لیلینڈ ہیمن، شیرلاک بایو سائنسز میں لیڈ ڈیٹا سائنسدان - انٹرویو سیریز

لیلینڈ ہیمن لیڈ ڈیٹا سائنٹسٹ ہیں۔ شرلاک بایو سائنسز. وہ مشین لرننگ اور سالماتی تشخیص میں پس منظر کے ساتھ ایک تجربہ کار کمپیوٹر سائنسدان اور محقق ہیں۔

Sherlock Biosciences کیمبرج، میساچوسٹس میں واقع ایک بایو ٹیکنالوجی کمپنی ہے جو CRISPR کا استعمال کرتے ہوئے تشخیصی ٹیسٹ تیار کر رہی ہے۔ ان کا مقصد بہتر، تیز، سستی ٹیسٹوں کے ساتھ سالماتی تشخیص میں خلل ڈالنا ہے۔

ابتدا میں آپ کو کمپیوٹر سائنس کی طرف کس چیز نے راغب کیا؟

میں نے بہت چھوٹی عمر میں پروگرامنگ شروع کی تھی، لیکن مجھے بنیادی طور پر اپنے دوستوں کے ساتھ ویڈیو گیمز بنانے میں دلچسپی تھی۔ کالج اور گریجویٹ اسکول کے دوران کمپیوٹر سائنس کی دیگر ایپلی کیشنز میں میری دلچسپی بڑھی، خاص طور پر 2010 کی دہائی کے اوائل میں ہونے والے تمام اہم مشین لرننگ کام کے ساتھ۔ پورا فیلڈ ایک ایسے دلچسپ نئے محاذ کی طرح لگ رہا تھا جو سائنسی تحقیق اور ہماری روزمرہ کی زندگیوں کو براہ راست متاثر کر سکتا ہے — میں مدد نہیں کر سکتا لیکن اس سے متاثر نہیں ہو سکتا۔

آپ نے پی ایچ ڈی بھی کی۔ سیلولر اور مالیکیولر بائیولوجی میں، آپ کو پہلی بار کب احساس ہوا کہ دونوں فیلڈز ایک دوسرے کو آپس میں ملا دیں گے؟

میں نے گریجویٹ اسکول میں ابتدائی طور پر کمپیوٹر سائنس اور بیالوجی کے ساتھ اس قسم کا انٹرسیکشنل کام کرنا شروع کر دیا تھا۔ میری لیب نے کٹر بائیو کیمسٹوں، کمپیوٹر سائنسدانوں اور درمیان میں موجود ہر ایک کے درمیان تعاون کے ذریعے پروٹین انجینئرنگ کے مسائل کو حل کرنے پر توجہ مرکوز کی۔ میں نے جلدی سے پہچان لیا کہ مشین لرننگ حیاتیاتی نظاموں میں قیمتی بصیرت فراہم کر سکتی ہے اور تجربات کو بہت آسان بنا سکتی ہے۔ اس کے برعکس، میں نے مشین لرننگ ماڈلز کی تعمیر کے دوران حیاتیاتی وجدان کی قدر کے لیے بھی تعریف حاصل کی۔ میری نظر میں، مسئلہ کو درست طریقے سے تیار کرنا مشین لرننگ میں اہم عنصر ہے۔ یہی وجہ ہے کہ مجھے یقین ہے کہ مختلف شعبوں میں مشترکہ کوششوں کا گہرا اثر ہو سکتا ہے۔

2022 سے آپ Sherlock Biosciences میں کام کر رہے ہیں، کیا آپ اس بارے میں کچھ تفصیلات بتا سکتے ہیں کہ آپ کے کردار میں کیا شامل ہے؟

میں فی الحال شرلاک بایوسینسز میں کمپیوٹیشنل ٹیم کی قیادت کرتا ہوں۔ ہمارا گروپ ان اجزاء کو ڈیزائن کرنے کا ذمہ دار ہے جو ہمارے تشخیصی اسیس میں جاتے ہیں، تجربہ کاروں کے ساتھ مداخلت کرتے ہیں جو گیلے لیب میں ان ڈیزائنوں کی جانچ کرتے ہیں، اور ڈیزائن کو بہتر بنانے کے لیے نئی کمپیوٹیشنل صلاحیتیں تیار کرتے ہیں۔ ان سرگرمیوں کو مربوط کرنے کے علاوہ، میں اپنے کوڈ بیس کے مشین لرننگ حصوں پر کام کرتا ہوں، نئے ماڈل آرکیٹیکچرز اور ڈی این اے اور آر این اے فزکس کی تقلید کرنے کے نئے طریقوں کے ساتھ تجربہ کرتا ہوں۔

مشین لرننگ Sherlock Biosciences کا بنیادی حصہ ہے، کیا آپ ڈیٹا کی قسم اور ڈیٹا کے حجم کی وضاحت کر سکتے ہیں جو جمع کیا جا رہا ہے، اور پھر ML اس ڈیٹا کو کیسے پارس کرتا ہے؟

پرکھ کی نشوونما کے دوران، ہم ہر نئے روگزنق کے لیے درجنوں سے سینکڑوں امیدواروں کی جانچ کرتے ہیں۔ اگرچہ ان امیدواروں کی اکثریت اسے تجارتی امتحان میں شامل نہیں کرے گی، لیکن ہم انہیں اپنی غلطیوں سے سیکھنے کے موقع کے طور پر دیکھتے ہیں۔ ان تجربات میں، ہم دو اہم چیزوں کی پیمائش کر رہے ہیں: حساسیت اور رفتار۔ ہمارے ماڈلز ہر پرکھ میں ڈی این اے اور آر این اے کی ترتیب کو بطور ان پٹ لیتے ہیں اور پھر پرکھ کی حساسیت اور رفتار کا اندازہ لگانا سیکھتے ہیں۔

ML کس طرح پیش گوئی کرتا ہے کہ کون سے مالیکیولر تشخیصی اجزاء سب سے زیادہ رفتار اور درستگی کے ساتھ انجام دیں گے؟

جب ہم سوچتے ہیں کہ انسان کیسے سیکھتا ہے، تو دو بڑی حکمت عملییں ہوتی ہیں۔ ایک طرف، ایک شخص خالص آزمائش اور غلطی کے ذریعے کام کرنے کا طریقہ سیکھ سکتا ہے۔ وہ اس کام کو دہرا سکتے تھے، اور بہت سی ناکامیوں کے بعد، وہ آخر کار خود ہی کام کے اصولوں کا پتہ لگا لیتے تھے۔ یہ حکمت عملی انٹرنیٹ سے پہلے کافی مقبول تھی۔ تاہم، ہم اس شخص کو ایک استاد فراہم کر سکتے ہیں تاکہ وہ انہیں کام کے اصول فوراً بتا سکے۔ استاد کے ساتھ طالب علم آزمائشی اور غلطی کے نقطہ نظر کے مقابلے میں بہت تیزی سے سیکھ سکتا ہے، لیکن صرف اس صورت میں جب ان کے پاس ایک اچھا استاد ہو جو کام کو پوری طرح سمجھتا ہو۔

مشین لرننگ ماڈلز کی تربیت کے لیے ہمارا نقطہ نظر ان دو حکمت عملیوں کے درمیان جزوی ہے۔ اگرچہ ہمارے پاس اپنے مشین لرننگ ماڈلز کے لیے ایک بہترین "استاد" نہیں ہے، لیکن ہم اپنے اسیس میں ڈی این اے اور آر این اے اسٹرینڈز کی فزکس کے بارے میں کچھ معلومات کے ساتھ ان کا آغاز کر سکتے ہیں۔ اس سے انہیں کم ڈیٹا کے ساتھ بہتر پیشین گوئیاں کرنا سیکھنے میں مدد ملتی ہے۔ ایسا کرنے کے لیے، ہم اپنے پرکھ کے ڈی این اے اور آر این اے کی ترتیب پر کئی بائیو فزیکل سمولیشن چلاتے ہیں۔ اس کے بعد ہم نتائج کو ماڈل میں ڈالتے ہیں اور اس سے پرکھ کی رفتار اور حساسیت کا اندازہ لگانے کو کہتے ہیں۔ ہم اس عمل کو ان تمام تجربات کے لیے دہراتے ہیں جو ہم نے لیب میں کیے ہیں، اور ماڈل اس کی پیشین گوئیوں اور واقعی کیا ہوا کے درمیان فرق دکھاتا ہے۔ کافی تکرار کے ذریعے، یہ بالآخر سیکھتا ہے کہ ڈی این اے اور آر این اے فزکس کا تعلق ہر پرکھ کی رفتار اور حساسیت سے کیسے ہے۔

شرلاک بایوسینسز کے ذریعہ AI الگورتھم استعمال کرنے کے کچھ اور طریقے کیا ہیں؟

ہم نے مختلف قسم کے مسائل کو حل کرنے کے لیے مشین لرننگ الگورتھم کا استعمال کیا ہے۔ ذہن میں آنے والی چند مثالیں مارکیٹ ریسرچ اور تصویری تجزیہ سے متعلق ہیں۔ مارکیٹ ریسرچ کے لیے، ہم ایسے ماڈلز کو تربیت دینے کے قابل تھے جو مختلف قسم کے صارفین کے بارے میں سیکھتے ہیں، اور کتنے لوگوں کو بیماری کی جانچ کی ضرورت پوری نہیں ہو سکتی ہے۔ ہم نے لیٹرل فلو سٹرپس کی تصویروں کا تجزیہ کرنے کے لیے ماڈلز بھی بنائے ہیں (ٹیسٹ کی وہ قسم جو عام طور پر اوور دی کاؤنٹر COVID ٹیسٹوں میں استعمال ہوتی ہے) اور خود بخود اندازہ لگاتے ہیں کہ آیا کوئی مثبت بینڈ موجود ہے۔ اگرچہ یہ انسان کے لیے ایک معمولی کام کی طرح لگتا ہے، لیکن میں پہلے ہاتھ سے کہہ سکتا ہوں کہ یہ ہزاروں تصویروں کو دستی طور پر تشریح کرنے کا ایک ناقابل یقین حد تک آسان متبادل ہے۔

ML ماڈلز بنانے کے پیچھے کچھ چیلنجز کیا ہیں جو جدید بائیو سائنس ٹیکنالوجی جیسے CRISPR کے ساتھ مل کر کام کرتے ہیں؟

کسی بھی بائیو سائنس ٹیکنالوجی پر مشین لرننگ ماڈلز کو لاگو کرنے کے ساتھ ڈیٹا کی دستیابی سب سے بڑا چیلنج ہے۔ CRISPR اور DNA یا RNA پر مبنی ٹیکنالوجیز کو ایک مخصوص چیلنج کا سامنا ہے، جس کی بنیادی وجہ پروٹین کے مقابلے نیوکلک ایسڈز کے لیے دستیاب نمایاں طور پر چھوٹے ساختی ڈیٹاسیٹس ہیں۔ یہی وجہ ہے کہ ہم نے حالیہ برسوں میں پروٹین ایم ایل کی بڑی ترقی دیکھی ہے (الفا فولڈ 2 اور دیگر کے ساتھ)، لیکن ڈی این اے اور آر این اے ایم ایل کی ترقی ابھی بھی پیچھے ہے۔

مستقبل کے بارے میں آپ کا وژن کیا ہے کہ AI کس طرح CRISPR اور بایو سائنس کے ساتھ مربوط ہو گا؟

ہم ابھی پروٹین انجینئرنگ اور منشیات کی دریافت کے شعبوں میں بڑے پیمانے پر AI بوم دیکھ رہے ہیں، اور مجھے امید ہے کہ یہ دوا سازی کی صنعت میں ترقی کو تیز کرتا رہے گا۔ میں آنے والے سالوں میں CRISPR اور دیگر DNA اور RNA پر مبنی ٹیکنالوجیز کے ساتھ ایسا ہی ہوتا دیکھنا پسند کروں گا۔ یہ تشخیص، انسانی ادویات، اور مصنوعی حیاتیات میں ناقابل یقین حد تک اثر انداز ہو سکتا ہے۔ ہم پہلے ہی یہاں Sherlock میں تشخیصی اور CRISPR ٹیکنالوجیز کی ترقی میں کمپیوٹیشنل ٹولز کے فوائد دیکھ چکے ہیں، اور مجھے امید ہے کہ اس قسم کا کام میدان کو آگے بڑھانے کے لیے "سنو بال" اثر کی حوصلہ افزائی کرے گا۔

زبردست انٹرویو کے لیے آپ کا شکریہ، جو قارئین مزید جاننا چاہتے ہیں وہ ضرور تشریف لائیں۔ شرلاک بایو سائنسز.