حیاتیات میں مشین لرننگ کا اطلاق کیوں مشکل ہے - لیکن اس کے قابل ہے۔

جمی لن کا CSO ہے۔ فرینومجو کہ بڑی آنت کے کینسر سے شروع ہونے والے کینسر کی ابتدائی شناخت کے لیے خون پر مبنی ٹیسٹ تیار کر رہا ہے۔ وہ بڑے پیمانے پر جینومک ڈیٹا سے بصیرت نکالنے کے لیے کمپیوٹیشنل اپروچ تیار کرنے میں پیش پیش ہے، جس نے کینسر کی متعدد اقسام میں پہلی جینوم وائڈ سیکوینسنگ اسٹڈیز کے کمپیوٹیشنل تجزیوں کی سربراہی کی ہے۔ 

لن نے فیوچر سے مشین لرننگ اپروچز اور بائیولوجیکل ڈیٹا سے شادی کرنے کے لیے کمپنی کے مشن کو انجام دینے کے چیلنجوں کے بارے میں بات کی۔ وہ بتاتا ہے کہ ایک متوازن ٹیک بائیو کمپنی بنانے کے لیے آپ کو کن تین قسم کے لوگوں کی خدمات حاصل کرنے کی ضرورت ہے، آپ کو کن جالوں سے بچنا چاہیے، یہ کیسے بتایا جائے کہ دو شعبوں کی شادی کب کام کر رہی ہے یا نہیں، اور حیاتیاتی مطالعہ اور مشین لرننگ کو اپنانے کی باریکیاں۔ ایک دوسرے سے.

---

مستقبل: بہت سے مضامین کی طرح، بائیو پر مشین لرننگ کو لاگو کرنے کی صلاحیت کے ارد گرد بہت زیادہ جوش و خروش ہے۔ لیکن ترقی زیادہ مشکل سے جیتی ہوئی نظر آئی ہے۔ کیا عام طور پر مشین لرننگ کے ساتھ استعمال ہونے والے ڈیٹا کی اقسام کے مقابلے بائیو مالیکولر ڈیٹا کے بارے میں کچھ مختلف ہے؟

جمی لن: روایتی مشین لرننگ ڈیٹا بہت وسیع اور کم ہوتا ہے۔ مشین لرننگ جس قسم کے مسائل کو اکثر حل کرتی ہے وہ وہی ہیں جو انسان نینو سیکنڈ میں حل کر سکتے ہیں، جیسے کہ تصویر کی شناخت۔ کمپیوٹر کو بلی کی تصویر پہچاننا سکھانے کے لیے آپ کے پاس تربیت کے لیے اربوں اربوں تصاویر ہوں گی، لیکن ہر تصویر اس کے ڈیٹا مواد میں نسبتاً محدود ہے۔ حیاتیاتی اعداد و شمار عام طور پر الٹ ہوتے ہیں۔ ہمارے پاس اربوں افراد نہیں ہیں۔ ہم خوش قسمت ہیں کہ ہزاروں ملے۔ لیکن ہر فرد کے لیے، ہمارے پاس اربوں اور اربوں ڈیٹا پوائنٹس ہیں۔ ہمارے پاس بہت گہرے ڈیٹا کی تعداد کم ہے۔

ایک ہی وقت میں، حیاتیاتی سوالات اکثر ایسے مسائل ہوتے ہیں جنہیں انسان حل کر سکتا ہے۔ ہم وہ کام کر رہے ہیں جو دنیا کے ماہرین بھی نہیں کر پا رہے ہیں۔ لہذا، مسائل کی نوعیت بہت مختلف ہے، لہذا اس کی ضرورت ہے نئی سوچ اس بارے میں کہ ہم اس سے کیسے رجوع کرتے ہیں۔

کیا بائیو مالیکولر ڈیٹا کے لیے نقطہ نظر کو شروع سے بنانے کی ضرورت ہے، یا کیا آپ موجودہ طریقوں کو اپنا سکتے ہیں؟

ایسے طریقے ہیں جن سے آپ اس گہری معلومات کو لے سکتے ہیں اور اسے نمایاں کر سکتے ہیں تاکہ آپ موجودہ ٹولز سے فائدہ اٹھا سکیں، چاہے وہ شماریاتی سیکھنے کا ہو یا گہری سیکھنے کے طریقے۔ یہ براہ راست کاپی پیسٹ نہیں ہے، لیکن بہت سارے طریقے ہیں جن سے آپ مشین لرننگ کے بہت سے طریقوں کو منتقل کر سکتے ہیں اور انہیں حیاتیاتی مسائل پر لاگو کر سکتے ہیں چاہے یہ براہ راست ون ٹو ون نقشہ ہی کیوں نہ ہو۔

اعداد و شمار کے مسئلے میں کچھ اور کھودتے ہوئے، حیاتیاتی ڈیٹا کے ساتھ بہت زیادہ تغیرات ہیں – وہاں حیاتیاتی شور ہے، تجرباتی شور ہے۔ مشین لرننگ کے لیے تیار بایومیڈیکل ڈیٹا بنانے تک پہنچنے کا بہترین طریقہ کیا ہے؟ 

یہ بہت اچھا سوال ہے۔ شروع سے ہی، فرینوم نے اس بات پر غور کیا ہے کہ مشین لرننگ کے لیے موزوں ترین ڈیٹا کیسے تیار کیا جائے۔ مطالعہ کے ڈیزائن سے لے کر نمونے جمع کرنے تک، اسس چلانے تک، ڈیٹا کے تجزیہ تک، مشین لرننگ کے لیے بہتر بنانے کے لیے ہر قدم پر احتیاط برتنے کی ضرورت ہے، خاص طور پر جب آپ کے پاس نمونوں سے کہیں زیادہ خصوصیات ہوں۔ یہ کلاسیکی بگ پی لٹل این کا مسئلہ ہے۔

سب سے پہلے اور سب سے اہم بات، ہم نے اپنے مطالعے کو کنفاؤنڈرز کو کم کرنے کے لیے ڈیزائن کیا ہے۔ بہت ساری کمپنیوں نے تاریخی ڈیٹاسیٹس پر انحصار کیا ہے اور ہم آہنگی کے اثرات کو کم کرنے اور کنفاؤنڈرز کو دور کرنے کی کوشش کرنے کے لیے کافی کام کیا ہے۔ لیکن کیا یہ واقعی ایسا کرنے کا بہترین طریقہ ہے؟ ٹھیک ہے، نہیں، ایسا کرنے کا بہترین طریقہ ایک ممکنہ مطالعہ ہے جہاں آپ کنفاؤنڈرز کو سامنے رکھتے ہیں۔ یہی وجہ ہے کہ، ہماری دریافت کی کوششوں میں بھی، ہم نے ایک بڑی کثیر سائٹ ممکنہ آزمائش کرنے کا فیصلہ کیا جو سونے کے معیاری ڈیٹا کو پہلے سے جمع کرتا ہے، جیسا کہ ہمارے AI-EMERGE ٹرائل.

خوش قسمتی سے ہمارے پاس ایسے سرمایہ کار ہیں جنہوں نے ہم پر اتنا اعتماد کیا کہ ہمیں یہ ڈیٹا تیار کرنے کی اجازت دی جائے۔ یہ درحقیقت ایک بڑا خطرہ تھا کیونکہ یہ مطالعہ بہت مہنگے ہیں۔ 

پھر ایک بار جب آپ کو ڈیٹا مل جائے تو آپ اس کا کیا کریں گے؟

ٹھیک ہے، آپ کو تمام سائٹس کو مستقل طور پر تربیت دینے کی ضرورت ہے، اور تمام مختلف سائٹس کے کنفاؤنڈرز کو کنٹرول کرنے کی ضرورت ہے تاکہ مریض جتنا ممکن ہو ایک جیسے نظر آئیں۔ اور پھر ایک بار جب آپ نمونے چلاتے ہیں، تو آپ کو یہ سوچنے کی ضرورت ہوتی ہے کہ بیچ کے اثرات کو کیسے کم کیا جائے، جیسے کہ مختلف مشینوں پر نمونوں کا صحیح مرکب صحیح تناسب پر لگا کر۔

جب آپ کر رہے ہوتے ہیں تو یہ بہت مشکل ہوتا ہے۔ ملٹیومکس کیونکہ جو مشینیں بائیو مالیکیولز کے ایک طبقے کا تجزیہ کرتی ہیں وہ ایک ہی وقت میں سینکڑوں نمونے لے سکتی ہیں، جب کہ جو مشینیں بائیو مالیکیولز کے دوسرے طبقے کا تجزیہ کرتی ہیں وہ صرف چند ہی لے سکتی ہیں۔ اس کے اوپری حصے میں، آپ انسانی غلطی کو دور کرنا چاہتے ہیں۔ لہذا، ہم نے آٹومیشن کو بالکل پہلے سے متعارف کرایا، صرف تربیتی ڈیٹا تیار کرنے کے مرحلے پر۔

اس کے علاوہ، جب آپ کے پاس فی شخص اربوں ڈیٹا پوائنٹس ہوتے ہیں تو یہ ممکنہ طور پر زیادہ فٹ ہونا بہت آسان ہو جاتا ہے۔ اس لیے ہم اس بات کو یقینی بناتے ہیں کہ ہماری تربیت ان آبادیوں کے لیے عام ہے جن پر ہم حتمی طور پر درست شماریاتی تصحیحات اور متعدد ٹریننگ اور ٹیسٹ ہولڈ آؤٹ سیٹس کے ساتھ اس کا اطلاق کرنا چاہتے ہیں۔

بائیو مالیکولر ڈیٹا کے ساتھ مشین لرننگ کا امتزاج ایک ایسا کام ہے جس کی بہت سی بایوٹیک کمپنیاں کرنے کی کوشش کر رہی ہیں، لیکن اکثر اوقات اس بارے میں بہت زیادہ مبہم پن ہوتا ہے کہ وہ یہ کیسے کریں گی۔ آپ ان کو مؤثر طریقے سے مربوط کرنے کی ایک لازمی خصوصیت کے طور پر کیا دیکھتے ہیں؟

At فرینوم ہم مشین لرننگ اور ملٹیومکس کو ملا رہے ہیں۔ ایسا کرنے کے لیے، آپ کو دونوں کو اچھی طرح سے کرنے کی ضرورت ہے۔ یہاں کلید یہ ہے کہ آپ کو ان دونوں میں مضبوط مہارت حاصل کرنے کی ضرورت ہے، اور پھر دونوں کی زبان بولنے کے قابل ہونا چاہیے۔ آپ کو دو لسانی ہونے کی ضرورت ہے۔ 

بہت ساری کمپنیاں ہیں جو ایک میں ماہر ہیں اور پھر دوسری پرت میں چھڑکتی ہیں۔ مثال کے طور پر، ایسی ٹیک کمپنیاں ہیں جو فیصلہ کرتی ہیں کہ وہ بائیو میں کودنا چاہتی ہیں، لیکن وہ صرف یہ کرتے ہیں کہ مٹھی بھر گیلے لیب سائنسدانوں کی خدمات حاصل کریں۔ دوسری طرف، حیاتیات کی کمپنیاں ہیں جو کچھ مشین لرننگ سائنسدانوں کی خدمات حاصل کرتی ہیں، پھر وہ اعلان کریں گی کہ وہ اب ایک AI/ML کمپنی ہیں۔ 

آپ کو واقعی جس چیز کی ضرورت ہے وہ دونوں میں گہری بینچ کی طاقت ہے۔ آپ کو نظام کی گہری حیاتیاتی تفہیم کی ضرورت ہے، مختلف اسیسز، علم کی جگہ کی خصوصیات کی. لیکن آپ کو مشین لرننگ، ڈیٹا سائنس، کمپیوٹیشنل طریقوں، اور شماریاتی سیکھنے کے بارے میں بھی گہری سمجھ رکھنے کی ضرورت ہے، اور اس کو لاگو کرنے کے لیے پلیٹ فارمز موجود ہیں۔ 

یہ واقعی چیلنجنگ ہے کیونکہ وہ دونوں علاقے اکثر بہت زیادہ خاموش ہوتے ہیں۔ جب آپ ان لوگوں کے بارے میں سوچ رہے ہیں جن کی آپ کمپنی کے لیے خدمات حاصل کر رہے ہیں، تو آپ ان دو مختلف ڈومینز کے درمیان پل کیسے بنائیں گے؟

میرے خیال میں تین طرح کے لوگ ہیں جنہیں آپ ٹیک اور بائیو کے درمیان پُل کرنے کے لیے رکھنا چاہتے ہیں۔ پہلے دو آپ کے معیاری ہیں، مشین لرننگ یا بیالوجی کے ڈومین کے ماہرین۔ لیکن انہیں دوسرے ڈومین کے بارے میں جاننے کے لیے کھلے اور تیار ہونے کی بھی ضرورت ہے، یا اس سے بھی بہتر، ان اضافی ڈومینز میں کام کرنے کا تجربہ اور تجربہ ہوا ہے۔

مشین لرننگ کے ماہرین کے لیے، ہم ایسے لوگوں کا انتخاب کرتے ہیں جو نہ صرف جدید ترین الگورتھم تیار کرنے کے لیے موجود ہیں، بلکہ جو جدید ترین الگورتھم لینا چاہتے ہیں اور انہیں حیاتیاتی سوالات پر لاگو کرنا چاہتے ہیں۔ 

حیاتیات ہے۔ گندا. نہ صرف ہمارے پاس مختلف تجزیہ کاروں کی پیمائش کرنے کے تمام طریقے نہیں ہیں، بلکہ ہم مسلسل نئے بائیو مالیکیولز اور خصوصیات دریافت کر رہے ہیں۔ بہت سارے الجھانے والے عوامل اور شور بھی ہیں جن کو دھیان میں رکھنے کی ضرورت ہے۔ یہ مسائل عام طور پر معیاری مشین سیکھنے کے مسائل سے زیادہ پیچیدہ ہوتے ہیں، جہاں مسئلہ اور علم کی جگہ بہت اچھی طرح سے بیان کی گئی ہے۔ ایم ایل ماہرین جو حیاتیات میں اپنے ہنر کو لاگو کرنا چاہتے ہیں انہیں حیاتیات کے اندر موجود پیچیدگی کے بارے میں جاننے کے لیے عاجزی کا مظاہرہ کرنے اور ڈیٹا کی دستیابی میں کم سے کم حالات اور فرق کے ساتھ کام کرنے کے لیے تیار رہنے کی ضرورت ہے۔

دوسرا پہلو ایسے ماہرین حیاتیات کی خدمات حاصل کرنا ہے جو اپنے مسائل کے بارے میں بڑے پیمانے پر مقداری اعداد و شمار کی تیاری، سگنل ٹو شور کے تناسب کو بہتر بنانے کے لیے ڈیزائن اسٹڈیز، اور کنفاؤنڈرز اور عام ہونے کے انتباہات سے آگاہ ہیں۔ یہ صرف کوڈ کی زبان میں بولنے اور سوچنے کے قابل ہونے سے زیادہ ہے۔ ہمارے بہت سے ماہر حیاتیات پہلے ہی کوڈ کرتے ہیں اور ان کا شماریاتی پس منظر اچھا ہے، اور وہ ان شعبوں میں ترقی کرنے کے لیے تیار اور چاہتے ہیں۔ درحقیقت، Freenome میں، ہمارے پاس دراصل ماہرین حیاتیات کے لیے تربیتی پروگرام ہیں جو کوڈنگ کے بارے میں مزید جاننا چاہتے ہیں تاکہ وہ اپنی شماریاتی استدلال کو تیار کر سکیں۔

اس سے بھی اہم بات یہ ہے کہ مطالعہ کا ڈیزائن، اور وہ سوالات جو ہم پوچھ سکتے ہیں، بڑے ڈیٹا اور ML کے تناظر میں ڈیزائن کیے جانے پر مختلف نظر آتے ہیں۔

تیسری قسم کیا ہے؟

تیسری قسم کے افراد کو ملازمت پر رکھنا مشکل ترین ہے۔ یہ وہ لوگ ہیں جنہوں نے ان دونوں شعبوں میں روانی سے کام کیا ہے۔ دنیا میں بہت کم جگہیں اور لیبز ہیں جو اس چوراہے پر ہیں۔ ایسے لوگوں کو حاصل کرنا جو ترجمہ کر سکتے ہیں اور دونوں شعبوں کو پاٹ سکتے ہیں، بہت اہم ہے۔ لیکن آپ صرف پلرز کی کمپنی نہیں بنانا چاہتے کیونکہ اکثر یہ لوگ اپنے کاموں کی وجہ سے کسی نہ کسی شعبے کے ماہر نہیں ہوتے۔ وہ اکثر اپنی سمجھ میں زیادہ عام ہوتے ہیں۔ تاہم، وہ دونوں شعبوں کو ایک ساتھ لانے کا اہم کام فراہم کرتے ہیں۔

لہذا، لوگوں کے تینوں گروہوں کا ہونا ضروری ہے۔ اگر آپ کے پاس ڈومین کے ماہر ماہرین میں سے صرف ایک ہے، تو آپ صرف ایک ہی شعبے میں مضبوط ہوں گے۔ یا، اگر آپ کے پاس پل بنانے والے نہیں ہیں، تو آپ کے پاس ایسے لوگوں کے سائلو ہیں جو ایک دوسرے سے بات نہیں کر سکیں گے۔ بہتر طور پر، ٹیموں کو ان تینوں قسم کے لوگوں میں سے ہر ایک کو شامل کرنا چاہیے تاکہ وہ ایم ایل اور حیاتیات دونوں کی گہری تفہیم کے ساتھ ساتھ ان دونوں شعبوں کی مؤثر ہم آہنگی فراہم کر سکیں۔

کیا آپ کو اس بات میں فرق نظر آتا ہے کہ ٹیک یا کمپیوٹیشن کے ماہرین مسائل پر کیسے حملہ کرتے ہیں بمقابلہ ماہر حیاتیات مسائل سے کیسے رجوع کرتے ہیں؟ 

ہاں۔ ایک حد تک، ہمارے پاس یقینی طور پر ایسے لوگ ہیں جو شماریاتی اور مقداری پس منظر سے آتے ہیں اور وہ کوڈ اور مساوات میں بات کرتے ہیں۔ ہمیں ان مساواتوں کو لینے اور اسے واضح انداز میں بیان کرنے میں ان کی مدد کرنے کی ضرورت ہے تاکہ عام سامعین سمجھ سکیں۔ 

ماہرین حیاتیات کے پاس بہت اچھا تخیل ہے کیونکہ وہ ان چیزوں کے ساتھ کام کرتے ہیں جو پوشیدہ ہیں۔ وہ پریزنٹیشنز میں بہت ساری مثالوں کا استعمال کرتے ہیں تاکہ یہ تصور کرنے میں مدد ملے کہ سالماتی طور پر کیا ہو رہا ہے، اور ان کے پاس میکانزم اور پیچیدگی کے بارے میں بہت زیادہ وجدان ہے۔ اس سوچ کا ایک بہت زیادہ معیار ہے. یہ سوچنے اور بات چیت کرنے کا ایک مختلف طریقہ فراہم کرتا ہے۔

لہذا، لوگ کس طرح بات چیت کرتے ہیں وہ بہت، بہت مختلف ہوگا۔ کلید یہ ہے کہ - ہم مذاق میں کہتے ہیں - ہمیں اس طریقے سے بات چیت کرنے کی ضرورت ہے جسے آپ کی دادی بھی سمجھ سکیں۔ 

اسے آسان بنانے کے لیے آپ کے علم میں حقیقی مہارت کی ضرورت ہے تاکہ ایک نوآموز بھی سمجھ سکے۔ میرے خیال میں کسی کے لیے عام شارٹ کٹس، جرگون اور تکنیکی زبان سے ہٹ کر بہت مشکل تصورات کو بات چیت کرنا سیکھنا درحقیقت بہت اچھی تربیت ہے۔

مشین لرننگ اور بیالوجی سے شادی کرنے کے بارے میں آپ کے خاص نقطہ نظر کو کس چیز نے متاثر کیا؟

لہذا، مسئلہ نیا نہیں ہے، بلکہ ایک پرانے مسئلے کی تازہ ترین تکرار ہے۔ جب کے کھیتوں کمپیوٹیشنل بیالوجی اور بایو انفارمیٹکس سب سے پہلے بنائے گئے تھے۔، ایک ہی مسئلہ موجود تھا. کمپیوٹر سائنس دان، شماریات دان، ڈیٹا سائنسدان، یا یہاں تک کہ طبیعیات دان حیاتیات کے شعبے میں شامل ہوئے اور اپنی مقداری سوچ کو میدان میں لے آئے۔ ایک ہی وقت میں، ماہرین حیاتیات کو جینز کو اپ-ریگولیٹڈ اور ڈاون ریگولیٹڈ کے طور پر نمایاں کرنے سے آگے ماڈلنگ شروع کرنی تھی، اور اعداد و شمار کو زیادہ مقداری طور پر دیکھنا شروع کرنا تھا۔ حیاتیاتی ڈیٹا کی ڈیجیٹائزیشن اب صرف پیمانے پر تیزی سے بڑھی ہے۔ مسئلہ زیادہ شدید اور دائرہ کار میں وسیع ہے، لیکن بنیادی چیلنجز جوں کے توں ہیں۔

آپ کامیابی کی پیمائش یا سرخ جھنڈے کے طور پر کیا دیکھتے ہیں جو آپ کو بتاتے ہیں کہ شادی کام کر رہی ہے یا نہیں؟

اگر آپ ان کمپنیوں کو دیکھیں جو کھیتوں کو یکجا کرنے کی کوشش کر رہی ہیں، تو آپ بہت جلد دیکھ سکتے ہیں کہ وہ ایک طرف یا دوسری طرف کتنی سرمایہ کاری کرتے ہیں۔ لہذا، اگر یہ ایک ایسی کمپنی ہے جہاں 90% لوگ لیب کے سائنسدان ہیں، اور پھر انہوں نے صرف ایک یا دو مشین لرننگ سائنسدانوں کی خدمات حاصل کی ہیں اور وہ اپنے آپ کو ایک ML کمپنی کہہ رہے ہیں، تو یہ شاید زیادہ سوچنے کی بات ہے۔

کیا آپ نے بائیولوجی اور مشین لرننگ سے شادی کرنے کے اس پورے عمل میں گھر لے جانے کا کوئی سبق سیکھا ہے؟

میرے خیال میں فکری عاجزی، خاص طور پر ٹیک سائیڈ سے۔ تلاش کے لیے حل کرنے جیسی کسی چیز کے ساتھ، مثال کے طور پر، تمام معلومات پہلے سے ہی ایک ٹیکسٹ فارم میں ہے جس تک آپ آسانی سے رسائی حاصل کر سکتے ہیں، اور آپ جانتے ہیں کہ آپ کیا تلاش کر رہے ہیں۔ تو، یہ ایک قابل حل مسئلہ بن جاتا ہے، ٹھیک ہے؟ حیاتیات کے ساتھ مسئلہ یہ ہے کہ ہم یہ بھی نہیں جانتے کہ ہم کن ڈیٹاسیٹس کی تلاش کر رہے ہیں، آیا ہمارے پاس صحیح جگہوں پر چمکنے کے لیے صحیح ٹارچ بھی ہے۔ 

لہذا، بعض اوقات جب تکنیکی ماہرین بائیو میں کودتے ہیں تو وہ حد سے زیادہ آسان بنانے کے جال میں پھنس جاتے ہیں۔ آئیے، مثال کے طور پر، اگلی نسل کی ترتیب کے لیے وہ کہہ سکتے ہیں، "واہ۔ ہم ڈی این اے کو ترتیب دے سکتے ہیں۔ کیوں نہ ہم بہت سارے ڈی این اے کو ترتیب دیں؟ یہ ڈیٹا کا مسئلہ بن جاتا ہے، اور پھر ہم حیاتیات کو حل کرتے ہیں۔" 

لیکن مسئلہ یہ ہے کہ ڈی این اے جسم کے درجنوں مختلف تجزیہ کاروں میں سے ایک ہے۔ آر این اے، پروٹین،ترجمہ کے بعد کی تبدیلیاں، مختلف کمپارٹمنٹس جیسے ایکسٹرا سیلولر ویسیکلز، اور وقت، جگہ، سیل کی قسم میں فرق، دوسروں کے درمیان۔ ہمیں امکانات کے ساتھ ساتھ ہر ڈیٹا کے طریقہ کار کی حدود کو سمجھنے کی ضرورت ہے جو ہم استعمال کرتے ہیں۔

اگرچہ اس پر یقین کرنا مشکل ہو سکتا ہے، حیاتیات ابھی بھی اپنے ابتدائی دور میں ہی ایک شعبہ ہے۔ ہم صرف انسانی جینوم کی ترتیب دو دہائیوں سے تھوڑا سا پہلے. زیادہ تر وقت، ہم انفرادی حیاتیاتی سگنلز تک رسائی حاصل نہیں کر پاتے ہیں اس لیے ہم اب بھی ایسی پیمائشیں کر رہے ہیں جو بہت سارے سگنلز میں ایک مجموعہ یا اوسط ہیں۔ ہم ایک وقت میں صرف ایک سیل کی پیمائش کرنا شروع کر رہے ہیں۔ ابھی بھی بہت کچھ کرنا باقی ہے اور یہی وجہ ہے کہ حیاتیات میں جانے کا یہ ایک دلچسپ وقت ہے۔ 

لیکن اس بچپن میں ان مسائل کو حل کرنے کی بڑی صلاحیت آتی ہے جس کے انسانی صحت اور تندرستی پر بہت زیادہ اثرات مرتب ہوں گے۔ یہ ایک بہت ہی حیرت انگیز وقت ہے کیونکہ ہم حیاتیات کی نئی سرحدیں کھول رہے ہیں۔

سرحدیں کس قسم کی ہیں؟ کیا حیاتیات یا طب کا کوئی ایسا شعبہ ہے جہاں آپ حساب کو لاگو کرنے کے لیے سب سے زیادہ پرجوش ہوں؟

جی ہاں - سب کچھ! لیکن مجھے سوچنے دو۔ کینسر میں، مجھے یقین ہے کہ ہماری نسل کے اندر جو نئے علاج اور ابتدائی پتہ لگانے کی کوششیں سامنے آ رہی ہیں وہ کینسر کو ایک دائمی بیماری میں تبدیل کر دیں گی جو اب اتنا خوفناک نہیں ہے، جیسا کہ ہم نے HIV کے لیے کیا ہے۔ اور ہم عام طور پر بیماری کا پتہ لگانے اور روک تھام کو دیکھنے کے لیے بہت ہی ملتے جلتے طریقے استعمال کر سکتے ہیں۔ اہم چیز جس کے بارے میں میں پرجوش ہوں وہ یہ ہے کہ ہم اس بات کا پتہ لگانا شروع کر سکتے ہیں کہ آیا بیماری علامات سے پہلے ہی موجود ہے۔ 

کینسر کی تشخیص کے علاوہ، جو چیز واقعی اچھی ہے وہ صرف پڑھنے اور لکھنے کے بجائے حیاتیات کے ساتھ تعمیر کی طرف منتقلی ہے۔ میں مصنوعی حیاتیات کے ان شعبوں کے بارے میں پرجوش ہوں جہاں ہم حیاتیات کو بطور ٹیکنالوجی استعمال کر رہے ہیں، چاہے یہ CRISPR ہو یا مصنوعی پیپٹائڈز یا مصنوعی نیوکلیوٹائڈز۔ حیاتیات کو ایک آلے کے طور پر استعمال کرنے سے زراعت سے توانائی تک روایتی وسائل پیدا کرنے والی صنعتوں کو مکمل طور پر تبدیل کرنے کے وسیع امکانات پیدا ہوتے ہیں۔ یہ ایک ماہر حیاتیات بننے کا واقعی ایک حیرت انگیز وقت ہے!

5 اکتوبر 2022 کو پوسٹ کیا گیا۔