ਇੱਕ ਸੈੱਲ ਦਾ ਡਿਜੀਟਲ ਟਵਿਨ (digital twin) ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
ਅੱਜ ਦੇ ਸਮੇਂ ਵਿੱਚ ਦਵਾਈਆਂ ਦੀ ਖੋਜ ਇੱਕ ਜੂਏ ਵਰਗੀ ਹੈ। ਖੋਜਕਰਤਾ ਅਣੂਆਂ (molecules) ਨੂੰ ਸੁਧਾਰਨ ਵਿੱਚ ਸਾਲ ਬਿਤਾਉਂਦੇ ਹਨ, ਫਿਰ ਉਹਨਾਂ ਦਾ ਸੈੱਲਾਂ, ਜਾਨਵਰਾਂ ਅਤੇ ਅੰਤ ਵਿੱਚ ਇਨਸਾਨਾਂ 'ਤੇ ਟੈਸਟ ਕਰਦੇ ਹਨ। ਜ਼ਿਆਦਾਤਰ ਉਮੀਦਵਾਰ ਸ਼ੁਰੂਆਤੀ ਮਨੁੱਖੀ ਪ੍ਰਯੋਗਾਂ (human trials) ਤੋਂ ਅੱਗੇ ਨਹੀਂ ਵਧ ਪਾਉਂਦੇ। ਇੱਕ ਭਰੋਸੇਯੋਗ ਕੰਪਿਊਟੇਸ਼ਨਲ ਮਾਡਲ ਜੋ ਸੈਲੂਲਰ ਪ੍ਰਤੀਕਿਰਿਆ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕੇ, ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਨਾਕਾਮ ਹੋਣ ਵਾਲੇ ਕੰਪਾਊਂਡਾਂ ਨੂੰ ਜਲਦੀ ਰੱਦ ਕਰਨ ਅਤੇ ਸਭ ਤੋਂ ਵਾਅਦੇਵੰਦ ਲੀਡਾਂ 'ਤੇ ਸਰੋਤ ਕੇਂਦਰਿਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇਵੇਗਾ।
Arc ਇੱਕ ਸੈੱਲ ਨੂੰ ਇੱਕ ਅਜਿਹੇ ਸਿਸਟਮ ਵਜੋਂ ਮੰਨਦਾ ਹੈ ਜਿਸਦਾ in silico ਸਿਮੂਲੇਸ਼ਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਬਿਲਕੁਲ ਉਸੇ ਤਰ੍ਹਾਂ ਜਿਵੇਂ ਇੰਜੀਨੀਅਰ ਹਵਾਈ ਜਹਾਜ਼ ਦੇ ਜ਼ਮੀਨ ਤੋਂ ਉੱਡਣ ਤੋਂ ਪਹਿਲਾਂ ਉਸਦਾ ਮਾਡਲ ਤਿਆਰ ਕਰਦੇ ਹਨ। ਜੇਕਰ ਸਿਮੂਲੇਸ਼ਨ ਉਹ ਜੀਨ-ਐਕਸਪ੍ਰੈਸ਼ਨ (gene-expression) ਤਬਦੀਲੀਆਂ ਨੂੰ ਦੁਹਰਾਉਂਦਾ ਹੈ ਜੋ ਇੱਕ ਅਸਲੀ ਸੈੱਲ ਕਿਸੇ ਖਾਸ ਵਿਗਾੜ (perturbation) ਦੇ ਅਧੀਨ ਦਿਖਾਵੇਗਾ, ਤਾਂ ਮਹਿੰਗੇ ਅਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲੇ ਪ੍ਰਯੋਗਾਂ ਦੀ ਲੋੜ ਕਾਫ਼ੀ ਘਟ ਜਾਂਦੀ ਹੈ।
“State” ਮਾਡਲ – 100 ਮਿਲੀਅਨ ਸੈੱਲਾਂ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਇੱਕ transformer
ਪਲੇਟਫਾਰਮ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਇੱਕ transformer-ਸ਼ੈਲੀ ਦਾ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਹੈ ਜਿਸਨੂੰ ਟੀਮ State ਕਹਿੰਦੀ ਹੈ। Transformers ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (large language models) ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ; ਇੱਥੇ ਉਹ ਟੈਕਸਟ ਦੀ ਬਜਾਏ ਜੈਵਿਕ ਡੇਟਾ ਨੂੰ ਅੰਦਰ ਲੈਂਦੇ ਹਨ। State ਨੇ 100 ਮਿਲੀਅਨ ਸਿੰਗਲ-ਸੈੱਲ ਮਾਪਾਂ ਦੇ ਇੱਕ ਚੁਣੇ ਹੋਏ ਸਮੂਹ ਤੋਂ ਸਿੱਖਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਜੈਨੇਟਿਕ ਵਿਗਾੜਾਂ (genetic perturbations) ਅਤੇ ਡਾਊਨਸਟ੍ਰੀਮ ਐਕਸਪ੍ਰੈਸ਼ਨ ਪੈਟਰਨਾਂ ਵਿਚਕਾਰ ਅੰਕੜਾਤਮਕ ਸਬੰਧਾਂ ਨੂੰ ਸਮਝਿਆ ਗਿਆ ਹੈ।
Arc ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ State ਪੁਰਾਣੇ ਮਾਡਲਾਂ ਨਾਲੋਂ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ ਜੋ ਸਰਲ ਅੰਕੜਾਤਮਕ ਤਕਨੀਕਾਂ 'ਤੇ ਨਿਰਭਰ ਸਨ। ਟੀਮ ਇੱਕ ਮੁੱਖ ਸੀਮਾ ਨੂੰ ਵੀ ਸਵੀਕਾਰ ਕਰਦੀ ਹੈ: ਜਦੋਂ ਮਾਡਲ ਕਿਸੇ ਅਜਿਹੇ ਸੈੱਲ ਦੀ ਕਿਸਮ ਦਾ ਸਾਹਮਣਾ ਕਰਦਾ ਹੈ ਜੋ ਉਸਨੇ ਸਿਖਲਾਈ ਦੌਰਾਨ ਕਦੇ ਨਹੀਂ ਦੇਖੀ ਸੀ, ਤਾਂ ਇਸਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਘਟ ਜਾਂਦੀਆਂ ਹਨ। ਖੋਜਕਰਤਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦੇ ਹਨ ਕਿ ਇੱਕ "ਪਰਫੈਕਟ" ਮਾਡਲ—ਜੋ ਸਾਰੇ ਮਨੁੱਖੀ ਸੈੱਲ ਦੀਆਂ ਕਿਸਮਾਂ 'ਤੇ ਲਾਗੂ ਹੋ ਸਕੇ—ਅਜੇ ਲਗਭਗ ਇੱਕ ਦਹਾਕਾ ਦੂਰ ਹੈ।
ਮਾਡਲ ਦੀ ਪ੍ਰੀਖਿਆ ਕਰਨਾ: Virtual Cell Challenge
State ਅਤੇ ਹੋਰ ਤਰੀਕਿਆਂ ਕਿੰਨੇ ਵਧੀਆ ਤਰੀਕੇ ਨਾਲ ਅਸਲ ਸਥਿਤੀਆਂ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ, ਇਸਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, Arc ਨੇ Virtual Cell Challenge ਨਾਮ ਦੀ ਇੱਕ ਜਨਤਕ ਮੁਕਾਬਲਾ ਕਰਵਾਇਆ। ਭਾਗੀਦਾਰਾਂ ਨੂੰ ਇੱਕ ਮੁਸ਼ਕਲ ਡੇਟਾਸੈੱਟ ਦਿੱਤਾ ਗਿਆ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਅਣਡਿੱਠੇ ਵਿਗਾੜਾਂ (unseen perturbations) ਲਈ ਜੀਨ-ਐਕਸਪ੍ਰੈਸ਼ਨ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਕਿਹਾ ਗਿਆ। ਨਤੀਜੇ ਚਿੰਤਾਜਨਕ ਸਨ: ਕਈ AI ਟੀਮਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੇ ਸਾਧਾਰਨ ਗਣਿਤਕ ਔਸਤ ਨਾਲੋਂ ਵੀ ਮਾੜਾ ਰਿਹਾ।
ਇਹ ਨਤੀਜਾ ਇੱਕ ਵਿਆਪਕ ਨੁਕਤੇ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਜਿਸ ਨਾਲ ਇਹ ਖੇਤਰ ਲੜ ਰਿਹਾ ਹੈ: ਸ਼ੁੱਧ ਡੀਪ-ਲਰਨਿੰਗ ਮਾਡਲ, ਇੱਥੋਂ ਤੱਕ ਕਿ ਵੱਡੇ ਮਾਡਲ ਵੀ, ਉਦੋਂ ਅਸਫਲ ਹੋ ਜਾਂਦੇ ਹਨ ਜਦੋਂ ਇਨਪੁਟ ਡੇਟਾ ਅਸਪਸ਼ਟ (noisy), ਘੱਟ (sparse) ਜਾਂ ਜੈਵਿਕ ਤੌਰ 'ਤੇ ਵਿਭਿੰਨ (biologically heterogeneous) ਹੁੰਦਾ ਹੈ। ਸਫਲ ਭਾਗੀਦਾਰਾਂ ਨੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਕਲਾਸੀਕਲ ਅੰਕੜਾਤਮਕ ਵਿਧੀਆਂ ਨਾਲ ਜੋੜਿਆ, ਜੋ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਇੱਕ ਹਾਈਬ੍ਰਿਡ ਵਰਕਫਲੋ ਨੇੜਲੇ ਸਮੇਂ ਲਈ ਅੱਗੇ ਵਧਣ ਦਾ ਰਸਤਾ ਹੋ ਸਕਦਾ ਹੈ।
ਗੜਬੜ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ: scBaseCount ਡੇਟਾ ਪਾਈਪਲਾਈਨ
State ਵਰਗਾ ਮਾਡਲ ਬਣਾਉਣ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਡੀਆਂ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਹੈ। ਕੱਚੇ ਸਿੰਗਲ-ਸੈੱਲ ਮਾਪ 'ਬੈਚ ਪ੍ਰਭਾਵਾਂ' (batch effects), ਗੁੰਮ ਹੋਈਆਂ ਕਦਰਾਂ (missing values) ਅਤੇ ਅਸੰਗਤ ਐਨੋਟੇਸ਼ਨਾਂ ਨਾਲ ਭਰੇ ਹੁੰਦੇ ਹਨ। Arc ਨੇ AI ਏਜੰਟਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਤਿਆਰ ਕਰਕੇ ਇਸਦਾ ਜਵਾਬ ਦਿੱਤਾ ਜੋ ਡੇਟਾ ਕਿਊਰੇਸ਼ਨ ਨੂੰ ਆਟੋਮੇਟ ਕਰਦੇ ਹਨ, ਜਿਸਨੂੰ ਸਮੂਹਿਕ ਤੌਰ 'ਤੇ scBaseCount ਕਿਹਾ ਜਾਂਦਾ ਹੈ।
- Finder agents ਜਨਤਕ ਰਿਪੋਜ਼ਟਰੀਆਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ ਅਤੇ ਕੱਚੀਆਂ ਫਾਈਲਾਂ ਡਾਊਨਲੋਡ ਕਰਦੇ ਹਨ।
- Organizer agents ਫਾਰਮੈਟਾਂ ਨੂੰ ਮਿਆਰੀ ਬਣਾਉਂਦੇ ਹਨ, ਮੈਟਾਡਾਟਾ ਨੂੰ ਅਲਾਈਨ ਕਰਦੇ ਹਨ ਅਤੇ ਨਾਮਕਰਨ ਦੇ ਟਕਰਾਅ ਨੂੰ ਸੁਲਝਾਉਂਦੇ ਹਨ।
- ਇੱਕ supervisor agent ਆਉਟਪੁੱਟ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਅਤੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਲਈ ਅਸਧਾਰਨਤਾਵਾਂ (anomalies) ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ।
ਇਸ ਪਾਈਪਲਾਈਨ ਨੇ ਲਗਭਗ 500 ਮਿਲੀਅਨ ਸੈੱਲਾਂ ਦਾ ਇੱਕ ਰਿਪੋਜ਼ਟਰੀ ਇਕੱਠਾ ਕੀਤਾ ਹੈ—ਜੋ ਪਿਛਲੇ ਸਭ ਤੋਂ ਵੱਡੇ ਜਨਤਕ ਸੰਗ੍ਰਹਿ ਨਾਲੋਂ ਚਾਰ ਗੁਣਾ ਵੱਡਾ ਹੈ। ਇਹ ਭਾਰੀ ਮਾਤਰਾ, ਯੋਜਨਾਬੱਧ ਸਫਾਈ ਦੇ ਨਾਲ ਮਿਲ ਕੇ, State ਨੂੰ ਪਹਿਲਾਂ ਦੇ ਯਤਨਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਅਮੀਰ ਅਤੇ ਭਰੋਸੇਯੋਗ ਸਿਖਲਾਈ ਦਾ ਅਧਾਰ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
ਕਰਕੇ ਸਿੱਖਣਾ: ਫੀਡਬੈਕ ਲੂਪ
Arc ਸਿਰਫ਼ ਇਤਿਹਾਸਕ ਡੇਟਾ 'ਤੇ ਨਿਰਭਰ ਨਹੀਂ ਕਰਦਾ। ਪਲੇਟਫਾਰਮ ਇੱਕ ਐਕਟਿਵ-ਲਰਨਿੰਗ ਚੱਕਰ ਚਲਾਉਂਦਾ ਹੈ: AI ਨਵੇਂ ਪ੍ਰਯੋਗਾਂ ਦਾ ਪ੍ਰਸਤਾਵ ਦਿੰਦਾ ਹੈ, ਲੈਬ ਉਹਨਾਂ ਨੂੰ ਅਮਲੀ ਰੂਪ ਦਿੰਦੀ ਹੈ, ਅਤੇ ਨਤੀਜੇ ਵਾਪਸ ਮਾਡਲ ਵਿੱਚ ਆਉਂਦੇ ਹਨ। ਅਸਲ ਵਿੱਚ, ਇੱਕ AI ਏਜੰਟ ਕਿਸੇ ਜੀਨ ਨੂੰ ਨੌਕ-ਆਊਟ (knock out) ਕਰਨ ਜਾਂ ਕੋਈ ਦਵਾਈ ਲਗਾਉਣ ਲਈ ਚੁਣਦਾ ਹੈ, ਪ੍ਰਯੋਗ ਅਸਲੀ ਸੈੱਲਾਂ 'ਤੇ ਚਲਾਈ ਜਾਂ
- ਡਾਟਾ ਦੀ ਗੁਣਵੱਤਾ ਮਾਡਲ ਦੀ ਗੁੰਝਲਤਾ 'ਤੇ ਭਾਰੀ ਪੈਂਦੀ ਹੈ। ਇੱਕ ਉੱਨਤ transformer, ਜਿਸ ਨੂੰ ਅਸ਼ੁੱਧ ਅਤੇ ਅਧੂਰੇ ਡਾਟਾ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੋਵੇ, ਉਹ ਇੱਕ ਸਰਲ ਐਲਗੋਰਿਦਮ ਨਾਲੋਂ ਘੱਟ ਪ੍ਰਦਰਸ਼ਨ ਕਰੇਗਾ ਜਿਸ ਨੂੰ ਬੜੀ ਸਾਵਧਾਨੀ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਗਏ ਇਨਪੁੱਟਸ ਦਿੱਤੇ ਗਏ ਹੋਣ। scBaseCount ਪਾਈਪਲਾਈਨ ਸਾਨੂੰ ਯਾਦ ਦਿਵਾਉਂਦੀ ਹੈ ਕਿ ਲਗਾਤਾਰ ਵਧਦੇ ਮਾਡਲ ਦੇ ਆਕਾਰਾਂ ਦੇ ਪਿੱਛੇ ਭੱਜਣ ਨਾਲੋਂ ਡਾਟਾ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਨਿਵੇਸ਼ ਕਰਨਾ ਵੱਧ ਲਾਭ ਦੇ ਸਕਦਾ ਹੈ।
- ਵੈਰੀਫਿਕੇਸ਼ਨ ਲੂਪਸ (Verification loops) ਜ਼ਰੂਰੀ ਹਨ। ਬਾਹਰੀ ਜਾਂਚ ਤੋਂ ਬਿਨਾਂ ਕਿਸੇ ਮਾਡਲ ਦੇ ਆਉਟਪੁੱਟ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਜੋਖਮ ਭਰਿਆ ਹੈ, ਖਾਸ ਕਰਕੇ ਜੀਵ ਵਿਗਿਆਨ (biology) ਵਿੱਚ ਜਿੱਥੇ ਅਣਜਾਣ ਕਾਰਕ (confounders) ਭਰਪੂਰ ਹੁੰਦੇ ਹਨ। ਅਜਿਹੇ ਏਜੰਟਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਜੋ ਇੱਕ ਦੂਜੇ ਦੀ ਸਥਿਤੀ ਦੀ ਪੁਸ਼ਟੀ (cross-validate) ਕਰਦੇ ਹਨ—ਜਾਂ ਜੋ ਅਸਲ ਦੁਨੀਆ ਦੇ ਪ੍ਰਯੋਗਾਂ ਨਾਲ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ—ਇੱਕ ਅਜਿਹਾ ਸੁਰੱਖਿਆ ਜਾਲ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਪ੍ਰਣਾਲੀਗਤ ਗਲਤੀਆਂ ਨੂੰ ਜਲਦੀ ਫੜ ਲੈਂਦਾ ਹੈ।
ਅਗਲਾ ਰਾਹ ਅਤੇ ਸ਼ੰਕਾਵਾਦੀ
ਹਾਲਾਂਕਿ ਇਸ ਦਾ ਵਾਅਦਾ ਸਪੱਸ਼ਟ ਹੈ, ਪਰ ਇਹ ਤਕਨਾਲੋਜੀ ਇੱਕ ਤਿਆਰ-ਮੁਤਾਬਕ ਹੱਲ (turnkey solution) ਤੋਂ ਬਹੁਤ ਦੂਰ ਹੈ। ਅਣਦੇਖੇ ਸੈੱਲ ਕਿਸਮਾਂ (unseen cell types) ਨਾਲ ਸਟੇਟ ਦੀ ਮੁਸ਼ਕਲ ਇਹ ਸੰਕੇਤ ਦਿੰਦੀ ਹੈ ਕਿ ਮਾਡਲ ਵਿੱਚ ਅਜੇ ਵੀ ਅੰਦਰੂਨੀ ਜੀਵ ਵਿਗਿਆਨ ਦੀ ਅਸਲ ਸਮਝ ਦੀ ਕਮੀ ਹੈ। Virtual Cell Challenge ਦੇ ਨਤੀਜੇ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਜਦੋਂ ਸਮੱਸਿਆ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਰੱਖੀ ਗਈ ਹੋਵੇ (ill-posed), ਤਾਂ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫੰਡ ਪ੍ਰਾਪਤ AI ਟੀਮਾਂ ਨੂੰ ਵੀ ਸਰਲ ਬੇਸਲਾਈਨਾਂ (baselines) ਦੁਆਰਾ ਪਛਾੜਿਆ ਜਾ ਸਕਦਾ ਹੈ।