মাত্র ৩০ মিনিটে রোগের সূত্র
৬৮টি টিস্যুর ১০ কোটি ৭০ লাখের বেশি পৃথক কোষের প্রোফাইলে কৃত্রিম বুদ্ধিমত্তার মডেলকে প্রশিক্ষণ দেওয়ার পর ২০২৬ সালের ১১ নভেম্বর AlphaGenome 2 উন্মোচন করে Google DeepMind। এর মূল কাজ হলো, ডিএনএর কোন পরিবর্তন কোন কোষকে প্রভাবিত করে তা অনুমান করা। এর মাধ্যমে গবেষকেরা জিনগত সূত্রের সঙ্গে রোগের পেছনে থাকা জৈবিক প্রক্রিয়ার যোগসূত্র খুঁজে পেতে পারেন।
সূচিপত্র
- মাত্র ৩০ মিনিটে রোগের সূত্র
- একই ডিএনএ কেন ভিন্নভাবে কাজ করে
- গবেষণাধীন কোষকে কেন্দ্র করে তৈরি মডেল
- কর্মদক্ষতার পরিসংখ্যানের অর্থ
- পুনঃপ্রশিক্ষণ ছাড়াই নতুন কোষের অবস্থা শেখা
- জিনগত সংকেত থেকে সম্ভাব্য ওষুধের লক্ষ্য
- ৯০০ কোটি ভ্যারিয়েন্টের Atlas কীভাবে কাজে আসে
- AlphaGenome নিয়ে গবেষকেরা ইতিমধ্যে যা করেছেন
- প্রবেশাধিকার, খরচ ও পরবর্তী পরীক্ষা
- মূল তথ্য
একটি প্রদর্শনীতে মডেলটি প্রদাহজনিত অন্ত্রের রোগ নিয়ে ২০২৪ সালের একটি গবেষণার গুরুত্বপূর্ণ ফল প্রায় ৩০ মিনিটে পুনরুৎপাদন করে। অন্ত্রের প্রদাহে জড়িত রোগপ্রতিরোধী কোষে ডিএনএর একটি ভ্যারিয়েন্ট কীভাবে ETS2 জিনের কার্যকলাপ বাড়ায়, তা বোঝার পরীক্ষায় গবেষকদের দেড় বছর লেগেছিল।
ভ্যারিয়েন্টটি নিয়ন্ত্রণ করা জিন থেকে অনেক দূরে ডিএনএর একটি অংশে অবস্থিত। সাতটি সম্ভাব্য ভ্যারিয়েন্টের মধ্য থেকে AlphaGenome 2 এটিকে বেছে নেয় এবং প্রায় ২ লাখ ৯০ হাজার ডিএনএ অক্ষর দূরে থাকা ETS2-তে এর প্রভাবের পূর্বাভাস দেয়। DeepMind বিশেষভাবে উল্লেখ করেছে, অন্ত্রের ম্যাক্রোফেজে ETS2-এর বর্ধিত কার্যকলাপ শনাক্ত করার সক্ষমতার কথা। ম্যাক্রোফেজ হলো এমন রোগপ্রতিরোধী কোষ, যা শরীরকে সুরক্ষা দিতে এবং কোষীয় বর্জ্য পরিষ্কার করতে সহায়তা করে।
লন্ডনের ফ্রান্সিস ক্রিক ইনস্টিটিউটের ইমিউনোলজিস্ট ও জিনতত্ত্ববিদ জেমস লি আগের গবেষণাটির নেতৃত্ব দিয়েছিলেন। কম্পিউটারের মাধ্যমে পাওয়া ফল সম্পর্কে তিনি বলেন:
তারা ৩০ মিনিটে উত্তরটি বের করতে পেরেছে, আর আমাদের লেগেছিল দেড় বছরের পরীক্ষা-নিরীক্ষা।
ব্যবহারিকভাবে, কোন পরীক্ষাকে আগে গুরুত্ব দেওয়া উচিত তা গবেষণাগারগুলোকে নির্ধারণে সহায়তা করতে পারে এই মডেল। AlphaGenome 2 আণবিক কার্যকলাপের পূর্বাভাস দেয়; এর ফল যাচাই করতে গবেষকদের এখনও পরীক্ষাগারে পরীক্ষা চালাতে হবে। DeepMind জানিয়েছে, AlphaGenome মডেলগুলো গবেষণার জন্য তৈরি; চিকিৎসা বা রোগনির্ণয়ের কাজে এগুলো যাচাই বা অনুমোদিত হয়নি।
একই ডিএনএ কেন ভিন্নভাবে কাজ করে
মানব জিনোমের প্রায় ২ শতাংশে প্রোটিন তৈরির নির্দেশনা রয়েছে। বাকি প্রায় ৯৮ শতাংশকে বলা হয় ননকোডিং ডিএনএ। এর কিছু অংশে নিয়ন্ত্রক সিকোয়েন্স থাকে, যা নিয়ন্ত্রণ করে কখন জিন সক্রিয় হবে, কোথায় কাজ করবে এবং একটি কোষ তার উৎপাদিত পদার্থ কতটা তৈরি করবে।
এর একটি সহজ তুলনা হতে পারে অনেক কক্ষবিশিষ্ট একটি ভবন, যার সব কক্ষে একই বৈদ্যুতিক নকশা রয়েছে। কিন্তু ভিন্ন কক্ষে ভিন্ন সুইচ ব্যবহার করা হয়। একইভাবে, হৃদ্পেশির কোষ ও রোগপ্রতিরোধী কোষে প্রায় একই ডিএনএ থাকলেও, নিজেদের কাজ সম্পাদনে তারা ভিন্ন ভিন্ন জিন ব্যবহার করে।
ডিএনএ ভ্যারিয়েন্ট হলো ডিএনএর অক্ষর-ক্রমে পরিবর্তন। নিয়ন্ত্রক সুইচে থাকা একটি ভ্যারিয়েন্ট এক ধরনের কোষে কোনো জিনের কার্যকলাপ বাড়াতে পারে, আবার অন্য কোষে এর প্রভাব সামান্য হতে পারে। সংক্রমণের সময় কোষ সক্রিয় হলে বা টিকায় সাড়া দিলে এর প্রভাব বদলাতেও পারে।
DeepMind-এর AlphaGenome 2 উন্মোচনসংক্রান্ত ঘোষণায় বলা হয়েছে, নতুন মডেলটি টিস্যুর সামগ্রিক গড় থেকে এগিয়ে পৃথক কোষের ধরন ও অবস্থার দিকে নজর দেয়। এটি গুরুত্বপূর্ণ, কারণ একটি টিস্যুতে বিভিন্ন ধরনের কোষ থাকে। তাদের পরিমাপের গড় করলে অল্পসংখ্যক কোষে সীমাবদ্ধ কোনো প্রভাব শনাক্ত করা কঠিন হয়ে উঠতে পারে।
প্রদাহজনিত অন্ত্রের রোগের উদাহরণটি দেখায়, শুধু অবস্থান দেখে সিদ্ধান্তে পৌঁছানো কেন বিভ্রান্তিকর হতে পারে। ভ্যারিয়েন্টটি জিন ডেজার্টে অবস্থিত—এমন একটি অঞ্চলে, যেখানে সরাসরি প্রোটিন তৈরির নির্দেশনাযুক্ত সিকোয়েন্স খুব কম বা একেবারেই নেই। এটি একটি এনহ্যান্সারের অংশ, যা দূরের কোনো জিনকে প্রভাবিত করতে পারে। এই যোগসূত্র খুঁজতে হলে লক্ষ্য জিনটি এবং যে কোষে সুইচটি কাজ করে, দুটিই শনাক্ত করতে হয়।
গবেষণাধীন কোষকে কেন্দ্র করে তৈরি মডেল
২০২৫ সালে পরিচিত করানো প্রথম AlphaGenome মডেলে ১০ লাখ অক্ষরের একটি ডিএনএ সিকোয়েন্স দেওয়া যেত। এরপর এটি একসঙ্গে বহু টিস্যু ও পরীক্ষায় আণবিক বৈশিষ্ট্যের পূর্বাভাস দিত। এর ফলাফল নির্দিষ্ট কিছু টিস্যু ও কোষের অবস্থার মধ্যে সীমাবদ্ধ ছিল, ফলে ঘনিষ্ঠভাবে সম্পর্কিত কোষগুলোর সূক্ষ্ম পার্থক্য শনাক্ত করা কঠিন হতো।
অন্যদিকে, AlphaGenome 2-তে ডিএনএ সিকোয়েন্সের পাশাপাশি একটি জৈবিক অবস্থাও ইনপুট হিসেবে দিতে হয়। সেই অবস্থা হতে পারে কোনো টিস্যু, কোষের ধরন বা কোষের অবস্থা। পূর্বাভাস তৈরির পুরো প্রক্রিয়ায় মডেলটি এই তথ্য ব্যবহার করে, এবং একবারে একটি অবস্থার দিকে মনোযোগ দেয়।
গবেষকেরা একে কন্ডিশনাল মডেল বলেন। সহজভাবে বললে, প্রশ্নটি বদলে যায়—ডিএনএ সিকোয়েন্সটি সাধারণভাবে কী করে, তা থেকে নির্দিষ্ট পরিস্থিতিতে নির্দিষ্ট ধরনের কোষে এটি কী করে, সেই প্রশ্নে।
মডেলটির প্রশিক্ষণে মিশ্র টিস্যুর নমুনা থেকে নেওয়া পরিমাপের পাশাপাশি মানুষের ও ইঁদুরের পৃথক কোষ থেকে সংগ্রহ করা তথ্য ব্যবহার করা হয়েছে। এতে ছিল মানুষের ৬৩৭ ধরনের কোষ এবং ইঁদুরের ৩১১ ধরনের কোষ। ৬৮টি টিস্যুর ১০ কোটি ৭০ লাখের বেশি প্রোফাইল মডেলকে বিশেষায়িত কোষগুলোর মধ্যে জিনের কার্যকলাপের পার্থক্য সম্পর্কে উদাহরণ দেয়।
DeepMind-এর কোরীয় ভাষায় প্রকাশিত ঘোষণায় একই নকশাগত পরিবর্তন এবং ডিএনএ মিথাইলেশনের পূর্বাভাস যুক্ত করার কথা বলা হয়েছে। ডিএনএ মিথাইলেশন হলো ডিএনএতে থাকা রাসায়নিক চিহ্ন, যা জিনের কার্যকলাপ নিয়ন্ত্রণে সহায়তা করতে পারে। মডেলটির পূর্বাভাস দেওয়া অন্যান্য পরিমাপের মধ্যে রয়েছে জিনের প্রকাশ, ডিএনএর সঙ্গে যুক্ত প্রোটিনে রাসায়নিক পরিবর্তন এবং ক্রোমাটিন অ্যাক্সেসিবিলিটি। ক্রোমাটিন অ্যাক্সেসিবিলিটি বোঝায়, ডিএনএ পড়ার যন্ত্রপাতির কাছে এটি কতটা উন্মুক্ত।
কর্মদক্ষতার পরিসংখ্যানের অর্থ
২৮ ধরনের প্রাথমিক মানব রোগপ্রতিরোধী কোষের তথ্যসমৃদ্ধ বড় ডেটাসেট TenK10K ব্যবহার করে AlphaGenome 2-এর মূল্যায়ন করেছে DeepMind। প্রতিষ্ঠানটি জানিয়েছে, মূল্যায়নে মডেলটি ৩০ শতাংশ কারণসংশ্লিষ্ট ভ্যারিয়েন্ট শনাক্ত করেছে। একক কোষের তথ্যের উপযোগী করে তৈরি আগের AlphaGenome শনাক্ত করেছিল ১৬ শতাংশ।
এটি ১৪ শতাংশ-পয়েন্টের উন্নতি, বা আগের পরিসংখ্যানের তুলনায় প্রায় ৮৮ শতাংশ বেশি। নির্দিষ্ট কোষে জিনের প্রকাশ বদলায়—এমন ভ্যারিয়েন্ট প্রায় দ্বিগুণ শনাক্ত করার মডেল হিসেবে DeepMind-এর বর্ণনার ভিত্তি এটি।
ভ্যারিয়েন্টের প্রভাব কোন দিকে যায়, তা শনাক্ত করার সক্ষমতাও বেড়েছে। এ ক্ষেত্রে পরিসংখ্যান ২৩ শতাংশ থেকে বেড়ে ৪৩ শতাংশ হয়েছে, অর্থাৎ উন্নতি ২০ শতাংশ-পয়েন্ট। দিকটি জানা গুরুত্বপূর্ণ, কারণ রোগে কোনো ডিএনএ পরিবর্তনের ভূমিকা কীভাবে খতিয়ে দেখা হবে, তা ঠিক করতে গবেষকের জানতে হয় পরিবর্তনটি জিনের কার্যকলাপ বাড়ায়, নাকি কমায়।
আরেকটি মূল্যায়নে কোনো জিন থেকে ১ লাখ থেকে ২৫ লাখ ডিএনএ অক্ষর দূরে থাকা নিয়ন্ত্রক সুইচ পরীক্ষা করা হয়। নির্বাচিত ডিএনএ সাইটের কার্যকলাপ কমিয়ে প্রতিক্রিয়া পরিমাপ করা CRISPR ইন্টারফেরেন্স স্ক্রিনের ফলের সঙ্গে তুলনায় AlphaGenome 2 নির্ভুলতা ও পুনরুদ্ধার—দুটিকে মিলিয়ে করা পরিমাপে ০.৬২ স্কোর করেছে। আগের মডেলের স্কোর ছিল ০.৪৮।
নির্বাচিত সম্ভাব্য প্রার্থীর মধ্যে কতগুলো সঠিক, তা নির্ভুলতা নির্দেশ করে; আর মডেলটি প্রাসঙ্গিক প্রার্থীর কতগুলো খুঁজে পায়, তা নির্দেশ করে পুনরুদ্ধার। গবেষণা নিবন্ধে বলা হয়েছে, কঠোর আস্থার মানদণ্ডে মডেলটি সম্ভাব্য কারণসংশ্লিষ্ট বলে বিবেচিত অধিকাংশ ভ্যারিয়েন্টই শনাক্ত করতে পারে না। তাই বিজ্ঞানীদের সামনে একটি সমঝোতার বিষয় থাকে: তুলনামূলকভাবে শক্তিশালী পূর্বাভাসের ছোট তালিকা, নাকি সম্ভাব্য সূত্রের বিস্তৃত পরিসর।
পুনঃপ্রশিক্ষণ ছাড়াই নতুন কোষের অবস্থা শেখা
মূল প্রশিক্ষণে অন্তর্ভুক্ত ছিল না, এমন কোষের পরিমাপও AlphaGenome 2 ব্যবহার করতে পারে। গবেষকেরা মাত্র কয়েক ডজন কোষ থাকা নমুনা থেকে একক কোষের RNA সিকোয়েন্সিংয়ের তথ্য আপলোড করতে পারেন। এতে পৃথক কোষে জিনের কার্যকলাপের রেকর্ড থাকে।
মডেলটি ওই পরিমাপকে কোষের অবস্থার একটি উপস্থাপনায় রূপান্তর করে এবং পূর্বাভাসে তা কাজে লাগায়। ফলে কোনো গবেষণাগার নতুন জৈবিক অবস্থা বিশ্লেষণ করলেই পুরো মডেলকে আবার প্রশিক্ষণ দিতে হয় না।
হিউম্যান সেল অ্যাটলাস কনসোর্টিয়ামের সহপ্রতিষ্ঠাতা এবং ক্যামব্রিজ বিশ্ববিদ্যালয়ের স্টেম সেল মেডিসিনের অধ্যাপক সারাহ টেইখমান DeepMind-এর ঘোষণায় এই বৈশিষ্ট্যটির কথা তুলে ধরেন:
AlphaGenome 2-কে আকর্ষণীয় করে তুলেছে নতুন একক-কোষের তথ্যের সঙ্গে পুনঃপ্রশিক্ষণ ছাড়াই সরাসরি খাপ খাইয়ে নেওয়ার ক্ষমতা। অল্প কয়েকটি কোষের নমুনা থেকেও সদ্য প্রোফাইল করা কোষের অবস্থায় ডিএনএ ভ্যারিয়েন্ট কীভাবে কাজ করে, তা এটি পূর্বাভাস দেয়।
কোভিড-১৯-এর এমআরএনএ টিকা নিয়ে একটি গবেষণার আগে অদেখা তথ্য ব্যবহার করে করা প্রদর্শনীতে AlphaGenome 2 সক্রিয় টি-কোষকে নিষ্ক্রিয় টি-কোষ থেকে আলাদা করতে পেরেছে। টি-কোষ হলো রোগপ্রতিরোধী কোষ, যা কোনো হুমকির জবাব দেওয়ার সময় জিনের কার্যকলাপ বদলায়।
মডেলটি আরও পূর্বাভাস দিয়েছে, গুরুতর কোভিড-১৯-এর সঙ্গে সম্পর্কিত একটি ভ্যারিয়েন্ট সক্রিয় কোষে জিনের কার্যকলাপ বেশি ব্যাহত করে। এ উদাহরণে কোষের অবস্থাও জিনগত ব্যাখ্যার অংশ: গবেষকেরা কোষটি পরীক্ষা করার সময় সেটি কী করছে, তার ওপর ভ্যারিয়েন্টের প্রভাব নির্ভর করতে পারে।
কোনো ধরনের পরিমাপ অনুপস্থিত থাকলে গবেষকেরা অন্য ধরনের পরিমাপ ব্যবহার করেও তার পূর্বাভাস পেতে পারেন। যেমন, জিনের কার্যকলাপের তথ্য মডেলকে ক্রোমাটিন অ্যাক্সেসিবিলিটি অনুমান করতে সহায়তা করতে পারে। ক্রস-মডালিটি ইমপিউটেশন নামে পরিচিত এ প্রক্রিয়া গবেষণাগারকে কোন বাড়তি পরিমাপগুলো সবচেয়ে কাজে আসবে, তা বেছে নিতে সহায়তা করতে পারে।
জিনগত সংকেত থেকে সম্ভাব্য ওষুধের লক্ষ্য
জিনোম-ব্যাপী অ্যাসোসিয়েশন স্টাডি, সংক্ষেপে GWAS, অনেক মানুষের মধ্যে রোগ বা বৈশিষ্ট্যের সঙ্গে সম্পর্কিত ডিএনএর পার্থক্য খোঁজে। এসব গবেষণায় প্রায়ই এমন একটি অঞ্চল শনাক্ত হয়, যেখানে একাধিক সম্ভাব্য ভ্যারিয়েন্ট রয়েছে। এরপর গবেষকদের নির্ধারণ করতে হয় কোন ভ্যারিয়েন্টটি গুরুত্বপূর্ণ, এটি কোন জিনকে প্রভাবিত করে এবং শরীরের কোথায় সেই প্রভাব ঘটে।
মানুষের শত শত ধরনের কোষ ও টিস্যুর অবস্থায় বৈশিষ্ট্যের সঙ্গে সম্পর্কিত ভ্যারিয়েন্টের জন্য AlphaGenome 2-এর পূর্বাভাস আগেই হিসাব করে রেখেছে DeepMind। উদ্দেশ্য হলো, প্রতিটি গবেষণাগারকে বড় কম্পিউটিং কাজ চালাতে না দিয়েও এসব যোগসূত্র অনুসন্ধান সহজ করা।
প্রাথমিক মানব কোষে এনহ্যান্সার ও লক্ষ্য জিনের যোগসূত্রও দেখায় মডেলটির পূর্বাভাস। এর মধ্যে রয়েছে মস্তিষ্কের অ্যাস্ট্রোসাইট, যা নিউরনকে সহায়তা ও সুরক্ষা দেয়। পরীক্ষাগারে এ যোগসূত্র মানচিত্রায়ণ করা কঠিন হতে পারে, কারণ অনেক CRISPR স্ক্রিনে শরীরের বিশেষায়িত কোষের বদলে পরীক্ষাগারে চাষ করা স্থিতিশীল কোষ ব্যবহার করা হয়।
প্রদাহজনিত অন্ত্রের রোগের প্রদর্শনীতে এসব কাজ একসঙ্গে দেখা যায়। মডেলটি দূরের একটি নিয়ন্ত্রক ভ্যারিয়েন্টকে ETS2-এর সঙ্গে যুক্ত করে এবং প্রাসঙ্গিক রোগপ্রতিরোধী কোষ শনাক্ত করে। আগের পরীক্ষামূলক গবেষণায় সম্ভাব্য চিকিৎসার লক্ষ্যও শনাক্ত করা হয়েছিল, ফলে পূর্বাভাস যাচাই করার মতো একটি জৈবিক ফল বিজ্ঞানীদের হাতে ছিল।
ওষুধ গবেষণায় জিনগত সম্পর্কের সূত্রকে কাজে লাগানোর অসুবিধা সম্পর্কে DeepMind-এর ঘোষণায় Genomics Limited-এর প্রধান নির্বাহী পিটার ডনেলি বলেন:
GWAS এ ক্ষেত্রে কেন্দ্রীয় ভূমিকা রাখে, কিন্তু কোনো সম্পর্কের সংকেত থেকে ওষুধ উন্নয়ন কর্মসূচির প্রয়োজনীয় তথ্যের দিকে এগোনো কঠিন।
ডনেলি বলেন, মানুষের জিনগত তথ্য ব্যবহার করে ওষুধের লক্ষ্য মূল্যায়নের প্ল্যাটফর্ম Mystra-তে AlphaGenome 2 যুক্ত করার অপেক্ষায় রয়েছে তাদের প্রতিষ্ঠান। নতুন মডেলটি যুক্ত করার কোনো তারিখ বা ওষুধ প্রস্তুতকারক প্রতিষ্ঠানের ব্যবহারে পাওয়া ফলাফল ঘোষণা করা হয়নি।
৯০০ কোটি ভ্যারিয়েন্টের Atlas কীভাবে কাজে আসে
একই গবেষণা কর্মসূচির আরেকটি প্রকাশনার পর এসেছে AlphaGenome 2: AlphaGenome Atlas। মানব জিনোমে একটি ডিএনএ অক্ষর বদলানোর সম্ভাব্য ৯০০ কোটি পরিবর্তনের জন্য পূর্বাভাসের এই তালিকা। নতুন মডেল ঘোষণার প্রায় দুই মাস আগে Atlas প্রকাশ করে DeepMind।
প্রতিষ্ঠানটির AlphaGenome গবেষণার সারসংক্ষেপে Atlas-কে এক পেটাবাইটের ডেটাসেট বলা হয়েছে। এতে রয়েছে AlphaGenome Variant Impact স্কোর, বা AVI স্কোর, যা পূর্বাভাসিত আণবিক প্রভাবের ভিত্তিতে ভ্যারিয়েন্টের অগ্রাধিকার নির্ধারণে বিজ্ঞানীদের সহায়তা করে।
দুটি টুল কম্পিউটিংয়ের ভিন্ন প্রয়োজন মেটায়। মূল মডেলটি বিশাল তালিকার জন্য বিস্তৃত পরিসরের তথ্য দেয়। আর AlphaGenome 2 নির্দিষ্ট কোষ ও অবস্থা নিয়ে আরও বিশদ প্রশ্নের উত্তর দেয়, তবে এর নির্দিষ্ট পূর্বাভাসের জন্য কম্পিউটিং খরচও বেশি।
AlphaGenome দলের নেতৃত্বদানকারী DeepMind গবেষক জিগা আভসেক জানিয়েছেন, জিনোমজুড়ে বিস্তৃত তথ্য পেতে মূল মডেলটি এবং রোগের প্রক্রিয়া ও সম্ভাব্য ওষুধের লক্ষ্য আরও গভীরভাবে খতিয়ে দেখতে AlphaGenome 2 ব্যবহার করা যায়। গবেষকদের জন্য এর অর্থ, প্রথমে বিস্তৃত অনুসন্ধান চালিয়ে পরে প্রাসঙ্গিক কোষে নির্বাচিত সম্ভাব্য সূত্রগুলো পরীক্ষা করা যেতে পারে।
উন্নয়নের ধারাটি সংক্ষেপে এমন:
- ২০২৪: লির দল পরীক্ষাগারের গবেষণার মাধ্যমে প্রদাহজনিত অন্ত্রের রোগে ETS2-এর কার্যপ্রণালি নির্ধারণ করে।
- ২০২৫: DeepMind মূল AlphaGenome মডেলটি পরিচয় করিয়ে দেয়।
- প্রায় সেপ্টেম্বর ২০২৬: একটি ডিএনএ অক্ষরের সম্ভাব্য ৯০০ কোটি পরিবর্তনের পূর্বাভাসসহ AlphaGenome Atlas প্রকাশ করা হয়।
- ১১ নভেম্বর ২০২৬: DeepMind AlphaGenome 2 এবং গবেষণার জন্য এতে প্রবেশাধিকার ঘোষণা করে।
- ৩০ নভেম্বর ২০২৬: সম্ভাব্য প্রচার এবং অতিরিক্ত কম্পিউটিং কোটা বা ক্রেডিটের জন্য গবেষণা প্রকল্প জমা দেওয়ার শেষ তারিখ।
AlphaGenome নিয়ে গবেষকেরা ইতিমধ্যে যা করেছেন
DeepMind-এর গবেষণা-সংক্রান্ত সারসংক্ষেপে বৃহত্তর AlphaGenome টুল ব্যবহারকারী বিজ্ঞানীদের কয়েকটি উদাহরণ তুলে ধরা হয়েছে। ব্রড ইনস্টিটিউটের লরা কভিল AVI স্কোর ব্যবহার করে DNM1-এ এমন একটি ভ্যারিয়েন্ট শনাক্ত করেন, যা জিন প্রক্রিয়াকরণে ত্রুটির সঙ্গে সম্পর্কিত। পরীক্ষাগারের পরীক্ষায় পূর্বাভাসটি যাচাই হয় এবং ভ্যারিয়েন্টটির শ্রেণিবিন্যাস বদলানোর পক্ষে প্রমাণ পাওয়া যায়।
এক্সেটার বিশ্ববিদ্যালয়ের গ্যারেথ হকস ৫৪ হাজারের বেশি UK Biobank অংশগ্রহণকারীকে নিয়ে গবেষণায় AlphaGenome ব্যবহার করেন। গবেষণায় বিরল ননকোডিং ভ্যারিয়েন্ট এবং রক্তরসের প্রোটিনের মাত্রাসহ বিভিন্ন বৈশিষ্ট্য পরীক্ষা করা হয়। একটি অঞ্চলে সম্ভাব্য ভ্যারিয়েন্টের তালিকা ৫২৬টি থেকে কমে চারে নেমে আসে। এতে দেখা যায়, পূর্বাভাস কীভাবে পরীক্ষামূলক গবেষণাকে নির্দিষ্ট দিকে মনোযোগী করতে পারে।
স্টোয়ার্স ইনস্টিটিউট ফর মেডিকেল রিসার্চের জুলিয়া জাইটলিংগার ছোট নিয়ন্ত্রক ডিএনএ সিকোয়েন্স এবং বিভিন্ন কোষে সেগুলোর প্রভাব কীভাবে ভিন্ন হয়, তা খতিয়ে দেখতে AlphaGenome ব্যবহার করেন। কোষ কীভাবে জিনের কার্যকলাপ সক্রিয় বা কম করে, তাঁর গবেষণায় সেই নিয়মগুলো নিয়ে কাজ করা হয়েছে।
কোপেনহেগেন বিশ্ববিদ্যালয়ের সিজার কুনহা ও মার্ক পিলিয়েস আভেল্লি, টুমাস কিলপেলাইনেনের তত্ত্বাবধানে, বিভিন্ন টিস্যুতে আলঝেইমারের জিনগত ঝুঁকির সংকেত অনুসরণ করতে AlphaGenome ব্যবহার করেন। তাঁদের বিশ্লেষণে মস্তিষ্কের পাশাপাশি রোগপ্রতিরোধী ও বিপাকীয় টিস্যুতেও নিয়ন্ত্রক প্রভাবের পূর্বাভাস পাওয়া যায়।
এসব উদাহরণে পূর্বাভাস থেকে গবেষণায় যাওয়ার কয়েকটি ব্যবহারিক পথ দেখা যায়: বিরল রোগের সম্ভাব্য ভ্যারিয়েন্টের অগ্রাধিকার নির্ধারণ, ভ্যারিয়েন্টের দীর্ঘ তালিকা ছোট করা, নিয়ন্ত্রক সিকোয়েন্স পরীক্ষা করা এবং শরীরজুড়ে জিনগত সংকেত অনুসরণ করা। AlphaGenome 2 এতে সংশ্লিষ্ট নির্দিষ্ট কোষ ও অবস্থার ওপর আরও বিশদ নজর যোগ করেছে।
প্রবেশাধিকার, খরচ ও পরবর্তী পরীক্ষা
AlphaGenome 2-এর অ্যাপ্লিকেশন প্রোগ্রামিং ইন্টারফেস বা API-এর মাধ্যমে অবাণিজ্যিক গবেষণার জন্য বিনা মূল্যে ব্যবহার করা যায়। API এমন একটি ব্যবস্থা, যার মাধ্যমে গবেষকেরা সফটওয়্যার ব্যবহার করে মডেলে অনুরোধ পাঠাতে পারেন। বাণিজ্যিক গবেষকেরা ব্যক্তিগত প্রিভিউয়ের মাধ্যমে প্রবেশাধিকারের আবেদন করতে পারেন। DeepMind ইন্টারঅ্যাকটিভ Colab টিউটোরিয়ালও দিয়েছে।
DeepMind জানিয়েছে, Wellcome Sanger Institute-সহ বিভিন্ন গবেষক দলের সঙ্গে কাজ করে আরও বেশি ধরনের মানব কোষ, বিকাশের পর্যায় এবং বিভিন্ন জৈবিক অবস্থায় পরিবর্তিত কোষের প্রোফাইল তৈরি করছে তারা। এসব পরিমাপ গবেষকদের অনুসন্ধানযোগ্য কোষের অবস্থার পরিসর বাড়াতে পারে।
প্রতিষ্ঠানটি Google Antigravity-তে AlphaGenome 2 Skills-ও প্রকাশের পরিকল্পনা করেছে। এটি স্বয়ংক্রিয় উন্নয়ন ও বৈজ্ঞানিক কাজের প্ল্যাটফর্ম। প্রকাশের কোনো তারিখ জানানো হয়নি। ৩০ নভেম্বরের মধ্যে ব্যবহার-সংক্রান্ত প্রস্তাব জমা দেওয়া গবেষকেরা অতিরিক্ত কোটা ও ক্রেডিট পাওয়ার জন্য নির্বাচিত হতে পারেন।
কোনো গবেষণাগারের জন্য তাৎক্ষণিক পরীক্ষাটি স্পষ্ট: কম পরীক্ষা চালিয়ে কার্যকর সম্ভাব্য সূত্র যাচাই করতে, অথবা গবেষণার সিদ্ধান্তে দ্রুত পৌঁছাতে পূর্বাভাসগুলো সাহায্য করতে পারে কি? ETS2-এর প্রদর্শনীতে আগে থেকেই প্রতিষ্ঠিত একটি কার্যপ্রণালি পুনরুদ্ধারের উৎসাহব্যঞ্জক উদাহরণ পাওয়া গেছে। এর বৃহত্তর উপযোগিতা নির্ভর করবে নতুন সম্ভাব্য সূত্র খতিয়ে দেখতে গবেষণাগারগুলোর এই টুল ব্যবহার এবং পরীক্ষাগারে সেগুলো যাচাই করার ওপর।
মূল তথ্য
- ৬৮টি টিস্যুর ১০ কোটি ৭০ লাখের বেশি পৃথক কোষের প্রোফাইল ব্যবহার করে ২০২৬ সালের ১১ নভেম্বর AlphaGenome 2 ঘোষণা করে DeepMind।
- নির্দিষ্ট কোষের ধরন ও অবস্থায় ডিএনএর প্রভাবের পূর্বাভাস দেয় মডেলটি। গবেষকেরা সদ্য প্রোফাইল করা কোষের অবস্থার তথ্য দিলেও তা ব্যবহার করা যায়।
- TenK10K মূল্যায়নে কারণসংশ্লিষ্ট ভ্যারিয়েন্ট শনাক্তের হার ১৬ শতাংশ থেকে বেড়ে ৩০ শতাংশ হয়েছে; জিনের কার্যকলাপ কোন দিকে বদলায় তা শনাক্তের হার ২৩ শতাংশ থেকে বেড়ে ৪৩ শতাংশ হয়েছে।
- একটি প্রদর্শনীতে প্রদাহজনিত অন্ত্রের রোগে ETS2-সংক্রান্ত গুরুত্বপূর্ণ ফল প্রায় ৩০ মিনিটে পুনরুৎপাদন করা হয়।
- একটি ডিএনএ অক্ষরের সম্ভাব্য ৯০০ কোটি পরিবর্তনের বিস্তৃত পূর্বাভাস দেয় AlphaGenome Atlas; আর কোষ নিয়ে আরও বিশদ বিশ্লেষণে সহায়তা করে AlphaGenome 2।
- অবাণিজ্যিক গবেষণায় বিনা মূল্যে ব্যবহার করা যায়; বাণিজ্যিক গবেষণার জন্য ব্যক্তিগত প্রিভিউয়ের মাধ্যমে প্রবেশাধিকার পাওয়া যায়। পরীক্ষাগারে যাচাই এখনও প্রয়োজন এবং রোগনির্ণয়ের জন্য মডেলগুলো অনুমোদিত নয়।






