एक कोशिका का डिजिटल ट्विन क्यों महत्वपूर्ण है
आज दवा की खोज (drug discovery) एक जुआ है। शोधकर्ता अणुओं (molecules) को बेहतर बनाने में वर्षों बिताते हैं, फिर उन्हें कोशिकाओं, जानवरों और अंततः मनुष्यों पर परीक्षण करते हैं। अधिकांश उम्मीदवार शुरुआती मानव परीक्षणों को भी पार नहीं कर पाते हैं। एक विश्वसनीय कम्प्यूटेशनल मॉडल जो कोशिकीय प्रतिक्रिया (cellular response) का पूर्वानुमान लगा सके, वैज्ञानिकों को बेकार यौगिकों (compounds) को जल्दी ही खारिज करने और सबसे आशाजनक संभावनाओं पर संसाधन केंद्रित करने में मदद करेगा।
Arc एक कोशिका को एक ऐसे सिस्टम के रूप में मानता है जिसे in silico सिम्युलेट किया जा सकता है, ठीक वैसे ही जैसे इंजीनियर विमान के जमीन से उड़ान भरने से पहले उसका मॉडल तैयार करते हैं। यदि सिमुलेशन उन जीन-अभिव्यक्ति (gene-expression) परिवर्तनों को दोहराता है जो एक वास्तविक कोशिका किसी दिए गए व्यवधान (perturbation) के तहत दिखाएगी, तो महंगे और समय लेने वाले प्रयोगों की आवश्यकता नाटकीय रूप से कम हो जाती है।
"State" मॉडल – 10 करोड़ कोशिकाओं पर प्रशिक्षित एक ट्रांसफॉर्मर
इस प्लेटफॉर्म के केंद्र में एक ट्रांसफॉर्मर-शैली का न्यूरल नेटवर्क है जिसे टीम State कहती है। ट्रांसफॉर्मर लार्ज लैंग्वेज मॉडल को शक्ति प्रदान करते हैं; यहाँ वे टेक्स्ट के बजाय जैविक डेटा को ग्रहण करते हैं। State ने 10 करोड़ सिंगल-सेल मापों के एक क्यूरेटेड सेट से सीखा है, जिससे आनुवंशिक व्यवधानों (genetic perturbations) और डाउनस्ट्रीम अभिव्यक्ति पैटर्न (downstream expression patterns) के बीच सांख्यिकीय संबंधों को समझने में मदद मिली है।
Arc का कहना है कि State उन पिछले मॉडलों से बेहतर प्रदर्शन करता है जो सरल सांख्यिकीय तकनीकों पर निर्भर थे। टीम एक प्रमुख सीमा को भी स्वीकार करती है: जब मॉडल किसी ऐसे कोशिका प्रकार का सामना करता है जिसे उसने प्रशिक्षण के दौरान कभी नहीं देखा था, तो उसके पूर्वानुमानों की सटीकता कम हो जाती है। शोधकर्ताओं का अनुमान है कि एक "परफेक्ट" मॉडल—जो सभी मानव कोशिका प्रकारों पर सामान्यीकरण (generalize) कर सके—अभी लगभग एक दशक दूर है।
मॉडल का परीक्षण: Virtual Cell Challenge
State और अन्य दृष्टिकोण वास्तविक परिस्थितियों में कितने प्रभावी हैं, इसका आकलन करने के लिए Arc ने Virtual Cell Challenge नामक एक सार्वजनिक प्रतियोगिता आयोजित की। प्रतिभागियों को एक कठिन डेटासेट दिया गया और उनसे अनदेखे व्यवधानों (unseen perturbations) के लिए जीन-अभिव्यक्ति परिणामों की भविष्यवाणी करने के लिए कहा गया। परिणाम चौंकाने वाले थे: कई AI टीमों का प्रदर्शन प्रशिक्षण डेटा के साधारण गणितीय औसत से भी खराब रहा।
यह परिणाम एक व्यापक बिंदु को रेखांकित करता है जिससे यह क्षेत्र जूझ रहा है: शुद्ध डीप-लर्निंग मॉडल, यहाँ तक कि बड़े मॉडल भी, तब लड़खड़ा जाते हैं जब इनपुट डेटा शोरपूर्ण (noisy), विरल (sparse) या जैविक रूप से विषम (heterogeneous) होता है। सफल प्रविष्टियों ने न्यूरल नेटवर्क को शास्त्रीय सांख्यिकीय विधियों के साथ जोड़ा, जो यह सुझाव देता है कि एक हाइब्रिड वर्कफ़्लो निकट भविष्य का रास्ता हो सकता है।
अव्यवस्था को साफ करना: scBaseCount डेटा पाइपलाइन
State जैसा मॉडल बनाने में सबसे बड़ी बाधाओं में से एक डेटा की गुणवत्ता है। कच्चे सिंगल-सेल माप बैच प्रभावों (batch effects), छूटे हुए मानों (missing values) और असंगत एनोटेशन से भरे होते हैं। Arc ने AI एजेंटों के एक समूह को विकसित करके इसका समाधान किया जो डेटा क्यूरेशन को स्वचालित करते हैं, जिन्हें सामूहिक रूप से scBaseCount कहा जाता है।
- Finder agents सार्वजनिक रिपॉजिटरी को खंगालते हैं और कच्ची फाइलें डाउनलोड करते हैं।
- Organizer agents प्रारूपों को मानकीकृत करते हैं, मेटाडेटा को संरेखित करते हैं और नामकरण संबंधी संघर्षों को हल करते हैं।
- एक supervisor agent आउटपुट का ऑडिट करता है, और मानवीय समीक्षा के लिए विसंगतियों (anomalies) को चिह्नित करता है।
इस पाइपलाइन ने लगभग 50 करोड़ कोशिकाओं का एक रिपॉजिटरी तैयार किया है—जो पिछले सबसे बड़े सार्वजनिक संग्रह से चार गुना बड़ा है। व्यवस्थित सफाई के साथ मिलकर, यह विशाल मात्रा State को पिछले प्रयासों की तुलना में अधिक समृद्ध और विश्वसनीय प्रशिक्षण आधार प्रदान करती है।
करके सीखना: फीडबैक लूप
Arc केवल ऐतिहासिक डेटा पर निर्भर नहीं है। यह प्लेटफॉर्म एक एक्टिव-लर्निंग चक्र चलाता है: AI नए प्रयोगों का प्रस्ताव देता है, लैब उन्हें निष्पादित करती है, और परिणाम वापस मॉडल में प्रवाहित होते हैं। व्यवहार में, एक AI एजेंट किसी जीन को नॉक आउट (knock out) करने या किसी दवा को लागू करने के लिए चुनता है, प्रयोग वास्तविक कोशिकाओं पर किया जाता है, और देखे गए अभिव्यक्ति परिवर्तन State के मापदंडों (parameters) को परिष्कृत करते हैं।
यह लूप दो उद्देश्यों को पूरा करता है। पहला, यह मॉडल के वर्तमान ब्लाइंड स्पॉट्स (blind spots) को भरने वाले डेटा पॉइंट्स के साथ प्रशिक्षण सेट का निरंतर विस्तार करता है। दूसरा, यह एक अंतर्निहित सत्यापन चरण प्रदान करता है, यह सुनिश्चित करता है कि भविष्यवाणियाँ केवल सतही तौर पर न ली जाएं बल्कि अनुभवजन्य साक्ष्य (empirical evidence) पर आधारित हों।
AI इंजीनियरों और बायोटेक फर्मों के लिए इसका क्या अर्थ है
Arc के सार्वजनिक खुलासे दो व्यावहारिक सबक प्रदान करते हैं:
- डेटा की गुणवत्ता मॉडल की जटिलता पर भारी पड़ती है। शोर वाले, अधूरे डेटा पर प्रशिक्षित एक परिष्कृत ट्रांसफॉर्मर, सावधानीपूर्वक क्यूरेट किए गए इनपुट वाले एक सरल एल्गोरिदम की तुलना में खराब प्रदर्शन करेगा। scBaseCount पाइपलाइन हमें याद दिलाती है कि डेटा इंजीनियरिंग में निवेश करना, लगातार बड़े मॉडल साइज के पीछे भागने की तुलना में अधिक लाभ दे सकता है।
- सत्यापन लूप (Verification loops) अनिवार्य हैं। बाहरी जांच के बिना मॉडल के आउटपुट पर भरोसा करना जोखिम भरा है, विशेष रूप से जीव विज्ञान में जहाँ अज्ञात कन्फाउंडर्स (confounders) प्रचुर मात्रा में होते हैं। ऐसे एजेंटों को शामिल करना जो एक-दूसरे को क्रॉस-वैलिडेट करते हैं—या जो वास्तविक दुनिया के प्रयोगों के साथ भविष्यवाणियों की तुलना करते हैं—एक सुरक्षा जाल बनाता है जो व्यवस्थित त्रुटियों को जल्दी पकड़ लेता है।
आगे की राह और संशयवादी
हालाँकि संभावनाएं स्पष्ट हैं, लेकिन यह तकनीक एक 'टर्नकी समाधान' (turnkey solution) से बहुत दूर है। अनदेखे सेल प्रकारों के साथ State की कठिनाई यह संकेत देती है कि मॉडल में अभी भी अंतर्निहित जीव विज्ञान की वास्तविक समझ की कमी है। Virtual Cell Challenge के परिणाम दिखाते हैं कि जब समस्या अस्पष्ट (ill-posed) हो, तो अच्छी तरह से वित्त पोषित AI टीमें भी साधारण बेसलाइन (baselines) से पीछे रह सकती हैं।