लेलैंड हाइमन, शेरलॉक बायोसाइंसेज के लीड डेटा साइंटिस्ट – साक्षात्कार श्रृंखला

लेलैंड हाइमन शेरलॉक बायोसाइंसेज के लीड डेटा साइंटिस्ट हैं। वह एक अनुभवी कंप्यूटर वैज्ञानिक और शोधकर्ता हैं जिनकी पृष्ठभूमि मशीन लर्निंग और आणविक निदान में है।

शेरलॉक बायोसाइंसेज एक जैव प्रौद्योगिकी कंपनी है जो कैम्ब्रिज, मैसाचुसेट्स में स्थित है और जो क्रिस्पआर का उपयोग करके निदान परीक्षण विकसित कर रही है। वे आणविक निदान में बेहतर, तेज और सस्ते परीक्षणों के साथ व्यवधान पैदा करने का लक्ष्य रखते हैं।

आपको कंप्यूटर विज्ञान में最初 क्या आकर्षित किया?

मैंने बहुत छोटी उम्र में प्रोग्रामिंग शुरू की, लेकिन मैं मुख्य रूप से अपने दोस्तों के साथ वीडियो गेम बनाने में रुचि रखता था। मेरी रुचि कॉलेज और स्नातक स्कूल में अन्य कंप्यूटर विज्ञान अनुप्रयोगों में, विशेष रूप से 2010 के दशक की शुरुआत में हो रहे मशीन लर्निंग के नए काम के साथ बढ़ी। पूरा क्षेत्र एक ऐसा रोमांचक नया मोर्चा लगता था जो वैज्ञानिक अनुसंधान और हमारे दैनिक जीवन को सीधे प्रभावित कर सकता है – मैं इसके द्वारा आकर्षित हुए बिना नहीं रह सका।

आपने सेल्युलर और मॉलिक्युलर बायोलॉजी में पीएचडी भी किया है, जब आप पहली बार महसूस किया कि दो क्षेत्रों का अतिच्छादन होगा?

मैंने स्नातक स्कूल की शुरुआत में ही कंप्यूटर विज्ञान और जीव विज्ञान के बीच इस प्रकार के अतिच्छादन का काम शुरू किया था। मेरी प्रयोगशाला प्रोटीन इंजीनियरिंग समस्याओं को हल करने के लिए जैव रसायनज्ञों, कंप्यूटर वैज्ञानिकों और बीच में सभी के बीच सहयोग के माध्यम से काम कर रही थी। मैंने जल्द ही पहचाना कि मशीन लर्निंग जैविक प्रणालियों में मूल्यवान अंतर्दृष्टि प्रदान कर सकता है और प्रयोग को बहुत आसान बना सकता है। इसके विपरीत, मैंने मशीन लर्निंग मॉडल के निर्माण के दौरान जैविक अंतर्ज्ञान के मूल्य की भी सराहना की। मेरे विचार में, समस्या को सटीक रूप से फ्रेम करना मशीन लर्निंग में महत्वपूर्ण तत्व है। यही कारण है कि मुझे लगता है कि विभिन्न क्षेत्रों में सहयोगी प्रयासों का एक गहरा प्रभाव पड़ सकता है।

2022 से आप शेरलॉक बायोसाइंसेज में काम कर रहे हैं, क्या आप अपनी भूमिका के बारे में कुछ विवरण साझा कर सकते हैं?

मैं वर्तमान में शेरलॉक बायोसाइंसेज में गणनात्मक टीम का नेतृत्व करता हूं। हमारा समूह हमारे निदान परीक्षणों में जाने वाले घटकों को डिजाइन करने, प्रयोगकर्ताओं के साथ सहयोग करने और नए गणनात्मक क्षमताओं को बनाने के लिए जिम्मेदार है जो डिजाइन में सुधार कर सकते हैं। इन गतिविधियों को समन्वयित करने के अलावा, मैं हमारे कोडबेस के मशीन लर्निंग हिस्सों पर काम करता हूं, नए मॉडल आर्किटेक्चर और डीएनए और आरएनए भौतिकी के साथ प्रयोग करता हूं जो हमारे परीक्षणों में शामिल हैं।

मशीन लर्निंग शेरलॉक बायोसाइंसेज के केंद्र में है, क्या आप बता सकते हैं कि किस प्रकार का डेटा एकत्र किया जा रहा है और कितना डेटा एकत्र किया जा रहा है, और फिर एमएल उस डेटा को कैसे पार्स करता है?

परीक्षण विकास के दौरान, हम प्रत्येक नए रोगजनक के लिए दर्जनों से सैकड़ों उम्मीदवार परीक्षणों का परीक्षण करते हैं। हालांकि इनमें से अधिकांश उम्मीदवार व्यावसायिक परीक्षण में नहीं जाएंगे, हम उन्हें अपनी गलतियों से सीखने का अवसर मानते हैं। इन प्रयोगों में, हम दो मुख्य चीजों को मापते हैं: संवेदनशीलता और गति। हमारे मॉडल प्रत्येक परीक्षण में डीएनए और आरएनए अनुक्रमों को इनपुट के रूप में लेते हैं और फिर परीक्षण की संवेदनशीलता और गति की भविष्यवाणी करना सीखते हैं।

एमएल कैसे भविष्यवाणी करता है कि कौन से आणविक निदान घटक सबसे तेजी से और सटीकता से प्रदर्शन करेंगे?

जब हम सोचते हैं कि एक मानव कैसे सीखता है, तो दो प्रमुख रणनीतियाँ हैं। एक ओर, एक व्यक्ति किसी कार्य को सीखने के लिए शुद्ध परीक्षण और त्रुटि के माध्यम से सीख सकता है। वे कार्य को दोहरा सकते हैं, और कई विफलताओं के बाद, वे अंततः कार्य के नियमों को स्वयं सीखेंगे। यह रणनीति इंटरनेट से पहले बहुत लोकप्रिय थी। हालांकि, हम इस व्यक्ति को कार्य के नियमों को तुरंत बताने के लिए एक शिक्षक प्रदान कर सकते हैं। शिक्षक के साथ छात्र शिक्षक के बिना बहुत तेजी से सीख सकता है, लेकिन केवल तभी जब उन्हें एक अच्छा शिक्षक मिले जो कार्य को पूरी तरह से समझता हो।

हमारा मशीन लर्निंग मॉडल प्रशिक्षण के लिए दृष्टिकोण इन दो रणनीतियों के बीच है। जबकि हमारे पास हमारे मशीन लर्निंग मॉडल के लिए एक आदर्श “शिक्षक” नहीं है, हम उन्हें हमारे परीक्षणों में डीएनए और आरएनए स्ट्रैंड के भौतिकी के बारे में कुछ ज्ञान के साथ शुरू कर सकते हैं। इससे उन्हें कम डेटा के साथ बेहतर भविष्यवाणियां करने में मदद मिलती है। ऐसा करने के लिए, हम अपने परीक्षण के डीएनए और आरएनए अनुक्रमों पर कई जैवभौतिक सिमुलेशन चलाते हैं। फिर हम सिमुलेशन के परिणामों को मॉडल में डालते हैं और उनसे परीक्षण की गति और संवेदनशीलता की भविष्यवाणी करने के लिए कहते हैं। हम इस प्रक्रिया को प्रयोगशाला में किए गए सभी प्रयोगों के लिए दोहराते हैं, और मॉडल वास्तव में क्या हुआ और इसकी भविष्यवाणी के बीच अंतर दिखाता है। पर्याप्त पुनरावृत्ति के माध्यम से, यह अंततः सीखता है कि डीएनए और आरएनए भौतिकी कैसे प्रत्येक परीक्षण की गति और संवेदनशीलता से संबंधित हैं।

शेरलॉक बायोसाइंसेज द्वारा एआई एल्गोरिदम का उपयोग करने के अन्य तरीके क्या हैं?

हमने विभिन्न समस्याओं को हल करने के लिए मशीन लर्निंग एल्गोरिदम का उपयोग किया है। मुझे कुछ उदाहरण याद आते हैं जो बाजार अनुसंधान और छवि विश्लेषण से संबंधित हैं। बाजार अनुसंधान के लिए, हमने मॉडल प्रशिक्षित किए जो विभिन्न प्रकार के ग्राहकों के बारे में सीखते हैं और कितने लोगों को बीमारी परीक्षण के लिए अपूर्ण आवश्यकता हो सकती है। हमने लेटरल फ्लो स्ट्रिप्स (ओवर-द-काउंटर कोविड परीक्षणों में उपयोग किए जाने वाले प्रकार के परीक्षण) की तस्वीरों का विश्लेषण करने और स्वचालित रूप से भविष्यवाणी करने के लिए मॉडल भी बनाए हैं कि क्या एक सकारात्मक बैंड मौजूद है। जबकि यह एक मानव के लिए एक आसान काम लगता है, मैं पहले हाथ से कह सकता हूं कि यह हजारों तस्वीरों को मैन्युअल रूप से एनोटेट करने का एक अविश्वसनीय रूप से सुविधाजनक विकल्प है।

क्रिस्पआर जैसी कटिंग-एज बायोसाइंस टेक्नोलॉजी के साथ मिलकर काम करने वाले एमएल मॉडल बनाने के पीछे कुछ चुनौतियां क्या हैं?

डेटा की उपलब्धता क्रिस्पआर और डीएनए या आरएनए-आधारित प्रौद्योगिकियों जैसी किसी भी जैव विज्ञान प्रौद्योगिकी में मशीन लर्निंग मॉडल लागू करने के साथ मुख्य चुनौती है। क्रिस्पआर और डीएनए या आरएनए-आधारित प्रौद्योगिकियों का सामना करने वाली एक विशिष्ट चुनौती मुख्य रूप से न्यूक्लिक एसिड के लिए उपलब्ध संरचनात्मक डेटासेट की तुलना में प्रोटीन के लिए बहुत छोटे होने के कारण है। यही कारण है कि हमने हाल के वर्षों में प्रोटीन एमएल में बड़ी प्रगति (अल्फाफोल्ड 2 और अन्य के साथ) देखी है, लेकिन डीएनए और आरएनए एमएल अभी भी पीछे है।

क्रिस्पआर और बायोसाइंस के साथ एकीकृत होने वाले एआई के भविष्य के लिए आपकी दृष्टि क्या है?

हम प्रोटीन इंजीनियरिंग और दवा खोज के क्षेत्र में वर्तमान में एक बड़ा एआई बूम देख रहे हैं, और मुझे उम्मीद है कि यह दवा उद्योग में विकास को तेज करना जारी रखेगा। मुझे उम्मीद है कि आने वाले वर्षों में क्रिस्पआर और अन्य डीएनए और आरएनए-आधारित प्रौद्योगिकियों के साथ भी ऐसा ही होगा। यह निदान, मानव चिकित्सा और सिंथेटिक जीव विज्ञान में बहुत प्रभावी हो सकता है। हम पहले से ही शेरलॉक में हमारे निदान और क्रिस्पआर प्रौद्योगिकियों के विकास में कम्प्यूटेशनल टूल्स के लाभ देख चुके हैं, और मुझे उम्मीद है कि इस प्रकार का काम क्षेत्र को आगे बढ़ाने के लिए एक “बर्फ की गेंद” प्रभाव पैदा करेगा।

धन्यवाद महान साक्षात्कार के लिए, पाठक जो अधिक जानना चाहते हैं उन्हें शेरलॉक बायोसाइंसेज पर जाना चाहिए।