-Pratyush Mishra
କୃତ୍ରିମ ବୁଦ୍ଧି (ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲଲିଜେନ୍ସ) ଏବଂ ଜୀବବିଜ୍ଞାନ ର ବିକାଶ ସହ, କିଛି ବର୍ଷ ପୂର୍ବେ ଅସମ୍ଭବ ମନେ ହେଉଥିବା ଅନୁସନ୍ଧାନ ଏବେ ସହଜ ହୋଇଯାଇଛି | କୃତ୍ରିମ ବୁଦ୍ଧିମତା ମନୁଷ୍ୟର ବୁଦ୍ଧିମତାକୁ ଅନୁକରଣ କରିଥାଏ | ଏହା ଦ୍ୱାରା ଆମେ କୌଣସି କମ୍ପ୍ୟୁଟର ପ୍ରୋଗ୍ରାମ୍ ର ଚିନ୍ତନ ଶକ୍ତି ବଢାଇବା ସହ ଏହାକୁ ବ୍ୟବହାର କରି ଅନେକ ଅନୁସନ୍ଧାନ କରିପାରିବା ଯାହା ସାଧାରଣ ମଣିଷ ପାଇଁ ଅସମ୍ଭବ ଅଟେ | ସ୍ୱାସ୍ଥ୍ୟସେବା ଏବଂ ଅନ୍ୟାନ୍ୟ ଜୀବ ବିଜ୍ଞାନ କ୍ଷେତ୍ରରେ ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲଲିଜେନ୍ସ ବା ଏ.ଆଇ ଆଧାରିତ ପ୍ରଯୁକ୍ତି ବିଦ୍ୟା ବର୍ତ୍ତମାନ ବହୁଳ ଭାବରେ ବ୍ୟବହୃତ ହେଉଛି | ଏହିପରି ବହୁ ସାମ୍ପ୍ରତିକ ପନ୍ଥା ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି ଏ.ଆଇ ଆଧାରିତ ଉପକରଣଗୁଡ଼ିକର ବ୍ୟବହାର କରି କୌଣସି ରୋଗର ସମ୍ଭାବ୍ୟ ଜୀବଘ୍ନ ବା ଆଣ୍ଟିବାୟୋଟିକ୍ ଖୋଜିବା |ଜୀବଘ୍ନ (antibiotics) କାର୍ଯ୍ୟକ୍ଷମ ବୋଲି ଧରାଯାଏ ଯେପର୍ଯ୍ୟନ୍ତ ଏକ ଅଣୁଜୀବ ଯେପରି କୌଣସି ବୀଜାଣୁ ବା ଭୁତାଣୁ ଏହା ବିରୁଦ୍ଧରେ ପ୍ରତିରୋଧ ସୃଷ୍ଟି କରିପାରି ନଥାଏ| ଏହା ବ୍ୟତୀତ ଅନେକ ସମସ୍ୟାଜନିତ ବ୍ୟାକ୍ଟେରିଆ ଷ୍ଟ୍ରେନ୍ ଅଛନ୍ତି ଯେଉଁମାନେ ସମସ୍ତ ଜଣାଶୁଣା ଔଷଧ କୁ ପ୍ରତିରୋଧ କରିପାରିବେ | ସେମାନେ ଅତି ସହନଶୀଳ ହୋଇଥିବାରୁ କୌଣସି ବି ଚିକିତ୍ସା ତାଙ୍କ ଉପରେ କାମ ଦିଏ ନାହିଁ | ଶକ୍ତିଶାଳୀ ଆଣ୍ଟିବାୟୋଟିକ୍ ଭାବରେ ବ୍ୟବହୃତ ହେବାକୁ ଥିବା ରାସାୟନିକ ପଦାର୍ଥର ଉପଲବ୍ଧତା ସୀମିତ ନୁହେଁ, ତଥାପି ଏହି ସମସ୍ତ ରସାୟନ ର ଆଣ୍ଟିବାୟୋଟିକ୍ / ଆଣ୍ଟିବ୍ୟାକ୍ଟେରିଆଲ୍ କାର୍ଯ୍ୟ କେତେ ପ୍ରଭାବଶାଳୀ ତାହା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ସେମାନଙ୍କର ଯାଞ୍ଚ ଏବଂ କ୍ରମାଗତ ପରୀକ୍ଷଣ ଅତ୍ୟନ୍ତ କଷ୍ଟକର ଏବଂ ସମୟ ସାପେକ୍ଷ |
ପ୍ରାୟ ଏକ ହଜାର ରାସାୟନିକ ପଦାର୍ଥ ଗୁଡିକୁ ଗଭୀର ଭାବରେ ଯାଞ୍ଚ ଓ ପରୀକ୍ଷା କରି ଏହା ମଧ୍ୟରୁ ସବୁଠାରୁ ଶକ୍ତିଶାଳୀ ଜୀବଘ୍ନ କାରକ (antibiotic agent) ବାଛିବା ପାଇଁ ଅନେକ ଇନ୍-ସିଲିକୋ ଅନୁସନ୍ଧାନରେ, ଏ.ଆଇ ଆଧାରିତ ସଫ୍ଟୱେର୍ ଏବଂ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର ରେ ଆସେ | ନୂତନ କୃତ୍ରିମ ସ୍ନାୟୁ ନେଟୱାର୍କଗୁଡିକ ବିକଶିତ ହୋଇଛି ଏବଂ ଗଭୀର ଚିନ୍ତନ ବା deep learning algorithm ର ବ୍ୟବହାର ପାରମ୍ପାରିକ ଇନ୍-ସିଲିକୋ ଆଭିମୁଖ୍ୟକୁ ପରିବର୍ତ୍ତନ କରିଛି, ଯାହା ସେମାନଙ୍କୁ ଅଧିକ ସଠିକ୍ ଏବଂ ଦ୍ରୁତ କରିପାରିଛି |
MIT ର ଅନୁସନ୍ଧାନକାରୀମାନେ ଏକ ସମାନ କମ୍ପ୍ୟୁଟର ମଡେଲ ବିକଶିତ କରିଥିଲେ ଯାହାକି ଇ-କୋଲି ବିରୁଦ୍ଧରେ ଆଣ୍ଟିବାୟୋଟିକ୍ ଖୋଜିବା ପାଇଁ ପ୍ରାୟ ୨୫୦୦ ଅଣୁ ଏବଂ ଅନେକ ଔଷଧ ବ୍ୟବହାର କରିଥିଲା ଏବଂ ଏହାଦ୍ୱାରା ସେ ପ୍ରୋଗ୍ରାମ ଡିପ୍ ଲର୍ଣ୍ଣିଙ୍ଗ (deep learning) ସାହାଯ୍ୟ ରେ ମନୁଷ୍ୟ ଭଳି ଧୀରେ ତାଲିମ ପ୍ରାପ୍ତ ହୋଇଥିଲା | ଥରେ ନମୁନାଟିକୁ ସମସ୍ତ ଔଷଧ ର ରାସାୟନିକ ଗଠନ ପାଇଁ ତାଲିମ ଦିଆଗଲା ପରେ ଏହା ଔଷଧ ଡାଟାବେସରୁ ବହୁ ସଂଖ୍ୟକ ରସାୟନ କୁ ଅତି ସରଳ ଭାବରେ ପରଖିବା ସହ ପ୍ରଭାବଶାଳୀ ଔଷଧ ଖୋଜିବାରେ ମଧ୍ୟ ସକ୍ଷମ ହୋଇଥିଲା | ମଡେଲ୍ ସଫଳତାର ସହ ଏକ ଅଣୁକୁ ଆକଳନ କରିପାରିଲା ଯାହା ଇ-କୋଲି ବୀଜାଣୁ ବିରୁଦ୍ଧରେ ପ୍ରଭାବଶାଳୀ ଥିବା ସହିତ ମାନବ କୋଷ ଉପରେ ସର୍ବନିମ୍ନ ବିଷାକ୍ତ ପ୍ରଭାବ ଦେଖାଇଲା | ଏହି ଔଷଧ(drug) ହାଲିସିନ୍ (Halicin) ନାମରେ ଜଣାଶୁଣା, ଯାହା ବୀଜାଣୁ କୋଷ ଝିଲ୍ଲୀ ର ବିଦ୍ୟୁତ-ରସାୟନର କ୍ରମ (electrochemical gradient) ବଜାୟ ରଖିବାର କ୍ଷମତାକୁ ହ୍ରାସ କରାଇ ବୀଜାଣୁଙ୍କୁ ହତ୍ୟା କରିଥାଏ | କୌତୁହଳ ର ବିଷୟ ହେଉଛି ଯେ , ଔଷଧ ର ଏହି ପ୍ରକାରର କାର୍ଯ୍ୟକାରିତା ସର୍ବଦା ପ୍ରଭାବଶାଳୀ, କାରଣ ଏହା ବିରୁଦ୍ଧରେ ପ୍ରତିରୋଧ କରିବା ବୀଜାଣୁ ପାଇଁ ଅତ୍ୟନ୍ତ କଷ୍ଟକର |
ବେଳେବେଳେ ସାଧାରଣ ଆଣ୍ଟିବାୟୋଟିକ୍ ବ୍ୟବହାର କରି ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବୀଜାଣୁ କୁ ଲକ୍ଷ୍ୟ କରିବା ଅତ୍ୟନ୍ତ କଷ୍ଟକର ହୋଇଯାଏ | ସେହି ବୀଜାଣୁ ଗୁଡିକୁ ସଂରକ୍ଷଣ କରିବା ଅତ୍ୟନ୍ତ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଯାହା ପ୍ରକୃତରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଏବଂ ଆମ ଶରୀରରେ ଥିବା ବିଭିନ୍ନ ସୂକ୍ଷ୍ମ ଜୈବକ୍ଷେତ୍ରରେ (microbiomes) ଏକ ସକରାତ୍ମକ ଭୂମିକା ଗ୍ରହଣ କରିଥାନ୍ତି | ଅନେକ ଔଷଧ ଲାଭଦାୟକ ଏବଂ କ୍ଷତିକାରକ ବୀଜାଣୁଙ୍କ ମଧ୍ୟରେ ଅନ୍ତର କରିବାରେ ଅସମର୍ଥ । ଏ. ଆଇ ଆଧାରିତ ଆଲଗୋରିଦମ୍ ବ୍ୟବହାର କରି ବର୍ତ୍ତମାନ ପ୍ରଜାତି ନିର୍ଦ୍ଦିଷ୍ଟ (species specific) ଆଣ୍ଟିବାୟୋଟିକ୍ ସନ୍ଧାନ କରିବା ମଧ୍ୟ ସମ୍ଭବ, ଯାହା ଲକ୍ଷ ଲକ୍ଷ ମଧ୍ୟରୁ କେବଳ ଗୋଟିଏ ଜୀବାଣୁ(microbe)କୁ ଲକ୍ଷ୍ୟ କରିପାରିବ | ସେହି ନମୁନା (model)ଗୁଡିକୁ ନିର୍ଦ୍ଧିଷ୍ଟ ପ୍ରଜାତିର ବୈଶିଷ୍ଟ୍ୟଗୁଡିକ ଚିହ୍ନଟ କରିବା ପାଇଁ ପ୍ରୋଗ୍ରାମ କରାଯାଏ, ଯେପରି ଏକ ପୁଷ୍ଟିସାର( protein)ଯାହା କେବଳ ଲକ୍ଷ୍ୟ ରଖାଯାଇଥିବା ଜୀବାଣୁ ର କୋଷଝିଲ୍ଲୀ ଉପରେ ଉତ୍ପନ୍ନ ହୁଏ | ଅନଲାଇନ୍ ଡାଟାବେସ୍ ଯେପରି ZINC ଡାଟାବେସ୍ ସାହାଯ୍ୟ ରେ ଅନେକ ଉପଲବ୍ଧ ରାସାୟନିକ ଯୌଗିକ ର କମ୍ପ୍ୟୁଟର ଦ୍ଵାରା ଯାଞ୍ଚ(virtual screening) କରାଯାଇ, ସକ୍ରିୟ ଅଣୁଗୁଡ଼ିକର ଉପଯୁକ୍ତ ୩D ପ୍ରତିନିଧିତ୍ୱ ବାହାର କରି , ଏହି ପ୍ରକାର ଅନୁକୁଳନ(optimization) ଏ. ଆଇ ଆଧାରିତ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଦ୍ୱାରା ସହଜରେ କରାଯାଇପାରିବ |
ଏହା ହେଉଛି ଆର୍ଟିଫିସିଆଲ ଇଣ୍ଟେଲଲିଜେନ୍ସ ର ଯୁଗ ଯେଉଁଠାରେ କମ୍ପ୍ୟୁଟର ସହଜରେ କିଛି ନିର୍ଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟ କରିପାରିବ ଯାହା ମାନବଙ୍କ ପକ୍ଷେ ଅସମ୍ଭବ | ତଥାପି ଉପଯୁକ୍ତ ପ୍ରୋଗ୍ରାମିଂ ପାଇଁ ବହୁ ପରିମାଣର ତଥ୍ୟ (ଡାଟା) ସୃଷ୍ଟି ହେବା ଆବଶ୍ୟକ ଯାହାକି ଏ.ଆଇ ଆଧାରିତ ନେଟୱାର୍କ ଦ୍ୱାରା ଯାଞ୍ଚ ଏବଂ ବ୍ୟାଖ୍ୟା କରାଯାଇପାରିବ | ଗଭୀର ଶିକ୍ଷଣ ଆଧାରିତ ଏ.ଆଇ ନେଟୱାର୍କ ଜୀବ ବିଜ୍ଞାନ ଜନିତ ଅନୁସନ୍ଧାନ ଲାଗି ବହୁ ଆବଶ୍ୟକ | ଏହା ସହଜ ବ୍ୟାଖ୍ୟା ପ୍ରଦାନ କରେ ଏବଂ ଆମକୁ ଆମ ଇଚ୍ଛିତ ପରିଣାମ ଦେଇଥାଏ | ଗବେଷଣା କରିବା ପାଇଁ ଏହା ଏକ ଉତ୍ତମ ଅସ୍ତ୍ର ଅଟେ |
ଆଧାର:
- https://www.nature.com/articles/d41586-018-02174-z
- https://news.mit.edu/2020/artificial-intelligence-identifies-new-antibiotic-0220
- Durrant, J. D., & Amaro, R. E. (2015). Machine-learning techniques applied to antibacterial drug discovery. Chemical biology & drug design, 85(1), 14–21. https://doi.org/10.1111/cbdd.12423
- https://en.m.wikipedia.org/wiki/Halicin#:~:text=Halicin%20(SU%2D3327)%20is,to%20poor%20results%20in%20testing.
- https://en.wikipedia.org/wiki/ZINC_database
