterogeneous) হয়। সফল অংশগ্রহণকারীরা নিউরাল নেটওয়ার্কের সাথে ক্লাসিক্যাল পরিসংখ্যানগত পদ্ধতি ব্যবহার করেছিলেন, যা নির্দেশ করে যে একটি হাইব্রিড ওয়ার্কফ্লো হতে পারে নিকটবর্তী সময়ের সম্ভাব্য পথ।
বিশৃঙ্খলা পরিষ্কার করা: scBaseCount ডেটা পাইপলাইন
State-এর মতো একটি মডেল তৈরির ক্ষেত্রে অন্যতম বড় বাধা হলো ডেটার গুণমান। র (raw) সিঙ্গেল-সেল পরিমাপগুলো ব্যাচ ইফেক্ট (batch effects), অনুপস্থিত মান এবং অসংলগ্ন অ্যানোটেশনের মাধ্যমে জর্জরিত থাকে। Arc এর সমাধান হিসেবে AI এজেন্টদের একটি সেট তৈরি করেছে যা ডেটা কিউরেশন স্বয়ংক্রিয়ভাবে সম্পন্ন করে, যাকে সম্মিলিতভাবে scBaseCount বলা হয়।
- Finder agents পাবলিক রিপোজিটরিগুলো অনুসন্ধান করে এবং র ফাইলগুলো সংগ্রহ করে।
- Organizer agents ফরম্যাটগুলোকে মানসম্মত করে, মেটাডেটা সাজায় এবং নামকরণের দ্বন্দ্বগুলো সমাধান করে।
- একটি supervisor agent আউটপুট অডিট করে এবং মানুষের পর্যালোচনার জন্য অস্বাভাবিকতাগুলো চিহ্নিত করে।
এই পাইপলাইনটি প্রায় ৫০০ মিলিয়ন কোষের একটি রিপোজিটরি তৈরি করেছে—যা পূর্বের বৃহত্তম পাবলিক সংগ্রহের চেয়ে চারগুণ বড়। এই বিশাল পরিমাণ ডেটা এবং পদ্ধতিগত পরিচ্ছন্নতা State-কে আগের প্রচেষ্টার তুলনায় আরও সমৃদ্ধ এবং নির্ভরযোগ্য প্রশিক্ষণের ক্ষেত্র প্রদান করে।
কাজের মাধ্যমে শেখা: ফিডব্যাক লুপ
Arc শুধুমাত্র ঐতিহাসিক ডেটার ওপর নির্ভর করে না। প্ল্যাটফর্মটি একটি অ্যাক্টিভ-লার্নিং চক্র পরিচালনা করে: AI নতুন পরীক্ষার প্রস্তাব দেয়, ল্যাব সেগুলো সম্পাদন করে এবং ফলাফলগুলো পুনরায় মডেলে ফিরে আসে। বাস্তবে, একটি AI এজেন্ট কোনো জিন নক-আউট (knock out) করার জন্য বা কোনো ওষুধ প্রয়োগ করার জন্য নির্বাচন করে, বাস্তব কোষের ওপর পরীক্ষাটি চালানো হয় এবং পর্যবেক্ষিত অভিব্যক্তির পরিবর্তনগুলো State-এর প্যারামিটারগুলোকে আরও নিখুঁত করে।
এই লুপটি দুটি উদ্দেশ্যে কাজ করে। প্রথমত, এটি মডেলের বর্তমান অন্ধ spots (blind spots) বা সীমাবদ্ধতাগুলো পূরণ করার জন্য ডেটা পয়েন্টের মাধ্যমে ক্রমাগত প্রশিক্ষণ সেটকে প্রসারিত করে। দ্বিতীয়ত, এটি একটি বিল্ট-ইন যাচাইকরণ ধাপ প্রদান করে, যা নিশ্চিত করে যে পূর্বাভাসগুলো কেবল অনুমাননির্ভর নয় বরং অভিজ্ঞতামূলক প্রমাণের (empirical evidence) ওপর ভিত্তি করে তৈরি।
AI ইঞ্জিনিয়ার এবং বায়োটেক সংস্থাগুলোর জন্য এর অর্থ কী
Arc-এর প্রকাশ্য তথ্যগুলো দুটি ব্যবহারিক শিক্ষায় পর্যবসিত হয়:
- ডেটার গুণমান মডেলের জটিলতাকে ছাড়িয়ে যায়। অস্পষ্ট বা অসম্পূর্ণ ডেটার ওপর প্রশিক্ষিত একটি উন্নত transformer, অত্যন্ত যত্ন সহকারে বাছাই করা ইনপুট দেওয়া একটি সাধারণ অ্যালগরিদমের চেয়ে খারাপ ফলাফল দেবে। scBaseCount পাইপলাইন আমাদের মনে করিয়ে দেয় যে, মডেলের আকার ক্রমাগত বড় করার পেছনে ছোটার চেয়ে ডেটা ইঞ্জিনিয়ারিংয়ে বিনিয়োগ করলে আরও বড় সাফল্য পাওয়া সম্ভব।
- ভেরিফিকেশন লুপ অপরিহার্য। বাহ্যিক যাচাইকরণ ছাড়া একটি মডেলের আউটপুটের ওপর ভরসা করা ঝুঁকিপূর্ণ, বিশেষ করে জীববিজ্ঞানের ক্ষেত্রে যেখানে অজানা বিভ্রান্তিকর চলক (confounders) প্রচুর পরিমাণে থাকে। এমন এজেন্ট যুক্ত করা যা একে অপরকে ক্রস-ভ্যালিডেট করে—অথবা যা বাস্তব জগতের পরীক্ষার সাথে পূর্বাভাসের তুলনা করে—একটি সুরক্ষা কবচ তৈরি করে যা পদ্ধতিগত ত্রুটিগুলো দ্রুত শনাক্ত করতে পারে।
সামনের পথ এবং সংশয়বাদীরা
যদিও এর সম্ভাবনা স্পষ্ট, তবুও এই প্রযুক্তিটি কোনো তাৎক্ষণিক সমাধান (turnkey solution) হিসেবে এখনও অনেক দূরে। অজানা কোষের প্রকারভেদের (unseen cell types) ক্ষেত্রে State-এর সমস্যা নির্দেশ করে যে, মডেলটির এখনও অন্তর্নিহিত জীববিজ্ঞানের প্রকৃত ধারণা নেই। Virtual Cell Challenge-এর ফলাফল দেখায় যে, সমস্যাটি যদি অস্পষ্ট (ill-posed) হয়, তবে প্রচুর অর্থায়ন পাওয়া AI দলগুলোও সাধারণ বেসলাইন মডেলের কাছে পরাজিত হতে পারে।