యాంటీబయాటిక్ AI ను మరింత నమ్మదగినదిగా చేయడానికి పరిశోధకుల ప్రయత్నం
క్వీన్స్ల్యాండ్ విశ్వవిద్యాలయంలోని ఒక పరిశోధనా బృందం, యాంటీబయాటిక్ అన్వేషణలో కృత్రిమ మేధస్సును ఉపయోగించడంలో ఉన్న అతిపెద్ద అడ్డంకుల్లో ఒకటి ముడి అంచనా శక్తి కాదని, నమ్మకమే అని అంటోంది. Journal of Cheminformatics లో ప్రచురితమైన పనిలో, బృందం రసాయన సమ్మేళనాలను సంభావ్య యాంటీబయాటిక్స్గా సిఫారసు చేసినప్పుడు AI వ్యవస్థలు నమ్మదగిన తర్కాన్ని అందించగలవా అని పరీక్షించేందుకు ఒక ఫ్రేమ్వర్క్ను అభివృద్ధి చేసింది.
లక్ష్య సమస్య తీవ్రమైనది. యాంటీమైక్రోబియల్ ప్రతిఘటన ఇప్పటికే ఉన్న ఔషధాల ప్రభావాన్ని తగ్గిస్తోంది, కాగా కొత్త యాంటీబయాటిక్స్ కోసం పైప్లైన్ సంవత్సరాలుగా ఇబ్బంది పడుతోంది. ఇది కొత్త పొరపాట్లను ప్రవేశపెట్టకుండా ప్రారంభ దశ అన్వేషణను వేగవంతం చేయాల్సిన ఒత్తిడిని సృష్టిస్తోంది. పరిశోధకుల ప్రకారం, ఆ పనిని వేగవంతం చేయగల సామర్థ్యం AIకి ఉంది, కానీ ఒక నమూనా నిర్దిష్ట నిర్ధారణకు ఎందుకు వచ్చిందో శాస్త్రవేత్తలు అర్థం చేసుకోగలిగినప్పుడే.
ఔషధ అభివృద్ధిలో ఈ ఆందోళన మరింత తీవ్రంగా ఉంటుంది, ఎందుకంటే తప్పుడు నమ్మకం సమయాన్ని వృథా చేయగలదు, కొరతగల ప్రయోగశాల వనరులను ఖర్చు చేయగలదు, మరియు బృందాలను తప్పు దారిలో నడిపించగలదు. క్వీన్స్ల్యాండ్ విశ్వవిద్యాలయ పరిశోధకులు ఈ సమస్యను యంత్ర అభ్యాస వ్యవస్థలు తరచుగా “black box”లా పనిచేస్తాయని చెప్పే పరిచిత విమర్శ చుట్టూ రూపకల్పన చేశారు: అవి ఒక సమాధానాన్ని ఇస్తాయి, కానీ అక్కడికి ఎలా వచ్చాయో నమ్మదగిన వివరణను ఇవ్వవు.
అధిక-ప్రమాద రంగంలో black-box సమస్య
UQ యొక్క Center for Superbug Solutions లోని డా. అబ్దుల్ముజీబ్ ఒనావోల్ మాట్లాడుతూ, explainable AI అవసరం కేవలం విద్యాసంబంధిత అంశం కాదని అన్నారు. ఔషధ నిరోధక బ్యాక్టీరియా ఇప్పటికే ఒక పెద్ద ప్రపంచ ఆరోగ్య ముప్పు, మరియు AI వ్యవస్థ నుండి వచ్చే దుర్బల తర్కం పరిశోధకులు తప్పు అణువులకు ప్రాధాన్యం ఇవ్వడానికి లేదా సూక్ష్మ రసాయన మార్పుల ప్రభావాన్ని తప్పుగా అర్థం చేసుకోవడానికి దారితీయవచ్చు.
సాంప్రదాయ ఔషధ రసాయన శాస్త్రంలో, ఆ సూక్ష్మ మార్పులు అత్యంత కీలకమైనవి. ఒక అణు నిర్మాణంలో చిన్న మార్పు ఒక సమ్మేళనాన్ని గణనీయంగా మరింత శక్తివంతంగా, చాలా బలహీనంగా, లేదా ఔషధ అభ్యర్థిగా అనర్హంగా మార్చగలదు. ఒక AI నమూనా ఒక సమ్మేళనాన్ని ఆశాజనకంగా చూపించి, ఆ అంచనాను నడిపించే లక్షణాలను సరిగ్గా గుర్తించలేకపోతే, శాస్త్రవేత్తల వద్ద ప్రయోగాత్మక పరిశీలనలో నిలబడని ఆకర్షణీయ ఫలితం మాత్రమే మిగులుతుంది.
కొత్త ఫ్రేమ్వర్క్ ఆ ఖాళీని పూరించడానికి ఉద్దేశించబడింది. ఒక నమూనా ఆశాజనక సమ్మేళనాలను చెడ్డ వాటితో వేరు చేయగలదా అనే ప్రశ్నకే పరిమితమవకుండా, పరిశోధకులు ఆ నమూనా వివరణలు రసాయనపరంగా అర్థవంతమైన నమూనాలతో సరిపోతాయా అని పరీక్షించారు. మరొక మాటలో చెప్పాలంటే, నమూనా సరైన కారణాల వల్ల ఉపయోగకరమైన నిర్ధారణలకు చేరుకుంటుందా అని కొలవడానికి ప్రయత్నించారు.
ఫ్రేమ్వర్క్ను ఎలా పరీక్షించారు
ఈ అధ్యయనం కోసం, బృందం గతంలో Staphylococcus aureus పై మూల్యాంకనం చేసిన రసాయన సమ్మేళనాల డేటా సెట్లను ఉపయోగించి మూడు AI నమూనాలను నిర్మించింది; ఇది తీవ్రమైన సంక్రమణలతో సంబంధం ఉన్న బ్యాక్టీరియా, అలాగే యాంటీబయాటిక్ ప్రతిఘటన పరిశోధనలో బాగా తెలిసిన ఆందోళన. తరువాత ఫ్రేమ్వర్క్ ప్రతి నమూనా రెండు కఠినమైన interpretability పనులను ఎంత బాగా నిర్వహిస్తుందో పరిశీలించింది.
మొదటిది, యాంటీబయాటిక్ క్రియలో ముఖ్యమని ఇప్పటికే తెలిసిన ప్రాముఖ్యమైన ఔషధ నిర్మాణాలను గుర్తించడం. రెండవది, “activity cliffs” అని పిలిచే సందర్భాలను అర్థం చేసుకోవడం; ఇందులో చిన్న రసాయన మార్పులు జీవక్రియ సామర్థ్యంలో పెద్ద మార్పులను కలిగిస్తాయి. ఈ cliffs ఒక కఠిన పరీక్ష, ఎందుకంటే విస్తృత గణాంక సంబంధాలపై ఆధారపడకుండా, రసాయనపరంగా కీలకమైన వివరాలను నమూనా గుర్తించగలదా అనే విషయాన్ని అవి బయటపెడతాయి.
UQ యొక్క Center for Superbug Solutions లోని డా. జోహన్నెస్ జూగ్ ప్రకారం, మూడు నమూనాలూ తెలిసిన యాంటీబయాటిక్ నిర్మాణాలను గుర్తించడంలో సమంజసంగా మంచి పనితీరును చూపాయి. కానీ ఒక అణువు ఎందుకు క్రియాశీలకంగా ఉందో వివరించే సామర్థ్యంలో అవి స్పష్టంగా భిన్నంగా ఉన్నాయి. ఈ తేడా పత్రం విలువకు కేంద్రబిందువు: వ్యవస్థ అంతర్గత తర్కం నమ్మదగినదా కాదా పరిశోధకులు నిర్ధారించలేకపోతే, బలమైన pattern recognition మాత్రమే సరిపోదు.
అందువల్ల ఈ అధ్యయనం AI-సహాయక ఔషధ అన్వేషణలో ఉన్నత ప్రమాణాన్ని కోరుతోంది. నమూనా ఖచ్చితత్వాన్ని ఒక్కటే ప్రమాణంగా పరిగణించడంకన్నా, రచయితలు వాస్తవానికి AI అవుట్పుట్లు నిపుణుల పరిశీలనను తట్టుకోగలవా అని ప్రశ్నిస్తున్నారు. ప్రాయోగికంగా, ఇది ఏ వ్యవస్థలు ఔషధ రసాయన నిర్ణయాలకు మద్దతు ఇవ్వడానికి అనుకూలమో, ఏవి కాదో పరిశోధనా బృందాలకు నిర్ణయించడంలో సహాయపడవచ్చు.
యాంటీబయాటిక్ అభివృద్ధికి ఇది ఎందుకు ముఖ్యం
యాంటీబయాటిక్ అన్వేషణ ఖరీదైనది, నెమ్మదిగానూ ఉంటుంది, మరియు అనేక విఫల మార్గాలతో నిండి ఉంటుంది. శోధన ప్రాంతాన్ని తగ్గించే ఏ సాంకేతికత అయినా ఆకర్షణీయమే, కానీ తప్పుదారి చూపే సంకేతాలను అనుసరించడంలో ఖర్చు అసాధారణంగా ఎక్కువ. మొత్తం మీద ఖచ్చితంగా కనిపించే ఒక నమూనా, అది తన అంచనాలను తప్పుడు నమూనాలపై నిర్మిస్తే, ముఖ్యంగా ఆ అంచనాలు ఏ సమ్మేళనాలను సంశ్లేషణ చేయాలి లేదా జీవ పరీక్షలకు ముందుకు తీసుకెళ్లాలా అనే నిర్ణయాలను ప్రభావితం చేస్తున్నప్పుడు, అది ఇంకా ప్రమాదకరంగా ఉంటుంది.
అది explainabilityని కేవలం సాంకేతిక అభిరుచిగా కాకుండా చేస్తుంది. అది శాస్త్రీయ ప్రమాదాన్ని వడపోసే సాధనంగా మారుతుంది. ఒక ఫ్రేమ్వర్క్ AI నమూనా క్రియాశీలతకు సంబంధించిన సరైన నిర్మాణ కారకాలను గుర్తిస్తోందా అని వెలుగులోకి తేనందుకు సామర్థ్యం కలిగి ఉంటే, పరిశోధకులు దాన్ని నిజమైన వర్క్ఫ్లోలలో ఉపయోగించడానికి మరింత ఆసక్తి చూపవచ్చు. అది ఒక నమూనా నమ్మదగినదిగా కనిపించే కానీ రసాయనపరంగా తప్పు వివరణలను ఇస్తున్నదని చూపిస్తే, దిగువస్థాయి వృథా జరగకముందే ఆ నమూనాను పక్కన పెట్టవచ్చు.
పరిశోధకులు వివరించిన ప్రకారం, వాగ్దానం యంత్ర మేధస్సు మరియు ప్రయోగశాల శాస్త్రం మధ్య మరింత సమాచారం ఉన్న భాగస్వామ్యాన్ని సూచిస్తుంది. AI శాస్త్రవేత్తలు వేగంగా ముందుకు సాగడానికి సహాయపడవచ్చు, కానీ మనుషులు యంత్ర తర్కం నమ్మదగినంత బలంగా ఉందో లేదో అంచనా వేయగలిగినప్పుడే. ఆ అర్థంలో, ఈ ఫ్రేమ్వర్క్ నిపుణుల తీర్పును భర్తీ చేయడం కన్నా AI అవుట్పుట్లను నిపుణులు ఆడిట్ చేయగలిగేలా చేయడం గురించి ఎక్కువగా ఉంది.
కొలతతో వేసిన అడుగు, తుది పరిష్కారం కాదు
ఈ అధ్యయనం యాంటీబయాటిక్ అన్వేషణ bottleneck పరిష్కరించబడిందని చెప్పడం లేదు, అలాగే explainable AI స్వయంచాలకంగా కొత్త ఔషధాలను ఉత్పత్తి చేస్తుందని కూడా సూచించడం లేదు. ఇది పరిశోధనలో ఇంత సున్నితమైన దశలో AI వ్యవస్థలు స్థానం పొందడానికి అర్హత కలిగివున్నాయా అని అంచనా వేయడానికి ఒక విధానాన్ని అందిస్తుంది. ఇది పరిమితమైన దావా, కానీ ముఖ్యమైనది, ఎందుకంటే జీవశాస్త్రాలలో AI పట్ల ఉత్సాహం తరచుగా ఈ సాధనాలు నిజమైన నిర్ణయాల కోసం సరిపడ నమ్మదగినవా అనే ప్రాయోగిక ప్రశ్నను మించి పోతుంది.
ఈ పని అనువర్తిత AI పరిశోధనలోని విస్తృత మార్పును కూడా ప్రతిబింబిస్తుంది. నమూనాలు వైద్యం, రసాయన శాస్త్రం, బీమా, మౌలిక వసతులు, మరియు ఇతర నియంత్రిత లేదా భద్రతా-సున్నిత రంగాల్లోకి కదులుతున్న కొద్దీ, పనితీరు సూచికలు మాత్రమే ఇక సరిపోవు. ఒక వ్యవస్థ అవుట్పుట్లు డొమైన్ నిపుణులచే అర్థం చేసుకోబడవచ్చని, ప్రశ్నించబడవచ్చని, మరియు ధృవీకరించబడవచ్చని చూపే సాక్ష్యాన్ని సంస్థలు increasingly కోరుకుంటున్నాయి.
యాంటీబయాటిక్ పరిశోధన కోసం, ఆ అవసరం మరింత పెరగనుంది. ప్రతిఘటన కొనసాగుతూ పెరుగుతోంది, మరియు కొత్త చికిత్సల అన్వేషణపై ఒత్తిడి మరింత తీవ్రమవుతోంది. నిజంగా అవసరమైన యాంటీబయాటిక్స్ కనుగొనడాన్ని వేగవంతం చేయడంలో AI సహాయపడాల్సి ఉంటే, ఈ విధమైన ఫ్రేమ్వర్క్లు ఏ నమూనాలు నిజంగా ప్రయోగశాలకి సిద్ధంగా ఉన్నాయో నిర్ణయించడానికి ఉపయోగించే ప్రాథమిక మౌలిక వసతులలో భాగంగా మారవచ్చు.
ఈ వ్యాసం Medical Xpress నివేదిక ఆధారంగా ఉంది. మూల వ్యాసాన్ని చదవండి.
Originally published on medicalxpress.com
