કોષનું ડિજિટલ ટ્વિન શા માટે મહત્વનું છે
આજે દવાઓની શોધ એક જુગાર સમાન છે. સંશોધકો વર્ષો સુધી અણુઓમાં ફેરફાર કરવા પાછળ સમય વિતાવે છે, અને પછી તેને કોષો, પ્રાણીઓ અને અંતે મનુષ્યોમાં પરીક્ષણ કરે છે. મોટાભાગના ઉમેદવારો પ્રારંભિક માનવ પરીક્ષણોમાંથી ક્યારેય પસાર થઈ શકતા નથી. એક વિશ્વસનીય કમ્પ્યુટેશનલ મોડેલ જે કોષીય પ્રતિસાદની આગાહી કરી શકે તે વૈજ્ઞાનિકોને નિષ્ફળ જનારા સંયોજનોને વહેલા ત્યાગ કરવામાં અને સૌથી આશાસ્પદ સંશોધનો પર સંસાધનો કેન્દ્રિત કરવામાં મદદ કરશે.
Arc કોષને એક એવી સિસ્ટમ તરીકે જુએ છે જેને in silico સિમ્યુલેટ કરી શકાય છે, જેવું કે એન્જિનિયરો વિમાન જમીન છોડતા પહેલા તેનું મોડેલિંગ કરે છે. જો સિમ્યુલેશન આપેલ વિક્ષેપ (perturbation) હેઠળ વાસ્તવિક કોષ જે રીતે જનીન-અભિવ્યક્તિ (gene-expression) માં ફેરફાર બતાવશે તે જ રીતે પરિણામ આપે, તો ખર્ચાળ અને સમય માંગી લેતા પ્રયોગોની જરૂરિયાત નોંધપાત્ર રીતે ઘટી જાય છે.
“State” મોડેલ – 100 મિલિયન કોષો પર તાલીમ પામેલ એક transformer
આ પ્લેટફોર્મના કેન્દ્રમાં transformer-શૈલીનું ન્યુરલ નેટવર્ક છે જેને ટીમ State કહે છે. Transformers મોટા લેંગ્વેજ મોડેલ્સને સજ્જ કરે છે; અહીં તેઓ ટેક્સ્ટને બદલે જૈવિક ડેટાનો ઉપયોગ કરે છે. State એ 100 મિલિયન સિંગલ-સેલ માપન (single-cell measurements) ના સંગ્રહમાંથી શીખ્યું છે, જે જિનેટિક વિક્ષેપો અને ડાઉનસ્ટ્રીમ એક્સપ્રેશન પેટર્ન વચ્ચેના આંકડાકીય સંબંધોને સમજે છે.
Arc જણાવે છે કે State અગાઉના મોડેલ્સ કરતા વધુ સારું પ્રદર્શન કરે છે જે સરળ આંકડાકીય તકનીકો પર આધારિત હતા. ટીમ એક મુખ્ય મર્યાદા પણ સ્વીકારે છે: જ્યારે મોડેલ એવા કોષના પ્રકારને જુએ છે જે તેણે તાલીમ દરમિયાન ક્યારેય જોયો નથી, ત્યારે તેની આગાહીઓ નબળી પડે છે. સંશોધકોનું અનુમાન છે કે એક "પરફેક્ટ" મોડેલ—જે તમામ માનવ કોષના પ્રકારો પર સામાન્યીકરણ (generalize) કરી શકે—તે આવવા માટે હજુ લગભગ એક દાયકા બાકી છે.
મોડેલનું પરીક્ષણ: Virtual Cell Challenge
State અને અન્ય અભિગમો વાસ્તવિક પરિસ્થિતિઓમાં કેટલા સફળ થાય છે તે માપવા માટે, Arc એ Virtual Cell Challenge નામની એક જાહેર સ્પર્ધાનું આયોજન કર્યું હતું. સહભાગીઓને એક મુશ્કેલ ડેટાસેટ આપવામાં આવ્યો હતો અને અણધારી વિક્ષેપો (unseen perturbations) માટે જનીન-અભિવ્યક્તિના પરિણામોની આગાહી કરવા માટે કહેવામાં આવ્યું હતું. પરિણામો ચિંતાજનક હતા: ઘણા AI ટીમોનું પ્રદર્શન તાલીમ ડેટાના સાધારણ ગાણિતિક સરેરાશ કરતા પણ ખરાબ હતું.
આ પરિણામ એક વ્યાપક મુદ્દા પર ભાર મૂકે છે જેનો આ ક્ષેત્ર લાંબા સમયથી સામનો કરી રહ્યો છે: શુદ્ધ ડીપ-લર્નિંગ મોડેલ્સ, ભલે તે મોટા હોય, જ્યારે ઇનપુટ ડેટા અસ્પષ્ટ (noisy), વિખરાયેલા (sparse) અથવા જૈવિક રીતે વિષમ (biologically heterogeneous) હોય ત્યારે નિષ્ફળ જાય છે. સફળ સબમિશનમાં ન્યુરલ નેટવર્કને ક્લાસિકલ આંકડાકીય પદ્ધતિઓ સાથે જોડવામાં આવ્યા હતા, જે સૂચવે છે કે હાઇબ્રિડ વર્કફ્લો એ આગામી સમય માટેનો માર્ગ હોઈ શકે છે.
ડેટાની અરાજકતા દૂર કરવી: scBaseCount ડેટા પાઇપલાઇન
State જેવું મોડેલ બનાવવામાં સૌથી મોટી અવરોધક બાબતોમાંની એક ડેટાની ગુણવત્તા છે. કાચા સિંગલ-સેલ માપનમાં બેચ ઇફેક્ટ્સ (batch effects), ખૂટતી કિંમતો અને અસંગત નોંધણીઓ (annotations) હોય છે. Arc એ ડેટા ક્યુરેશનને ઓટોમેટ કરવા માટે AI એજન્ટ્સનો એક સમૂહ તૈયાર કરીને આનો ઉકેલ આપ્યો છે, જેને સામૂહિક રીતે scBaseCount કહેવામાં આવે છે.
- Finder agents જાહેર રિપોઝીટરીઝમાં સર્ચ કરે છે અને કાચી ફાઇલો ડાઉનલોડ કરે છે.
- Organizer agents ફોર્મેટને પ્રમાણિત કરે છે, મેટાડેટાને ગોઠવે છે અને નામકરણના વિવાદોને ઉકેલે છે.
- એક supervisor agent આઉટપુટનું ઓડિટ કરે છે, અને માનવીય સમીક્ષા માટે અસાધારણ બાબતોને ફ્લેગ કરે છે.
આ પાઇપલાઇને અંદાજે 500 મિલિયન કોષોનું રિપોઝીટરી તૈયાર કર્યું છે—જે અગાઉના સૌથી મોટા જાહેર સંગ્રહ કરતા ચાર ગણું મોટું છે. આ વિશાળ પ્રમાણ અને પદ્ધતિસરની સફાઈ, State ને અગાઉના પ્રયાસો કરતા વધુ સમૃદ્ધ અને વધુ વિશ્વસનીય તાલીમ ક્ષેત્ર પૂરું પાડે છે.
કરીને શીખવું: ફીડબેક લૂપ
Arc માત્ર ઐતિહાસિક ડેટા પર નિર્ભર નથી. આ પ્લેટફોર્મ એક એક્ટિવ-લર્નિંગ સાયકલ ચલાવે છે: AI નવા પ્રયોગો સૂચવે છે, લેબ તેને અમલમાં મૂકે છે, અને પરિણામો ફરીથી મોડેલમાં પાછા આવે છે. વ્યવહારમાં, એક AI એજન્ટ કોઈ જનીનને 'નોક આઉટ' (knock out) કરવા અથવા કોઈ દવા લાગુ કરવા માટે પસંદ કરે છે, પ્રયોગ વાસ્તવિક કોષો પર કરવામાં આવે છે, અને અવલોકન કરેલા એક્સપ્રેશન ફેરફારો State ના પેરામીટર્સને વધુ સચોટ બનાવે છે.
આ લૂપ બે હેતુઓ પૂરા કરે છે. પ્રથમ, તે મોડેલના વર્તમાન 'બ્લાઇન્ડ સ્પોટ્સ' (blind spots) ને આવરી લેતા ડેટા પોઈન્ટ્સ સાથે તાલીમ સેટને સતત વિસ્તૃત કરે છે. બીજું, તે એક ઇન-બિલ્ટ વેરિફિકેશન સ્ટેપ પૂરું પાડે છે, જે સુનિશ્ચિત કરે છે કે આગાહીઓ માત્ર ઉપરછલ્લી ન રહેતા પ્રાયોગિક પુરાવાઓ પર આધારિત હોય.
AI એન્જિનિયરો અને બાયોટેક કંપનીઓ માટે આનો અર્થ શું છે
Arc ના જાહેર ખુલાસાઓ બે વ્યવહારિક પાઠમાં સમાપ્ત થાય છે:
- ડેટાની ગુણવત્તા મોડેલની જટિલતા કરતા વધુ મહત્વ ધરાવે છે. અસ્પષ્ટ અને અધૂરા ડેટા પર તાલીમ પામેલું એક અત્યાધુનિક transformer, ઝીણવટપૂર્વક તૈયાર કરાયેલા ઇનપુટ્સ ધરાવતા સરળ અલ્ગોરિધમ કરતા નબળું પ્રદર્શન કરશે. scBaseCount પાઇપલાઇન આપણને યાદ અપાવે છે કે ડેટા એન્જિનિયરિંગમાં રોકાણ કરવાથી મોડેલના કદને સતત વધારવા કરતાં વધુ મોટો ફાયદો મળી શકે છે.
- વેરિફિકેશન લૂપ્સ આવશ્યક છે. બાહ્ય તપાસ વિના મોડેલના આઉટપુટ પર વિશ્વાસ કરવો જોખમી છે, ખાસ કરીને જીવવિજ્ઞાનમાં જ્યાં અજ્ઞાત પરિબળો (confounders) પુષ્કળ પ્રમાણમાં હોય છે. એવા એજન્ટ્સને સામેલ કરવા જે એકબીજાની ચકાસણી કરે—અથવા જે આગાહીઓની સરખામણી વાસ્તવિક પ્રયોગો સાથે કરે—તે એક સુરક્ષા જાળ બનાવે છે જે પદ્ધતિસરની ભૂલોને વહેલી પકડી લે છે.
આગળનો માર્ગ અને શંકાસ્પદ લોકો
જોકે આમાં ઘણી સંભાવનાઓ છે, પરંતુ આ ટેકનોલોજી હજુ પણ સંપૂર્ણ (turnkey) ઉકેલથી ઘણું દૂર છે. અદ્રશ્ય કોષના પ્રકારો સાથેની મુશ્કેલી એ સંકેત આપે છે કે મોડેલમાં હજુ પણ પાયાના જીવવિજ્ઞાનની સાચી સમજનો અભાવ છે. Virtual Cell Challenge ના પરિણામો દર્શાવે છે કે જ્યારે સમસ્યા અસ્પષ્ટ હોય, ત્યારે સારી રીતે ભંડોળ ધરાવતી AI ટીમોને પણ સાદા baselines દ્વારા પછાડી શકાય છે.