ഒരു കോശത്തിന്റെ ഡിജിറ്റൽ ട്വിൻ (digital twin) പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്
ഇന്നത്തെ മരുന്ന് കണ്ടുപിടുത്തങ്ങൾ ഒരു ചൂതാട്ടമാണ്. ഗവേഷകർ വർഷങ്ങളോളം തന്മാത്രകളിൽ മാറ്റങ്ങൾ വരുത്തുകയും, തുടർന്ന് അവ കോശങ്ങളിലും മൃഗങ്ങളിലും ഒടുവിൽ മനുഷ്യരിലും പരീക്ഷിക്കുകയും ചെയ്യുന്നു. മിക്ക ഉദ്യോഗാർത്ഥികളും ആദ്യകാല മനുഷ്യ പരീക്ഷണങ്ങൾ പോലും മറികടക്കാറില്ല. കോശങ്ങളുടെ പ്രതികരണം മുൻകൂട്ടി പ്രവചിക്കാൻ കഴിയുന്ന വിശ്വസനീയമായ ഒരു കമ്പ്യൂട്ടേഷണൽ മോഡൽ ഉണ്ടെങ്കിൽ, ശാസ്ത്രജ്ഞർക്ക് ഫലപ്രദമല്ലാത്ത സംയുക്തങ്ങൾ നേരത്തെ തന്നെ ഒഴിവാക്കാനും ഏറ്റവും പ്രതീക്ഷയുള്ളവയിൽ വിഭവങ്ങൾ കേന്ദ്രീകരിക്കാനും സാധിക്കും.
എഞ്ചിനീയർമാർ ഒരു വിമാനം പറന്നുയരുന്നതിന് മുമ്പ് അതിന്റെ മാതൃക തയ്യാറാക്കുന്നത് പോലെ, Arc ഒരു കോശത്തെ 'in silico' (കമ്പ്യൂട്ടർ സിമുലേഷൻ വഴി) അനുകരിക്കാവുന്ന ഒരു സംവിധാനമായി കാണുന്നു. ഒരു പ്രത്യേക വ്യതിയാനത്തിന് (perturbation) കീഴിൽ ഒരു യഥാർത്ഥ കോശം കാണിക്കുന്ന ജീൻ-പ്രകടന മാറ്റങ്ങൾ (gene-expression changes) സിമുലേഷനിലൂടെ കൃത്യമായി കാണിക്കാൻ കഴിഞ്ഞാൽ, ചെലവേറിയതും സമയമെടുക്കുന്നതുമായ പരീക്ഷണങ്ങളുടെ ആവശ്യം ഗണ്യമായി കുറയും.
“State” മോഡൽ – 10 കോടി കോശങ്ങളിൽ പരിശീലിപ്പിച്ച ഒരു ട്രാൻസ്ഫോർമർ (transformer)
പ്ലാറ്റ്‌ഫോമിന്റെ കേന്ദ്രബിന്ദുവാകുന്നത് State എന്ന് ടീം വിളിക്കുന്ന ഒരു ട്രാൻസ്ഫോർമർ ശൈലിയിലുള്ള ന്യൂറൽ നെറ്റ്‌വർക്കാണ്. ലാർജ് ലാംഗ്വേജ് മോഡലുകൾക്ക് കരുത്ത് പകരുന്നത് ട്രാൻസ്ഫോർമറുകളാണ്; എന്നാൽ ഇവിടെ അവ ടെക്സ്റ്റിന് പകരം ബയോളജിക്കൽ ഡാറ്റയാണ് സ്വീകരിക്കുന്നത്. 10 കോടി സിംഗിൾ-സെൽ അളവുകളിൽ (single-cell measurements) നിന്ന് തയ്യാറാക്കിയ ഒരു സെറ്റിൽ നിന്നാണ് State പഠിച്ചത്. ഇത് ജനിതക വ്യതിയാനങ്ങളും (genetic perturbations) അവയുടെ ഫലമായി ഉണ്ടാകുന്ന പ്രകടന രീതികളും (downstream expression patterns) തമ്മിലുള്ള സ്ഥിതിവിവരക്കണക്കുകൾ (statistical relationships) തിരിച്ചറിയുന്നു.
ലളിതമായ സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികളെ ആശ്രയിച്ചിരുന്ന മുൻപത്തെ മോഡലുകളെക്കാൾ മികച്ച പ്രകടനം State കാഴ്ചവെക്കുന്നുവെന്ന് Arc പറയുന്നു. എന്നാൽ ഒരു പ്രധാന പരിമിതി ടീം സമ്മതിക്കുന്നുണ്ട്: പരിശീലന സമയത്ത് കണ്ടിട്ടില്ലാത്ത ഒരു കോശവിഭാഗത്തെ മോഡൽ നേരിടുമ്പോൾ അതിന്റെ പ്രവചനങ്ങൾ കൃത്യത കുറയുന്നു. എല്ലാ മനുഷ്യ കോശവിഭാഗങ്ങളെയും ഉൾക്കൊള്ളാൻ കഴിയുന്ന ഒരു "പൂർണ്ണമായ" മോഡൽ വരാൻ ഏകദേശം ഒരു പതിറ്റാണ്ട് കൂടി എടുക്കുമെന്ന് ഗവേഷകർ കണക്കാക്കുന്നു.
മോഡലിനെ പരീക്ഷിക്കുന്നു: Virtual Cell Challenge
State-ഉം മറ്റ് സമീപനങ്ങളും യഥാർത്ഥ സാഹചര്യങ്ങളിൽ എത്രത്തോളം ഫലപ്രദമാണെന്ന് അളക്കുന്നതിനായി Arc Virtual Cell Challenge എന്ന പേരിൽ ഒരു പൊതു മത്സരം സംഘടിപ്പിച്ചു. പങ്കാളികൾക്ക് സങ്കീർണ്ണമായ ഒരു ഡാറ്റാസെറ്റ് നൽകുകയും, കാണാത്ത വ്യതിയാനങ്ങളെക്കുറിച്ചുള്ള (unseen perturbations) ജീൻ-പ്രകടന ഫലങ്ങൾ പ്രവചിക്കാൻ ആവശ്യപ്പെടുകയും ചെയ്തു. ഇതിന്റെ ഫലങ്ങൾ അമ്പരപ്പിക്കുന്നതായിരുന്നു: പല AI ടീമുകളുടെയും പ്രകടനം ട്രെയിനിംഗ് ഡാറ്റയുടെ സാധാരണ ഗണിത ശരാശരിയേക്കാൾ (naïve mathematical average) മോശമായിരുന്നു.
ഈ ഫലം ഈ മേഖല നേരിടുന്ന ഒരു വലിയ പ്രശ്നത്തെ അടിവരയിടുന്നു: ഇൻപുട്ട് ഡാറ്റായിൽ അപാകതകളോ (noisy), കുറവോ (sparse), അല്ലെങ്കിൽ ബയോളജിക്കൽ വൈവിധ്യങ്ങളോ (biologically heterogeneous) ഉണ്ടെങ്കിൽ, വലിയ ഡീപ് ലേണിംഗ് മോഡലുകൾ പോലും പതറുന്നു. വിജയകരമായ പ്രബന്ധങ്ങൾ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ ക്ലാസിക്കൽ സ്റ്റാറ്റിസ്റ്റിക്കൽ രീതികളുമായി സംയോജിപ്പിച്ചാണ് തയ്യാറാക്കിയത്. ഇത് ഒരു ഹൈബ്രിഡ് വർക്ക്ഫ്ലോ (hybrid workflow) ആയിരിക്കാം അടുത്ത കാലയളവിലെ മുന്നോട്ടുള്ള പാത എന്ന് സൂചിപ്പിക്കുന്നു.
ഡാറ്റാ ക്രമീകരണം: scBaseCount ഡാറ്റാ പൈപ്പ്‌ലൈൻ
State പോലുള്ള ഒരു മോഡൽ നിർമ്മിക്കുന്നതിലെ ഏറ്റവും വലിയ തടസ്സങ്ങളിലൊന്ന് ഡാറ്റയുടെ ഗുണനിലവാരമാണ്. സിംഗിൾ-സെൽ അളവുകളിൽ ബാച്ച് ഇഫക്റ്റുകൾ (batch effects), വിട്ടുപോയ മൂല്യങ്ങൾ (missing values), അസ്ഥിരമായ കുറിപ്പുകൾ (inconsistent annotations) എന്നിവ ധാരാളമായി കാണപ്പെടുന്നു. ഡാറ്റ ക്യൂറേഷൻ (data curation) ഓട്ടോമേറ്റ് ചെയ്യുന്നതിനായി scBaseCount എന്ന് വിളിക്കപ്പെടുന്ന AI ഏജന്റുകളുടെ ഒരു കൂട്ടം രൂപീകരിച്ചുകൊണ്ടാണ് Arc ഇതിന് പരിഹാരം കണ്ടെത്തിയത്.
- Finder agents പൊതു റിപ്പോസിറ്ററികൾ പരിശോധിക്കുകയും റോ ഡാറ്റ ഫയലുകൾ ശേഖരിക്കുകയും ചെയ്യുന്നു.
- Organizer agents ഫോർമാറ്റുകൾ ഏകീകരിക്കുകയും മെറ്റാഡാറ്റ ക്രമീകരിക്കുകയും പേരിടുന്നതിലെ വൈരുദ്ധ്യങ്ങൾ പരിഹരിക്കുകയും ചെയ്യുന്നു.
- ഒരു supervisor agent ഔട്ട്‌പുട്ട് പരിശോധിക്കുകയും മനുഷ്യർക്ക് റിവ്യൂ ചെയ്യാൻ പാകത്തിൽ അപാകതകൾ അടയാളപ്പെടുത്തുകയും ചെയ്യുന്നു.
ഈ പൈപ്പ്‌ലൈൻ ഏകദേശം 50 കോടി കോശങ്ങളുടെ ഒരു ശേഖരം സമാഹരിച്ചിട്ടുണ്ട്—ഇത് മുൻപത്തെ ഏറ്റവും വലിയ പൊതു ശേഖരത്തേക്കാൾ നാല് മടങ്ങ് വലുതാണ്. ഈ വലിയ അളവും വ്യവസ്ഥാപിതമായ ക്ലീനിംഗും ചേർന്ന്, മുൻപത്തെ ശ്രമങ്ങളെക്കാൾ സമ്പന്നവും വിശ്വസനീയവുമായ ഒരു ട്രെയിനിംഗ് ഗ്രൗണ്ട് State-ന് നൽകുന്നു.
പ്രവർത്തിച്ചുകൊണ്ട് പഠിക്കുന്നു: ഫീഡ്‌ബാക്ക് ലൂപ്പ്
Arc ചരിത്രപരമായ ഡാറ്റയെ മാത്രം ആശ്രയിക്കുന്നില്ല. പ്ലാറ്റ്‌ഫോം ഒരു ആക്റ്റീവ്-ലേണിംഗ് സൈക്കിൾ (active-learning cycle) പ്രവർത്തിപ്പിക്കുന്നു: AI പുതിയ പരീക്ഷണങ്ങൾ നിർദ്ദേശിക്കുന്നു, ലാബ് അവ നടപ്പിലാക്കുന്നു, അതിന്റെ ഫലങ്ങൾ വീണ്ടും മോഡലിലേക്ക് തന്നെ എത്തുന്നു. പ്രായോഗികമായി പറഞ്ഞാൽ, ഒരു AI ഏജന്റ് ഒരു ജീനിനെ ഇല്ലാതാക്കാനോ (knock out) അല്ലെങ്കിൽ ഒരു മരുന്ന് പ്രയോഗിക്കാനോ തിരഞ്ഞെടുക്കുന്നു, പരീക്ഷണം യഥാർത്ഥ കോശങ്ങളിൽ നടത്തുന്നു, നിരീക്ഷിക്കപ്പെടുന്ന പ്രകടന മാറ്റങ്ങൾ State-ന്റെ പാരാമീറ്ററുകളെ കൂടുതൽ കൃത്യമാക്കുന്നു.
ഈ ലൂപ്പ് രണ്ട് ആവശ്യങ്ങൾ നിറവേറ്റുന്നു. ഒന്നാമതായി, മോഡലിന്റെ നിലവിലെ പോരായ്മകൾ (blind spots) പരിഹരിക്കുന്ന ഡാറ്റാ പോയിന്റുകൾ ഉപയോഗിച്ച് ഇത് ട്രെയിനിംഗ് സെറ്റ് നിരന്തരം വിപുലീകരിക്കുന്നു. രണ്ടാമതായി, പ്രവചനങ്ങൾ വെറുതെ വിശ്വസിക്കുന്നതിന് പകരം അവ അനുഭവസിദ്ധമായ തെളിവുകളിൽ (empirical evidence) അധിഷ്ഠിതമാണെന്ന് ഉറപ്പാക്കുന്ന ഒരു വെരിഫിക്കേഷൻ ഘട്ടവും ഇത് നൽകുന്നു.
AI എഞ്ചിനീയർമാർക്കും ബയോടെക് കമ്പനികൾക്കും ഇതിന്റെ അർത്ഥമെന്താണ്
Arc-ന്റെ പരസ്യമായ വെളിപ്പെടുത്തലുകൾ രണ്ട് പ്രായോഗിക പാഠങ്ങളിലേക്ക് ചുരുങ്ങുന്നു:
- ഡാറ്റയുടെ ഗുണമേന്മ മോഡലിന്റെ സങ്കീർണ്ണതയേക്കാൾ വലുതാണ്. അവ്യക്തവും അപൂർണ്ണവുമായ ഡാറ്റ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ച ഒരു അത്യാധുനിക ട്രാൻസ്ഫോർമർ, കൃത്യമായി തയ്യാറാക്കിയ ഇൻപുട്ടുകൾ നൽകുന്ന ലളിതമായ ഒരു അൽഗോരിതത്തേക്കാൾ മോശമായി പ്രവർത്തിക്കും. മോഡലുകളുടെ വലിപ്പം കൂട്ടുന്നതിനേക്കാൾ ഡാറ്റാ എഞ്ചിനീയറിംഗിൽ നിക്ഷേപിക്കുന്നത് വലിയ നേട്ടങ്ങൾ നൽകുമെന്ന് scBaseCount പൈപ്പ്‌ലൈൻ നമ്മെ ഓർമ്മിപ്പിക്കുന്നു.
- വെരിഫിക്കേഷൻ ലൂപ്പുകൾ അത്യന്താപേക്ഷിതമാണ്. ബാഹ്യമായ പരിശോധനകളില്ലാതെ ഒരു മോഡലിന്റെ ഔട്ട്‌പുട്ടിനെ വിശ്വസിക്കുന്നത് അപകടകരമാണ്, പ്രത്യേകിച്ച് അറിയപ്പെടാത്ത ഘടകങ്ങൾ (confounders) ധാരാളമുള്ള ജീവശാസ്ത്ര മേഖലയിൽ. പരസ്പരം പരിശോധിക്കുന്നതോ അല്ലെങ്കിൽ പ്രവചനങ്ങളെ യഥാർത്ഥ പരീക്ഷണങ്ങളുമായി താരതമ്യം ചെയ്യുന്നതോ ആയ ഏജന്റുകളെ ഉൾപ്പെടുത്തുന്നത്, വ്യവസ്ഥാപിത പിശകുകൾ നേരത്തെ കണ്ടെത്താൻ സഹായിക്കുന്ന ഒരു സുരക്ഷാ വലയായി പ്രവർത്തിക്കുന്നു.
മുന്നോട്ടുള്ള പാതയും സംശയാലുക്കളും
ഇതിന്റെ സാധ്യതകൾ വ്യക്തമാണെങ്കിലും, ഈ സാങ്കേതികവിദ്യ ഒരു പെട്ടെന്ന് ഉപയോഗിക്കാൻ കഴിയുന്ന പരിഹാരമായി (turnkey solution) മാറാൻ ഇനിയും ഏറെ ദൂരമുണ്ട്. കാണാത്ത കോശവിഭാഗങ്ങളെ (unseen cell types) തിരിച്ചറിയുന്നതിലെ ബുദ്ധിമുട്ട്, അടിസ്ഥാന ജീവശാസ്ത്രത്തെക്കുറിച്ചുള്ള യഥാർത്ഥ ധാരണ ഈ മോഡലിന് ഇനിയും ഇല്ല എന്നതിന്റെ സൂചനയാണ്. പ്രശ്നം കൃത്യമായി നിർവചിക്കപ്പെടാത്ത സാഹചര്യങ്ങളിൽ, വലിയ ഫണ്ട് ലഭിച്ച AI ടീമുകളെപ്പോലും ലളിതമായ ബേസ്‌ലൈനുകൾ മറികടക്കാൻ കഴിയുമെന്ന് Virtual Cell Challenge ഫലങ്ങൾ കാണിക്കുന്നു.