කෘතිම බුද්ධිය හා නවීන ජීව විද්‍යාව
Article by- Amaya Konara
කෘතිම බුද්ධිය හා නවීන ජීව විද්‍යාව
කෘතිම බුද්ධිය (Artificial Intelligence- AI) හා යාන්ත්‍ර ඉගෙනුම (Machine Learning- ML) වර්තමාන ලෝකයේ ප්‍රබල සිද්ධාන්තයන් වීමත් සමඟ නවීන ජීව විද්‍යාව සඳහා එහි දායකත්වය දිනෙන් දින ඉහල යයි. නිදසුන් ලෙස; බෝවන රෝගවල සම්ප්‍රේෂණ රටා, එමඟින් මිනිසාට ඇති අවධානම හා ඖෂධ ප්‍රතිරෝධකතාව යන කේෂ්ත්‍රයන් කෙරෙහි AI හි අවධානය යොමුවී ඇත. ඩූක් විශ්ව විද්‍යාලයේ (Duke University)යම් පරීක්ෂක කණ්ඩායමක් විසින් සිදු කරන ලද නව අධ්‍යනයකින් පෙන්වා දී ඇත්තේ, එකම රෝගකාරක බැක්ටීරියා වල විවිධ මාදිලි හදුනා ගැනීමට, ඒවායේ වර්ධන ගතිකත්වය (Growth Dynamics) පිලිබද ML ඇල්ගොරිදම (Machine Learning Algorithms) පමණක් භාවිතා කිරීමෙන් කල හැකි බවත් එමඟින් ප්‍රතිජීවක ප්‍රතිරෝධකතාව වැනි ගතිලක්ෂණ නිවැරදිවම පුරෝකථනය කල හැකි බවත්ය.
මෙම අධ්‍යයනයේ දී, පරීක්ෂක කණ්ඩායම විසින් රෝගකාරක බැක්ටීරියා මාදිලි 200 කට අධික ප්‍රමාණයක් යොදා ගත් අතර( ප්‍රධාන වශයෙන් E.coli මාදිලි) ඒවා සමාන වර්ධක කේෂ්ත්‍රයන් වල රෝපණය කර වර්ධනයත් සමග ඒවායේ ගහන ඝනත්වය ප්‍රවේශමෙන් මනින ලදී. සිදුවිය හැකි සුලු ජානමය වෙනස්කම් නිසා ආරම්භයේදී රෝපණ මාධ්‍යට ගැලපෙන ලෙස ඒවා වර්ධනය වූ අතර සෑම රෝපණයක්ම ඒවාට ආවේණික වූ වෙනස්වන උච්චාවචන රටාවක් පෙන්වීය. පරීක්ෂකයන් විසින් මෙම වර්ධන ගතිකත්ව දත්ත ML ඇල්ගොරිදමයකට යෙදු අතර එම ඇල්ගොරිදමය මගින් විවිධ බැක්ටීරියා මාදිලි සදහා වර්ධන ආකෘතින් හදුනා ගැනීම හා ගැලපීම සිදුකෙරුණි.
ඔවුන් පෙන්වා දුන් අන්දමට, සායනික හා පාරිසරික බැක්ටීරියා ගහන වල සම්මත තත්ත්ව යටතේ ඇති වර්ධන ගතිකත්ව වල මෙන්ම සමාන විශේෂ වල සමහර බැක්ටීරියා මාදිලි වල පවා රූපානුදර්ශයන් (Phenotypes)තුළ වෙනස්කම් දක්නට හැකි බවයි. තවද, ලද වංශ ප්‍රවේණි විශ්ලේෂණයන් (Phylogenetic Analysis) වලට අනුව ඔවුන් කියා සිටියේ, බැක්ටීරියා ගහන යුගල් අතර ඇති ප්‍රවේණික දුර(Genetic Distance) අතර යම් සහසම්බන්ධයක් ඇති බවත් එම සහසම්බන්ධතාවය නොමැති නම් රූපානුදර්ශ අනුමාන කිරීම ප්‍රවේණ විද්‍යාවට අභියෝගයක් ඇති කරන බවත්ය. එමනිසා ඔවුන් පෙන්වා දුන් අන්දමට වර්ධනය ගතිකත්වය මගින් පමණක් ප්‍රතිජීවක ප්‍රතිචාරය (Antibody Response) පුරෝකථනය කළ හැකිය. එක් ආරම්භක මාධ්‍යක් භාවිතයෙන් ලබා ගත් වර්ධක දත්ත ඇල්ගොරිදමයට ඇතුලත් කිරීම මගින් එක් විශේෂිත බැක්ටීරියා මාදිලියක් 92% නිරවද්‍යතාවක් ලබා දෙන අතර මාධ්‍යයන් හතරක් භාවිතයෙන් 98% නිරවද්‍යතාවක් ලබා දේ.
එයින් නොනැවතුණු පරීක්ෂක කණ්ඩායම තවත් එක් රූපානුදර්ශක් වන “ප්‍රතිජීවක ප්‍රතිරෝධකතාව”(Antibiotic Resistance), වර්ධන ගතිකත්ව ආකෘති මගින් පුරෝකථනය කිරීමට ඉහත පරීක්ෂණයේ යොදාගත් බැක්ටීරියා මාදිලින්ම භාවිතා කරන ලදී. බැක්ටීරියා සියල්ලෙහිම වර්ධන ගතිකත්ව ආකෘතීන් ML ඇල්ගොරිදමයට ඇතුලත් කල අතර එයින් එක් මාදිලියක් පමණක් වෙනස් ප්‍රතිජීවක හතරකට ප්‍රතිරෝධී විය. ප්‍රතිඵල ආකෘතිය(Resulting Profile)මගින් අවසාන මාදිලියේ ප්‍රතිජීවක ප්‍රතිරෝධකතාව එහි වර්ධන ආකෘතියෙන් පුරෝකථනය කිරීමට හැකි දැයි බැලීමට පරීක්ෂණ මෙහෙය විය. දත්ත එකතුව වැඩිකර ගැනීමේ අරමුණින්, ඔවුන් අනෙක් සියළුම මාදිලි සදහා මෙම ක්‍රියාවලිය නැවත නැවතත් සිදු කලහ. අධ්‍යයනයේ ප්‍රතිඵල වලින් නිගමන වූයේ බැක්ටීරියා මාදිලියක ප්‍රතිජීවක ප්‍රතිරෝධකතාව 60-75% නිරවද්‍යතාවකින් වර්ධන ගතිකත්ව ආකෘති මගින් පමණක් පුරෝකථනය කළ හැකි බවයි.
එමෙන්ම සමාන වර්ධන වක්‍ර ඇති බැක්ටීරියා මාදිලි වලට සර්වසම ප්‍රවේණික ආකෘති (Genetic Profiles)තිබේදැයි පරීක්ෂකයන් විසින් සොයා බැලූහ. බැලූ බැල්මට එසේ සබඳතාවක් නොමැති අතර සෛලීය ගති ලක්ෂණ( Cellular Traits)හා හැසිරීම්, සුවිශේෂී DNA පෙදෙසක සිතියම් (DNA Mapping)ගත කිරීමේ අසීරු බව පෙන්වා දෙන ලදී.
නව තාක්ෂණි දියුණුවත් සමග, බැක්ටීරියා මාදිලි හදුනා ගැනීමට ගතවන කාලය දින දෙකේ සිට පැය 12 දක්වා අඩු කිරීමට හා පෙට්රි දීසි අවකාශය තුළ බැක්ටීරියා ගණාවාස වර්ධනය වන ආකාරය වඩාත් නිවැරදි කිරීම සඳහා අධි විභේදන කැමරා (High Definition Cameras) භාවිතා කිරීමට පරීක්ෂක පිරිස අදහස් කරයි.
එසේ නම්, යම් දිනක කෘතිම බුද්ධිය මිනිසා අභිභවා යාවිද?
එම කුතුහලයත් සමග ප්‍රවේණි හා අණුක ජීව විද්‍යාවේ නව හැරයුම් ලක්ෂ්‍යයක්‍ සමග නැවත හමුවෙමු.
Article by- Amaya Konara
Design by- Dinul Anuka(ZSJP Media Crew)
