Large datasets and machine learning models fail to capture extremophile enzyme melting and optimum temperatures

कल्पना कीजिए कि आपके पास लाखों व्यंजनों (एक विशाल डेटासेट) का एक पुस्तकालय है और एक सुपर-स्मार्ट शेफ (एक मशीन लर्निंग मॉडल) है जिसने उन सभी का अध्ययन किया है। आप उस शेफ से पूछते हैं कि किसी विशिष्ट व्यंजन को पूरी तरह से पकाने के लिए उसे कितना गर्म होना चाहिए (इष्टतम तापमान/optimum temperature) और वह कितना गर्म होने पर पूरी तरह से बिखर जाता है (पिघलने का तापमान/melting temperature)।

यह शोध पत्र तर्क देता है कि जब आप उस शेफ को दो बहुत ही विशिष्ट प्रकार के मेहमानों के लिए खाना बनाने के लिए कहते हैं—"बर्फ के मेहमान" (साइक्रोफाइल्स, जो जमा देने वाली ठंड में रहते हैं) और "आग के मेहमान" (थर्मोफाइल्स, जो भीषण गर्मी में रहते हैं)—तो शेफ पूरी तरह से गलत हो जाता है।

यहाँ इस बात का विवरण दिया गया है जो शोध पत्र ने पाया है, सरल उपमाओं का उपयोग करते हुए:

1. "बर्फ के मेहमानों" का रहस्य

वैज्ञानिकों को लंबे समय से संदेह रहा है कि "बर्फ के मेहमानों" के एंजाइमों के पास एक विशेष तरकीब होती है। वे सोचते हैं कि ये एंजाइम ठंड में काम कर सकते हैं, लेकिन यदि आप उन्हें उनके आदर्श कार्य बिंदु से थोड़ा भी ऊपर गर्म करते हैं, तो वे वास्तव में पिघलने या टूटने से बहुत पहले ही काम करना बंद कर देते हैं। यह एक नाजुक बर्फ की मूर्ति की तरह है जो मूर्ति के रूप में दिखना बंद कर देती है जैसे ही सूरज की रोशनी उस पर पड़ती है, भले ही वह अभी तक पानी का ढेर न बनी हो।

शोधकर्ता यह जानना चाहते थे कि: क्या यह सभी "बर्फ के मेहमानों" के लिए एक सामान्य तरकीब है, या यह केवल कुछ भाग्यशाली लोगों के लिए है? उन्हें उम्मीद थी कि वे हजारों एंजाइमों की एक साथ जांच करने के लिए अपने सुपर-स्मार्ट शेफ और व्यंजनों के विशाल पुस्तकालय का उपयोग कर पाएंगे।

2. शेफ की बड़ी गलती

दुर्भाग्य से, शेफ परीक्षण में विफल रहा। जब इन चरम वातावरणों के तापमान की भविष्यवाणी करने के लिए कहा गया, तो मशीन लर्निंग मॉडल ने दो बड़ी गलतियाँ कीं:

• असंभव भविष्यवाणी: "आग के मेहमानों" के लिए, शेफ ने भविष्यवाणी की कि उनके एंजाइम तब काम करना बंद कर देंगे जब वे पहले ही पिघल चुके होंगे। यह ऐसा कहने जैसा है कि एक केक तब भी फूलता रहेगा जब ओवन ने बैटर को तरल सूप में बदल दिया हो। यह शारीरिक रूप से असंभव है।
• "औसत" का जाल: शेफ बार-बार यह अनुमान लगाता रहा कि "आग के मेहमान" और "बर्फ के मेहमान" वास्तव में केवल "कमरे के तापमान के मेहमान" (मेसोफाइल्स) हैं। यह ऐसा है जैसे शेफ, जिसने केवल कमरे के तापमान वाले व्यंजनों के हजारों रिकॉर्ड देखे हैं, यह मान लेता है कि हर व्यंजन कमरे के तापमान पर ही पकाया जाना चाहिए, चाहे वह मेहमान ज्वालामुखी में हो या हिमखंड में।

3. शेफ क्यों विफल हुआ?

शोध पत्र बताता है कि शेफ की विफलता उसके द्वारा सीखे गए "व्यंजनों के पुस्तकालय" (प्रशिक्षण डेटा) की दो समस्याओं के कारण आती है:

• व्यंजनों में गलतियाँ थीं: कई रिकॉर्ड जिनमें शेफ ने अध्ययन किया था, उनमें त्रुटियां थीं। एंजाइम वास्तव में किस तापमान को पसंद करते हैं, इसका डेटा अव्यवस्थित और अविश्वसनीय था।
• पुस्तकालय असंतुलित था: पुस्तकालय "कमरे के तापमान के मेहमानों" के व्यंजनों से अत्यधिक भरा हुआ था। "आग" और "बर्फ" के मेहमानों के लिए बहुत कम रेसिपी उपलब्ध थीं। क्योंकि शेफ ने ज्यादातर औसत से सीखा था, इसलिए उसने हर भविष्यवाणी को औसत की ओर धकेलने की कोशिश की, जिससे चरम स्थितियों की अनूठी जरूरतों की अनदेखी हुई।

मुख्य निष्कर्ष (The Bottom Line)

पत्र यह निष्कर्ष निकालता है कि हम वर्तमान में इन बड़े कंप्यूटर मॉडलों का उपयोग यह पता लगाने के लिए नहीं कर सकते कि क्या "बर्फ के मेहमानों" के पास वास्तव में वह विशेष तरकीब है कि वे पिघलने से पहले काम करना बंद कर देते हैं। उपकरण बहुत पक्षपाती हैं और डेटा बहुत अव्यवस्थित है।

इस रहस्य को सुलझाने के लिए, लेखक कहते हैं कि हमें पुराने, अव्यवस्थित डेटा पर भरोसा करना बंद करना होगा और इसके बजाय सीधे इन चरम एंजाइमों के तापीय व्यवहार (thermal behavior) को मापना होगा, जिससे विशेष रूप से "आग" और "बर्फ" के मेहमानों के लिए एक नया, स्वच्छ और सटीक डेटा पुस्तकालय बनाया जा सके। केवल तभी हम जान पाएंगे कि कुछ छोटे अध्ययनों में देखे गए रुझान जीवन के बाकी हिस्सों पर लागू होते हैं या नहीं।