ஒரு செல்லின் டிஜிட்டல் ட்வின் (digital twin) ஏன் முக்கியமானது

இன்றைய மருந்து கண்டுபிடிப்பு ஒரு சூதாட்டம் போன்றது. ஆராய்ச்சியாளர்கள் மூலக்கூறுகளைச் சீரமைக்க பல ஆண்டுகள் செலவிடுகிறார்கள், பின்னர் அவற்றை செல்கள், விலங்குகள் மற்றும் இறுதியாக மனிதர்களிடம் சோதிக்கிறார்கள். பெரும்பாலான வேட்பாளர்கள் ஆரம்பகால மனித சோதனைகளைக் கூட கடந்து செல்வதில்லை. செல்லின் எதிர்வினையை முன்கூட்டியே கணிக்கக்கூடிய ஒரு நம்பகமான கணக்கீட்டு மாதிரி (computational model), விஞ்ஞானிகள் பயனற்ற சேர்மங்களை முன்கூட்டியே நீக்கவும், மிகவும் நம்பிக்கைக்குரியவற்றில் தங்கள் வளங்களைச் செலுத்தவும் உதவும்.

பொறியாளர்கள் ஒரு விமானம் தரையிலிருந்து கிளம்புவதற்கு முன்பே அதன் மாதிரியை உருவாக்குவது போல, Arc ஒரு செல்லினை in silico முறையில் உருவகப்படுத்தக்கூடிய (simulate) ஒரு அமைப்பாகக் கருதுகிறது. ஒரு குறிப்பிட்ட இடையூறின் (perturbation) கீழ் ஒரு உண்மையான செல் காட்டும் மரபணு வெளிப்பாட்டு மாற்றங்களை (gene-expression changes) இந்த உருவகப்படுத்துதல் துல்லியமாகப் பிரதிபலித்தால், செலவு மிகுந்த மற்றும் நேரத்தை எடுத்துக்கொள்ளும் சோதனைகளின் தேவை பெருமளவு குறைகிறது.

“State” மாதிரி – 100 மில்லியன் செல்களில் பயிற்சி அளிக்கப்பட்ட ஒரு transformer

இந்தத் தளத்தின் மையப்பகுதியில் State என்று குழுவினால் அழைக்கப்படும் transformer-பாணி நரம்பியல் வலைப்பின்னல் (neural network) உள்ளது. Transformers பெரிய மொழி மாதிரிகளுக்கு (large language models) ஆற்றல் அளிக்கின்றன; ஆனால் இங்கே அவை உரைக்கு பதிலாக உயிரியல் தரவுகளைப் பெறுகின்றன. 100 மில்லியன் ஒற்றைச் செல் அளவீடுகளின் தொகுப்பிலிருந்து State கற்றுக்கொண்டது, மரபணு இடையூறுகளுக்கும் (genetic perturbations) அதன் விளைவாக ஏற்படும் வெளிப்பாட்டு முறைகளுக்கும் (downstream expression patterns) இடையிலான புள்ளிவிவரத் தொடர்புகளை இது கண்டறிந்துள்ளது.

எளிமையான புள்ளிவிவர நுட்பங்களைச் சார்ந்திருந்த முந்தைய மாதிரிகளை விட State சிறப்பாகச் செயல்படுகிறது என்று Arc கூறுகிறது. அதே சமயம், ஒரு முக்கிய வரம்பையும் குழு ஒப்புக்கொள்கிறது: பயிற்சியின் போது பார்த்திராத ஒரு செல் வகையை மாதிரி சந்திக்கும்போது, அதன் கணிப்புகள் துல்லியத்தன்மையை இழக்கின்றன. அனைத்து மனித செல் வகைகளுக்கும் பொதுவான ஒரு "முழுமையான" மாதிரியை உருவாக்குவதற்கு இன்னும் ஒரு தசாப்தம் தேவைப்படும் என்று ஆராய்ச்சியாளர்கள் மதிப்பிடுகின்றனர்.

மாதிரியைச் சோதித்தல்: Virtual Cell Challenge

State மற்றும் பிற அணுகுமுறைகள் யதார்த்தமான சூழல்களில் எவ்வளவு சிறப்பாகச் செயல்படுகின்றன என்பதை அளவிட, Arc Virtual Cell Challenge என்ற பொதுப் போட்டியை ஏற்பாடு செய்தது. பங்கேற்பாளர்கள் ஒரு கடினமான தரவுத்தொகுப்பைப் பெற்றனர் மற்றும் இதுவரை பார்க்கப்படாத இடையூறுகளுக்கான மரபணு வெளிப்பாட்டு முடிவுகளைக் கணிக்கக் கேட்டுக் கொள்ளப்பட்டனர். அதன் முடிவுகள் அதிர்ச்சியளிப்பதாக இருந்தன: பல AI குழுக்களின் செயல்பாடு, பயிற்சித் தரவின் சாதாரண கணித சராசரியை விட மோசமாக இருந்தது.

இந்த முடிவு இந்தத் துறை எதிர்கொள்ளும் ஒரு பரந்த சிக்கலை அடிக்கோடிட்டுக் காட்டுகிறது: உள்ளீட்டுத் தரவுகள் இரைச்சலாகவோ (noisy), குறைவாகவோ (sparse) அல்லது உயிரியல் ரீதியாக மாறுபட்டதாகவோ (biologically heterogeneous) இருக்கும்போது, தூய ஆழமான கற்றல் (pure deep-learning) மாதிரிகள் தடுமாறுகின்றன. வெற்றிகரமான பங்களிப்புகள் நரம்பியல் வலைப்பின்னல்களை பாரம்பரிய புள்ளிவிவர முறைகளுடன் இணைத்தன, இது ஒரு கலப்பு பணிப்பாய்வு (hybrid workflow) தான் குறுகிய காலத் தீர்வாக இருக்கலாம் என்பதை உணர்த்துகிறது.

தரவுகளைச் சீரமைத்தல்: scBaseCount தரவுப் பாதை (data pipeline)

State போன்ற ஒரு மாதிரியை உருவாக்குவதில் உள்ள மிகப்பெரிய தடைகளில் ஒன்று தரத்தின் தரம் (data quality) ஆகும். மூல ஒற்றைச் செல் அளவீடுகள், தொகுதி விளைவுகள் (batch effects), விடுபட்ட மதிப்புகள் மற்றும் முரண்பட்ட குறிப்பீடுகளால் (inconsistent annotations) நிறைந்திருக்கின்றன. தரவுத் தொகுப்பைத் தானியக்கமாக்கும் AI முகவர்களின் (AI agents) தொகுப்பை உருவாக்குவதன் மூலம் Arc இதற்குப் பதிலளித்துள்ளது, இது கூட்டாக scBaseCount என்று அழைக்கப்படுகிறது.

  • Finder agents பொதுத் களஞ்சியங்களைத் (public repositories) தேடி மூலக் கோப்புகளைப் பெறுகின்றன.
  • Organizer agents வடிவங்களைத் தரப்படுத்துகின்றன, மெட்டாடேட்டாவை (metadata) சீரமைக்கின்றன மற்றும் பெயரிடல் முரண்பாடுகளைத் தீர்க்கின்றன.
  • ஒரு supervisor agent வெளியீட்டை ஆய்வு செய்து, மனிதர்களின் ஆய்விற்காக அசாதாரணமானவற்றை (anomalies) அடையாளம் காண்கிறது.

இந்தத் தரவுப் பாதை சுமார் 500 மில்லியன் செல்களின் களஞ்சியத்தை உருவாக்கியுள்ளது—இது முந்தைய மிகப்பெரிய பொதுத் தொகுப்பை விட நான்கு மடங்கு பெரியது. முறையான சுத்திகரிப்புடன் கூடிய இந்த மிகப்பெரிய அளவு, முந்தைய முயற்சிகளை விட State-க்கு மிகவும் செழுமையான மற்றும் நம்பகமான பயிற்சித் தளத்தை வழங்குகிறது.

செய்து கற்றல்: பின்னூட்டச் சுழற்சி (feedback loop)

Arc வரலாற்றுத் தரவுகளை மட்டுமே நம்பியிருக்கவில்லை. இந்தத் தளம் ஒரு செயலில் கற்றல் சுழற்சியை (active-learning cycle) இயக்குகிறது: AI புதிய சோதனைகளைப் பரிந்துரைக்கிறது, ஆய்வகம் அவற்றைச் செயல்படுத்துகிறது, மேலும் அதன் முடிவுகள் மீண்டும் மாதிரியில் சேர்க்கப்படுகின்றன. நடைமுறையில், ஒரு AI முகவர் ஒரு மரபணுவை நீக்கவோ (knock out) அல்லது ஒரு மருந்தைச் செலுத்தவோ தேர்ந்தெடுக்கிறது, அந்தச் சோதனை உண்மையான செல்களில் நடத்தப்படுகிறது, மேலும் கவனிக்கப்பட்ட வெளிப்பாட்டு மாற்றங்கள் State-ன் அளவுருக்களை (parameters) மேம்படுத்துகின்றன.

இந்தச் சுழற்சி இரண்டு நோக்கங்களுக்காகப் பயன்படுகிறது. முதலாவதாக, மாதிரியின் தற்போதைய குறைகளை (blind spots) நிவர்த்தி செய்யும் தரவுப் புள்ளிகளுடன் இது பயிற்சித் தொகுப்பைத் தொடர்ந்து விரிவுபடுத்துகிறது. இரண்டாவதாக, இது ஒரு ஒருங்கிணைந்த சரிபார்ப்புப் படிநிலையை வழங்குகிறது, இதன் மூலம் கணிப்புகள் வெறும் மேலோட்டமான தகவல்களாக இல்லாமல், அனுபவ ரீதியான ஆதாரங்களின் (empirical evidence) அடிப்படையில் இருப்பதை உறுதி செய்கிறது.

இது AI பொறியாளர்கள் மற்றும் பயோடெக் நிறுவனங்களுக்கு எதைக் குறிக்கிறது

Arc-ன் பொதுத் தகவல்கள் இரண்டு நடைமுறைப் பாடங்களாகச் சுருக்கப்படுகின்றன:

  1. தரவின் தரம் மாதிரியின் சிக்கலான தன்மையை விட மேலானது. இரைச்சல் மிகுந்த, முழுமையற்ற தரவுகளில் பயிற்றுவிக்கப்பட்ட ஒரு அதிநவீன transformer, மிக நுணுக்கமாகத் தேர்ந்தெடுக்கப்பட்ட உள்ளீடுகளைக் கொண்ட ஒரு எளிய அல்காரிதத்தை விடக் குறைவான செயல்திறனையே வெளிப்படுத்தும். மிகப்பரிய மாதிரிகளின் அளவைத் துரத்துவதை விட, தரவுப் பொறியியலில் (data engineering) முதலீடு செய்வது அதிக பலனைத் தரும் என்பதை scBaseCount pipeline நமக்கு நினைவூட்டுகிறது.
  2. சரிபார்ப்புச் சுழற்சிகள் அவசியமானவை. வெளிப்புறச் சரிபார்ப்புகள் இன்றி ஒரு மாதிரியின் வெளியீட்டை நம்புவது ஆபத்தானது, குறிப்பாகத் தெரியாத குழப்பக் காரணிகள் (confounders) அதிகம் உள்ள உயிரியல் துறையில் இது மிகவும் ஆபத்தானது. ஒன்றுடன் ஒன்று குறுக்குச் சரிபார்ப்பு (cross-validate) செய்யும் முகவர்களை—அல்லது கணிப்புகளை நிஜ உலக சோதனைகளுடன் ஒப்பிடும் முகவர்களை—உள்ளீடு செய்வது, முறையான பிழைகளை (systematic errors) முன்கூட்டியே கண்டறியும் ஒரு பாதுகாப்பு வலையை உருவாக்குகிறது.

முன்னோக்கிச் செல்லும் பாதை மற்றும் சந்தேகவாதிகள்

இதன் வாக்குறுதி தெளிவாக இருந்தாலும், இந்தத் தொழில்நுட்பம் ஒரு முழுமையான தீர்வாக (turnkey solution) மாறுவதற்கு இன்னும் வெகுதூரம் உள்ளது. பார்க்கப்படாத செல் வகைகளுடன் (unseen cell types) ஏற்படும் சிக்கல்கள், அந்த மாதிரி அடிப்படையான உயிரியலைப் பற்றிய உண்மையான புரிதலை இன்னும் கொண்டிருக்கவில்லை என்பதைக் காட்டுகின்றன. சிக்கலான முறையில் வரையறுக்கப்படாத (ill-posed) ஒரு பிரச்சனையின் போது, நன்கு நிதியுதவி பெறும் AI குழுக்களைக் கூட எளிய அடிப்படை மாதிரிகள் (simple baselines) முந்த முடியும் என்பதை Virtual Cell Challenge முடிவுகள் காட்டுகின்றன.