ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening
ScreenShot एक पदानुक्रमित (hierarchical) ट्रांसफार्मर फाउंडेशन मॉडल है जो 40 ड्रग स्क्रीनिंग डेटासेट पर इन-कॉन्टेक्स्ट लर्निंग का लाभ उठाता है ताकि केवल कुछ-शॉट फंक्शनल कॉन्टेक्स्ट का उपयोग करके कॉम्बिनेशन थेरेपी के प्रति रोगी की प्रतिक्रियाओं की सटीक भविष्यवाणी की जा सके, जिससे आणविक प्रोफाइलिंग या फाइन-ट्यूनिंग की आवश्यकता समाप्त हो जाती है और एक्टिव लर्निंग के माध्यम से लागत प्रभावी प्रयोगात्मक डिजाइन सक्षम होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके पास उंगलियों के निशान या डीएनए के बजाय, तरल पदार्थ की नन्ही बूंदें सुराग के रूप में हैं और संदिग्ध हजारों अलग-अलग दवाएं हैं। कैंसर के उपचार की दुनिया में, डॉक्टर अक्सर केवल एक दवा के बजाय दवाओं के "कॉकटेल" का उपयोग करते हैं, क्योंकि कैंसर कोशिकाएं चालाक होती हैं और एक अकेले हमलावर के प्रति प्रतिरोध विकसित करना सीख सकती हैं। एक आदर्श कॉकटेल खोजने के लिए, वैज्ञानिक आमतौर पर लैब में रोगी की कोशिकाओं पर दवाओं के हर संभावित मिश्रण का परीक्षण करते हैं। यह घास के ढेर से एक-एक करके हर एक तिनके को बाहर निकालने की तरह है ताकि सुई को ढूंढा जा सके। इसमें बहुत समय लगता है, भारी खर्च आता है, और अक्सर, वहां पर्याप्त घास (या रोगी की कोशिकाएं) भी नहीं होती हैं।
यहीं से "भविष्य की भविष्यवाणी करने" का विचार आता है। वैज्ञानिक कंप्यूटर मॉडल बना रहे हैं ताकि वे यह अनुमान लगा सकें कि कौन से ड्रग मिक्स काम करेंगे, बिना उन सभी का परीक्षण किए। लेकिन अधिकांश मॉडल उन छात्रों की तरह हैं जो केवल तभी परीक्षा पास करते हैं जब उन्होंने उस कक्षा के लिए विशिष्ट पाठ्यपुस्तक को रट लिया हो। उन्हें एक विशाल मात्रा में विस्तृत जैविक डेटा (जैसे रोगी का जेनेटिक कोड) की आवश्यकता होती है। यदि वह डेटा गायब या अव्यवظم है—जो वास्तविक रोगियों के मामले में अक्सर होता है—तो ये मॉडल भ्रमित हो जाते हैं। बड़ा सवाल यह है: क्या हम एक सुपर-स्मार्ट AI बना सकते हैं जो अब तक किए गए सभी ड्रग प्रयोगों से सीख सके, ताकि वह केवल एक एकल रोगी से मिले कुछ नए सुरागों को देखकर तुरंत सबसे अच्छे उपचार का अनुमान लगा सके, बिना किसी अतिरिक्त जैविक डेटा की आवश्यकता के?
यहाँ ScreenShot आता है, एक नया AI टूल जिसे मेमोरियल स्लोन केटरिंग कैंसर सेंटर के शोधकर्ताओं द्वारा विकसित किया गया है, जो इस सवाल का जवाब "हाँ" देने की कोशिश करता है। ScreenShot को एक ऐसे छात्र के रूप में न सोचें जिसने पाठ्यपुस्तक को रट लिया है, बल्कि एक मास्टर शेफ के रूप में सोचें जिसने लाखों अलग-अलग व्यंजनों का स्वाद चखा है। एक नए व्यंजन के सटीक सामग्री सूची (जेनेटिक कोड) को जानने के बजाय, ScreenShot इस आधार पर अनुमान लगाता है कि वह कैसा लगेगा, जैसे कि वह देखता है कि नमक और काली मिर्च के साथ उसका स्वाद कैसा था, और फिर कहता है, "आह, मुझे यकीन है कि यह लहसुन और थाइम के साथ बहुत अच्छा लगेगा।"
शोधकर्ताओं ने इस AI को डेटा के एक विशाल "फाउंडेशन" पर बनाया है, जिसे लगभग 30 मिलियन मापों से 40 अलग-अलग ड्रग स्क्रीनिंग डेटासेट्स पर प्रशिक्षित किया गया है। इस प्रशिक्षण में लगभग 3,700 विभिन्न दवाओं का परीक्षण 6,000 जैविक नमूनों (जैसे लैब में उगाई गई कैंसर कोशिकाएं या रोगियों से प्राप्त छोटे अंग "मिनी-ऑर्गन्स") पर शामिल था। AI ने यह पैटर्न सीखा कि दवाएं कोशिकाओं के साथ कैसे परस्पर क्रिया करती हैं: किस खुराक पर कौन सी दवा कोशिकाओं को जीवित रखती है या मार देती है।
जादुई ट्रिक यह है: ScreenShot इन-कॉन्टेक्स्ट लर्निंग (in-context learning) नामक एक तकनीक का उपयोग करता है। कल्पना कीजिए कि आप AI को एक नए रोगी के कुछ परीक्षण परिणाम दिखाते हैं (मान लीजिए, 50 या 100 प्रयोग)। AI को उस विशिष्ट रोगी के लिए फिर से प्रशिक्षित या "फाइन-ट्यून" करने की आवश्यकता नहीं है। इसके बजाय, यह तुरंत उन कुछ उदाहरणों को एक 'कॉन्टेक्स्ट विंडो' के रूप में उपयोग करता है ताकि उन हजारों ड्रग संयोजनों के परिणामों की भविष्यवाणी की जा सके जिन्हें इसने अभी तक नहीं देखा है। यह सीधे कार्यात्मक परिणामों (क्या कोशिका जीवित रही?) पर काम करता है, बिना किसी जेनेटिक प्रोफाइलिंग की आवश्यकता के।
पेपर बताता है कि ScreenShot अविश्वसनीय रूप से कुशल है। जब इसे चार नए, अनदेखे डेटासेट्स पर परखा गया, तो इसने सटीकता और "हिट्स" (वे ड्रग कॉम्बिनेशन जो स्वस्थ कोशिकाओं को नुकसान पहुंचाए बिना वास्तव में कैंसर कोशिकाओं को मार देते हैं) को खोजने में पिछले सभी सर्वोत्तम तरीकों को पछाड़ दिया। वास्तव में, कुछ परीक्षणों में, यह अन्य तरीकों की तुलना में 5 से 50 गुना तेज़ था।
लेकिन शोधकर्ताओं ने केवल भविष्यवाणी करने तक ही सीमित नहीं रहना चाहा; उन्होंने ScreenShot को एक स्मार्ट प्रयोगकर्ता बनना भी सिखाया। उन्होंने एक्टिव लर्निंग (active learning) नामक एक रणनीति बनाई। दवाओं का यादृच्छिक (रैंडम) परीक्षण करने के बजाय, ScreenShot यह तय करने के लिए अपने स्वयं के भविष्यवाणियों का उपयोग करता है कि अगला प्रयोग कौन सा किया जाना चाहिए। यह एक ऐसे जासूस की तरह है जो कुछ संदिग्धों से पूछताछ करने के बाद, पूरे शहर के हर व्यक्ति से पूछताछ करने के बजाय सबसे संभावित संदिग्धों पर ध्यान केंद्रित करने का निर्णय लेता है। पेपर दिखाता है कि इस स्मार्ट रणनीति का उपयोग करके, Screen විට ScreenShot एक रैंडम सर्च के समान प्रभावी ड्रग हिट्स पा सकता है, लेकिन इसे केवल एक-तिहाई प्रयोगों को चलाने की आवश्यकता होती है। इसका मतलब है समय, पैसा और कीमती रोगी कोशिकाओं की भारी बचत।
सबसे प्रभावशाली चीजों में से एक यह है कि ScreenShot तब भी काम करता है जब दवा नई या अज्ञात हो। यदि कोई दवा इसके प्रशिक्षण डेटा में नहीं थी, तो ScreenShot वर्तमान रोगी से मिले कुछ सुरागों के आधार पर उसके व्यवहार का अनुमान लगाने के लिए एक विशेष "अननोन" (unknown) टोकन का उपयोग करता है, जिससे वह पूरी तरह विफल होने के बजाय काम करता रहता है।
संक्षेप में, यह पेपर सुझाव देता है कि ScreenShot एक शक्तिशाली नया उपकरण है जो ड्रग स्क्रीनिंग को बहुत अधिक कुशल बना सकता है। यह बताता है कि हम महंगे, धीमे और डेटा-भूखे तरीकों से हटकर एक ऐसी प्रणाली की ओर बढ़ सकते हैं जो भविष्य का मार्गदर्शन करने के लिए अतीत से सीखती है, जिससे संभावित रूप से डॉक्टरों को एक रोगी के लिए सही ड्रग कॉकटेल तेजी से खोजने में मदद मिल सकती है। हालांकि इन कंप्यूटर सिमुलेशन और टेस्ट में परिणाम मजबूत हैं, पेपर इसे लैब में एक महत्वपूर्ण कदम के रूप में प्रस्तुत करता है, जो वास्तविक दुनिया में अधिक कुशल प्रयोगों का मार्ग प्रशस्त करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।