ಒಂದು ಜೀವಕೋಶದ ಡಿಜಿಟಲ್ ಟ್ವಿನ್ ಏಕೆ ಮುಖ್ಯ
ಇಂದಿನ ಔಷಧ ಸಂಶೋಧನೆಯು ಒಂದು ಜೂಜಾಟದಂತಿದೆ. ಸಂಶೋಧಕರು ವರ್ಷಗಟ್ಟಲೆ ಅಣುಗಳನ್ನು (molecules) ಮಾರ್ಪಡಿಸಲು ಸಮಯ ವ್ಯಯಿಸುತ್ತಾರೆ, ನಂತರ ಅವುಗಳನ್ನು ಜೀವಕೋಶಗಳು, ಪ್ರಾಣಿಗಳು ಮತ್ತು ಅಂತಿಮವಾಗಿ ಮನುಷ್ಯರ ಮೇಲೆ ಪರೀಕ್ಷಿಸುತ್ತಾರೆ. ಹೆಚ್ಚಿನ ಅಭ್ಯರ್ಥಿಗಳು ಆರಂಭಿಕ ಮಾನವ ಪ್ರಯೋಗಗಳನ್ನೂ ದಾಟಲು ಸಾಧ್ಯವಾಗುವುದಿಲ್ಲ. ಜೀವಕೋಶದ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಮುನ್ಸೂಚಿಸಬಲ್ಲ ವಿಶ್ವಾಸಾರ್ಹ ಕಂಪ್ಯೂಟೇಶನಲ್ ಮಾಡೆಲ್ ಇದ್ದರೆ, ವಿಜ್ಞಾನಿಗಳು ಪ್ರಯೋಜನವಿಲ್ಲದ ಸಂಯುಕ್ತಗಳನ್ನು (compounds) ಮೊದಲೇ ಕೈಬಿಡಲು ಮತ್ತು ಅತ್ಯಂತ ಭರವಸೆಯ ಸಂಶೋಧನೆಗಳ ಮೇಲೆ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಕೇಂದ್ರೀಕರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
ಇಂಜಿನಿಯರ್‌ಗಳು ವಿಮಾನವು ನೆಲವನ್ನು ಬಿಡುವ ಮೊದಲೇ ಅದರ ಮಾದರಿಯನ್ನು (model) ಸಿದ್ಧಪಡಿಸುವಂತೆ, Arc ಜೀವಕೋಶವನ್ನು 'in silico' ಮೂಲಕ ಅನುಕರಿಸಬಹುದಾದ (simulate) ಒಂದು ವ್ಯವಸ್ಥೆಯಾಗಿ ಪರಿಗಣಿಸುತ್ತದೆ. ಒಂದು ನಿರ್ದಿಷ್ಟ ಅಡಚಣೆಯ (perturbation) ಸಂದರ್ಭದಲ್ಲಿ ನೈಜ ಜೀವಕೋಶವು ತೋರಿಸುವ ಜೀನ್-ಎಕ್ಸ್‌ಪ್ರೆಶನ್ (gene-expression) ಬದಲಾವಣೆಗಳನ್ನು ಈ ಸಿಮ್ಯುಲೇಶನ್ ನಿಖರವಾಗಿ ತೋರಿಸಿದರೆ, ದುಬಾರಿ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಯೋಗಗಳ ಅಗತ್ಯವು ಗಣನೀಯವಾಗಿ ಕಡಿಮೆಯಾಗುತ್ತದೆ.
“State” ಮಾಡೆಲ್ – 100 ಮಿಲಿಯನ್ ಜೀವಕೋಶಗಳ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್
ಈ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ನ ಕೇಂದ್ರಭಾಗದಲ್ಲಿ State ಎಂದು ಕರೆಯಲ್ಪಡುವ ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್ ಶೈಲಿಯ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಇದೆ. ಟ್ರಾನ್ಸ್‌ಫಾರ್ಮರ್‌ಗಳು ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿಗಳಿಗೆ (large language models) ಶಕ್ತಿ ತುಂಬುತ್ತವೆ; ಆದರೆ ಇಲ್ಲಿ ಅವು ಪಠ್ಯದ ಬದಲಿಗೆ ಜೈವಿಕ ಡೇಟಾವನ್ನು ಬಳಸುತ್ತವೆ. State ಮಾಡೆಲ್ 100 ಮಿಲಿಯನ್ ಸಿಂಗಲ್-ಸೆಲ್ ಅಳತೆಗಳ (single-cell measurements) ಸಂಕಲನದಿಂದ ಕಲಿತಿದೆ, ಇದು ಜೆನೆಟಿಕ್ ಅಡಚಣೆಗಳು ಮತ್ತು ಡೌನ್‌ಸ್ಟ್ರೀಮ್ ಎಕ್ಸ್‌ಪ್ರೆಶನ್ ಮಾದರಿಗಳ ನಡುವಿನ ಅಂಕಿಅಂಶಗಳ ಸಂಬಂಧವನ್ನು ಗುರುತಿಸುತ್ತದೆ.
ಸರಳ ಅಂಕಿಅಂಶ ತಂತ್ರಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದ್ದ ಹಿಂದಿನ ಮಾಡೆಲ್‌ಗಳಿಗಿಂತ State ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂದು Arc ಹೇಳುತ್ತದೆ. ಆದರೆ ತಂಡವು ಒಂದು ಪ್ರಮುಖ ಮಿತಿಯನ್ನು ಸಹ ಒಪ್ಪಿಕೊಳ್ಳುತ್ತದೆ: ತರಬೇತಿಯ ಸಮಯದಲ್ಲಿ ಇದು ನೋಡಿರದ ಜೀವಕೋಶದ ವಿಧವನ್ನು ಎದುರಿಸಿದಾಗ, ಇದರ ಮುನ್ಸೂಚನೆಗಳು ನಿಖರವಾಗಿರುವುದಿಲ್ಲ. ಎಲ್ಲಾ ಮಾನವ ಜೀವಕೋಶದ ವಿಧಗಳಿಗೂ ಅನ್ವಯಿಸಬಲ್ಲ ಒಂದು "ಪರಿಪೂರ್ಣ" ಮಾಡೆಲ್ ಬರಲು ಇನ್ನೂ ಸುಮಾರು ಒಂದು ದಶಕ ಬೇಕಾಗಬಹುದು ಎಂದು ಸಂಶೋಧಕರು ಅಂದಾಜಿಸಿದ್ದಾರೆ.
ಮಾಡೆಲ್‌ನ ಪರೀಕ್ಷೆ: ವರ್ಚುವಲ್ ಸೆಲ್ ಚಾಲೆಂಜ್ (Virtual Cell Challenge)
ವಾಸ್ತವಿಕ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ State ಮತ್ತು ಇತರ ವಿಧಾನಗಳು ಎಷ್ಟು ಚೆನ್ನಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ ಎಂದು ಅಳೆಯಲು, Arc Virtual Cell Challenge ಎಂಬ ಸಾರ್ವಜನಿಕ ಸ್ಪರ್ಧೆಯನ್ನು ಆಯೋಜಿಸಿತು. ಸ್ಪರ್ಧಿಗಳಿಗೆ ಕಠಿಣವಾದ ಡೇಟಾಸೆಟ್ ನೀಡಲಾಗಿತ್ತು ಮತ್ತು ನೋಡಿರದ ಅಡಚಣೆಗಳಿಗೆ (unseen perturbations) ಜೀನ್-ಎಕ್ಸ್‌ಪ್ರೆಶನ್ ಫಲಿತಾಂಶಗಳನ್ನು ಮುನ್ಸೂಚಿಸಲು ಕೇಳಲಾಗಿತ್ತು. ಇದರ ಫಲಿತಾಂಶಗಳು ಆಘಾತಕಾರಿಯಾಗಿದ್ದವು: ಅನೇಕ AI ತಂಡಗಳು ತರಬೇತಿ ಡೇಟಾದ ಸಾಮಾನ್ಯ ಗಣಿತೀಯ ಸರಾಸರಿಗಿಂತಲೂ ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದವು.
ಈ ಫಲಿತಾಂಶವು ಈ ಕ್ಷೇತ್ರವು ಎದುರಿಸುತ್ತಿರುವ ಒಂದು ದೊಡ್ಡ ಸಮಸ್ಯೆಯನ್ನು ಎತ್ತಿ ತೋರಿಸುತ್ತದೆ: ಇನ್‌ಪುಟ್ ಡೇಟಾ ಅಸ್ಪಷ್ಟವಾಗಿದ್ದಾಗ (noisy), ಅಪೂರ್ಣವಾಗಿದ್ದಾಗ (sparse) ಅಥವಾ ಜೈವಿಕವಾಗಿ ವೈವಿಧ್ಯಮಯವಾಗಿದ್ದಾಗ (biologically heterogeneous), ದೊಡ್ಡ ಮಟ್ಟದ ಡೀಪ್-ಲರ್ನಿಂಗ್ ಮಾಡೆಲ್‌ಗಳು ಕೂಡ ವಿಫಲವಾಗುತ್ತವೆ. ಯಶಸ್ವಿ ಸ್ಪರ್ಧಿಗಳು ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಅಂಕಿಅಂಶ ವಿಧಾನಗಳೊಂದಿಗೆ ಜೋಡಿಸಿದ್ದರು, ಇದು ಹೈಬ್ರಿಡ್ ವರ್ಕ್‌ಫ್ಲೋ (hybrid workflow) ಮುಂದಿನ ಹಾದಿಯಾಗಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಡೇಟಾ ಶುದ್ಧೀಕರಣ: scBaseCount ಡೇಟಾ ಪೈಪ್‌ಲೈನ್
State ನಂತಹ ಮಾಡೆಲ್ ಅನ್ನು ನಿರ್ಮಿಸುವಲ್ಲಿನ ದೊಡ್ಡ ಅಡೆತಡೆಗಳಲ್ಲಿ ಒಂದೆಂದರೆ ಡೇಟಾ ಗುಣಮಟ್ಟ. ಕಚ್ಚಾ ಸಿಂಗಲ್-ಸೆಲ್ ಅಳತೆಗಳು ಬ್ಯಾಚ್ ಎಫೆಕ್ಟ್ಸ್ (batch effects), ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು ಮತ್ತು ಅಸಮರ್ಪಕ ವಿವರಣೆಗಳಿಂದ ಕೂಡಿದವು. ಇದಕ್ಕೆ ಪರಿಹಾರವಾಗಿ Arc, ಡೇಟಾ ಸಂಗ್ರಹಣೆಯನ್ನು (data curation) ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ AI ಏಜೆಂಟ್‌ಗಳ ಸಮೂಹವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿತು, ಇದನ್ನು ಒಟ್ಟಾರೆಯಾಗಿ scBaseCount ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ.
- Finder agents ಸಾರ್ವಜನಿಕ ರೆಪೊಸಿಟರಿಗಳನ್ನು ಹುಡುಕಿ ಕಚ್ಚಾ ಫೈಲ್‌ಗಳನ್ನು ಪಡೆಯುತ್ತವೆ.
- Organizer agents ಫಾರ್ಮ್ಯಾಟ್‌ಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸುತ್ತವೆ, ಮೆಟಾಡೇಟಾವನ್ನು ಜೋಡಿಸುತ್ತವೆ ಮತ್ತು ಹೆಸರಿನಲ್ಲಿನ ಗೊಂದಲಗಳನ್ನು ಪರಿಹರಿಸುತ್ತವೆ.
- supervisor agent ಫಲಿತಾಂಶವನ್ನು ಪರಿಶೀಲಿಸುತ್ತದೆ ಮತ್ತು ಮಾನವ ವಿಮರ್ಶೆಗಾಗಿ ಅಸಂಬದ್ಧತೆಗಳನ್ನು (anomalies) ಗುರುತಿಸುತ್ತದೆ.
ಈ ಪೈಪ್‌ಲೈನ್ ಸುಮಾರು 500 ಮಿಲಿಯನ್ ಜೀವಕೋಶಗಳ ಸಂಗ್ರಹವನ್ನು ಕ್ರೋಢೀಕರಿಸಿದೆ—ಇದು ಹಿಂದಿನ ಅತಿದೊಡ್ಡ ಸಾರ್ವಜನಿಕ ಸಂಗ್ರಹಕ್ಕಿಂತ ನಾಲ್ಕು ಪಟ್ಟು ದೊಡ್ಡದಾಗಿದೆ. ವ್ಯವಸ್ಥಿತ ಶುದ್ಧೀಕರಣದೊಂದಿಗೆ ಈ ಬೃಹತ್ ಪ್ರಮಾಣದ ಡೇಟಾ, State ಮಾಡೆಲ್‌ಗೆ ಹಿಂದಿನ ಪ್ರಯತ್ನಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಮೃದ್ಧ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ ತರಬೇತಿ ನೆಲೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.
ಕಲಿಕೆಯ ಮೂಲಕ ಪ್ರಗತಿ: ಫೀಡ್‌ಬ್ಯಾಕ್ ಲೂಪ್
Arc ಕೇವಲ ಹಳೆಯ ಡೇಟಾವನ್ನು ಮಾತ್ರ ಅವಲಂಬಿಸುವುದಿಲ್ಲ. ಈ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಒಂದು 'ಆಕ್ಟಿವ್-ಲರ್ನಿಂಗ್' ಚಕ್ರವನ್ನು ನಡೆಸುತ್ತದೆ: AI ಹೊಸ ಪ್ರಯೋಗಗಳನ್ನು ಸೂಚಿಸುತ್ತದೆ, ಪ್ರಯೋಗಾಲಯವು ಅವುಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳು ಮತ್ತೆ ಮಾಡೆಲ್‌ಗೆ ಮರಳುತ್ತವೆ. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಒಂದು AI ಏಜೆಂಟ್ ಯಾವುದಾದರೂ ಒಂದು ಜೀನ್ ಅನ್ನು ತೆಗೆದುಹಾಕಲು (knock out) ಅಥವಾ ಒಂದು ಔಷಧವನ್ನು ಬಳಸಲು ಆಯ್ಕೆ ಮಾಡುತ್ತದೆ, ಪ್ರಯೋಗವು ನೈಜ ಜೀವಕೋಶಗಳ ಮೇಲೆ ನಡೆಯುತ್ತದೆ ಮತ್ತು ಕಂಡುಬಂದ ಎಕ್ಸ್‌ಪ್ರೆಶನ್ ಬದಲಾವಣೆಗಳು State ನ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.
ಈ ಲೂಪ್ ಎರಡು ಉದ್ದೇಶಗಳನ್ನು ಹೊಂದಿದೆ. ಮೊದಲನೆಯದಾಗಿ, ಇದು ಮಾಡೆಲ್‌ನ ಪ್ರಸ್ತುತ ಅರಿವಿಲ್ಲದ ಅಂಶಗಳನ್ನು (blind spots) ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳ ಮೂಲಕ ನಿರಂತರವಾಗಿ ವಿಸ್ತರಿಸುತ್ತದೆ. ಎರಡನೆಯದಾಗಿ, ಇದು ಒಂದು ಅಂತರ್ಗತ ಪರಿಶೀಲನಾ ಹಂತವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದರಿಂದ ಮುನ್ಸೂಚನೆಗಳು ಕೇವಲ ಮೇಲ್ನೋಟಕ್ಕೆ ಇರದೆ, ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆಗಳ ಮೇಲೆ ಆಧಾರಿತವಾಗಿವೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.
AI ಇಂಜಿನಿಯರ್‌ಗಳು ಮತ್ತು ಬಯೋಟೆಕ್ ಸಂಸ್ಥೆಗಳಿಗೆ ಇದರ ಅರ್ಥವೇನು
Arc ನ ಸಾರ್ವಜನಿಕ ಮಾಹಿತಿಯು ಎರಡು ಪ್ರಾಯೋಗಿಕ ಪಾಠಗಳನ್ನು ನೀಡುತ್ತದೆ:
- ದತ್ತಾಂಶದ ಗುಣಮಟ್ಟವು ಮಾಡೆಲ್ ಸಂಕೀರ್ಣತೆಗಿಂತ ಮಿಗಿಲಾದದ್ದು. ಅಸ್ಪಷ್ಟ ಮತ್ತು ಅಪೂರ್ಣ ದತ್ತಾಂಶದ ಮೇಲೆ ತರಬೇತಿ ಪಡೆದ ಅತ್ಯಾಧುನಿಕ transformer, ಎಚ್ಚರಿಕೆಯಿಂದ ಸಿದ್ಧಪಡಿಸಿದ ಇನ್‌ಪುಟ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ಸರಳ ಅಲ್ಗಾರಿದಮ್‌ಗಿಂತ ಕಡಿಮೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. scBaseCount ಪೈಪ್‌ಲೈನ್ ನಮಗೆ ನೆನಪಿಸುವುದೇನೆಂದರೆ, ದೊಡ್ಡ ಮಾಡೆಲ್ ಗಾತ್ರಗಳ ಬೆನ್ನಟ್ಟುವ ಬದಲು ದತ್ತಾಂಶ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಹೂಡಿಕೆ ಮಾಡುವುದು ಹೆಚ್ಚಿನ ಲಾಭವನ್ನು ನೀಡಬಹುದು.
- ಪರಿಶೀಲನಾ ಲೂಪ್‌ಗಳು (Verification loops) ಅತ್ಯಗತ್ಯ. ಬಾಹ್ಯ ಪರಿಶೀಲನೆಗಳಿಲ್ಲದೆ ಮಾಡೆಲ್‌ನ ಫಲಿತಾಂಶವನ್ನು ನಂಬುವುದು ಅಪಾಯಕಾರಿ, ವಿಶೇಷವಾಗಿ ಅಜ್ಞಾತ ಗೊಂದಲಕಾರಕಗಳು (confounders) ಹೆಚ್ಚಿರುವ ಜೀವವಿಜ್ಞಾನದಲ್ಲಿ. ಪರಸ್ಪರ ಕ್ರಾಸ್-ವ್ಯಾಲಿಡೇಟ್ ಮಾಡುವ ಅಥವಾ ನೈಜ ಪ್ರಪಂಚದ ಪ್ರಯೋಗಗಳೊಂದಿಗೆ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಹೋಲಿಸುವ ಏಜೆಂಟ್‌ಗಳನ್ನು ಅಳವಡಿಸುವುದು, ವ್ಯವಸ್ಥಿತ ದೋಷಗಳನ್ನು ಮೊದಲೇ ಪತ್ತೆಹಚ್ಚುವ ಸುರಕ್ಷತಾ ಜಾಲವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
ಮುಂದಿನ ಹಾದಿ ಮತ್ತು ಸಂದೇಹಾಸ್ಪದರು
ಭರವಸೆ ಸ್ಪಷ್ಟವಾಗಿದ್ದರೂ, ಈ ತಂತ್ರಜ್ಞಾನವು ಸಂಪೂರ್ಣ ಪರಿಹಾರವಾಗಿ (turnkey solution) ಪರಿಣತವಾಗಿಲ್ಲ. ಕಾಣದ ಜೀವಕೋಶದ ಪ್ರಕಾರಗಳೊಂದಿಗೆ ಎದುರಿಸುತ್ತಿರುವ ತೊಂದರೆಯು, ಮಾಡೆಲ್ ಇಂದಿಗೂ ಮೂಲಭೂತ ಜೀವವಿಜ್ಞಾನದ ಬಗ್ಗೆ ನಿಜವಾದ ತಿಳುವಳಿಕೆಯನ್ನು ಹೊಂದಿಲ್ಲ ಎಂಬುದನ್ನು ಸೂಚಿಸುತ್ತದೆ. Virtual Cell Challenge ಫಲಿತಾಂಶಗಳು ತೋರಿಸುವಂತೆ, ಸಮಸ್ಯೆ ಸರಿಯಾಗಿ ರೂಪಿಸದಿದ್ದಾಗ (ill-posed), ಹೆಚ್ಚಿನ ಹಣಕಾಸಿನ ನೆರವು ಹೊಂದಿರುವ AI ತಂಡಗಳಿಗಿಂತ ಸರಳ ಬೇಸ್‌ಲೈನ್‌ಗಳು (baselines) ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು.