A Comprehensive Evaluation of Machine Learning Pipelines for Toxic Endpoint Prediction
यह अध्ययन 52 टॉक्सकास्ट (ToxCast) परीक्षणों में हार्मोन रिसेप्टर विषाक्तता की भविष्यवाणी करने के लिए मशीन लर्निंग पाइपलाइनों का एक व्यापक बेंचमार्क प्रस्तुत करता है, जो यह प्रदर्शित करता है कि डाइमेंशनलिटी रिडक्शन (dimensionality reduction) के बिना भौतिक-रासायनिक गुणों पर प्रशिक्षित रैंडम फॉरेस्ट (Random Forest) मॉडल सटीकता, दक्षता और व्याख्यात्मकता के मामले में डीप लर्निंग और अन्य उन्नत तरीकों से लगातार बेहतर प्रदर्शन करते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं: कौन से नए रासायनिक यौगिक (chemical compounds) दवा के रूप में उपयोग करने के लिए सुरक्षित हैं, और कौन से जहरीले टाइम बम हैं जो फटने के लिए तैयार बैठे हैं? वास्तविक दुनिया में, यह पता लगाना कि क्या सुरक्षित है, आमतौर पर लैब में रसायन मिलाने और यह देखने जैसा है कि जीवित कोशिकाओं या जानवरों पर क्या प्रभाव पड़ता है। यह महंगा है, धीमा है, और अक्सर इसमें उन जीवों का परीक्षण शामिल होता है जो शायद इस प्रयोग का हिस्सा नहीं बनना चाहते थे। यहीं पर "मशीन लर्निंग" (ML) के डिजिटल जासूस कदम रखते हैं। बीकर मिलाने के बजाय, ये कंप्यूटर प्रोग्राम रसायन के आणविक "फिंगरप्रिंट" को देखते हैं—जो उसके आकार और गुणों का एक डिजिटल मानचित्र है—और अनुमान लगाने की कोशिश करते हैं कि क्या वह खतरनाक है। लेकिन यहाँ पेचीदा बात यह है: जिस तरह एक जासूस को गलत सुराग या संदिग्ध के भ्रमित करने वाले विवरण द्वारा गुमराह किया जा सकता है, वैसे ही ये कंप्यूटर मॉडल गलत प्रकार के डेटा या सोचने के गलत तरीके से भ्रमित हो सकते हैं। वैज्ञानिक वर्षों से इस बात पर बहस कर रहे हैं कि क्या हमें इसे हल करने के लिए सुपर-जटिल, हाई-टेक "डीप लर्निंग" दिमागों की आवश्यकता है, या क्या पुराना-स्कूल, सरल तर्क वास्तव में बेहतर है। यह सवाल महत्वपूर्ण है क्योंकि यदि हम गलत उपकरण चुनते हैं, तो हम किसी जहरीली दवा को मिस कर सकते हैं या सुरक्षित दवाओं के परीक्षण में समय बर्बाद कर सकते हैं, जिससे जीवन रक्षक दवाओं की खोज धीमी हो सकती है।
इस अध्ययन में, सारलैंड यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस बहस को सुलझाने का निर्णय लिया और एक विशाल, व्यवस्थित टूर्नामेंट आयोजित किया। उन्होंने केवल एक मॉडल का परीक्षण नहीं किया; उन्होंने 52 अलग-अलग हार्मोन-संबंधित विषाक्तता परीक्षणों (यह जांचना कि क्या रसायन एस्ट्रोजन, टेस्टोस्टेरॉन और अन्य हार्मोन रिसेप्टर्स के साथ छेड़छाड़ करते हैं) के लिए एक "पाइपलाइन" बनाई। इस पाइपलाइन को एक खाना पकाने की रेसिपी की तरह समझें जहाँ आपको तीन चीजें चुननी होती हैं: सामग्री (आप रसायन का वर्णन कैसे करते हैं), तैयारी की विधि (चाहे आप सामग्री को सरल बनाते हैं या उसे पूरा रखते हैं), और शेफ (कंप्यूटर एल्गोरिदम जो खाना बना रहा है)। उन्होंने इन विकल्पों के 98 विभिन्न संयोजनों का 52 अलग-अलग "असेज़" (विशिष्ट विषाक्तता परीक्षण) में परीक्षण किया, और 7,000 से अधिक व्यक्तिगत मॉडलों को प्रशिक्षित किया ताकि यह देखा जा सके कि कौन सबसे सटीक रूप से खतरे की भविष्यवाणी कर सकता है।
परिणाम हाई-टेक चाहने वालों के लिए एक झटके की तरह थे। फैंसी, जटिल "डीप न्यूरल नेटवर्क" (AI की दुनिया के सुपर-दिमाग) की लोकप्रियता के बावजूद, अध्ययन में पाया गया कि वे अक्सर लड़खड़ा जाते हैं। इसके बजाय, विजेता एक बहुत ही सरल, पुराने-स्कूल के तरीके रैंडम फॉरेस्ट (Random Forest) ने हासिल किया। कल्पना कीजिए कि रैंडम फॉरेस्ट एक एकल जीनियस नहीं है, बल्कि एक निर्णय पर मतदान करने वाली आम लोगों की भीड़ है; प्रत्येक व्यक्ति डेटा के थोड़े अलग हिस्से को देखता है, और समूह अंतिम फैसला करता है। यह "भीड़" वाला दृष्टिकोण, जब इसे भौतिक-रासायनिक गुणों (अणु के बारे में बुनियादी, भौतिक तथ्य जैसे इसका वजन या यह कितना तैलीय है) के साथ खिलाया गया और बिना किसी फैंसी सरलीकरण के, सबसे अधिक बार विजेता रहा। वास्तव में, यह सरल संयोजन 52 में से 12 परीक्षणों में शीर्ष प्रदर्शन करने वाला रहा और लगभग आधे परीक्षणों में शीर्ष पांच में बना रहा।
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या पहले डेटा को "सरल" करना (जिसे डायमेंशन रिडक्शन कहा जाता है) मदद करता है, ठीक वैसे ही जैसे कोई छात्र परीक्षा से पहले पूरी किताब का सारांश एक सिंगल चीट शीट में बनाने की कोशिश करता है। आश्चर्यजनक रूप से, अध्ययन ने पाया कि डेटा को बिल्कुल भी सरल न करना वास्तव में बेहतर था। मॉडलों को सही निर्णय लेने के लिए सभी अस्त-व्यस्त, विस्तृत जानकारी की आवश्यकता थी; "अनावश्यक" विशेषताओं को हटा देने से उपयोगी सुराग भी चले गए। इसके अलावा, अध्ययन स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि अधिक जटिल मॉडल या जटिल रासायनिक विवरण (जैसे डीप लर्निंग एम्बेडिंग) स्वतः ही बेहतर होते हैं। इस विशिष्ट क्षेत्र में, हार्मोन विषाक्तता के मामले में, "सरल ही बेहतर है" का नियम मजबूती से कायम रहा।
हालाँकि, यह पेपर एक वास्तविकता की जाँच भी प्रस्तुत करता है। यहाँ तक कि सर्वश्रेष्ठ मॉडल भी औसतन लगभग 0.32 का "मैथ्यूज कोरिलेशन कोएफिशिएंट" (एक स्कोर जो यह बताता है कि वे कठिन, असंतुलित डेटा को कितनी अच्छी तरह संभालते हैं) प्राप्त करते हैं। यह एक परफेक्ट स्कोर नहीं है; यह एक मामूली स्कोर है। शोधकर्ताओं ने पाया कि सबसे बड़ी बाधा स्वयं कंप्यूटर मॉडल नहीं, बल्कि डेटा की प्रकृति थी। उन्होंने पाया कि "एक्टिविटी क्लिफ्स" (activity cliffs)—जहाँ दो रसायन लगभग एक जैसे दिखते हैं लेकिन एक सुरक्षित है और दूसरा जहरीला—भविदन करना अविश्वसनीय रूप से कठिन बना देते हैं। यह यह अनुमान लगाने जैसा है कि एक कुकी जहरीली है या नहीं, सिर्फ उसे देखकर, जबकि दिखने में बिल्कुल एक जैसी दो कुकीज़ के अंदर छिपे हुए अलग-अलग तत्व हो सकते हैं। क्योंकि हार्मोन डेटा में ये "क्लिफ्स" इतने आम हैं, इसलिए बेहतरीन AI भी अंतर देख पाने में संघर्ष करता है। अध्ययन का सुझाव है कि भले ही सरल मॉडल जैसे रैंडम फॉरेस्ट वर्तमान में हमारे पास मौजूद सबसे अच्छे उपकरण हैं, लेकिन असली चुनौती डेटा ही है, और भविष्य की सफलताएं केवल बड़े, अधिक जटिल कंप्यूटर बनाने के बजाय, इन सूक्ष्म, खतरनाक रासायनिक संरचनाओं के अंतर को समझने के बेहतर तरीकों की मांग करती हैं।
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।