Conformal Prediction for Molecular Properties under Label Shift
यह शोध पत्र लेबल शिफ्ट के लिए विशेष रूप से तैयार किए गए एक कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क को प्रस्तुत करता है जो मार्जिनल लेबल प्रोबेबिलिटी रेश्यो के साथ स्कोर को वेट देकर आणविक गुणों के लिए सांख्यिकीय रूप से कठोर प्रेडिक्शन इंटरवल उत्पन्न करता है, जिससे मॉडल रिट्रेनिंग की आवश्यकता के बिना एआई-संचालित ड्रग डिस्कवरी की विश्वसनीयता और नियामक अनुपालन में वृद्धि होती 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
एक रासायनिक यौगिक को जीवन रक्षक दवा में बदलने की यात्रा अनिश्चितता की एक मैराथन है। यह एक ऐसी प्रक्रिया है जिसमें एक दशक से अधिक समय लग सकता है और अरबों डॉलर का खर्च आ सकता है, जो अक्सर इसलिए विफल हो जाती है क्योंकि एक अणु जो कंप्यूटर मॉडल में आदर्श दिखता था, वह एक जीवित शरीर में अप्रत्याशित व्यवहार करता है। इस प्रक्रिया को तेज करने के लिए, वैज्ञानिक तेजी से कृत्रिम बुद्धिमत्ता (AI) पर भरोसा कर रहे हैं ताकि यह भविष्यवाणी की जा सके कि एक नया अणु कैसे कार्य करेगा, जैसे कि क्या वह पानी में घुलेगा या कोशिका को विषैला बनाएगा। हालांकि, ये डिजिटल भविष्यवाणियां केवल उतने ही अच्छी होती हैं जितना कि वह डेटा जिस पर उन्हें प्रशिक्षित किया गया है। जब कोई मॉडल एक नए प्रकार के अणु का सामना करता है जो उसके अध्ययन किए गए उदाहरणों से काफी भिन्न होता है, तो उसका आत्मविश्वास एक देन बन सकता है, जो एक एकल, सटीक संख्या प्रदान करता है जो आत्मविश्वास के साथ गलत होती है। इन उपकरणों को वास्तविक दुनिया के उपयोग के लिए सुरक्षित बनाने के लिए, शोधकर्ताओं को न केवल उत्तर को मापने की आवश्यकता है, बल्कि उस उत्तर की विश्वसनीयता को भी मापने की आवश्यकता है, विशेष रूप से तब जब खेल के नियम बदल जाते हैं।
हाल ही में एक अध्ययन में, मोगाम इंस्टीट्यूट फॉर बायोमेडिकल रिसर्च और इंटलीकोड के शोधकर्ताओं ने नियमों के इस विशिष्ट बदलाव की समस्या का समाधान किया, जिसे तकनीकी शब्दों में 'लेबल शिफ्ट' (label shift) कहा जाता है। यह तब होता है जब मॉडल जिस गुणों की भविष्यवाणी करने की कोशिश कर रहा है, उनका वितरण प्रशिक्षण चरण और वास्तविक दुनिया के अनुप्रयोग के बीच बदल जाता है। उदाहरण के लिए, एक मॉडल को विभिन्न प्रकार के सामान्य अणुओं पर प्रशिक्षित किया जा सकता है, लेकिन फिर उसे असाधारण उच्च क्षमता वाले दुर्लभ यौगिकों को खोजने के लिए कहा जा सकता है। इस परिदृश्य में, अनिश्चितता को मापने का मानक तरीका टूट जाता है, जिससे अक्सर ऐसे प्रेडिक्शन इंटरवल (भविष्यवाणी अंतराल) बनते हैं जो वास्तविक मान को पकड़ने के लिए बहुत संकीर्ण होते हैं। टीम ने एक नया ढांचा विकसित किया जो महंगे मूल मॉडलों को पुन: प्रशिक्षित किए बिना इन AI भविष्यवाणियों के कॉन्फिडेंस इंटरवल को समायोजित करता है। 'कॉन्फ़ॉर्मल प्रेडिक्शन' (conformal prediction) नामक एक सांख्यिकीय तकनीक का उपयोग करके, जो एकल बिंदु अनुमान के बजाय संभावित मूल्यों की एक सीमा बनाता है, उन्होंने एक ऐसी प्रणाली बनाई जो विश्वसनीय बनी रहती है, भले ही डेटा का वितरण बदल जाए।
शोधकर्ताओं ने अपने तरीके का परीक्षण घुलनशीलता के ज्ञात स्तरों वाले लगभग दस हजार यौगिकों के एक बड़े डेटासेट का उपयोग करके किया, जो दवा डिजाइन में एक महत्वपूर्ण कारक है। उन्होंने प्रारंभिक भविष्यवाणियां करने के लिए सैकड़ों मिलियन रासायनिक संरचनाओं पर प्रशिक्षित एक परिष्कृत लैंग्वेज मॉडल का उपयोग किया। लेबल शिफ्ट की वास्तविक दुनिया की चुनौती का अनुकरण करने के लिए, उन्होंने परीक्षण डेटा को कृत्रिम रूप से परिवर्तित किया ताकि घुलनशीलता मानों का वितरण प्रशिक्षण सेट से भिन्न हो। जब उन्होंने इस शिफ्ट किए गए डेटा पर मानक, बिना समायोजित विधि को लागू किया, तो सिस्टम उम्मीद के मुताबिक अपने अनुमानित दायरे के भीतर वास्तविक मानों को पकड़ने में विफल रहा, जिससे परिणाम खतरनाक रूप से अति-आत्मविश्वासी (overconfident) हो गए। पारंपरिक दृष्टिकोण, जो यह मानता है कि परीक्षण डेटा प्रशिक्षण डेटा जैसा ही है, इस बदलाव के साथ तालमेल बिठाने में सक्षम नहीं था।
इसे ठीक करने के लिए, टीम ने एक वेटिंग सिस्टम (भार प्रणाली) पेश किया जो भविष्यवाणियों के लिए एक सुधारात्मक लेंस के रूप में कार्य करता है। उन्होंने पहले उपलब्ध डेटा को तीन अलग-अलग समूहों में विभाजित किया: एक मॉडल को प्रशिक्षित करने के लिए, एक यह अनुमान लगाने के लिए कि डेटा वितरण कैसे बदला है, और तीसरा अंतिम भविष्यवाणी सीमाओं को कैलिब्रेट करने के लिए। दूसरे समूह का उपयोग करके, उन्होंने नए वातावरण में विभिन्न घुलनशीलता स्तरों की अपेक्षित आवृत्ति बनाम पुराने वातावरण की आवृत्ति के बीच अनुपात की गणना की। इसके बाद उन्होंने इन अनुपातों को उन त्रुटियों पर भार (weights) के रूप में लागू किया जो मॉडल ने कैलिब्रेशन के दौरान की थीं। इस प्रक्रिया ने प्रभावी रूप से सिस्टम को यह बताया कि उसे उन प्रकार की त्रुटियों पर अधिक ध्यान देना चाहिए जो नए डेटा में अधिक आम हो रही हैं और उन पर कम ध्यान देना चाहिए जो कम हो रही हैं। ऐसा करके, वे ऐसे प्रेडिक्शन इंटरवल का निर्माण कर सके जो अपनी सांख्यिकीय वैधता बनाए रखते हैं, यह सुनिश्चित करते हुए कि वास्तविक मान वांछित आत्मविश्वास स्तर पर अनुमानित सीमा के भीतर रहे, चाहे डेटा कैसे भी स्थानांतरित हुआ हो।
उनके सिमुलेशन के परिणाम, जिन्हें मजबूती सुनिश्चित करने के लिए एक हजार बार दोहराया गया, एक स्पष्ट सुधार दिखाते हैं। जबकि मानक विधि लेबल शिफ्ट के तहत वास्तविक मानों को बार-बार चूक जाती थी, नया वेटेड दृष्टिकोण लगातार कवरेज को लक्षित स्तर तक बहाल करता रहा। शोधकर्ताओं ने पाया कि यह विधि सबसे अच्छा काम करती है जब वे आवश्यक भार की गणना करने के लिए 'मैक्सिमम लाइकलीहुड एस्टीमेशन' (maximum likelihood estimation) नामक एक विशिष्ट सांख्यिकीय तकनीक का उपयोग करते हैं, हालांकि अन्य तरीकों ने भी आशाजनक परिणाम दिखाए। दिलचस्प बात यह है कि कवरेज को पुनः प्राप्त करने के लिए सबसे सटीक विधि ने अन्य तरीकों की तुलना में थोड़े व्यापक अंतराल (wider intervals) उत्पन्न किए, जो अनिश्चितता के अधिक ईमानदार मूल्यांकन को दर्शाता है। अध्ययन ने प्रदर्शित किया कि मौजूदा, शक्तिशाली AI मॉडलों को उन्हें शुरू से पुन: प्रशिक्षित करने की अत्यधिक लागत के बिना, नए, बदलते रासायनिक परिदृश्यों के अनुकूल बनाना संभव है।
यह कार्य दवा की खोज के उच्च-जोखिम वाले वातावरण में कृत्रिम बुद्धिमत्ता को एकीकृत करने के लिए एक व्यावहारिक मार्ग प्रदान करता है। बदलते परिस्थितियों के अनुकूल होने वाले सांख्यिकीय रूप से कठोर विश्वास माप उत्पन्न करने का एक तरीका प्रदान करके, यह ढांचा सैद्धांतिक मॉडल प्रदर्शन और पारदर्शिता के लिए नियामक आवश्यकताओं के बीच के अंतर को पाटने में मदद करता है। यह सुनिश्चित करता है कि जब वैज्ञानिक एक नए अणु के लिए भविष्यवाणी देखते हैं, तो वे न केवल एक संख्या देख रहे होते हैं, बल्कि इसके संभावित परिणामों का एक यथार्थवादी आकलन भी देखते हैं, जिसमें जोखिमों का स्पष्ट विवरण शामिल होता है। अंध विश्वास से मापी गई विश्वसनीयता की ओर यह बदलाव, चिकित्सा को रोगियों तक पहुँचाने के अरबों डॉलर के प्रयास में AI को एक विश्वसनीय भागीदार बनाने की दिशा में एक महत्वपूर्ण कदम 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।