কেন জীববিজ্ঞানে মেশিন লার্নিং প্রয়োগ করা কঠিন - তবে এটি মূল্যবান

জিমি লিন এর সিএসও ফ্রিনোম, যা কোলন ক্যান্সার থেকে শুরু করে প্রাথমিক ক্যান্সার সনাক্তকরণের জন্য রক্ত-ভিত্তিক পরীক্ষা তৈরি করছে। তিনি বৃহৎ আকারের জিনোমিক ডেটা থেকে অন্তর্দৃষ্টি বের করার জন্য গণনামূলক পদ্ধতির বিকাশে অগ্রগামী, একাধিক ক্যান্সারের ধরণের প্রথম জিনোম-ওয়াইড সিকোয়েন্সিং অধ্যয়নের গণনাগত বিশ্লেষণের নেতৃত্ব দিয়েছেন। 

লিন ফিউচারের সাথে মেশিন লার্নিং পদ্ধতি এবং জৈবিক ডেটাকে বিয়ে করার জন্য একটি কোম্পানির মিশনে কার্যকর করার চ্যালেঞ্জ সম্পর্কে কথা বলেছেন। তিনি ব্যাখ্যা করেন যে একটি সুষম টেকবিও কোম্পানি তৈরি করার জন্য আপনাকে কী তিন ধরনের লোক নিয়োগ করতে হবে, আপনার যে ফাঁদগুলি এড়ানো উচিত, দুটি ক্ষেত্রের বিয়ে কখন কাজ করছে না বা কাজ করছে না তা কীভাবে বলতে হবে এবং জৈবিক অধ্যয়ন এবং মেশিন লার্নিংকে মানিয়ে নেওয়ার সূক্ষ্মতা পরস্পরের সাথে.

---

ভবিষ্যত: অনেক শৃঙ্খলার মতো, বায়োতে ​​মেশিন লার্নিং প্রয়োগ করার সম্ভাবনার চারপাশে প্রচুর উত্তেজনা রয়েছে। কিন্তু অগ্রগতি আরো কঠিন জিতেছে বলে মনে হচ্ছে. সাধারণত মেশিন লার্নিং এর সাথে ব্যবহৃত ডেটার প্রকারের তুলনায় বায়োমোলিকুলার ডেটা সম্পর্কে কি আলাদা কিছু আছে?

জিমি লিন: প্রথাগত মেশিন লার্নিং ডেটা খুব বিস্তৃত এবং অগভীর। মেশিন লার্নিং প্রায়শই যে ধরনের সমস্যাগুলি সমাধান করে তা মানুষ ন্যানোসেকেন্ডে সমাধান করতে পারে, যেমন চিত্র স্বীকৃতি। একটি কম্পিউটারকে একটি বিড়ালের ছবি চিনতে শেখানোর জন্য আপনার কাছে প্রশিক্ষিত করার জন্য বিলিয়ন বিলিয়ন ইমেজ থাকতে হবে, কিন্তু প্রতিটি ছবি তুলনামূলকভাবে তার ডেটা সামগ্রীতে সীমিত। জৈবিক তথ্য সাধারণত বিপরীত হয়. আমাদের কোটি কোটি মানুষ নেই। আমরা হাজার হাজার পেতে ভাগ্যবান. কিন্তু প্রতিটি ব্যক্তির জন্য, আমাদের বিলিয়ন বিলিয়ন ডেটা পয়েন্ট রয়েছে। আমাদের কাছে খুব গভীর ডেটার সংখ্যা কম।

একই সময়ে, জৈবিক প্রশ্ন কম প্রায়ই মানুষ সমাধান করতে পারে যে সমস্যা. আমরা এমন কিছু করছি যা বিশ্বের বিশেষজ্ঞরাও করতে পারছেন না। সুতরাং, সমস্যার প্রকৃতি খুব ভিন্ন, তাই এটি প্রয়োজন নতুন চিন্তাধারা আমরা কিভাবে এটি ব্যবহার সম্পর্কে.

বায়োমোলিকুলার ডেটার জন্য কি স্ক্র্যাচ থেকে পন্থাগুলি তৈরি করা দরকার, নাকি আপনি বিদ্যমান পদ্ধতিগুলিকে মানিয়ে নিতে পারেন?

আপনি এই গভীর তথ্য নিতে এবং এটিকে বৈশিষ্ট্যযুক্ত করার উপায় রয়েছে যাতে আপনি বিদ্যমান সরঞ্জামগুলির সুবিধা নিতে পারেন, তা পরিসংখ্যানগত শিক্ষা বা গভীর শিক্ষার পদ্ধতিই হোক না কেন। এটি সরাসরি কপি-পেস্ট নয়, তবে এমন অনেক উপায় রয়েছে যে আপনি অনেকগুলি মেশিন লার্নিং পদ্ধতি স্থানান্তর করতে পারেন এবং জৈবিক সমস্যাগুলিতে প্রয়োগ করতে পারেন যদিও এটি সরাসরি ওয়ান-টু-ওয়ান ম্যাপ না হয়।

ডেটা ইস্যুতে আরও কিছু খনন করা হচ্ছে, জৈবিক ডেটার সাথে অনেক পরিবর্তনশীলতা রয়েছে- জৈবিক গোলমাল আছে, পরীক্ষামূলক শব্দ আছে। মেশিন-লার্নিং-প্রস্তুত বায়োমেডিকাল ডেটা তৈরি করার সর্বোত্তম উপায় কী? 

এটি একটি মহান প্রশ্ন. প্রথম থেকেই, ফ্রিনোম কীভাবে মেশিন লার্নিংয়ের জন্য উপযুক্ত সেরা ডেটা তৈরি করতে হয় তা বিবেচনায় নিয়েছে। স্টাডি ডিজাইন থেকে শুরু করে নমুনা সংগ্রহ, অ্যাসে চালানো, ডেটা অ্যানালাইসিস পর্যন্ত পুরো প্রক্রিয়া জুড়ে, মেশিন লার্নিংয়ের জন্য অপ্টিমাইজ করতে সক্ষম হওয়ার জন্য প্রতিটি ধাপে যত্ন নেওয়া দরকার, বিশেষ করে যখন আপনার কাছে নমুনার চেয়ে অনেক বেশি বৈশিষ্ট্য থাকে। এটি ক্লাসিক্যাল বিগ-পি লিটল-এন সমস্যা।

প্রথম এবং সর্বাগ্রে, আমরা বিভ্রান্তিকর কমানোর জন্য আমাদের অধ্যয়নটি ডিজাইন করেছি। অনেক কোম্পানি ঐতিহাসিক ডেটাসেটের উপর নির্ভর করেছে এবং সমগোত্রীয় প্রভাব কমিয়ে আনার জন্য এবং বিভ্রান্তিকর অপসারণ করার জন্য অনেক কাজ করেছে। কিন্তু এটা কি সত্যিই সেরা উপায়? ঠিক আছে, না, এটি করার সর্বোত্তম উপায় হল একটি সম্ভাব্য অধ্যয়ন যেখানে আপনি কনফাউন্ডারদের জন্য আগে থেকেই নিয়ন্ত্রণ করেন। এই কারণেই, এমনকি আমাদের আবিষ্কারের প্রচেষ্টার মধ্যেও, আমরা একটি বৃহৎ মাল্টিসাইট সম্ভাব্য ট্রায়াল করার সিদ্ধান্ত নিয়েছি যা আগে থেকেই গোল্ড-স্ট্যান্ডার্ড ডেটা সংগ্রহ করে, যেমন আমাদের এআই-ইমারজ ট্রায়াল.

সৌভাগ্যবশত আমাদের এমন বিনিয়োগকারী আছে যারা আমাদেরকে এই ডেটা তৈরি করার অনুমতি দেওয়ার জন্য যথেষ্ট বিশ্বাস করেছিল। এটি আসলে একটি বড় ঝুঁকি ছিল কারণ এই গবেষণাগুলি খুব ব্যয়বহুল। 

তারপর একবার ডাটা পেয়ে গেলে সেটা দিয়ে কি করবেন?

ঠিক আছে, আপনাকে সমস্ত সাইটকে ধারাবাহিকভাবে প্রশিক্ষণ দিতে হবে, এবং সমস্ত বিভিন্ন সাইট থেকে বিভ্রান্তিকরদের জন্য নিয়ন্ত্রণ করতে হবে যাতে রোগীদের যতটা সম্ভব একই রকম দেখায়। এবং তারপরে আপনি একবার নমুনাগুলি চালানোর পরে, আপনাকে কীভাবে ব্যাচের প্রভাবগুলি কমিয়ে আনা যায় তা নিয়ে ভাবতে হবে, যেমন সঠিক অনুপাতে বিভিন্ন মেশিনে নমুনার সঠিক মিশ্রণ স্থাপন করে।

আপনি যখন করছেন তখন এটি খুব কঠিন মাল্টিওমিক্স কারণ যে মেশিনগুলি এক শ্রেণীর জৈব অণু বিশ্লেষণ করে সেগুলি এক দৌড়ে শত শত নমুনা নিতে পারে, যেখানে অন্য শ্রেণীর জৈব অণু বিশ্লেষণ করে এমন মেশিনগুলি মাত্র কয়েকটি নিতে পারে। তার উপরে, আপনি মানব ত্রুটি দূর করতে চান। সুতরাং, আমরা অটোমেশনটি প্রবর্তন করেছি বেশ অনেক আগেই, প্রশিক্ষণের ডেটা তৈরি করার পর্যায়ে।

এছাড়াও, যখন আপনার প্রতি ব্যক্তি প্রতি কোটি কোটি ডেটা পয়েন্ট থাকে তখন এটি সম্ভাব্য ওভারফিট করা খুব, খুব সহজ হয়ে যায়। তাই আমরা নিশ্চিত করি যে আমাদের প্রশিক্ষণ জনসংখ্যার জন্য সাধারণীকরণযোগ্য যে আমরা শেষ পর্যন্ত সঠিক পরিসংখ্যানগত সংশোধন এবং অনেকগুলি ধারাবাহিক ট্রেন এবং পরীক্ষা হোল্ডআউট সেটগুলির সাথে এটি প্রয়োগ করতে চাই৷

বায়োমোলিকুলার ডেটার সাথে মেশিন লার্নিংকে একত্রিত করা এমন কিছু যা অনেক বায়োটেক কোম্পানি করার চেষ্টা করছে, কিন্তু প্রায়শই তারা কীভাবে এটি করবে সে সম্পর্কে অনেক অস্পষ্টতা থাকে। আপনি তাদের কার্যকরীভাবে একত্রিত করার একটি অপরিহার্য বৈশিষ্ট্য হিসাবে কী দেখেন?

At ফ্রিনোম আমরা মেশিন লার্নিং এবং মাল্টিওমিক্স মেলড করছি। এটি করার জন্য, আপনাকে উভয়ই ভাল করতে হবে। এখানে মূল বিষয় হল আপনার উভয়ের মধ্যে শক্তিশালী দক্ষতা থাকা প্রয়োজন এবং তারপরে উভয়ের ভাষায় কথা বলতে সক্ষম হবেন। আপনাকে দ্বিভাষিক হতে হবে। 

অনেক কোম্পানি আছে যারা একটিতে বিশেষজ্ঞ এবং তারপর অন্যটির একটি স্তরে ছিটিয়ে দেয়। উদাহরণস্বরূপ, এমন প্রযুক্তি সংস্থাগুলি রয়েছে যারা সিদ্ধান্ত নেয় যে তারা বায়োতে ​​ঝাঁপিয়ে পড়তে চায়, তবে তারা যা করে তা হল মুষ্টিমেয় ওয়েট ল্যাব বিজ্ঞানীদের নিয়োগ। অন্যদিকে, জীববিজ্ঞান কোম্পানি আছে যারা কিছু মেশিন লার্নিং বিজ্ঞানী নিয়োগ করে, তারপর তারা ঘোষণা করবে যে তারা এখন একটি AI/ML কোম্পানি। 

আপনার সত্যিই যা প্রয়োজন তা হল উভয়ের গভীর বেঞ্চ শক্তি। আপনার সিস্টেমের একটি গভীর জৈবিক বোঝার প্রয়োজন, বিভিন্ন অ্যাসেস, জ্ঞান স্থানের বৈশিষ্ট্যগুলির। কিন্তু আপনাকে মেশিন লার্নিং, ডেটা সায়েন্স, কম্পিউটেশনাল পদ্ধতি এবং পরিসংখ্যানগত শিক্ষার গভীর জ্ঞান থাকতে হবে এবং এটি প্রয়োগ করার জন্য প্ল্যাটফর্ম থাকতে হবে। 

এটি সত্যিই চ্যালেঞ্জিং কারণ এই দুটি ক্ষেত্র প্রায়ই খুব সাইলোড হয়। আপনি যখন কোম্পানির জন্য নিয়োগ করছেন এমন লোকদের সম্পর্কে চিন্তা করছেন, তখন আপনি কীভাবে এই দুটি ভিন্ন ডোমেনের মধ্যে সেতু তৈরি করবেন?

আমি মনে করি প্রযুক্তি এবং বায়োর মধ্যে সেতুবন্ধন করার জন্য আপনি তিন ধরনের লোক নিয়োগ করতে চান। প্রথম দুটি হল আপনার স্ট্যান্ডার্ড, মেশিন লার্নিং বা জীববিজ্ঞানের ডোমেন বিশেষজ্ঞ। কিন্তু তাদেরও উন্মুক্ত হতে হবে এবং অন্য ডোমেন সম্পর্কে জানতে ইচ্ছুক হতে হবে, বা আরও ভাল, এই অতিরিক্ত ডোমেনে কাজ করার অভিজ্ঞতা এবং অভিজ্ঞতা আছে।

মেশিন লার্নিং বিশেষজ্ঞদের জন্য, আমরা এমন লোকদের বেছে নিই যারা শুধু লেটেস্ট অ্যালগরিদম ডেভেলপ করার জন্যই নয়, যারা লেটেস্ট অ্যালগরিদম নিতে চায় এবং জৈবিক প্রশ্নে প্রয়োগ করতে চায়। 

জীববিদ্যা হল নোংরা. বিভিন্ন বিশ্লেষক পরিমাপ করার জন্য আমাদের কাছে কেবল সমস্ত পদ্ধতিই নেই, তবে আমরা ক্রমাগত নতুন জৈব অণু এবং বৈশিষ্ট্যগুলি আবিষ্কার করছি। এছাড়াও অনেক বিভ্রান্তিকর কারণ এবং গোলমাল রয়েছে যাকে বিবেচনায় নেওয়া দরকার। এই সমস্যাগুলি সাধারণত মানক মেশিন লার্নিং সমস্যার তুলনায় আরও জটিল, যেখানে সমস্যা এবং জ্ঞানের স্থান অনেক বেশি ভালভাবে সংজ্ঞায়িত করা হয়। এমএল বিশেষজ্ঞরা যারা জীববিজ্ঞানে তাদের নৈপুণ্য প্রয়োগ করতে চান তাদের জীববিজ্ঞানের মধ্যে বিদ্যমান জটিলতা সম্পর্কে জানতে নম্রতা থাকতে হবে এবং সর্বোত্তম অবস্থার চেয়ে কম এবং ডেটা উপলব্ধতার পার্থক্যের সাথে কাজ করতে ইচ্ছুক হতে হবে।

ফ্লিপ সাইড হল জীববিজ্ঞানীদের নিয়োগ করা যারা বৃহত্তর আকারের পরিমাণগত ডেটা তৈরির পরিপ্রেক্ষিতে তাদের সমস্যার কথা ভাবেন, সংকেত-থেকে-শব্দ অনুপাত অপ্টিমাইজ করার জন্য ডিজাইন স্টাডি করেন এবং বিভ্রান্তিকর এবং সাধারণীকরণের সতর্কতা সম্পর্কে সচেতন। এটি কোডের ভাষায় কথা বলতে এবং চিন্তা করতে সক্ষম হওয়ার চেয়ে বেশি কিছু। আমাদের অনেক জীববিজ্ঞানী ইতিমধ্যে কোড করেছেন এবং একটি ভাল পরিসংখ্যানগত পটভূমি রয়েছে এবং তারা এই অঞ্চলগুলিতে বৃদ্ধি পেতে ইচ্ছুক এবং ইচ্ছুক। প্রকৃতপক্ষে, ফ্রিনোমে, আমাদের কাছে আসলে জীববিজ্ঞানীদের জন্য প্রশিক্ষণের প্রোগ্রাম রয়েছে যারা তাদের পরিসংখ্যানগত যুক্তি বিকাশ করতে সক্ষম হওয়ার জন্য কোডিং সম্পর্কে আরও শিখতে চান।

যেটা আরও গুরুত্বপূর্ণ তা হল অধ্যয়নের নকশা, এবং আমরা যে প্রশ্নগুলি জিজ্ঞাসা করতে পারি, বড় ডেটা এবং এমএল-এর পরিপ্রেক্ষিতে ডিজাইন করা হলে তা আলাদা দেখায়।

তৃতীয় প্রকার কি?

তৃতীয় ধরণের লোককে নিয়োগ করা সবচেয়ে কঠিন। এরাই হল ব্রিজার - যারা এই উভয় ক্ষেত্রেই সাবলীলভাবে কাজ করেছেন। পৃথিবীতে খুব কম জায়গা এবং ল্যাব আছে যা এই মোড়ে ঠিক আছে। যারা অনুবাদ করতে পারে এবং উভয় ক্ষেত্রেই সেতু করতে পারে তাদের পাওয়া খুবই গুরুত্বপূর্ণ। কিন্তু আপনি শুধুমাত্র ব্রিজারদের একটি কোম্পানি তৈরি করতে চান না কারণ প্রায়শই এই লোকেরা তাদের কাজের কারণে এক বা অন্য ক্ষেত্রে বিশেষজ্ঞ হয় না। তারা প্রায়শই তাদের বোঝার ক্ষেত্রে আরও সাধারণ। যাইহোক, তারা দুটি ক্ষেত্রকে একত্রিত করার সমালোচনামূলক কাজ প্রদান করে।

সুতরাং, মানুষের তিনটি গ্রুপ থাকা গুরুত্বপূর্ণ। আপনার যদি শুধুমাত্র একজন ডোমেন বিশেষজ্ঞ বিশেষজ্ঞ থাকে, তাহলে আপনি শুধুমাত্র একটি ক্ষেত্রেই শক্তিশালী হবেন। অথবা, যদি আপনার ব্রিজ নির্মাতা না থাকে, তাহলে আপনার কাছে এমন লোকের সাইলো আছে যারা একে অপরের সাথে কথা বলতে পারবে না। সর্বোত্তমভাবে, দলগুলিকে এই তিন ধরণের লোকের প্রত্যেককে অন্তর্ভুক্ত করা উচিত যাতে এমএল এবং জীববিজ্ঞান উভয়েরই গভীর বোঝার পাশাপাশি এই উভয় ক্ষেত্রের কার্যকর সমন্বয় প্রদান করা যায়।

কারিগরি বা গণনার বিশেষজ্ঞরা কীভাবে সমস্যায় পড়েন বনাম জীববিজ্ঞানীরা কীভাবে সমস্যায় পড়েন তার মধ্যে আপনি কি পার্থক্য দেখতে পান? 

হ্যাঁ। এক চরমভাবে, আমাদের কাছে অবশ্যই এমন লোক রয়েছে যারা পরিসংখ্যানগত এবং পরিমাণগত পটভূমি থেকে এসেছেন এবং তারা কোড এবং সমীকরণে কথা বলে। আমাদের তাদেরকে সেই সমীকরণগুলো নিতে সাহায্য করতে হবে এবং এটাকে স্পষ্টভাবে ব্যাখ্যা করতে হবে যাতে একজন সাধারণ দর্শক বুঝতে পারে। 

জীববিজ্ঞানীদের দুর্দান্ত কল্পনাশক্তি রয়েছে কারণ তারা অদৃশ্য জিনিসগুলির সাথে কাজ করে। তারা আণবিকভাবে কী ঘটছে তা কল্পনা করতে সাহায্য করার জন্য উপস্থাপনাগুলিতে অনেকগুলি চিত্র ব্যবহার করে এবং তাদের প্রক্রিয়া এবং জটিলতা সম্পর্কে দুর্দান্ত অন্তর্দৃষ্টি রয়েছে। এই চিন্তা অনেক বেশী গুণগত. এটি চিন্তাভাবনা এবং যোগাযোগের একটি ভিন্ন উপায় প্রদান করে।

সুতরাং, লোকেরা কীভাবে যোগাযোগ করে তা খুব, খুব আলাদা হতে চলেছে। মূল বিষয় হল – আমরা মজা করে বলি – আমাদের এমনভাবে যোগাযোগ করতে হবে যাতে আপনার দিদিমাও বুঝতে পারেন। 

এটিকে সরলীকরণ করতে সক্ষম হওয়ার জন্য আপনার জ্ঞানের প্রকৃত আয়ত্ত প্রয়োজন যাতে একজন নবজাতকও বুঝতে পারে। আমি মনে করি সাধারণ শর্টকাট, জার্গন এবং প্রযুক্তিগত ভাষার বাইরে খুব কঠিন ধারণাগুলিকে যোগাযোগ করতে শেখার জন্য এটি আসলে একটি দুর্দান্ত প্রশিক্ষণ।

মেশিন লার্নিং এবং জীববিদ্যাকে কীভাবে বিয়ে করতে হয় সে বিষয়ে আপনার বিশেষ দৃষ্টিভঙ্গিকে কী অনুপ্রাণিত করেছে?

সুতরাং, সমস্যাটি নতুন নয়, বরং একটি পুরানো সমস্যাটির সর্বশেষ পুনরাবৃত্তি। যখন ক্ষেত্র কম্পিউটেশনাল বায়োলজি এবং বায়োইনফরমেটিক্স প্রথম তৈরি করা হয়েছিল, একই সমস্যা বিদ্যমান। কম্পিউটার বিজ্ঞানী, পরিসংখ্যানবিদ, ডেটা সায়েন্টিস্ট বা এমনকি পদার্থবিদরাও জীববিজ্ঞানের ক্ষেত্রে যোগ দিয়েছিলেন এবং তাদের পরিমাণগত চিন্তাভাবনাকে মাঠে নিয়ে এসেছিলেন। একই সময়ে, জীববিজ্ঞানীদের জিনকে আপ-নিয়ন্ত্রিত এবং নিম্ন-নিয়ন্ত্রিত হিসাবে চিহ্নিত করার বাইরে মডেলিং শুরু করতে হয়েছিল এবং আরও পরিমাণগতভাবে ডেটার কাছে যেতে শুরু করতে হয়েছিল। জৈবিক ডেটার ডিজিটাইজেশন এখন স্কেলে দ্রুতগতিতে বৃদ্ধি পেয়েছে। সমস্যাটি আরও তীব্র এবং পরিধিতে বিস্তৃত, তবে মৌলিক চ্যালেঞ্জগুলি একই রয়ে গেছে।

আপনি সাফল্যের মেট্রিক্স বা লাল পতাকা হিসাবে কী দেখেন যা আপনাকে বলে যে বিয়ে কাজ করছে কিনা?

আপনি যদি ক্ষেত্রগুলিকে একত্রিত করার চেষ্টা করছেন এমন সংস্থাগুলির দিকে তাকান তবে আপনি খুব দ্রুত দেখতে পাবেন যে তারা এক বা অন্য দিকে কতটা বিনিয়োগ করে। সুতরাং, যদি এটি এমন একটি কোম্পানি হয় যেখানে 90% লোক ল্যাব বিজ্ঞানী হয়, এবং তারপরে তারা কেবলমাত্র এক বা দুটি মেশিন লার্নিং বিজ্ঞানী নিয়োগ করে এবং তারা নিজেদেরকে একটি ML কোম্পানি বলে ডাকে, তাহলে এটি সম্ভবত একটি পরবর্তী চিন্তার বিষয়।

জীববিদ্যা এবং মেশিন লার্নিংকে বিয়ে করার এই পুরো প্রক্রিয়ায় আপনি কি ঘরে বসেই একটি পাঠ শিখেছেন?

আমি মনে করি বুদ্ধিবৃত্তিক নম্রতা, বিশেষ করে প্রযুক্তিগত দিক থেকে আসছে। অনুসন্ধানের সমাধান করার মতো কিছুর সাথে, উদাহরণস্বরূপ, সমস্ত তথ্য ইতিমধ্যেই একটি পাঠ্য আকারে রয়েছে যা আপনি সহজেই অ্যাক্সেস করতে পারেন এবং আপনি কী খুঁজছেন তা আপনি জানেন৷ সুতরাং, এটি একটি সমাধানযোগ্য সমস্যা হয়ে যায়, তাই না? জীববিজ্ঞানের সমস্যা হল আমরা এমন কি জানি না যে আমরা কোন ডেটাসেটগুলি খুঁজছি, এমনকি সঠিক এলাকায় আলোকিত করার জন্য আমাদের সঠিক ফ্ল্যাশলাইট আছে কিনা। 

সুতরাং, কখনও কখনও যখন প্রযুক্তি বিশেষজ্ঞরা বায়োতে ​​ঝাঁপিয়ে পড়ে তখন তারা অতি সরলীকরণের ফাঁদে পড়ে। আসুন বলি, উদাহরণ হিসেবে, পরবর্তী প্রজন্মের সিকোয়েন্সিংয়ের জন্য তারা বলতে পারে, “বাহ। আমরা ডিএনএ সিকোয়েন্স করতে পারি। কেন আমরা শুধু প্রচুর এবং প্রচুর ডিএনএ সিকোয়েন্স করি না? এটি একটি ডেটা সমস্যা হয়ে ওঠে এবং তারপরে আমরা জীববিজ্ঞানের সমাধান করি।" 

কিন্তু সমস্যা হল ডিএনএ হল শরীরের কয়েক ডজন বিভিন্ন বিশ্লেষকের মধ্যে একটি। আছে আরএনএ, প্রোটিন,অনুবাদ-পরবর্তী পরিবর্তন, বিভিন্ন কম্পার্টমেন্ট যেমন এক্সট্রা সেলুলার ভেসিকল, এবং সময়, স্থান, কোষের ধরন, অন্যদের মধ্যে পার্থক্য। আমাদের ব্যবহার করা প্রতিটি ডেটা পদ্ধতির সম্ভাবনার পাশাপাশি সীমাবদ্ধতাগুলিও বুঝতে হবে।

যদিও এটি বিশ্বাস করা কঠিন হতে পারে, জীববিজ্ঞান এখনও তার শৈশবকালের একটি ক্ষেত্র। শুধু আমরা একটি মানব জিনোম ক্রম দুই দশক আগে। বেশিরভাগ সময়, আমরা পৃথক জৈবিক সংকেতগুলি অ্যাক্সেস করতে পারি না তাই আমরা এখনও পরিমাপ নিচ্ছি যা অনেকগুলি সংকেত জুড়ে সমষ্টি বা গড়। আমরা একবারে একটি ঘর পরিমাপ করতে শুরু করছি। এখনও অনেক কিছু করার আছে এবং এই কারণেই এটি জীববিজ্ঞানে যাওয়ার একটি উত্তেজনাপূর্ণ সময়। 

কিন্তু সেই শৈশবকালের সাথে এমন সমস্যাগুলি সমাধান করার দুর্দান্ত সম্ভাবনা রয়েছে যা মানুষের স্বাস্থ্য এবং সুস্থতার উপর বিশাল প্রভাব ফেলবে। এটি একটি চমত্কার আশ্চর্যজনক সময় কারণ আমরা জীববিজ্ঞানের নতুন সীমানা খুলছি।

সীমানা কি ধরনের? জীববিজ্ঞান বা ওষুধের এমন একটি ক্ষেত্র আছে যেখানে আপনি গণনা প্রয়োগ করতে সবচেয়ে বেশি উত্তেজিত হন?

হ্যাঁ - সবকিছু! কিন্তু আমাকে ভাবতে দিন। ক্যান্সারে, আমি বিশ্বাস করি যে আমাদের প্রজন্মের মধ্যে নতুন থেরাপি এবং প্রাথমিক সনাক্তকরণের প্রচেষ্টাগুলি ক্যান্সারকে একটি দীর্ঘস্থায়ী রোগে রূপান্তরিত করবে যা আর এত ভীতিকর নয়, যেমন আমরা এইচআইভির জন্য করেছি। এবং আমরা সম্ভবত রোগ সনাক্তকরণ এবং প্রতিরোধকে আরও সাধারণভাবে দেখতে খুব একই ধরণের পদ্ধতি ব্যবহার করতে পারি। আমি যে মূল বিষয় সম্পর্কে উত্তেজিত তা হল যে আমরা লক্ষণগুলির আগে রোগটি ইতিমধ্যেই আছে কিনা তা সনাক্ত করা শুরু করতে পারি। 

ক্যান্সার ডায়াগনস্টিকসের বাইরে, যা সত্যিই দুর্দান্ত তা হ'ল কেবল পড়া এবং লেখার পরিবর্তে জীববিজ্ঞানের সাথে বিল্ডিং করা। আমি সিন্থেটিক বায়োলজির সেই ক্ষেত্রগুলি সম্পর্কে উত্তেজিত যেখানে আমরা জীববিজ্ঞানকে প্রযুক্তি হিসাবে ব্যবহার করছি, তা CRISPR বা সিন্থেটিক পেপটাইড বা সিন্থেটিক নিউক্লিওটাইড হোক না কেন। জীববিজ্ঞানকে একটি হাতিয়ার হিসেবে ব্যবহার করা প্রথাগত সম্পদ উৎপাদনকারী শিল্পকে সম্পূর্ণরূপে কৃষি থেকে শক্তিতে রূপান্তরিত করার বিস্তৃত সম্ভাবনা তৈরি করে। এটি একটি জীববিজ্ঞানী হতে সত্যিই একটি আশ্চর্যজনক সময়!

5 অক্টোবর, 2022 এ পোস্ট করা হয়েছে