নতুন অ্যান্টিমাইক্রোবিয়াল অণু খুঁজতে এক গবেষক যেভাবে Codex ও ChatGPT ব্যবহার করেন

ব্যাকটেরিয়া, ছত্রাক, পরজীবী ও ভাইরাসসহ ওষুধ-প্রতিরোধী জীবাণু বিশ্বজুড়ে ক্রমবর্ধমান হুমকি. ২০২১ সালে প্রায় ৫০ লাখ মৃত্যু ব্যাকটেরিয়াজনিত অ্যান্টিমাইক্রোবিয়াল প্রতিরোধের সঙ্গে সম্পর্কিত⁠(একটি নতুন উইন্ডোতে খোলে) ছিল—এই বার্ষিক সংখ্যা ২০৫০ সালের মধ্যে প্রায় দ্বিগুণ হবে বলে অনুমান করা হচ্ছে. অ্যান্টিমাইক্রোবিয়াল হওয়ার সম্ভাবনা আছে এমন অণু খুঁজে পেতে বহু বছর লেগে যেতে পারে. আবিষ্কারের এই প্রাথমিক ধাপ দ্রুত করতে গবেষকেরা AI ব্যবহার করছেন.

“আমার মতে, অ্যান্টিমাইক্রোবিয়াল প্রতিরোধ মানবজাতির অস্তিত্বের জন্য সবচেয়ে বড় হুমকিগুলোর একটি,” বলেছেন সেসার দে লা ফুয়েন্তে⁠(একটি নতুন উইন্ডোতে খোলে), একজন বায়োইঞ্জিনিয়ার, যার আন্তঃবিষয়ক ল্যাব অ্যান্টিমাইক্রোবিয়াল প্রার্থী খোঁজে. “তার পরও ৫০ বছর ধরে আমাদের হাতে নতুন কোনো শ্রেণির অ্যান্টিবায়োটিক আসেনি.”

আধুনিক অ্যান্টিমাইক্রোবিয়াল উন্নয়নের বড় অংশই বিদ্যমান ওষুধ পরিবর্তন করা বা পরিচিত রাসায়নিক শ্রেণিতে খোঁজার ওপর কেন্দ্রীভূত. কিন্তু সেই পদ্ধতিতে লাভ ক্রমশ কমে আসছে.

দে লা ফুয়েন্তের ল্যাব শুরু করে অনেক কম অনুসন্ধান করা এক জায়গা থেকে: জীবনের কোড. এই কাজের মূল ধারণা হলো, জীববিজ্ঞান একটি তথ্যব্যবস্থা. “DNA গঠনের নিউক্লিওটাইড এবং প্রোটিন ও পেপটাইড গঠনের অ্যামিনো অ্যাসিডগুলো এক ধরনের বর্ণমালার মতো,” বলেছেন দে লা ফুয়েন্তে. “জীববিজ্ঞানকে তথ্য হিসেবে ভাবার ফলে আমরা এমন পদ্ধতি তৈরি করতে পেরেছি, যা একটি কার্যকর অণুর জন্ম দেওয়া জীবনের সংগঠনমূলক নীতিগুলো উন্মোচন করতে শুরু করতে পারে.”

ল্যাবের ডিপ-লার্নিং মডেলগুলো জৈবিক সিকোয়েন্সের প্যাটার্ন চিনতে প্রশিক্ষিত, ফলে সম্ভাব্য অ্যান্টিমাইক্রোবিয়ালের জন্য বিশাল জিনোম ও প্রোটিন ডেটাসেট খোঁজা যায়. এই পদ্ধতি প্রার্থী অণুর প্রাথমিক অনুসন্ধানকে বছর থেকে ঘণ্টায় নামিয়ে আনতে পারে.

নিজেদের AI মডেলের পাশাপাশি, ল্যাবটি অনুমান নিয়ে ভাবতে, কোড লেখা ও উন্নত করতে, ডেটাসেট প্রক্রিয়াকরণ করতে, ফলাফল বিশ্লেষণ করতে এবং বিভিন্ন বৈজ্ঞানিক শাখার ধারণা যুক্ত করতে ChatGPT ও Codex ব্যবহার করে.

জিনোমের সামান্য অংশের কাজই স্পষ্টভাবে বোঝা গেছে, আর তারও কম অংশ এমন অণু এনকোড করে যা সংক্রামক জীবাণুর বিরুদ্ধে লড়তে পারে. চ্যালেঞ্জ হলো এমন প্যাটার্ন শনাক্ত করা, যা কোনো অণুকে কার্যকর বা জৈবিকভাবে সক্রিয় করে তোলে, তারপর কোনগুলোর সংক্রামক জীবাণুর বিরুদ্ধে লড়ার সম্ভাবনা আছে তা নির্ধারণ করা.

বিজ্ঞানীরা বহু দিন ধরে উদ্ভিদ, প্রাণী, জীবাণু, পোকামাকড়, পানি ও মাটিতে অ্যান্টিমাইক্রোবিয়াল খুঁজেছেন. তারা নমুনা সংগ্রহ করেন, প্রার্থী অণু আলাদা করেন বা অনুমান করেন, এবং বহু বছর লাগতে পারে এমন পুনরাবৃত্ত প্রক্রিয়ায় সেগুলো পরীক্ষা করেন.

ডিজিটাল জিনোম ও প্রোটিন ডেটাবেস এখন বিজ্ঞানীদের জীবনের বৃক্ষজুড়ে নতুন যৌগ খুঁজতে দেয়, ফলে অনুসন্ধানের জন্য পাওয়া ডেটাবেসের পরিসর নাটকীয়ভাবে বাড়ে. কিন্তু তথ্যের এই প্রাচুর্য নিজের চ্যালেঞ্জও নিয়ে আসে: বিপুল সম্ভাবনার ভেতর আশাব্যঞ্জক সংকেত খুঁজে পাওয়া.

খড়ের গাদায় সূচ খোঁজার মতো এই কাজে AI বিশেষভাবে উপযোগী. এটি বিশাল ডেটাসেট স্ক্যান করতে পারে, গবেষকদের চোখ এড়িয়ে যেতে পারে এমন প্যাটার্ন শনাক্ত করতে পারে, এবং পরীক্ষাগারে পরীক্ষার জন্য সামলানো যায় এমন সংখ্যক প্রার্থীকে অগ্রাধিকার দিতে পারে.

কিন্তু আশাব্যঞ্জক প্রার্থী শনাক্ত করা মানেই যে তা কার্যকর ওষুধ হবে, এমন নয়.

বিজ্ঞানীদের আগে নিশ্চিত করতে হয় যে প্রার্থী অণুটি লক্ষ্য জীবাণুকে মারে, কার্যকর হতে কতটা পরিমাণ দরকার তা নির্ধারণ করতে হয়, এবং মানব কোষে এর প্রভাব পরীক্ষা করতে হয়. তারপর রসায়নবিদেরা এর কার্যকারিতা, নিরাপত্তা বা স্থিতিশীলতা বাড়াতে এটিকে অপ্টিমাইজ করতে পারেন.

আরও পরীক্ষায় দেখা হয় কোন মাত্রায় প্রার্থীটি বিষাক্ত হয়ে ওঠে, জীবাণুরা কত সহজে অণুটির বিরুদ্ধে প্রতিরোধ গড়ে তোলে, এবং প্রার্থীটি শরীরে কীভাবে চলাচল করে. দলগুলো অণুটি উৎপাদনের নির্ভরযোগ্য উপায়ও নির্ধারণ করে. এসব বাধা পার হওয়া প্রার্থীদেরও অনুমোদিত অ্যান্টিমাইক্রোবিয়াল ওষুধ হিসেবে রোগীর কাছে পৌঁছানোর আগে নিয়ন্ত্রক পর্যালোচনা ও ক্লিনিক্যাল ট্রায়ালের মুখোমুখি হতে হয়.

দে লা ফুয়েন্তের কাছে, এ কারণেই AI ও পরীক্ষাগারভিত্তিক জীববিজ্ঞানকে একসঙ্গে এগোতে হবে. “AI-এর পূর্বাভাস যাচাই করতে বাস্তব পরীক্ষানিরীক্ষা অপরিহার্য,” তিনি বলেছেন. “আগামী বছরগুলোতে জীবনবিজ্ঞানে এটি অত্যন্ত গুরুত্বপূর্ণ হবে, যদি আমরা জীববিজ্ঞান সম্পর্কে আমাদের বোঝাপড়ার পৃষ্ঠতল আরও আঁচড়ে দেখতে চাই; আর জীববিজ্ঞানই সবচেয়ে জটিল বিষয়.”

তাঁর ল্যাব জীবিত ও বিলুপ্ত জীবের জিনোমে প্রার্থী অণু খোঁজে. সেসব জিনোমে অনুসন্ধান করা, সেগুলোতে এনকোড করা প্রোটিন কীভাবে গঠিত ও কাজ করে তা বোঝা, এবং সেই অণুগুলো কী করে তা নির্ধারণ করতে একাধিক ক্ষেত্রজুড়ে দক্ষতা দরকার.

“আমরা অত্যন্ত আন্তঃশাখাভিত্তিক একটি দল, তাই আমাদের দলে জীববিজ্ঞান, রসায়ন, কম্পিউটার বিজ্ঞান ও প্রকৌশল থেকে আসা মানুষ আছেন,” বলেছেন দে লা ফুয়েন্তে. কিছু ল্যাব সদস্য প্রোগ্রামিংয়ে দক্ষ, কিন্তু জীববিজ্ঞান বা রসায়ন সম্পর্কে কম জানেন; আবার উল্টোটাও আছে. Codex ও ChatGPT সেই ফাঁকগুলো পূরণে সাহায্য করে, ফলে জীববিজ্ঞানীরা প্রোগ্রাম বানাতে পারেন এবং প্রোগ্রামাররা জৈবিক সমস্যা সামলাতে পারেন. সেই অর্থে, AI বৈজ্ঞানিক শাখাগুলোর মধ্যকার বাধা কমায়.

এটি ল্যাবের সদস্যদের আন্তঃবিষয়ক কাজে দরকারি অপরিচিত বিষয় পর্যালোচনা করতে, পরিভাষা স্পষ্ট করতে, বিভিন্ন ক্ষেত্রের পদ্ধতি তুলনা করতে এবং ওষুধ আবিষ্কারের ধারণাগুলো গুছিয়ে নিতে সাহায্য করে. অন্যরা বড় জিনোম ডেটাসেট ডাউনলোড, সংগঠিত ও প্রি-প্রসেস করতে AI ব্যবহার করেন. ChatGPT ল্যাবের সদস্যদের নিজ নিজ মাতৃভাষায় কাজ করতেও সাহায্য করে, ফলে বাধা কমে এবং তাদের কর্মপ্রবাহ দ্রুত হয়.

দে লা ফুয়েন্তে ChatGPT‑কে ভাবনা-চিন্তার সঙ্গী হিসেবে ব্যবহার করেন. তিনি সহকর্মীদের সঙ্গে ধারণা এগিয়ে নিয়ে যান, তবে একটি অনুমান গড়ে তুলতে AI যে সহায়তা করে, সেটিকে তিনি মূল্য দেন. একটি বোতামে ক্লিক করেই বিশ্বের তথ্যভান্ডারে পৌঁছাতে পারাও তাঁর ভালো লাগে.

“আমাদের ChatGPT ওয়ার্কস্পেসে এমন নানা মানুষের মতামত আসছে, যারা আমরা যে সমস্যাগুলো সমাধান করতে চাই সেগুলো নিয়ে ভিন্নভাবে ভাবেন,” বলেছেন দে লা ফুয়েন্তে. ল্যাবের সদস্যরা এতে নিজেদের ভালো-মন্দ ধারণা দেন, ফলে এটি এক ধরনের যৌথ মতবিনিময়ের মঞ্চ হয়ে ওঠে.

তবে শুধু AI-এর ওপর নির্ভর করার বিষয়ে তিনি সতর্ক করেন. “অবশ্যই নির্ভুলতা সব সময় দুবার যাচাই করতে হবে,” বলেছেন দে লা ফুয়েন্তে.

তবু বৈজ্ঞানিক শাখাগুলোর সীমানা অনুসন্ধানে গবেষকদের সহায়তা করার AI-এর সক্ষমতাকে তিনি মূল্য দেন. “সেখানেই আবিষ্কৃত হওয়ার অপেক্ষায় আছে বড় অগ্রগতিগুলো. সেগুলো মূলত ক্ষেত্রগুলোর মাঝের প্রান্তসীমায়, যেখানে খুব কম মানুষই যায়.”

তিনি এই কাজকে আরও দীর্ঘ এক বৈজ্ঞানিক ঐতিহ্যের অংশ হিসেবে দেখেন. “আমাদের চারপাশের বিশ্ব বুঝতে আমরা সব সময় সরঞ্জাম ও যন্ত্রের ওপর নির্ভর করেছি,” বলেছেন দে লা ফুয়েন্তে. “টেলিস্কোপ মহাবিশ্বকে আলোকিত করেছে, আর মাইক্রোস্কোপ অদৃশ্য জগতকে উন্মোচন করেছে.” এখন যন্ত্র গবেষকদের জীববিজ্ঞান বুঝতে, ভবিষ্যদ্বাণী করতে এবং প্রকৌশলগতভাবে গড়ে তুলতে সাহায্য করে. “আমাদের কাজের মূল কথাই হলো এটি,” তিনি বলেছেন.