বিজ্ঞানীরা প্রাথমিক ওষুধ আবিষ্কারের সময় শক্তিশালী সরঞ্জামের একটি অস্ত্রাগার ব্যবহার করেন, আণবিক, ফেনোটাইপিক এবং গণনামূলক প্রমাণ তৈরি করেন। তবুও আরও ডেটা তৈরি করা কোন লক্ষ্য, যৌগ বা পরীক্ষা অনুসরণ করবে সে সম্পর্কে আত্মবিশ্বাসী সিদ্ধান্তের গ্যারান্টি দেয় না। সীমাবদ্ধতাটি প্রায়শই সরঞ্জামগুলির মধ্যে ফাঁকের মধ্যে থাকে: পর্যবেক্ষণগুলি বিভিন্ন ফর্ম্যাটে আসে, হ্যান্ডঅফগুলিতে পরীক্ষামূলক প্রসঙ্গ হারায় এবং তুলনা করা বা পুনরুত্পাদন করা কঠিন হয়ে পড়ে। ইন্টিগ্রেশন, এই অর্থে, একটি বৈজ্ঞানিক সমস্যা এবং সেইসাথে একটি প্রযুক্তিগত সমস্যা।
এই নিবন্ধটি আবিষ্কারের কর্মপ্রবাহের জন্য একটি ব্যবহারিক পরীক্ষার প্রস্তাব করে: একজন বিজ্ঞানী কি তার পদ্ধতি এবং সীমাবদ্ধতার মাধ্যমে, গৃহীত পদক্ষেপের জন্য ব্যবহৃত প্রমাণ থেকে একটি ফলপ্রসূ সিদ্ধান্তের সন্ধান করতে পারেন? যদি সেই পথটি দুর্বল হয়, অন্য প্ল্যাটফর্ম বা মডেল যোগ করার সিদ্ধান্তটি মেরামত করার সম্ভাবনা নেই। উত্তর হল একটি সংজ্ঞায়িত বৈজ্ঞানিক প্রশ্নের চারপাশে তথ্য, মানুষ এবং পর্যালোচনা পয়েন্টগুলিকে সংযুক্ত করা।
সিদ্ধান্ত মেনে চলুন
একটি প্রতিশ্রুতিশীল স্ক্রীনিং ফলাফলের পরে একটি লক্ষ্য অগ্রগতি কিনা তা মূল্যায়ন একটি দল বিবেচনা করুন. প্রাথমিক সংকেত একটি বায়োকেমিক্যাল পরীক্ষা থেকে আসতে পারে। পরবর্তী প্রমাণগুলির মধ্যে অর্থোগোনাল অ্যাসেস, কোষ-ভিত্তিক ফলাফল, জেনেটিক বিক্ষিপ্ততা, কাঠামোগত তথ্য, টক্সিকোলজি সংকেত এবং সাহিত্য অন্তর্ভুক্ত থাকতে পারে। প্রতিটি একটি পৃথক সিস্টেমে বসতে পারে, একটি ভিন্ন গ্রুপের মালিকানাধীন। একটি সিদ্ধান্ত সভা তারপর হাত দ্বারা একত্রিত স্লাইড সারাংশ উপর নির্ভর করে।
সমস্যাটি কেবল এই নয় যে একটি ফাইল খুঁজে পাওয়া কঠিন ছিল। বিজ্ঞানীদের জানতে হবে কোন নমুনা এবং পরিক্ষার অবস্থার ফলাফল তৈরি হয়েছে, একটি ফলো-আপ পরীক্ষা এটি নিশ্চিত করেছে কিনা এবং কেন বিরোধপূর্ণ প্রমাণগুলি ছাড় দেওয়া হয়েছিল। এই প্রসঙ্গ ব্যতীত, একটি সংখ্যা এটির চেয়ে আরও শক্তিশালী প্রদর্শিত হতে পারে। ম্যানুয়াল পুনর্মিলন ব্যাখ্যা থেকেও সময় নেয় এবং পরীক্ষাগুলির বিপরীতে তুলনা করার সুযোগ বাড়ায়।
একটি দরকারী কর্মপ্রবাহ মানচিত্র অ্যাপ্লিকেশনের তালিকার পরিবর্তে সিদ্ধান্ত নেওয়ার সাথে শুরু হয়। এটি প্রয়োজনীয় প্রমাণ সনাক্ত করে, প্রতিটি পর্যবেক্ষণের উত্স, কে এটি যাচাই করে এবং কোন বিন্দুতে একটি অসঙ্গতি সমাধান করা আবশ্যক। এটি একীকরণ প্রকল্পগুলিকে একটি নির্দিষ্ট সিদ্ধান্তের উন্নতি ছাড়াই ডেটা সরানোর ক্ষেত্রে নিছক অনুশীলন হতে বাধা দেয়।
একটি দরকারী কর্মপ্রবাহ মানচিত্র অ্যাপ্লিকেশনের তালিকার পরিবর্তে সিদ্ধান্ত নেওয়ার সাথে শুরু হয়।
পরীক্ষামূলক প্রসঙ্গ সংরক্ষণ করুন
বৈজ্ঞানিক তথ্য খুব কমই নিজেদের জন্য কথা বলে। একটি পরীক্ষার ফলাফলের জন্য এর প্রোটোকল, নিয়ন্ত্রণ, ইউনিট, নমুনা পরিচয়, ব্যাচ, বিশ্লেষণ সংস্করণ এবং গুণমানের পতাকা প্রয়োজন। একটি কাঠামোর ভবিষ্যদ্বাণী একটি পরীক্ষামূলকভাবে নির্ধারিত কাঠামো থেকে ভিন্ন প্রমাণের স্থিতি আছে। একটি মেশিন-লার্নিং স্কোর অগ্রাধিকার নির্ধারণের জন্য উপযোগী হতে পারে, তবে এর ব্যাখ্যা প্রশিক্ষণের ডেটা, প্রযোজ্য ডোমেন এবং বৈধতার উপর নির্ভর করে।
তাই ডেটাকে মূলসূত্রের সাথে ভ্রমণ করা উচিত: তারা কোথা থেকে এসেছে, কীভাবে তারা রূপান্তরিত হয়েছিল এবং কে একটি পরিবর্তন অনুমোদন করেছে তার একটি রেকর্ড। স্থিতিশীল শনাক্তকারী দলগুলি জুড়ে একটি যৌগ বা লক্ষ্য সংযোগ করতে সহায়তা করে। সম্মত একক, শব্দভান্ডার এবং মেটাডেটা ক্ষেত্র একটি তুলনাকে অর্থবহ করে তোলে। FAIR নীতিগুলি - সন্ধানযোগ্য, অ্যাক্সেসযোগ্য, আন্তঃপরিচালনযোগ্য এবং পুনঃব্যবহারযোগ্য - স্টুয়ার্ডশিপের জন্য একটি ভিত্তি প্রদান করে, কিন্তু একটি অন্তর্নিহিত পরীক্ষা সঠিক ছিল তা গ্যারান্টি দিতে পারে না৷
প্রয়োজনীয় পরিমাণ মেটাডেটা সিদ্ধান্তের সাথে মানানসই হওয়া উচিত। একটি স্ক্রীনিং প্রচারের জন্য, একটি ন্যূনতম রেকর্ডে অ্যাসে সংস্করণ, ঘনত্ব, নিয়ন্ত্রণ, প্রতিলিপি গণনা এবং বর্জনের মানদণ্ড অন্তর্ভুক্ত থাকতে পারে। একটি ঔষধি রসায়ন হ্যান্ডঅফের জন্য, যৌগিক পরিচয়, সংশ্লেষণ ব্যাচ, বিশুদ্ধতা এবং সঠিক জৈবিক রিডআউট অপরিহার্য হয়ে ওঠে। প্রতিটি কল্পনাযোগ্য ক্ষেত্র ক্যাপচার করার চেষ্টা গবেষকদের বোঝা হতে পারে; তবুও খুব কম সংগ্রহ করা পরে ব্যয়বহুল অস্পষ্টতা তৈরি করে। দলগুলিকে চ্যালেঞ্জ এবং ফলাফল পুনরুত্পাদন করার জন্য প্রয়োজনীয় ন্যূনতম তথ্যের উপর সম্মত হওয়া উচিত।
প্রতিটি কল্পনাযোগ্য ক্ষেত্র ক্যাপচার করার চেষ্টা গবেষকদের বোঝা হতে পারে; তবুও খুব কম সংগ্রহ করা পরে ব্যয়বহুল অস্পষ্টতা তৈরি করে।
হ্যান্ডঅফগুলি দৃশ্যমান করুন
আবিষ্কারের কাজ সাংগঠনিক সীমানা অতিক্রম করে। রসায়ন, জীববিদ্যা, কম্পিউটেশনাল বিজ্ঞান, অনুবাদমূলক গবেষণা এবং বহিরাগত অংশীদাররা প্রত্যেকে একই সম্পদকে ভিন্নভাবে বর্ণনা করতে পারে। যদিও একটি ভাগ করা শনাক্তকারী দরকারী, এটি যথেষ্ট নয়। প্রাপক দলকে অবশ্যই বুঝতে হবে প্রমাণগুলি প্রাথমিক কিনা, কী এখনও অনিশ্চিত এবং কী পদক্ষেপ প্রত্যাশিত।
একটি হ্যান্ডঅফ বৈজ্ঞানিক প্রশ্ন, অন্তর্নিহিত রেকর্ডের সাথে লিঙ্ক, সীমাবদ্ধতা চিহ্নিত করা এবং উন্মুক্ত সমস্যা সমাধানের জন্য দায়বদ্ধ ব্যক্তির নাম উল্লেখ করা উচিত। সেই তথ্যটি আলাদা রিপোর্টিং ব্যায়াম হিসাবে যোগ করার পরিবর্তে বিদ্যমান পর্যালোচনা রুটিনে এম্বেড করা যেতে পারে। একটি সিদ্ধান্ত লগ কাজ অগ্রগতি, পুনরাবৃত্তি বা বন্ধ করার যুক্তি ক্যাপচার করতে পারে এবং পুরানো ডেটার পুনর্ব্যাখ্যা থেকে একটি নতুন ফলাফলকে আলাদা করতে পারে।
বাহ্যিক সহযোগিতা এই শৃঙ্খলাকে বিশেষভাবে গুরুত্বপূর্ণ করে তোলে। চুক্তিতে বৈজ্ঞানিক রেকর্ড ধরে রাখার জন্য ফরম্যাট, মেটাডেটা, স্থানান্তর ফ্রিকোয়েন্সি, গুণমান পরীক্ষা এবং অধিকার উল্লেখ করা উচিত। যখন এই বিশদ বিবরণগুলি শুধুমাত্র প্রকল্প শুরু হওয়ার পরেই সম্বোধন করা হয়, তখন একীকরণ একটি ধারাবাহিক মেরামত হয়ে যায়। উদ্দেশ্য প্রতিটি অংশীদারকে এক প্ল্যাটফর্মে জোর করা নয়; এটি নিশ্চিত করা যে প্রমাণগুলি বোঝা এবং মূল্যায়ন করা যায় যখন এটি সীমানা অতিক্রম করে।
একটি নিয়ন্ত্রিত কর্মপ্রবাহে AI রাখুন
কৃত্রিম বুদ্ধিমত্তা (AI) নিদর্শনগুলি সনাক্ত করতে পারে এবং অনুমানগুলিকে র্যাঙ্ক করতে সহায়তা করতে পারে, তবে এটি এতে সরবরাহ করা তথ্যের শক্তি এবং দুর্বলতা উভয়কেই বাড়িয়ে তোলে। অসামঞ্জস্যপূর্ণ অ্যাসেস বা অসম্পূর্ণ মেটাডেটাতে প্রশিক্ষিত একটি মডেল একটি প্ররোচিত আউটপুট তৈরি করতে পারে যা উদ্দেশ্যমূলক পরীক্ষামূলক সেটিংয়ে ব্যাখ্যা করা যায় না। প্রোটিন গঠনের ভবিষ্যদ্বাণীর অগ্রগতি একটি শক্তিশালী গণনা পদ্ধতির বৈজ্ঞানিক মূল্যকে চিত্রিত করে, যেখানে একটি ভবিষ্যদ্বাণী কেন তার আত্মবিশ্বাস এবং হাতে থাকা জৈবিক প্রশ্নের সাথে বোঝা উচিত তা হাইলাইট করে।
দলগুলিকে অবশ্যই মডেলের ভূমিকা সুনির্দিষ্টভাবে সংজ্ঞায়িত করতে হবে। এটি কি পরীক্ষার জন্য যৌগ প্রস্তাব করছে, একটি অস্বাভাবিক ফলাফল পতাকাঙ্কিত করছে, বা একটি সম্পত্তি অনুমান করছে? উত্তর নির্ধারণ করে কোন বৈধতা প্রয়োজন এবং কে চূড়ান্ত সিদ্ধান্ত নেয়। নতুন পরীক্ষা-নিরীক্ষার বিরুদ্ধে একটি সম্ভাব্য পরীক্ষা পরিচিত ঐতিহাসিক তথ্যের উপর একটি প্রদর্শনের চেয়ে আরও তথ্যপূর্ণ। বিজ্ঞানীদের অবশ্যই দেখতে হবে যখন একটি সুপারিশ মডেলটির মূল্যায়ন করা হয়েছে এমন ডেটার বাইরে পড়ে।
একটি AI আউটপুট একটি ট্রেসযোগ্য সিদ্ধান্তের অংশ হওয়া উচিত, এর মডেল সংস্করণ, ইনপুট ডেটা এবং পরবর্তী পরীক্ষামূলক ফলাফল একসাথে সংযুক্ত করা উচিত। এটি নিশ্চিত করতে সাহায্য করে যে টুলটি অগ্রাধিকার প্রক্রিয়াকে উন্নত করেছে নাকি কেবলমাত্র আরও প্রার্থী তৈরি করেছে। মানব চ্যালেঞ্জ একটি আনুষ্ঠানিক চূড়ান্ত অনুমোদন নয়; এটা কিভাবে ডোমেইন জ্ঞান, বিরোধপূর্ণ প্রমাণ এবং অনিশ্চয়তা সিদ্ধান্তে প্রবেশ করে।
একটি AI আউটপুট একটি ট্রেসযোগ্য সিদ্ধান্তের অংশ হওয়া উচিত, এর মডেল সংস্করণ, ইনপুট ডেটা এবং পরবর্তী পরীক্ষামূলক ফলাফল একসাথে সংযুক্ত করা উচিত।
সিদ্ধান্তের গুণমান পরিমাপ করুন
ইন্টিগ্রেশন প্রকল্পগুলি প্রায়শই সংযুক্ত সিস্টেমের সংখ্যা, রেকর্ড স্থানান্তরিত বা সক্রিয় ব্যবহারকারীদের দ্বারা বিচার করা হয়। এই ব্যবস্থাগুলি অগ্রগতির ইঙ্গিত দিতে পারে, কিন্তু তারা একটি বৈজ্ঞানিক সুবিধা স্থাপন করে না। একটি আরও দরকারী মূল্যায়ন শুরু হয় কয়েকটি সিদ্ধান্তের সাথে: লক্ষ্য মনোনয়ন, হিট নিশ্চিতকরণ, নেতৃত্ব নির্বাচন বা একটি প্রোগ্রাম বন্ধ করার সিদ্ধান্ত।
সম্ভাব্য ব্যবস্থাগুলির মধ্যে একটি সম্পূর্ণ প্রমাণ প্যাকেজ একত্রিত করার জন্য প্রয়োজনীয় সময়, প্রয়োজনীয় প্রসঙ্গ সহ ফলাফলের অনুপাত, পর্যালোচনায় অমীমাংসিত অসঙ্গতির সংখ্যা, অনুপস্থিত তথ্যের কারণে সৃষ্ট পুনরাবৃত্তি পরীক্ষা এবং নতুন প্রমাণ থেকে একটি নথিভুক্ত সিদ্ধান্তের সময় অন্তর্ভুক্ত। কিছু প্রোগ্রামের জন্য, পরবর্তী ফলাফল যেমন মনোনীত ফলাফলের পুনরুত্পাদনযোগ্যতা মূল্যায়ন করা যেতে পারে। এই সূচকগুলি একসাথে ব্যাখ্যা করা উচিত। দ্রুত সিদ্ধান্তগুলি কম নির্ভরযোগ্য হলে ভাল হয় না।
দ্রুত সিদ্ধান্তগুলি কম নির্ভরযোগ্য হলে ভাল হয় না।
দলগুলি একটি কর্মপ্রবাহে একটি পাইলটের সাথে একটি বেসলাইন তুলনা করতে পারে, উভয় সংখ্যা এবং নির্দিষ্ট ক্ষেত্রে পর্যালোচনা করে। কেন বিজ্ঞানীরা একটি অ্যালগরিদমিক র্যাঙ্কিংকে অগ্রাহ্য করেছেন তার একটি পর্যালোচনা অনুপস্থিত জীববিজ্ঞান প্রকাশ করতে পারে; বারবার পরীক্ষার একটি পর্যালোচনা খারাপ নমুনা সনাক্তযোগ্যতা প্রকাশ করতে পারে। এই ধরনের ফলাফলগুলি মান, ইন্টারফেস বা শাসনের পরিবর্তনের দিকে নির্দেশ করে। ব্যবস্থাগুলিকে আরও ভাল প্রমাণ এবং পরিষ্কার পছন্দগুলিকে পুরস্কৃত করা উচিত, দুর্বল প্রার্থীদের আরও দ্রুত অগ্রগতির জন্য বিজ্ঞানীদের চাপ দেওয়া উচিত নয়।
প্রজননযোগ্যতা বিশেষ মনোযোগের দাবি রাখে। একটি বিশ্লেষণ পুনরাবৃত্তি করার ক্ষমতা ইনপুট, কোড বা পদ্ধতি সংস্করণ এবং নথিভুক্ত বর্জন অ্যাক্সেসের উপর নির্ভর করে। একটি পরীক্ষামূলক অনুসন্ধান পুনরুত্পাদন করার ক্ষমতা প্রোটোকল বিশদ, উপাদান পরিচয় এবং উপযুক্ত নিয়ন্ত্রণের উপর নির্ভর করে। এগুলো সম্পর্কিত কিন্তু স্বতন্ত্র পরীক্ষা। একটি সংযুক্ত সিস্টেম উভয়কেই সহজ করে তুলতে পারে, তবে শুধুমাত্র যদি রেকর্ডগুলি বাস্তব অনুশীলনকে প্রতিফলিত করে।
একটি প্রশ্ন থেকে তৈরি করুন
একটি সিদ্ধান্ত উন্নত করার জন্য একটি প্রতিষ্ঠানের প্রতিটি আবিষ্কার সিস্টেম প্রতিস্থাপনের প্রয়োজন হয় না। পরিবর্তে, এটি একটি ফলপ্রসূ কর্মপ্রবাহ বেছে নিতে পারে, প্রসঙ্গ কোথায় হারিয়ে গেছে তা শনাক্ত করতে পারে, ন্যূনতম মেটাডেটা এবং শনাক্তকারীর সাথে সম্মত হতে পারে এবং প্রাসঙ্গিক প্রমাণ পর্যালোচনার সময় দৃশ্যমান করতে পারে। বিজ্ঞানী এবং তথ্য বিশেষজ্ঞদের বাস্তব ক্ষেত্রে পরিবর্তন পরীক্ষা করা উচিত, যার মধ্যে পরস্পরবিরোধী বা অসম্পূর্ণ ফলাফল রয়েছে।
পাইলটকে মান এবং ব্যতিক্রমের জন্য একজন স্পষ্ট মালিককেও চিহ্নিত করা উচিত। মালিকানা ছাড়া, ক্ষেত্রগুলি প্রবাহিত হয়, স্থানীয় অর্থগুলি ভিন্ন হয়ে যায় এবং একটি প্রাথমিকভাবে দরকারী সংযোগ অবিশ্বাস্য হয়ে ওঠে। শাসনব্যবস্থা হালকা থাকতে পারে, কিন্তু কাউকে সিদ্ধান্ত নিতে হবে কীভাবে সংজ্ঞা পরিবর্তন হয় এবং কীভাবে সংশোধন করা হয়। ব্যবহারকারীদের কাছ থেকে প্রতিক্রিয়া লঞ্চের পরে কর্মপ্রবাহকে আকার দিতে হবে, কারণ প্রথম নকশাটি খুব কমই প্রতিটি বৈজ্ঞানিক ব্যতিক্রম ক্যাপচার করবে।
আবিষ্কারের উত্পাদনশীলতার পরবর্তী লাভগুলি R&D কার্যপ্রবাহ জুড়ে বিদ্যমান প্রমাণগুলিকে জিজ্ঞাসাবাদ করা সহজ করার মাধ্যমে আসতে পারে। আরও ভাল একীকরণ অনিশ্চয়তা দূর করে না বা একটি সফল ওষুধের গ্যারান্টি দেয় না। এটি দলগুলিকে অনিশ্চয়তা দেখতে, একটি আকর্ষণীয় সংকেতকে চ্যালেঞ্জ করতে এবং যা জানা যায় তার একটি পরিষ্কার অ্যাকাউন্টের সাথে পরবর্তী পরীক্ষা বা বিনিয়োগ করতে সহায়তা করে।
তথ্যসূত্র
1. উইলকিনসন MD, Dumontier M, Aalbersberg IJ, et al. বৈজ্ঞানিক ডেটা ম্যানেজমেন্ট এবং স্টুয়ার্ডশিপের জন্য FAIR গাইডিং নীতি। বৈজ্ঞানিক তথ্য। 2016;3:160018। doi:10.1038/sdata.2016.18. https://www.nature.com/articles/sdata201618
