एआय विश्वसनीयता साधन अँटिबायोटिक शोधातील अडथळ्यावर लक्ष केंद्रित करते

अँटिबायोटिक एआय अधिक विश्वासार्ह करण्यासाठी संशोधकांचे प्रयत्न

क्वीन्सलँड विद्यापीठातील एका संशोधन पथकाचे म्हणणे आहे की अँटिबायोटिक शोधात कृत्रिम बुद्धिमत्ता वापरण्यातील सर्वात मोठ्या अडचणींपैकी एक कच्ची भाकीतशक्ती नसून, विश्वास आहे. Journal of Cheminformatics मध्ये प्रकाशित झालेल्या कामात, पथकाने अशी एक चौकट विकसित केली आहे जी रासायनिक संयुगे संभाव्य अँटिबायोटिक्स म्हणून सुचवताना एआय प्रणाली विश्वासार्ह कारणमीमांसा देऊ शकतात का हे तपासण्यासाठी तयार केली आहे.

हे लक्ष्यित समस्या गंभीर आहे. प्रतिजैविक प्रतिकार विद्यमान औषधांची प्रभावीता कमी करत आहे, तर नवीन अँटिबायोटिक्सची पाइपलाइन अनेक वर्षांपासून अडखळत आहे. त्यामुळे नवीन त्रुटी निर्माण न करता सुरुवातीच्या टप्प्यातील शोध वेगवान करण्याचा दबाव निर्माण होतो. संशोधकांच्या मते, एआयमध्ये हे काम वेगाने पुढे नेण्याची क्षमता आहे, पण केवळ तेव्हाच जेव्हा वैज्ञानिकांना एखादे मॉडेल विशिष्ट निष्कर्षापर्यंत का पोहोचले हे समजू शकते.

औषध विकासात ही चिंता विशेषतः तीव्र आहे, कारण चुकीचा आत्मविश्वास वेळ वाया घालवू शकतो, मर्यादित प्रयोगशाळा संसाधने खर्च करू शकतो, आणि संघांना चुकीच्या मार्गावर नेऊ शकतो. क्वीन्सलँड विद्यापीठातील संशोधकांनी ही समस्या अनेक मशीन लर्निंग प्रणालींवर लावल्या जाणाऱ्या परिचित टीकेच्या चौकटीत मांडली आहे की त्या अनेकदा “black box” सारख्या कार्य करतात: त्या उत्तर देतात, पण त्या उत्तरापर्यंत कशा पोहोचल्या याचे विश्वासार्ह स्पष्टीकरण देत नाहीत.

उच्च-जोखीम क्षेत्रातील black-box समस्या

UQ च्या Center for Superbug Solutions मधील डॉ. अब्दुलमुजीब ओनावोले यांनी सांगितले की explainable AI ची गरज केवळ शैक्षणिक नाही. औषध-प्रतिरोधक जीवाणू आधीच एक मोठा जागतिक आरोग्य धोका आहेत, आणि एआय प्रणालीकडून आलेली कमकुवत कारणमीमांसा संशोधकांना चुकीच्या अणूंना प्राधान्य देण्यास किंवा सूक्ष्म रासायनिक बदलांचे परिणाम चुकीचे समजण्यास कारणीभूत ठरू शकते.

पारंपरिक औषधी रसायनशास्त्रात, असे सूक्ष्म बदल अत्यंत महत्त्वाचे असतात. अणुगत रचनेतील एक लहानसा बदल संयुगाला लक्षणीयरीत्या अधिक प्रभावी, खूपच कमकुवत, किंवा औषध उमेदवार म्हणून अयोग्य बनवू शकतो. जर एखादे एआय मॉडेल एखादे संयुग आशादायक म्हणून दाखवत असेल, पण त्या भाकिताला चालना देणाऱ्या वैशिष्ट्यांची अचूक ओळख करू शकत नसेल, तर वैज्ञानिकांच्या हातात एक आकर्षक निष्पत्ती राहू शकते जी प्रयोगात्मक तपासणीत टिकत नाही.

नवीन चौकट हा फरक भरून काढण्यासाठी तयार केली आहे. एखादे मॉडेल आशादायक संयुगे खराब संयुगांपासून वेगळी करू शकते का, एवढेच न विचारता संशोधकांनी त्याच्या स्पष्टीकरणांची रासायनिकदृष्ट्या अर्थपूर्ण नमुन्यांशी जुळवणी होते का हे तपासले. दुसऱ्या शब्दांत, त्यांनी मॉडेल योग्य कारणांसाठी उपयुक्त निष्कर्षांपर्यंत पोहोचते का हे मोजण्याचा प्रयत्न केला.

चौकट कशी तपासली

अभ्यासासाठी, पथकाने रासायनिक संयुगांच्या डेटासेटचा वापर करून तीन एआय मॉडेल्स तयार केली, ज्यांचे यापूर्वी Staphylococcus aureus विरुद्ध मूल्यांकन झाले होते; हा एक जीवाणू गंभीर संसर्गांशी संबंधित आहे आणि अँटिबायोटिक प्रतिकार संशोधनात परिचित चिंता आहे. त्यानंतर चौकटीने प्रत्येक मॉडेल दोन कठीण interpretability कामे किती चांगल्या प्रकारे हाताळते हे पाहिले.

पहिले काम म्हणजे अँटिबायोटिक क्रियेत महत्त्वाची असलेली आधीच ज्ञात औषधीय संरचना ओळखणे. दुसरे म्हणजे तथाकथित “activity cliffs” समजावून घेणे, ज्या प्रकरणांमध्ये लहान रासायनिक बदल जैविक परिणामकारकतेत मोठे बदल घडवतात. हे cliffs एक कठीण चाचणी आहेत, कारण त्या दर्शवतात की मॉडेल व्यापक सांख्यिकीय संबंधांवर अवलंबून न राहता रासायनिकदृष्ट्या निर्णायक तपशील पकडू शकते का.

UQ च्या Center for Superbug Solutions मधील डॉ. योहानेस झुएग यांच्या मते, तिन्ही मॉडेल्स ज्ञात अँटिबायोटिक संरचना ओळखण्यात वाजवीरीत्या चांगली कामगिरी करत होती. पण एका अणूची क्रियाशीलता का आहे हे स्पष्ट करण्याच्या क्षमतेत त्यांच्यात तीव्र फरक होता. हा फरकच पेपरच्या मूल्याचा केंद्रबिंदू आहे: संशोधकांना प्रणालीचे अंतर्गत तर्कविश्वासार्ह आहे की नाही हे ठरवता येत नसेल, तर मजबूत pattern recognition पुरेसे नसू शकते.

म्हणूनच हा अभ्यास एआय-सहाय्यित औषध शोधात उच्च मानकाचा आग्रह धरतो. मॉडेल अचूकतेला एकमेव निकष मानण्याऐवजी, लेखक प्रत्यक्षात विचारत आहेत की एआय आउटपुट तज्ज्ञांच्या छाननीला तोंड देऊ शकतात का. व्यावहारिक दृष्ट्या, यामुळे कोणत्या प्रणाली वैद्यकीय रसायनशास्त्रीय निर्णयांना पाठिंबा देण्यासाठी योग्य आहेत आणि कोणत्या नाहीत हे संशोधन संघांना ठरवण्यास मदत होऊ शकते.

अँटिबायोटिक विकासासाठी हे का महत्त्वाचे आहे

अँटिबायोटिक शोध महागडा, मंद, आणि अपयशी वाटांनी भरलेला असतो. शोध क्षेत्र कमी करणारी कोणतीही तंत्रज्ञान आकर्षक असते, पण दिशाभूल करणारे संकेत पाठवण्याची किंमत प्रचंड असते. एकूणात अचूक दिसणारे मॉडेलदेखील धोकादायक ठरू शकते, जर ते आपली भाकिते चुकीच्या नमुन्यांवर उभारते, विशेषतः जेव्हा ती भाकिते कोणती संयुगे संश्लेषित करायची किंवा जैविक चाचण्यांकडे पुढे न्यायची हे ठरवतात.

त्यामुळे explainability ही केवळ तांत्रिक पसंती राहत नाही. ती वैज्ञानिक जोखीम फिल्टर करण्याचे साधन बनते. जर एखादी चौकट दाखवू शकली की एआय मॉडेल क्रियाशीलतेचे योग्य संरचनात्मक चालक ओळखत आहे, तर संशोधक ती प्रत्यक्ष कार्यप्रवाहांमध्ये वापरण्यास अधिक इच्छुक असू शकतात. जर ती दाखवत असेल की मॉडेल विश्वासार्ह पण रासायनिकदृष्ट्या असंगत स्पष्टीकरणे देत आहे, तर पुढील टप्प्यांतील अपव्यय होण्यापूर्वीच मॉडेलला कमी प्राधान्य देता येईल.

संशोधकांच्या मते, याचा आश्वासक भाग म्हणजे मशीन बुद्धिमत्ता आणि प्रयोगशाळा विज्ञान यांच्यात अधिक माहितीपूर्ण भागीदारी. एआय वैज्ञानिकांना जलद पुढे जाण्यास मदत करू शकते, पण फक्त तेव्हाच जेव्हा मानवांना मशीनचे कारणमीमांसन विश्वासार्ह आहे का हे ठरवता येते. त्या अर्थाने, ही चौकट तज्ज्ञांच्या निर्णयाची जागा घेण्याबद्दल कमी आणि एआय आउटपुट तज्ज्ञांकडून तपासता येण्याजोगे बनवण्याबद्दल अधिक आहे.

मोजून टाकलेले पाऊल, पूर्ण उपाय नाही

हा अभ्यास अँटिबायोटिक शोधातील अडथळा सुटला आहे असा दावा करत नाही, आणि explainable AI आपोआप नवीन औषधे निर्माण करते असेही सुचवत नाही. तो जे देतो, ते म्हणजे अशा संवेदनशील संशोधन टप्प्यात एआय प्रणालींना स्थान मिळायला हवे का हे मोजण्याची पद्धत. हा मर्यादित दावा आहे, पण महत्त्वाचा आहे, कारण जीवन विज्ञानातील एआयविषयीचा उत्साह अनेकदा हे साधने प्रत्यक्ष निर्णयप्रक्रियेसाठी पुरेशी विश्वासार्ह आहेत का या व्यावहारिक प्रश्नाला मागे टाकतो.

हे काम अनुप्रयुक्त एआय संशोधनातील व्यापक बदलाचाही भाग आहे. मॉडेल्स वैद्यक, रसायनशास्त्र, विमा, पायाभूत सुविधा, आणि इतर नियमनाधीन किंवा सुरक्षितता-महत्त्वाच्या क्षेत्रांमध्ये जात असताना, केवळ कार्यप्रदर्शन मेट्रिक्स पुरेसे राहिले नाहीत. संस्थांना increasingly हे पुरावे हवे आहेत की प्रणालीचे आउटपुट क्षेत्रातील तज्ज्ञांद्वारे समजावून, आव्हान देऊन, आणि पडताळून पाहता येतात.

अँटिबायोटिक संशोधनासाठी ही मागणी कदाचित आणखी तीव्र होईल. प्रतिकार वाढतच आहे, आणि नवीन उपचारांच्या शोधावर प्रचंड दबाव आहे. एआय खरोखर अत्यावश्यक अँटिबायोटिक्सच्या शोधाला वेग देणार असेल, तर अशा चौकटी कोणती मॉडेल्स खरोखर प्रयोगशाळेसाठी तयार आहेत हे ठरवणाऱ्या मूलभूत पायाभूत सुविधांचा भाग बनू शकतात.

हा लेख Medical Xpress च्या वार्तांकनावर आधारित आहे. मूळ लेख वाचा.