शोधकर्ता एंटीबायोटिक एआई को अधिक भरोसेमंद बनाने की कोशिश कर रहे हैं
क्वींसलैंड विश्वविद्यालय की एक शोध टीम का कहना है कि एंटीबायोटिक खोज में कृत्रिम बुद्धिमत्ता के उपयोग की सबसे बड़ी बाधाओं में से एक इसकी शुद्ध भविष्यवाणी क्षमता नहीं, बल्कि भरोसा है। Journal of Cheminformatics में प्रकाशित कार्य में, समूह ने एक ऐसा ढांचा विकसित किया है, जिसे यह जांचने के लिए बनाया गया है कि क्या एआई प्रणालियां रासायनिक यौगिकों को संभावित एंटीबायोटिक के रूप में सुझाते समय विश्वसनीय तर्क दे सकती हैं।
यह जिस समस्या को लक्षित करता है, वह गंभीर है। सूक्ष्मजीव-रोधी प्रतिरोध मौजूदा दवाओं की प्रभावशीलता को कम कर रहा है, जबकि नई एंटीबायोटिक दवाओं की पाइपलाइन वर्षों से संघर्ष कर रही है। इससे शुरुआती चरण की खोज को तेज करने का दबाव बनता है, लेकिन नई त्रुटियों के बिना। शोधकर्ताओं के अनुसार, एआई इस काम को तेज कर सकती है, लेकिन केवल तभी जब वैज्ञानिक समझ सकें कि कोई मॉडल किसी खास निष्कर्ष तक क्यों पहुंचा।
यह चिंता विशेष रूप से दवा विकास में तीव्र है, जहां झूठा भरोसा समय बर्बाद कर सकता है, सीमित प्रयोगशाला संसाधनों को खा सकता है, और टीमों को गलत दिशा में ले जा सकता है। क्वींसलैंड विश्वविद्यालय के शोधकर्ताओं ने इस समस्या को उस परिचित आलोचना के आसपास रखा कि कई मशीन लर्निंग प्रणालियां एक “ब्लैक बॉक्स” की तरह काम करती हैं: वे एक उत्तर देती हैं, लेकिन उस तक पहुंचने का विश्वसनीय स्पष्टीकरण नहीं देतीं।
उच्च दांव वाले क्षेत्र में ब्लैक-बॉक्स समस्या
UQ के Center for Superbug Solutions के डॉ. अब्दुलमुजीब ओनावोले ने कहा कि व्याख्यात्मक एआई की जरूरत अकादमिक नहीं है। दवा-प्रतिरोधी बैक्टीरिया पहले से ही एक बड़ा वैश्विक स्वास्थ्य खतरा हैं, और किसी एआई प्रणाली से खराब तर्क शोधकर्ताओं को गलत अणुओं को प्राथमिकता देने या सूक्ष्म रासायनिक बदलावों के प्रभाव को गलत समझने की ओर ले जा सकता है।
पारंपरिक औषधीय रसायनशास्त्र में, ऐसे सूक्ष्म बदलाव बेहद महत्वपूर्ण होते हैं। आणविक संरचना में एक छोटा-सा परिवर्तन किसी यौगिक को बहुत अधिक शक्तिशाली, बहुत कमजोर, या दवा उम्मीदवार के रूप में अनुपयुक्त बना सकता है। यदि कोई एआई मॉडल किसी यौगिक को आशाजनक बताता है, लेकिन उस भविष्यवाणी के पीछे के कारण बनने वाले तत्वों की सही पहचान नहीं कर सकता, तो वैज्ञानिकों के हाथ में एक आकर्षक नतीजा तो होगा, लेकिन वह प्रयोगात्मक जांच में टिक नहीं सकता।
नया ढांचा इसी अंतर को भरने के लिए बनाया गया है। केवल यह पूछने के बजाय कि कोई मॉडल अच्छे और खराब यौगिकों में अंतर कर सकता है या नहीं, शोधकर्ताओं ने यह परखा कि क्या मॉडल की व्याख्याएं रासायनिक रूप से अर्थपूर्ण पैटर्न से मेल खाती हैं। दूसरे शब्दों में, उन्होंने यह मापने की कोशिश की कि क्या मॉडल सही कारणों से उपयोगी निष्कर्ष तक पहुंच रहा था।
ढांचे का परीक्षण कैसे किया गया
अध्ययन के लिए, टीम ने रासायनिक यौगिकों के डेटा सेट का उपयोग करके तीन एआई मॉडल बनाए, जिनका पहले Staphylococcus aureus के विरुद्ध मूल्यांकन किया गया था, जो गंभीर संक्रमणों से जुड़ा एक बैक्टीरिया है और एंटीबायोटिक प्रतिरोध अनुसंधान में एक परिचित चिंता है। इसके बाद इस ढांचे ने देखा कि प्रत्येक मॉडल दो कठिन व्याख्यात्मक कार्यों को कितनी अच्छी तरह संभालता है।
पहला काम उन महत्वपूर्ण दवा संरचनाओं की पहचान करना था, जिन्हें एंटीबायोटिक गतिविधि में महत्वपूर्ण माना जाता है। दूसरा काम तथाकथित “activity cliffs” की व्याख्या करना था, यानी वे मामले जिनमें छोटे रासायनिक बदलाव जैविक प्रभावशीलता में बड़े परिवर्तन पैदा करते हैं। ये cliffs एक कठिन परीक्षा हैं, क्योंकि वे दिखाते हैं कि क्या कोई मॉडल व्यापक सांख्यिकीय संबंधों पर निर्भर रहने के बजाय रासायनिक रूप से महत्वपूर्ण विवरणों को पकड़ सकता है।
UQ के Center for Superbug Solutions के डॉ. योहान्स ज़ुएग के अनुसार, परिणामों से पता चला कि तीनों मॉडल ज्ञात एंटीबायोटिक संरचनाओं को पहचानने में उचित रूप से अच्छे थे। लेकिन किसी अणु की सक्रियता क्यों है, यह समझाने की उनकी क्षमता में वे काफी अलग थे। यह अंतर लेख के मूल्य का केंद्र है: यदि शोधकर्ता यह तय नहीं कर सकते कि प्रणाली की आंतरिक तर्कशृंखला विश्वसनीय है या नहीं, तो केवल मजबूत पैटर्न पहचान पर्याप्त नहीं हो सकती।
इसलिए अध्ययन एआई-सहायित दवा खोज के लिए एक उच्च मानक की वकालत करता है। मॉडल की सटीकता को एकमात्र मानदंड मानने के बजाय, लेखक मूलतः यह पूछ रहे हैं कि क्या एआई के नतीजे विशेषज्ञों की जांच-पड़ताल में टिक सकते हैं। व्यावहारिक रूप से, इससे शोध टीमों को यह तय करने में मदद मिल सकती है कि कौन-सी प्रणालियां औषधीय रसायनशास्त्र के निर्णयों का समर्थन करने के लिए उपयुक्त हैं और कौन-सी नहीं।
एंटीबायोटिक विकास के लिए यह क्यों मायने रखता है
एंटीबायोटिक खोज महंगी, धीमी और असफलताओं से भरी होती है। खोज के दायरे को संकुचित करने वाली कोई भी तकनीक आकर्षक होती है, लेकिन भ्रामक संकेतों का पीछा करने की लागत असामान्य रूप से अधिक होती है। कोई मॉडल जो समग्र रूप से सटीक दिखता है, फिर भी खतरनाक हो सकता है यदि वह अपनी भविष्यवाणियां झूठे पैटर्न पर आधारित करता है, खासकर तब जब वे भविष्यवाणियां तय करती हैं कि कौन-से यौगिक संश्लेषित किए जाएं या जैविक परीक्षण तक ले जाए जाएं।
इससे व्याख्यात्मकता केवल एक तकनीकी पसंद नहीं रह जाती। यह वैज्ञानिक जोखिम को छानने का उपकरण बन जाती है। यदि कोई ढांचा यह उजागर कर सकता है कि एआई मॉडल सक्रियता के सही संरचनात्मक चालकों की पहचान कब कर रहा है, तो शोधकर्ता उसे वास्तविक कार्यप्रवाह में उपयोग करने के लिए अधिक तैयार हो सकते हैं। यदि यह दिखाता है कि कोई मॉडल प्रभावशाली, लेकिन रासायनिक रूप से कमजोर व्याख्याएं दे रहा है, तो डाउनस्ट्रीम बर्बादी पैदा करने से पहले ही उसे प्राथमिकता सूची से नीचे किया जा सकता है।
जैसा कि शोधकर्ता बताते हैं, वादा मशीन बुद्धिमत्ता और प्रयोगशाला विज्ञान के बीच अधिक सूचित साझेदारी का है। एआई वैज्ञानिकों को तेज़ी से आगे बढ़ने में मदद कर सकती है, लेकिन केवल तभी जब मनुष्य यह परखते रह सकें कि मशीन का तर्क भरोसे के योग्य है या नहीं। उस अर्थ में, यह ढांचा विशेषज्ञ निर्णय की जगह लेने से अधिक, एआई नतीजों को विशेषज्ञों के लिए ऑडिट योग्य बनाने के बारे में है।
एक मापा हुआ कदम, पूर्ण समाधान नहीं
अध्ययन यह दावा नहीं करता कि एंटीबायोटिक खोज की बाधा हल हो गई है, न ही यह सुझाव देता है कि व्याख्यात्मक एआई अपने आप नई दवाएं पैदा कर देती है। यह केवल ऐसा तरीका प्रस्तुत करता है जिससे यह आंका जा सके कि क्या एआई प्रणालियां अनुसंधान के इतने संवेदनशील चरण में जगह पाने की हकदार हैं। यह एक संकरी, लेकिन महत्वपूर्ण, बात है, क्योंकि जीवन-विज्ञान में एआई को लेकर उत्साह अक्सर इस व्यावहारिक प्रश्न से आगे निकल जाता है कि क्या ये उपकरण वास्तविक निर्णय-निर्माण के लिए पर्याप्त भरोसेमंद हैं।
यह कार्य लागू एआई अनुसंधान में एक व्यापक बदलाव को भी दर्शाता है। जैसे-जैसे मॉडल चिकित्सा, रसायनशास्त्र, बीमा, अवसंरचना और अन्य विनियमित या सुरक्षा-महत्वपूर्ण क्षेत्रों में प्रवेश कर रहे हैं, केवल प्रदर्शन मापदंड अब पर्याप्त नहीं हैं। संस्थानों को increasingly ऐसे प्रमाण चाहिए कि किसी प्रणाली के नतीजों की व्याख्या की जा सकती है, उन्हें चुनौती दी जा सकती है, और विषय विशेषज्ञों द्वारा मान्य किया जा सकता है।
एंटीबायोटिक अनुसंधान के लिए यह मांग संभवतः और बढ़ेगी। प्रतिरोध लगातार बढ़ रहा है, और नई उपचार विधियों की खोज पर दबाव बढ़ता जा रहा है। यदि एआई वास्तव में जरूरी एंटीबायोटिक खोज को तेज करने में मदद करने वाली है, तो इस तरह के ढांचे यह तय करने के बुनियादी बुनियादी ढांचे का हिस्सा बन सकते हैं कि कौन-से मॉडल वास्तव में प्रयोगशाला के लिए तैयार हैं।
यह लेख Medical Xpress की रिपोर्टिंग पर आधारित है। मूल लेख पढ़ें.
Originally published on medicalxpress.com
