पेशीच्या डिजिटल ट्विनचे (digital twin) महत्त्व का आहे

आजच्या काळात औषध शोधणे (drug discovery) हा एक जुगार आहे. संशोधक रेणूंमध्ये (molecules) बदल करण्यासाठी अनेक वर्षे घालवतात आणि त्यानंतर त्यांची पेशी, प्राणी आणि शेवटी मानवांवर चाचणी करतात. बहुतेक उमेदवार सुरुवातीच्या मानवी चाचण्यांच्या पलीकडे जाऊ शकत नाहीत. पेशींच्या प्रतिसादाचा अंदाज लावू शकणारे एक विश्वसनीय संगणकीय मॉडेल (computational model) शास्त्रज्ञांना निरर्थक संयुगे (compounds) लवकर काढून टाकण्यास आणि सर्वात आशादायक प्रयोगांवर संसाधने केंद्रित करण्यास मदत करेल.

Arc पेशीला एक अशी प्रणाली मानतो ज्याचे 'in silico' (संगणकीय पद्धतीने) सिम्युलेशन केले जाऊ शकते, अगदी इंजिनिअर्स विमान जमिनीवरून उडण्यापूर्वी त्याचे मॉडेल तयार करतात तसे. जर हे सिम्युलेशन एखाद्या विशिष्ट बदलामुळे (perturbation) वास्तविक पेशीमध्ये होणारे जनुक-अभिव्यक्तीमधील (gene-expression) बदल अचूकपणे दर्शवू शकले, तर खर्चिक आणि वेळखाऊ प्रयोगांची गरज मोठ्या प्रमाणात कमी होते.

“State” मॉडेल – १०० दशलक्ष पेशींवर प्रशिक्षित केलेले एक transformer

या प्लॅटफॉर्मच्या केंद्रस्थानी एक transformer-शैलीचे न्यूरल नेटवर्क आहे ज्याला टीम State म्हणते. Transformers हे मोठ्या भाषा मॉडेल्सना (large language models) चालवतात; येथे ते मजकुराऐवजी जैविक डेटा स्वीकारतात. State ने १०० दशलक्ष सिंगल-सेल मोजमापांच्या (single-cell measurements) निवडक संचातून शिकले असून, जनुकीय बदलांमधील (genetic perturbations) आणि त्यानंतरच्या अभिव्यक्ती नमुन्यांमधील (expression patterns) सांख्यिकीय संबंध शोधले आहेत.

Arc च्या मते, State हे साध्या सांख्यिकीय तंत्रांवर अवलंबून असलेल्या जुन्या मॉडेल्सपेक्षा अधिक प्रभावी आहे. टीमने एक मुख्य मर्यादा देखील मान्य केली आहे: जेव्हा मॉडेल अशा पेशी प्रकाराला भेट देते जो त्याने प्रशिक्षणादरम्यान कधीही पाहिलेला नसतो, तेव्हा त्याच्या अंदाजांची अचूकता कमी होते. संशोधकांच्या मते, एक "परिपूर्ण" मॉडेल—जे सर्व मानवी पेशी प्रकारांवर लागू होऊ शकेल—अजून सुमारे एक दशक दूर आहे.

मॉडेलची चाचणी: Virtual Cell Challenge

State आणि इतर दृष्टिकोन वास्तववादी परिस्थितीत किती चांगले काम करतात हे मोजण्यासाठी, Arc ने Virtual Cell Challenge नावाच्या सार्वजनिक स्पर्धेचे आयोजन केले. सहभागींना एक कठीण डेटासेट देण्यात आला आणि न पाहिलेल्या बदलांसाठी (unseen perturbations) जनुक-अभिव्यक्तीचे परिणाम वर्तवण्यास सांगितले गेले. निकाल धक्कादायक होते: अनेक AI टीम्सनी प्रशिक्षणातील डेटाच्या साध्या गणितीय सरासरीपेक्षाही खराब कामगिरी केली.

या निकालामुळे या क्षेत्रातील एका मोठ्या आव्हानावर प्रकाश पडतो: जेव्हा इनपुट डेटा गोंधळलेला (noisy), विरळ (sparse) किंवा जैविकदृष्ट्या विषम (heterogeneous) असतो, तेव्हा शुद्ध डीप-लर्निंग मॉडेल्स, अगदी मोठी असली तरीही, अपयशी ठरतात. यशस्वी सहभागींनी न्यूरल नेटवर्क्सना पारंपारिक सांख्यिकीय पद्धतींशी जोडले होते, ज्यावरून असे सुचते की 'हायब्रिड वर्कफ्लो' हा भविष्यातील जवळचा मार्ग असू शकतो.

डेटाची स्वच्छता: scBaseCount डेटा पाइपलाइन

State सारखे मॉडेल तयार करताना डेटाची गुणवत्ता हा सर्वात मोठा अडथळा आहे. कच्च्या सिंगल-सेल मोजमापांमध्ये बॅच इफेक्ट्स (batch effects), गहाळ मूल्ये (missing values) आणि विसंगत टिपणी (inconsistent annotations) मोठ्या प्रमाणात आढळतात. Arc ने यावर उपाय म्हणून AI एजंट्सचा एक संच तयार केला जो डेटा क्युरेशनचे (data curation) काम स्वयंचलित करतो, ज्याला एकत्रितपणे scBaseCount म्हटले जाते.

  • Finder agents सार्वजनिक रिपॉझिटरीज शोधतात आणि कच्च्या फाईल्स मिळवतात.
  • Organizer agents फॉरमॅट्स प्रमाणित करतात, मेटाडेटा संरेखित करतात आणि नावातील विसंगती दूर करतात.
  • एक supervisor agent आउटपुटची तपासणी करतो आणि मानवी पुनरावलोकनासाठी विसंगती (anomalies) चिन्हांकित करतो.

या पाइपलाइनने सुमारे ५०० दशलक्ष पेशींचा एक रिपॉझिटरी तयार केला आहे—जो पूर्वीच्या सर्वात मोठ्या सार्वजनिक संग्रहापेक्षा चार पटीने मोठा आहे. या प्रचंड प्रमाणामुळे आणि पद्धतशीर स्वच्छतेमुळे, State ला पूर्वीच्या प्रयत्नांपेक्षा अधिक समृद्ध आणि विश्वसनीय प्रशिक्षण क्षेत्र मिळते.

कृतीतून शिकणे: फीडबॅक लूप (feedback loop)

Arc केवळ ऐतिहासिक डेटावर अवलंबून नाही. हे प्लॅटफॉर्म एक 'ॲक्टिव्ह-लर्निंग सायकल' चालवते: AI नवीन प्रयोगांचे प्रस्ताव मांडते, लॅब ते कार्यान्वित करते आणि त्याचे निकाल पुन्हा मॉडेलमध्ये पाठवले जातात. प्रत्यक्ष व्यवहारात, एक AI एजंट एखादे जनुक काढून टाकण्यासाठी (knock out) किंवा एखादे औषध लागू करण्यासाठी निवडतो, वास्तविक पेशींवर प्रयोग केला जातो आणि दिसून येणारे अभिव्यक्ती बदल State चे पॅरामीटर्स अधिक अचूक बनवतात.

या लूपचे दोन उद्देश आहेत. पहिले म्हणजे, मॉडेलच्या सध्याच्या त्रुटींवर (blind spots) लक्ष केंद्रित करणाऱ्या डेटा पॉइंट्ससह हे प्रशिक्षण संच सतत विस्तारते. दुसरे म्हणजे, हे एक अंगभूत पडताळणी पाऊल प्रदान करते, ज्यामुळे अंदाज केवळ वरवरचे न राहता प्रायोगिक पुराव्यांवर आधारित राहतील याची खात्री मिळते.

AI इंजिनिअर्स आणि बायोटेक कंपन्यांसाठी याचा अर्थ काय

Arc च्या सार्वजनिक खुलासांतून दोन व्यावहारिक धडे मिळतात:

  1. डेटाची गुणवत्ता मॉडेलच्या गुंतागुंतीपेक्षा श्रेष्ठ ठरते. गोंधळलेल्या (noisy) आणि अपूर्ण डेटावर प्रशिक्षित केलेले एक प्रगत transformer, अत्यंत काळजीपूर्वक निवडलेल्या (meticulously curated) इनपुट्सवर चालणाऱ्या साध्या अल्गोरिदमपेक्षा कमी प्रभावी ठरेल. scBaseCount pipeline आपल्याला आठवण करून देते की, मॉडेलचा आकार सतत वाढवण्यापेक्षा डेटा इंजिनिअरिंगमध्ये गुंतवणूक केल्यास अधिक मोठे फायदे मिळू शकतात.
  2. पडताळणी लूप्स (Verification loops) आवश्यक आहेत. बाह्य तपासणीशिवाय मॉडेलच्या आउटपुटवर विश्वास ठेवणे जोखमीचे आहे, विशेषतः जीवशास्त्रात (biology) जिथे अज्ञात गोंधळात टाकणारे घटक (unknown confounders) मोठ्या प्रमाणात आढळतात. एकमेकांची क्रॉस-व्हॅलिडेशन करणारे एजंट्स—किंवा प्रत्यक्ष जगातील प्रयोगांशी भाकितांची तुलना करणारे एजंट्स—असे समाविष्ट केल्यामुळे एक सुरक्षा कवच तयार होते, जे पद्धतशीर चुका (systematic errors) लवकर शोधण्यास मदत करते.

पुढील वाटचाल आणि शंकावाद

जरी याचे आश्वासन स्पष्ट असले, तरी हे तंत्रज्ञान अद्याप पूर्णतः तयार (turnkey) समाधानापासून दूर आहे. न पाहिलेल्या पेशींच्या प्रकारांबाबत (unseen cell types) येणाऱ्या अडचणी हे सूचित करतात की, मॉडेलमध्ये अद्याप मूळ जीवशास्त्राची (underlying biology) खरी समज नाही. Virtual Cell Challenge चे निकाल दर्शवतात की, जेव्हा समस्या अस्पष्ट (ill-posed) असते, तेव्हा मोठ्या प्रमाणात निधी असलेले AI टीम्स देखील साध्या बेसलाईन्स (baselines) पेक्षा मागे पडू शकतात.