এআই নির্ভরযোগ্যতা টুল অ্যান্টিবায়োটিক আবিষ্কারের বাধাকে লক্ষ্য করছে

অ্যান্টিবায়োটিক এআইকে আরও বিশ্বাসযোগ্য করতে গবেষকদের উদ্যোগ

কুইন্সল্যান্ড বিশ্ববিদ্যালয়ের একটি গবেষক দল বলছে, অ্যান্টিবায়োটিক আবিষ্কারে কৃত্রিম বুদ্ধিমত্তা ব্যবহারের সবচেয়ে বড় বাধাগুলোর একটি কাঁচা পূর্বাভাস-ক্ষমতা নয়, বরং আস্থা। Journal of Cheminformatics-এ প্রকাশিত কাজটিতে দলটি এমন একটি কাঠামো তৈরি করেছে, যা পরীক্ষা করে দেখার জন্য নকশা করা হয়েছে যে এআই সিস্টেমগুলো রাসায়নিক যৌগকে সম্ভাব্য অ্যান্টিবায়োটিক হিসেবে সুপারিশ করার সময় নির্ভরযোগ্য যুক্তি দিতে পারে কি না।

লক্ষ্য করা সমস্যাটি গুরুতর। অ্যান্টিমাইক্রোবিয়াল প্রতিরোধ বিদ্যমান ওষুধগুলোর কার্যকারিতা ক্ষয় করছে, আর নতুন অ্যান্টিবায়োটিকের পাইপলাইন বহু বছর ধরেই সংগ্রাম করছে। এতে নতুন ধরনের ভুল না এনে প্রাথমিক পর্যায়ের আবিষ্কারকে দ্রুত করার চাপ তৈরি হচ্ছে। গবেষকদের মতে, এআই সেই কাজ দ্রুত করতে পারে, তবে কেবল তখনই যখন বিজ্ঞানীরা বুঝতে পারবেন একটি মডেল কেন একটি নির্দিষ্ট সিদ্ধান্তে পৌঁছেছে।

ওষুধ উন্নয়নে এই উদ্বেগ বিশেষভাবে তীব্র, যেখানে মিথ্যা আত্মবিশ্বাস সময় নষ্ট করতে পারে, বিরল ল্যাবরেটরি সম্পদ খরচ করতে পারে, এবং দলগুলোকে ভুল পথে ঠেলে দিতে পারে। কুইন্সল্যান্ড বিশ্ববিদ্যালয়ের গবেষকেরা সমস্যাটিকে সেই পরিচিত সমালোচনার আলোকে তুলে ধরেছেন যে অনেক মেশিন লার্নিং সিস্টেম একটি “black box”-এর মতো কাজ করে: তারা উত্তর দেয়, কিন্তু কীভাবে সেখানে পৌঁছাল তার নির্ভরযোগ্য ব্যাখ্যা দেয় না।

উচ্চ ঝুঁকির ক্ষেত্রে black-box সমস্যা

UQ-এর Center for Superbug Solutions-এর ড. আবদুলমুজীব ওনাওলে বলেন, explainable AI-এর প্রয়োজন একাডেমিক বিষয়মাত্র নয়। ওষুধ-প্রতিরোধী ব্যাকটেরিয়া ইতিমধ্যে একটি বড় বৈশ্বিক স্বাস্থ্যঝুঁকি, এবং একটি এআই সিস্টেমের দুর্বল যুক্তি গবেষকদের ভুল অণুকে অগ্রাধিকার দিতে বা সূক্ষ্ম রাসায়নিক পরিবর্তনের প্রভাব ভুলভাবে পড়তে বাধ্য করতে পারে।

প্রচলিত ঔষধ রসায়নে ওই সূক্ষ্ম পরিবর্তনগুলো অত্যন্ত গুরুত্বপূর্ণ। অণুর গঠনে সামান্য পরিবর্তন কোনো যৌগকে নাটকীয়ভাবে বেশি শক্তিশালী, অনেক দুর্বল, বা ওষুধ প্রার্থী হিসেবে অনুপযুক্ত করে তুলতে পারে। যদি একটি এআই মডেল কোনো যৌগকে আশাব্যঞ্জক বলে চিহ্নিত করে কিন্তু সেই পূর্বাভাসকে চালিত করা বৈশিষ্ট্যগুলো ঠিকভাবে শনাক্ত করতে না পারে, তাহলে বিজ্ঞানীদের হাতে এমন একটি আকর্ষণীয় আউটপুট থাকতে পারে, যা পরীক্ষামূলক যাচাইয়ে টিকে না।

নতুন কাঠামোটি সেই ফাঁক পূরণ করার জন্য তৈরি। শুধু এই নয় যে একটি মডেল আশাব্যঞ্জক যৌগকে দুর্বলগুলোর থেকে আলাদা করতে পারে কি না, বরং গবেষকেরা পরীক্ষা করেছেন মডেলের ব্যাখ্যাগুলো রাসায়নিকভাবে অর্থবহ প্যাটার্নের সঙ্গে মেলে কি না। অন্য কথায়, তারা পরিমাপ করার চেষ্টা করেছেন মডেলটি সঠিক কারণেই কি কার্যকর সিদ্ধান্তে পৌঁছাচ্ছে।

কীভাবে কাঠামোটির পরীক্ষা করা হয়েছে

গবেষণার জন্য দলটি রাসায়নিক যৌগের ডেটাসেট ব্যবহার করে তিনটি এআই মডেল তৈরি করে, যেগুলো আগে Staphylococcus aureus-এর বিরুদ্ধে মূল্যায়ন করা হয়েছিল; এটি একটি ব্যাকটেরিয়া যা গুরুতর সংক্রমণের সঙ্গে সম্পর্কিত এবং অ্যান্টিবায়োটিক প্রতিরোধ গবেষণায় সুপরিচিত উদ্বেগের বিষয়। এরপর কাঠামোটি পরীক্ষা করে প্রতিটি মডেল দুটি কঠিন interpretability কাজ কতটা ভালোভাবে সামলাতে পারে।

প্রথমটি ছিল এমন গুরুত্বপূর্ণ ওষুধ-গঠন চিহ্নিত করা, যেগুলো অ্যান্টিবায়োটিক কার্যকারিতায় গুরুত্বপূর্ণ বলে ইতিমধ্যে জানা আছে। দ্বিতীয়টি ছিল তথাকথিত “activity cliffs” ব্যাখ্যা করা, যেখানে ছোট রাসায়নিক পরিবর্তন জৈবিক কার্যকারিতায় বড় রদবদল ঘটায়। এই cliffs একটি কঠিন পরীক্ষা, কারণ এগুলো দেখায় যে একটি মডেল বিস্তৃত পরিসংখ্যানগত সম্পর্কের ওপর নির্ভর না করে রাসায়নিকভাবে গুরুত্বপূর্ণ সূক্ষ্মতা ধরতে পারে কি না।

UQ-এর Center for Superbug Solutions-এর ড. জোহানেস জুয়েগের মতে, তিনটি মডেলই পরিচিত অ্যান্টিবায়োটিক গঠন শনাক্ত করতে যুক্তিসঙ্গতভাবে ভালো পারফরম্যান্স দেখিয়েছে। কিন্তু একটি অণু কেন সক্রিয় ছিল তা ব্যাখ্যা করার ক্ষেত্রে তারা তীব্রভাবে ভিন্ন। এই পার্থক্যই প্রবন্ধের মূল মূল্য: শক্তিশালী pattern recognition একাই যথেষ্ট নাও হতে পারে, যদি গবেষকেরা নির্ধারণ করতে না পারেন যে সিস্টেমের অভ্যন্তরীণ যুক্তি নির্ভরযোগ্য কি না।

তাই এই গবেষণা এআই-সহায়তায় ওষুধ আবিষ্কারে উচ্চতর মানের পক্ষে যুক্তি দেয়। মডেলের নির্ভুলতাকেই একমাত্র মানদণ্ড হিসেবে ধরার বদলে, লেখকেরা কার্যত প্রশ্ন তুলছেন এআই আউটপুটগুলো বিশেষজ্ঞের যাচাই-বাছাই সহ্য করতে পারে কি না। বাস্তবে, এটি গবেষণা দলগুলোকে নির্ধারণ করতে সাহায্য করতে পারে কোন সিস্টেমগুলো চিকিৎসা রসায়নের সিদ্ধান্তকে সমর্থন করার জন্য উপযুক্ত, আর কোনগুলো নয়।

অ্যান্টিবায়োটিক উন্নয়নের জন্য কেন এটি গুরুত্বপূর্ণ

অ্যান্টিবায়োটিক আবিষ্কার ব্যয়বহুল, ধীর, এবং ব্যর্থতার সম্ভাবনায় ভরা। অনুসন্ধানের পরিসর সংকুচিত করে এমন যেকোনো প্রযুক্তিই আকর্ষণীয়, কিন্তু ভুল পথে যাওয়া সূত্র অনুসরণ করার খরচ অত্যন্ত বেশি। মোটের ওপর সঠিক বলে মনে হওয়া একটি মডেলও বিপজ্জনক হতে পারে, যদি তা ভ্রান্ত প্যাটার্নের ওপর পূর্বাভাস গড়ে তোলে, বিশেষ করে যখন সেই পূর্বাভাস নির্ধারণ করে কোন যৌগগুলো সংশ্লেষণ করা হবে বা জৈবিক পরীক্ষায় এগিয়ে নেওয়া হবে।

এর ফলে explainability আর শুধু একটি প্রযুক্তিগত পছন্দ থাকে না। এটি বৈজ্ঞানিক ঝুঁকি筛নের একটি হাতিয়ার হয়ে ওঠে। যদি কোনো কাঠামো দেখাতে পারে যে একটি এআই মডেল কার্যকারিতার সঠিক কাঠামোগত চালকগুলো শনাক্ত করছে, তাহলে গবেষকেরা বাস্তব কর্মপ্রবাহে সেটি ব্যবহার করতে আরও আগ্রহী হতে পারেন। যদি এটি দেখায় যে একটি মডেল বিশ্বাসযোগ্য কিন্তু রাসায়নিকভাবে অসংগত ব্যাখ্যা দিচ্ছে, তবে পরবর্তী পর্যায়ে অপচয় ঘটানোর আগেই মডেলটিকে কম অগ্রাধিকার দেওয়া যেতে পারে।

গবেষকদের ভাষায়, এর প্রতিশ্রুতি হলো মেশিন বুদ্ধিমত্তা ও ল্যাবরেটরি বিজ্ঞানের মধ্যে আরও তথ্যভিত্তিক অংশীদারত্ব। এআই বিজ্ঞানীদের দ্রুত এগোতে সাহায্য করতে পারে, তবে কেবল তখনই যখন মানুষ যাচাই করতে পারবেন মেশিনের যুক্তি যথেষ্ট সুদৃঢ় কি না। সেই অর্থে, এই কাঠামো বিশেষজ্ঞের বিচারকে প্রতিস্থাপন করার চেয়ে বিশেষজ্ঞদের দ্বারা এআই আউটপুট নিরীক্ষণযোগ্য করার বিষয়ে বেশি।

পরিমিত একটি পদক্ষেপ, চূড়ান্ত সমাধান নয়

এই গবেষণা দাবি করে না যে অ্যান্টিবায়োটিক আবিষ্কারের bottleneck সমাধান হয়ে গেছে, কিংবা এটাও বলে না যে explainable AI স্বয়ংক্রিয়ভাবে নতুন ওষুধ উৎপন্ন করে। এটি যা দেয়, তা হলো এমন একটি পদ্ধতি যার মাধ্যমে বিচার করা যায় এআই সিস্টেমগুলো গবেষণার এই সংবেদনশীল পর্যায়ে জায়গা পাওয়ার যোগ্য কি না। এটি একটি সীমিত দাবি, তবে গুরুত্বপূর্ণ, কারণ জীবনবিজ্ঞানে এআই নিয়ে উদ্দীপনা প্রায়ই এই ব্যবহারিক প্রশ্নকে ছাপিয়ে যায় যে সরঞ্জামগুলো বাস্তব সিদ্ধান্ত নেওয়ার জন্য যথেষ্ট নির্ভরযোগ্য কি না।

এই কাজটি প্রয়োগিক এআই গবেষণার একটি বৃহত্তর পরিবর্তনকেও প্রতিফলিত করে। মডেলগুলো যখন চিকিৎসা, রসায়ন, বীমা, অবকাঠামো, এবং অন্যান্য নিয়ন্ত্রিত বা নিরাপত্তা-সংবেদনশীল ক্ষেত্রে প্রবেশ করছে, তখন কেবল performance metrics আর যথেষ্ট নয়। প্রতিষ্ঠানগুলো increasingly প্রমাণ চাইছে যে একটি সিস্টেমের আউটপুট ক্ষেত্রবিশেষজ্ঞদের দ্বারা ব্যাখ্যা, চ্যালেঞ্জ, এবং যাচাই করা যায়।

অ্যান্টিবায়োটিক গবেষণার জন্য এই চাহিদা সম্ভবত আরও বাড়বে। প্রতিরোধ ক্রমাগত বাড়ছে, এবং নতুন চিকিৎসার সন্ধান প্রবল চাপের মুখে রয়েছে। যদি এআই সত্যিই খুব প্রয়োজনীয় অ্যান্টিবায়োটিক আবিষ্কারকে দ্রুত করতে সাহায্য করতে চায়, তাহলে এই ধরনের কাঠামো কোন মডেলগুলো সত্যিই ল্যাবের জন্য প্রস্তুত তা নির্ধারণের মৌলিক অবকাঠামোর অংশ হয়ে উঠতে পারে।

এই নিবন্ধটি Medical Xpress-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধটি পড়ুন.