বিষয়বস্তুৰ তালিকা
প্ৰতিটো কোষৰ ভিতৰত লাখ লাখ প্ৰটিন থাকে। এই জৈৱ অণুবোৰে এটা জীৱৰ প্ৰায় সকলো কাৰ্য্যৰ অগ্ৰগতি বজাই ৰখাৰ বাবে দায়বদ্ধ। গতিকে প্ৰটিনৰ কাম-কাজ বুজি পোৱাটোৱেই হৈছে কোষৰ কাৰ্য্যক্ষমতাও বুজি পোৱা। এই অৰ্থত ডিপমাইণ্ড কোম্পানীয়ে জীৱবিজ্ঞানৰ এটা পুৰণি সমস্যা সমাধানৰ বাবে কৃত্ৰিম বুদ্ধিমত্তা ব্যৱহাৰ কৰিছিল: এটা প্ৰটিনৰ ত্ৰিমাত্ৰিক আকৃতি।
(চিত্ৰ জৱাহৰ স্বামীনাথনৰ)
এইটো ঘূৰিছে এই জৈৱ অণুবোৰ যথেষ্ট ডাঙৰ বুলি জানিব পাৰি। প্ৰায়ে হাজাৰ হাজাৰ এমিনো এচিডে এটা প্ৰটিন গঠন কৰে। এই অৰ্থত ঠিক ইয়াৰ বাবেই কেৱল উপাদানসমূহৰ ওপৰত ভিত্তি কৰি এই ধৰণৰ অণুৰ আকৃতি ভৱিষ্যদ্বাণী কৰাটো ইমান কঠিন। গৱেষকসকলে যি কৰিলে সেয়া আছিল কোম্পানীটোৰ কৃত্ৰিম বুদ্ধিমত্তাৰ সহায়ত প্ৰটিনৰ আকৃতিৰ বিষয়ে ভৱিষ্যদ্বাণী কৰা।
সেয়েহে ফলাফলৰ প্ৰকৃত আকৃতি আৰু কৃত্ৰিম বুদ্ধিমত্তাই প্ৰস্তাৱ কৰা আকৃতিৰ মাজত ৯০%তকৈ অধিক সাদৃশ্য আছিল। এই ধৰণৰ ভৱিষ্যদ্বাণীৰ পৰীক্ষা নব্বৈৰ দশকৰ পৰা আৰম্ভ হৈছিল।আচলতে শেহতীয়াকৈ বিশ্বাস কৰা হৈছিল যে প্ৰটিনৰ ত্ৰিমাত্ৰিক ভৱিষ্যদ্বাণী কৰাটো কাৰ্য্যক্ষম হ’বলৈ আৰু দহটা বছৰ লাগিব। ডিপমাইণ্ডৰ তথ্যই জৈৱ তথ্যবিজ্ঞানৰ অত্যাধুনিক বিপ্লৱক প্ৰতিনিধিত্ব কৰে।
প্ৰটিনে ত্ৰিমাত্ৰিকভাৱে কাম কৰে
আপুনি হয়তো ইতিমধ্যে শুনিছে যে প্ৰটিনে লক আৰু কী মডেলৰ অধীনত কাম কৰে। অৰ্থাৎ,প্ৰটিন আৰু ৰিচেপ্টৰবোৰ একেলগে সংযুক্ত হৈ থাকে, চাবি আৰু লকৰ দৰে। কিন্তু প্ৰকৃত ব্যৱস্থাটো তাতকৈ বহু বেছি জটিল। প্ৰটিনৰ সৈতে বিক্ৰিয়া জৈৱৰাসায়নিক কেছকেড আৰু অতি নিৰ্দিষ্ট অৱস্থাৰ ওপৰত নিৰ্ভৰ কৰে। এই তাৰতম্যই অণুৰ মাজত শ শ ত্ৰিমাত্ৰিক পাৰস্পৰিক ক্ৰিয়াৰ অনুমতি দিয়ে। এই কাৰণেই প্ৰটিনৰ ত্ৰিমাত্ৰিক আকৃতি ইমান গুৰুত্বপূৰ্ণ। কাৰণ তেওঁলোকে কাম কৰিবলৈ ′′ ফিটিংছ ′′ৰ ওপৰত নিৰ্ভৰশীল।
মূল কথালৈ ঘূৰি আহিলে অৱশ্যে প্ৰটিনে জিন প্ৰকাশ, প্ৰয়োজনীয় যৌগ উৎপাদন, খাদ্য হজম আৰু অন্যান্য অগণন কাৰ্য্য নিয়ন্ত্ৰণ কৰে। উদাহৰণস্বৰূপে প্ৰটিন লেক্টেজৰ কথা ভাবি চাওক। গাখীৰৰ ডেৰাইভেটিভত থকা লেক্ট’জৰ লগত বান্ধ খাই এই অণুটো ভাঙি পেলোৱাৰ বাবে তাই দায়বদ্ধ। যেতিয়া কোনো ব্যক্তিয়ে লেক্টেজ এনজাইম সঠিকভাৱে উৎপন্ন নকৰে তেতিয়া লেক্ট’জ অসহিষ্ণুতা দেখা দিয়ে।
এই ধৰণৰ সমস্যাৰ ফলত আন বহুতো ৰোগ হয়। তদুপৰি অন্যান্য বিকাৰসমূহ প্ৰয়োজনীয় প্ৰটিনৰ সৈতে জড়িত। সেয়েহে DeepMind প্ৰযুক্তিয়ে শ শ ৰোগৰ নতুন চিকিৎসা বিকশিত কৰাত সহায় কৰিব পাৰে। তদুপৰি গৱেষকসকলে Sars-CoV-2 য়ে ব্যৱহাৰ কৰা এটা প্ৰটিনৰ ওপৰত এই এলগৰিদম পৰীক্ষা কৰে। ফলত মূল প্ৰটিনৰ সৈতে ভৱিষ্যদ্বাণীৰ ৯০%তকৈ অধিক সাদৃশ্যও আছিল।
এটা ঐতিহাসিক অগ্ৰগতি
১৯৯০ চনৰ আশে-পাশে CASP প্ৰকল্প (Critical Assessment of protein Structure)।ভৱিষ্যদ্বাণী) আৰম্ভ হ’ল। এই কামৰ লক্ষ্য আছিল আমি পৰ্যবেক্ষণ কৰা ত্ৰিমাত্ৰিক আকৃতিটো প্ৰটিনে কেনেকৈ লাভ কৰে সেই বিষয়ে বিশেষভাৱে ভৱিষ্যদ্বাণী কৰা। সেই সময়লৈকে বিশ্বাস কৰা হৈছিল যে এই ধৰণৰ মেপিং দক্ষতাৰে হ’বলৈ সহস্ৰাব্দৰ সময় লাগিব পাৰে।
কিন্তু বহু বিজ্ঞানৰ দৰেই জীৱবিজ্ঞানও তথ্যবিজ্ঞানৰ সৈতে গভীৰভাৱে জড়িত আছিল। পৰিসংখ্যা বিশ্লেষণৰ দ্বাৰা এটা কৃত্ৰিম বুদ্ধিমত্তাই কম সময়ৰ ভিতৰতে লাখ লাখ বা আনকি কোটি কোটি চিমুলেচন চলাব পাৰে। ইয়াৰ ফলত বৈজ্ঞানিক আৱিষ্কাৰৰ গতি বহু পৰিমাণে ত্বৰান্বিত হৈছে, কেৱল জীৱবিজ্ঞানতে নহয়, ৰসায়ন বিজ্ঞান, পদাৰ্থ বিজ্ঞান আৰু চিকিৎসা বিজ্ঞানতো।
CASP প্ৰকল্পটো অব্যাহত ৰাখি ডিপমাইণ্ডে এক ঐতিহাসিক বাধা ভাঙি পেলাইছে। কাৰণ এতিয়ালৈকে কৰা সকলো চিমুলেচনৰ সাদৃশ্যৰ মাত্ৰা এই কৃত্ৰিম বুদ্ধিমত্তাৰ ফলাফলতকৈ বহু কম আছিল, প্ৰায় ৫০%।
