AI এবং বিশ্বের কঠিন সমস্যাগুলো ─ জীবনবিজ্ঞান
AI দ্বারা এগিয়ে চলা বিজ্ঞান ও পাণ্ডিত্য, শাখা অনুযায়ী
RSS ফিড · 14 আইটেম
LitGene: জিন রিপ্রেজেন্টেশন লার্নিংয়ের জন্য টেক্সট ও অন্টোলজি সমন্বিতকারী একটি ব্যাখ্যাযোগ্য ট্রান্সফর্মার মডেল
মূল শিরোনাম: LitGene: an interpretable transformer model integrating text and ontology for gene representation learning
জিন উপস্থাপনা শেখার পদ্ধতি প্রায়ই বৈজ্ঞানিক সাহিত্যকে উপেক্ষা করে, যা কম গবেষণা হওয়া জিনের বিরুদ্ধে ফলাফলে পক্ষপাত তৈরি করতে পারে। LitGene একটি ব্যাখ্যাযোগ্য ট্রান্সফর্মার, যা কনট্রাস্টিভ লার্নিংয়ের মাধ্যমে পাঠ্যকে Gene Ontology অ্যানোটেশনের সঙ্গে একত্র করে। এটি আটটি প্রোটিন বেঞ্চমার্কে প্রতিযোগিতামূলক নির্ভুলতা অর্জন করেছে, জিরো-শটে GO টার্ম, KEGG পাথওয়ে ও জিন-রোগ সংযোগের পূর্বাভাস দিয়েছে, এবং স্বাধীন নমুনায় ডিফারেনশিয়াল এক্সপ্রেশন দ্বারা সমর্থিত হয়ে ANGPTL6-কে ইডিওপ্যাথিক পালমোনারি ফাইব্রোসিসের প্রার্থী জিন হিসেবে চিহ্নিত করেছে।
Seal ব্যবহার করে বিকাশমান মানব মস্তিষ্কে জিন নিয়ন্ত্রণ ও ভ্যারিয়েন্টের প্রভাবের স্থান-কালভিত্তিক AI-নির্ভর মডেলিং
মূল শিরোনাম: Spatiotemporal AI-based modeling of gene regulation and variant effects in the developing human brain using Seal
গবেষণাটি সীমিত উপাত্তসম্পন্ন বিকাশমান মানব মস্তিষ্কে জিনগত বৈচিত্র্য কীভাবে জিন নিয়ন্ত্রণকে প্রভাবিত করে তা নিয়ে কাজ করে। লেখকরা Seal তৈরি করেছেন, এটি একটি ব্যাখ্যাযোগ্য AI ট্রান্সফার লার্নিং কাঠামো, যা ২৬টি অঞ্চল, ৩০টি কোষ প্রকার এবং ৭টি বিকাশ পর্যায় জুড়ে জিন এক্সপ্রেশন ও ভ্যারিয়েন্টের প্রভাব অনুমান করে। অটিজমের সম্পূর্ণ-জিনোম উপাত্তে Seal ক্ষণস্থায়ী ভ্রূণীয় উত্তেজক নিউরনে ডি নোভো নিয়ন্ত্রক ভ্যারিয়েন্টের উল্লেখযোগ্য বোঝা খুঁজে পেয়েছে।
বৃহৎ প্রোটিন কমপ্লেক্সের উন্নত গঠন পূর্বাভাসের জন্য হাইব্রিড মডেলিং
মূল শিরোনাম: Hybrid modeling for improved structure prediction of large protein complexes
এই গবেষণার লক্ষ্য বড় প্রোটিন কমপ্লেক্সের গঠন পূর্বাভাস করা। লেখকেরা HDOCK-Multimer (HDM) তৈরি করেছেন, এটি একটি স্বয়ংক্রিয় কাঠামো যা ab initio ডকিংকে কম্বিনেটোরিয়াল অ্যাসেম্বলির সঙ্গে যুক্ত করে। তিনটি বেঞ্চমার্ক জুড়ে, বড় প্রোটিন অ্যাসেম্বলির ক্ষেত্রে HDM অত্যাধুনিক অ্যাসেম্বলি ও ডিপ লার্নিং-ভিত্তিক পদ্ধতিগুলোর চেয়ে বেশি নির্ভুল ও শক্তিশালী ছিল।
AI মডেল কোষগুলোর যোগাযোগের ভাষা ডিকোড করছে
মূল শিরোনাম: AI model decodes the language cells use to communicate
ভ্রূণের বিকাশের সময় কোষ রাসায়নিক সংকেত পায়, যা জিন চালু বা বন্ধ করে এবং কোষের ভূমিকা নির্ধারণ করে। একটি কোষ কোন কোন সংকেত ক্রমানুসারে পেয়েছে তা খুঁজে বের করা কঠিন ছিল, কারণ ধারণা করা হতো সিগন্যালিং পথগুলো বিভিন্ন কোষের ধরনে ব্যাপকভাবে ভিন্ন। MIT ও Whitehead Institute-এর গবেষকরা এটি মোকাবিলায় একটি কম্পিউটেশনাল কাঠামো তৈরি করেছেন, যা স্টেম সেল ইঞ্জিনিয়ারিং ত্বরান্বিত করতে, রোগের মডেল উন্নত করতে এবং ক্যান্সার চিকিৎসায় তথ্য জোগাতে সাহায্য করতে পারে।
কৃত্রিম নিউরাল নেটওয়ার্ক কীভাবে নিজস্ব শেখার যন্ত্রব্যবস্থা তৈরি করে
মূল শিরোনাম: How artificial neural networks build their own learning machinery
এলোমেলোভাবে সংযুক্ত একদল ইউনিট, সংযোগ কখন ও কীভাবে বদলাবে তার সহজ নিয়ম পেলে নিজেদের পুনর্গঠন করে একটি কার্যকর তথ্য-প্রক্রিয়াকরণ নেটওয়ার্কে পরিণত হতে পারে। MIT-র দলটির যুক্তি, ডেভেলপারের নির্দেশনা ছাড়াই নিজেকে সংগঠিত করার ক্ষমতা একটি কৃত্রিম নেটওয়ার্কের জৈবিক গ্রহণযোগ্যতার একটি মূল পরীক্ষা। গবেষকরা সতর্ক করেছেন যে এ ধরনের নেটওয়ার্ক জৈবিক শিখন সম্পর্কে খুব বেশি অন্তর্দৃষ্টি নাও দিতে পারে।
Claude একটি নতুন এনজাইম ব্যবস্থা আবিষ্কার করেছে
মূল শিরোনাম: Claude discovers a novel enzyme system
Anthropic-এর নতুন লাইফ সায়েন্সেস ল্যাব অচিহ্নিত প্রোটিন পরিবারের জন্য ডিএনএ ডেটাসেট অনুসন্ধানে Claude ব্যবহার করছে। প্রাথমিক ফলাফলে, বিজ্ঞানীদের কেবল উচ্চ-স্তরের দিকনির্দেশনায়, Claude এজেন্টরা অজানা কার্যকারিতাসম্পন্ন এবং CRISPR-এর কথা মনে করিয়ে দেওয়া বৈশিষ্ট্যযুক্ত একটি নতুন এনজাইম সিস্টেম খুঁজে পেয়েছে। এই কাজের লক্ষ্য বড় পরিসরে অনুমান তৈরি করা এবং ল্যাবে তা পরীক্ষা করা।
NiCLIP: মস্তিষ্কের সক্রিয়তার ইমেজ থেকে টেক্সট পূর্বাভাসের জন্য নিউরোইমেজিং কনট্রাস্টিভ ল্যাঙ্গুয়েজ-ইমেজ প্রি-ট্রেনিং মডেল
মূল শিরোনাম: NiCLIP: neuroimaging contrastive language-image pretraining model for predicting text from brain activation images
NiCLIP হলো একটি AI মডেল যা মস্তিষ্কের সক্রিয়তার প্যাটার্ন থেকে জ্ঞানীয় কাজ, ধারণা ও ক্ষেত্র ডিকোড করে। এটি ২৩,০০০-এর বেশি নিবন্ধের ওপর প্রশিক্ষিত হয়েছে এবং জানা গেছে যে গ্রুপ-স্তরের ডিকোডিংয়ে এটি প্রচলিত ডিকোডারের চেয়ে ভালো ফল দেয়। এটি Human Connectome Project-এর গ্রুপ-স্তরের মানচিত্র থেকে জ্ঞানীয় কাজ নির্ভুলভাবে পূর্বাভাস দিয়েছে, তবে নয়েজযুক্ত বিষয়-স্তরের মানচিত্রে সীমাবদ্ধতা দেখিয়েছে।
ETSAM: ক্রায়ো-ইলেকট্রন টোমোগ্রামে কোষ ঝিল্লির কার্যকর সেগমেন্টেশন
মূল শিরোনাম: ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
কোলাহলপূর্ণ ক্রায়ো-ইলেকট্রন টোমোগ্রাফি ভলিউমে কোষ ঝিল্লি আলাদা করে চেনা কঠিন। লেখকেরা ETSAM উপস্থাপন করেছেন, এটি একটি দ্বি-পর্যায়ের পদ্ধতি যা ঝিল্লি সেগমেন্ট করার জন্য Segment Anything Model 2 (SAM2)-কে ফাইন-টিউন করে; এটি ৮৩টি পরীক্ষামূলক ও ২৮টি সিমুলেটেড টোমোগ্রামে প্রশিক্ষিত। ১৭টি পরীক্ষামূলক টেস্ট টোমোগ্রামে এটি উচ্চ সংবেদনশীলতা ও আরও ভালো নির্ভুলতা (precision) নিয়ে অন্যান্য ডিপ লার্নিং পদ্ধতিকে ছাড়িয়ে গেছে।
Tangermeme: ডিপ লার্নিং মডেল ব্যবহার করে সিস-নিয়ন্ত্রক যুক্তি বোঝার একটি টুলকিট
মূল শিরোনাম: Tangermeme: a toolkit for understanding cis-regulatory logic using deep learning models
ডিপ লার্নিং মডেল জিনোমিক ডেটা ভালোভাবে পূর্বাভাস দিতে পারে, কিন্তু কঠিন ধাপ হলো জৈবিক আবিষ্কারে সেগুলোর ব্যবহার। এই গবেষণাপত্রে tangermeme-এর বর্ণনা দেওয়া হয়েছে, যা মডেল বাদে জিনোমিক ডিপ লার্নিংয়ের অন্যান্য অংশের জন্য অত্যন্ত অপ্টিমাইজড একটি টুলকিট। এটি দেখায় কীভাবে tangermeme মডেলের শেখা সিস-নিয়ন্ত্রক প্যাটার্নগুলোকে মানুষের বোধগম্য অন্তর্দৃষ্টিতে রূপান্তর করতে পারে।
সাধারণীকরণযোগ্য পারটার্বেশন পূর্বাভাস
মূল শিরোনাম: Generalizable perturbation prediction
কোষ পারটারবেশন (perturbation) ডেটা কার্যকারণমূলক নিয়ন্ত্রণ সম্পর্ক উন্মোচন করে, কিন্তু এ ধরনের ডেটা প্রায়ই দুষ্প্রাপ্য, যা এমন পদ্ধতির প্রয়োজনীয়তা তৈরি করে যা এক প্রেক্ষাপট থেকে অন্য প্রেক্ষাপটের সাড়া ভবিষ্যদ্বাণী করতে পারে। লেখকেরা State তৈরি করেছেন, একটি মেশিন-লার্নিং মডেল, যা একক-কোষ পারটারবেশন প্রভাবের জন্য ট্রান্সফর্মার-ভিত্তিক স্টেট ট্রানজিশন মডেলকে একটি প্রি-ট্রেইনড সেল-এমবেডিং মডেলের সঙ্গে যুক্ত করে। এটিকে ১০ কোটিরও বেশি কোষের পারটারবেশন ডেটা এবং ১৬ কোটি ৭০ লাখ কোষের পর্যবেক্ষণমূলক ডেটার ওপর প্রশিক্ষণ দেওয়া হয়েছে, এবং দলটি মডেলগুলোর তুলনার জন্য একটি মূল্যায়ন কাঠামো Cell-Eval-ও তৈরি করেছে।
স্থানিক আণবিক তথ্যের নির্ভুল ও পর্যাপ্ত সক্ষমতাসম্পন্ন কেস–কন্ট্রোল বিশ্লেষণ
মূল শিরোনাম: Accurate and well-powered case–control analysis of spatial molecular data
স্থানিক আণবিক ডেটার জন্য বিদ্যমান পদ্ধতিগুলো প্রায়ই সীমাবদ্ধ অনুমান ব্যবহার করে, যার ফলে রোগের গুরুত্বপূর্ণ সংকেত বাদ পড়ে যেতে পারে। VIMA একটি ডিপ-লার্নিং পদ্ধতি, যা ভ্যারিয়েশনাল অটোএনকোডারের একটি এনসেম্বল ব্যবহার করে ক্ষুদ্র টিস্যু প্যাচের সারসংক্ষেপ তৈরি করে এবং এমন মাইক্রোনিশ শনাক্ত করে যাদের পরিমাণ কেস বা কন্ট্রোল অবস্থার সঙ্গে সম্পর্কিত। সিমুলেশনে এটি ভালোভাবে ক্যালিব্রেটেড ও শক্তিশালী ছিল, এবং তিনটি রোগজুড়ে ডেটাসেটে প্রয়োগ করে এটি পরিচিত জীববিজ্ঞান পুনরুদ্ধার করেছে এবং রোগের নতুন স্থানিক বৈশিষ্ট্য শনাক্ত করেছে।
ProFormer: ডিপ লার্নিং ব্যবহার করে একক-কোষ ও প্লাজমা প্রোটিওমের সাধারণীকরণযোগ্য শ্রেণিবিন্যাস
মূল শিরোনাম: ProFormer: generalizable classification of single-cell and plasma proteomes using deep learning
বর্তমান প্রোটিওমিক ওয়ার্কফ্লোতে থ্রুপুট কম এবং ব্যাপক ডেটা প্রসেসিং প্রয়োজন হয়, যা নমুনা শ্রেণিবিন্যাসকে ধীর করে। ProFormer একটি ট্রান্সফরমার-ভিত্তিক ডিপ-লার্নিং পাইপলাইন, যা ভর স্পেকট্রোমেট্রি ডেটা থেকে সরাসরি MS1-স্তরের পেপটাইড আয়ন বৈশিষ্ট্য গ্রহণ করে। এটি 14টি আর্কিটেকচার জুড়ে প্রচলিত মেশিন লার্নিং ও CNN-কে ছাড়িয়ে গেছে এবং কোষের ধরন, চক্রের পর্যায় ও পার্থক্যকরণ গতিপথ অনুযায়ী একক-কোষ প্রোটিওম, পাশাপাশি প্লাজমা প্রোটিওম থেকে রোগীর রোগের অবস্থা শ্রেণিবদ্ধ করেছে।
CellART: উচ্চ-রেজোলিউশন স্পেশিয়াল ট্রান্সক্রিপ্টমিক্স থেকে একক-কোষের তথ্য বের করার একটি একীভূত কাঠামো
মূল শিরোনাম: CellART: a unified framework for extracting single-cell information from high-resolution spatial transcriptomics
উচ্চ-রেজোলিউশনের স্থানিক ট্রান্সক্রিপ্টমিক্স প্ল্যাটফর্ম হয় প্রতিটি স্পটে বিক্ষিপ্ত ট্রান্সক্রিপ্ট গণনা ধারণ করে, নয়তো সীমিত সংখ্যক জিন পরিমাপ করে, ফলে একক-কোষ তথ্য বের করা কঠিন হয়। CellART স্টেইনিং ছবি, স্থানিক ট্রান্সক্রিপ্টমিক্স ডেটা এবং একক-কোষ RNA-seq রেফারেন্স একত্র করে, এবং ডিপ লার্নিং ও সম্ভাব্যতাভিত্তিক মডেলিং ব্যবহার করে একসঙ্গে কোষ বিভাজন ও কোষের ধরন চিহ্নিত করে। লেখকেরা জানিয়েছেন এটি কার্যকর, সাধারণীকরণযোগ্য ও শক্তপোক্ত, এবং এর ফলাফল ব্যাপকভাবে ব্যবহৃত কমিউনিটি টুলের সঙ্গে সামঞ্জস্যপূর্ণ।
Quine পরিচিতি: জীববিজ্ঞানের জটিলতার জন্য ডিজাইন করা একটি AI গবেষণা সিস্টেম
মূল শিরোনাম: Introducing Quine: An AI research system designed for the complexity of biology
Microsoft Research-এর Quine হলো জীববিজ্ঞানের একটি মাল্টিমোডাল ওয়ার্ল্ড মডেল এবং একটি ইন্টারঅ্যাক্টিভ হার্নেস তৈরির প্রাথমিক পর্যায়ের প্রচেষ্টা, যা মডেল, বৈজ্ঞানিক টুল, সাহিত্য ও গবেষকদের সংযুক্ত করে এবং ল্যাব পরীক্ষার আগে বিজ্ঞানীদের হাইপোথিসিসকে অগ্রাধিকার দিতে সাহায্য করে। Harvard ও MIT-এর Broad Institute-এর গবেষকদের সহযোগিতায় দলটি এটি ব্যবহার করে এমন যৌগগুলোকে অগ্রাধিকার দিয়েছে, যেগুলো থেরাপিউটিক টিউমার-স্টেট পরিবর্তন ঘটাবে বলে পূর্বাভাস দেওয়া হয়েছে, এবং একাধিক ওয়েট-ল্যাব অ্যাসেতে শীর্ষ র্যাঙ্কের বেশ কয়েকটি প্রার্থীকে যাচাই করেছে। সিস্টেমটি পরীক্ষামূলক, শুধুমাত্র গবেষণার জন্য উদ্দিষ্ট, এবং এর আউটপুট যোগ্য গবেষকদের পর্যালোচনা প্রয়োজন।