ওয়েট ল্যাবের দৈনন্দিন বিজ্ঞানচর্চায় এআই এজেন্টদের দক্ষতা পরিমাপ

আর্টিফিশিয়াল জেনারেল ইন্টেলিজেন্স যেন সমগ্র মানবজাতির কল্যাণে আসে, তা নিশ্চিত করাই আমাদের লক্ষ্য. সেই লক্ষ্যের অংশ হিসেবে আমরা বিজ্ঞানীদের জীববিজ্ঞান গবেষণার গতি বাড়াতে সাহায্য করতে চাই—রোগকে বোঝা থেকে শুরু করে নতুন চিকিৎসাপদ্ধতি উদ্ভাবন পর্যন্ত. এআই এজেন্টদের অবদান রাখতে হলে পরীক্ষার সেই সব প্রমাণ নির্ভরযোগ্যভাবে ব্যাখ্যা করতে হবে, যা নিয়ে বিজ্ঞানীরা প্রতিদিন ওয়েট ল্যাবে কাজ করেন. এসব ল্যাবে তাঁরা জৈব নমুনা নিয়ে পরীক্ষা চালান. দৈনন্দিন ওয়েট ল্যাবের কাজে থাকে ব্যর্থ পরীক্ষা, অস্পষ্ট ছবি ও পরস্পরবিরোধী পর্যবেক্ষণ. বিদ্যমান বেঞ্চমার্কগুলো বৈজ্ঞানিক প্রবন্ধের জন্য বাছাই করা চার্ট ও ছবি ঘিরে তৈরি. ফলে এসব অস্পষ্টতা এবং সেগুলো দূর করতে প্রয়োজনীয় সমস্যা শনাক্ত ও সমাধানের দক্ষতা এতে ধরা না-ও পড়তে পারে. তাই আমরা নিয়ে আসছি BioBasicsBench. এনজাইম নকশায় বিশেষায়িত জৈবপ্রযুক্তি প্রতিষ্ঠান Ligo-এর সঙ্গে তৈরি এই নতুন বেঞ্চমার্ক মাপে, এজেন্টরা ওয়েট ল্যাবের নিয়মিত বিশ্লেষণের কাজ কতটা ভালোভাবে সামলাতে পারে.

বেঞ্চমার্কটির ১০০টি কাজ যাচাই করে, এজেন্টরা পরীক্ষার অপরিশোধিত উপাত্ত ব্যাখ্যা করতে, ত্রুটি শনাক্ত করতে এবং প্রমাণ কোনো সিদ্ধান্তকে সমর্থন করার জন্য যথেষ্ট নয় কি না, তা বুঝতে পারে কি না. এই কাজগুলো সঠিকভাবে করা জরুরি. কারণ কোনো ছবি ভুলভাবে ব্যাখ্যা করলে বা পরীক্ষার ফল যাচাইয়ের জন্য ব্যবহৃত নিয়ন্ত্রণ নমুনার সমস্যা এড়িয়ে গেলে বিজ্ঞানীরা ভুল সিদ্ধান্তে পৌঁছাতে পারেন. এতে এমন পরীক্ষায় সময় ব্যয় হতে পারে, যা তাঁদের গবেষণার প্রশ্নের উত্তর পেতে সাহায্য করবে না.

“xhigh” সেটিংয়ে, যেখানে প্রতিটি কাজে আরও বেশি যুক্তি প্রয়োগের সুযোগ থাকে, GPT‑6 Astra উপলভ্য মোট নম্বরের গড়ে ৬৬.৭% অর্জন করেছে. তুলনায় GPT‑5.6 Sol পেয়েছে ৪৩.৮%. ফলাফলে ল্যাবের নিয়মিত বিশ্লেষণে অগ্রগতি দেখা যায়. তবে ছবি ব্যাখ্যা, নিয়ন্ত্রণ নমুনা যাচাই এবং পরীক্ষার প্রেক্ষাপট কাজে লাগানোর ক্ষেত্রে আরও উন্নতির সুযোগ রয়েছে.

BioBasicsBench পরীক্ষার অপরিশোধিত প্রমাণ ব্যবহার করে—জেলের ছবি ও কলোনি প্লেট থেকে শুরু করে অণুবীক্ষণের তথ্য ও যন্ত্রের পাঠ পর্যন্ত.

BioBasicsBench-এ ওয়েট ল্যাবের নিয়মিত কাজের পাঁচটি ক্ষেত্রজুড়ে ১০০টি কাজ রয়েছে: প্রোটিন-সংক্রান্ত পদ্ধতি, চিত্রায়ন ও সাইটোমেট্রি, পরিমাণ নির্ণয় ও বিশ্লেষণমূলক পরীক্ষা, নিউক্লিক অ্যাসিড-সংক্রান্ত পদ্ধতি এবং আণবিক ক্লোনিং. জেলে থাকা DNA নমুনার আণবিক ভর নির্ণয়ের মতো সহজ অনুরোধ থেকে শুরু করে পরীক্ষার বিস্তারিত বিশ্লেষণ পর্যন্ত নানা কাজ রয়েছে. তবে সবই নিয়মিত কাজ, যা ওয়েট ল্যাবের বিজ্ঞানীদের নির্ভরযোগ্যভাবে সম্পন্ন করতে পারা উচিত.

বিজ্ঞানীরা তাঁদের নিজস্ব পরীক্ষার উপাত্ত ব্যবহার করে কাজগুলো তৈরি করেছেন এবং প্রতিটি প্রশ্নের সঙ্গে বিশেষজ্ঞদের লেখা মূল্যায়নের মানদণ্ড যুক্ত করেছেন. প্রতিটি কাজ প্রথমে Ligo-এর এমন একজন বিজ্ঞানী অভ্যন্তরীণভাবে পর্যালোচনা করেছেন, যিনি সেটি লেখেননি. এরপর ওয়েট ল্যাবে কর্মরত পিএইচডি-স্তরের একজন বিজ্ঞানী বাহ্যিক পর্যালোচনা করেছেন এবং সবশেষে আরেক দফা অভ্যন্তরীণ পর্যালোচনা হয়েছে.

এজেন্টরা নির্দিষ্ট কাঠামোয় উত্তর দেয়, যাতে অনুরোধ করা সিদ্ধান্ত, পরিমাপ বা সুপারিশ থাকে এবং যেখানে প্রয়োজন, তার সপক্ষে যুক্তিও থাকে. মূল্যায়ন নির্দেশিকার প্রতিটি মানদণ্ড অনুযায়ী উত্তরে নম্বর দেওয়া হয়. ফলে বেঞ্চমার্কটি সঠিক সিদ্ধান্ত ও আংশিক সঠিক বিশ্লেষণের মধ্যে পার্থক্য করতে পারে. বেশির ভাগ কাজ একসঙ্গে কয়েকটি দক্ষতা যাচাই করে, যেমন জীববিজ্ঞানের জ্ঞান, ছবি ও অন্যান্য উপাত্তের ব্যাখ্যা, ত্রুটি শনাক্তকরণ এবং পরীক্ষাপদ্ধতি বোঝা.

বিজ্ঞানীরা যেসব রূপে প্রমাণ নিয়ে কাজ করেন, ইনপুটেও সেগুলো সেভাবেই রাখা হয়েছে: জেল ও ব্লটের ছবি, প্লেটের আলোকচিত্র, অণুবীক্ষণ ছবির স্তূপ, সিকোয়েন্সিং পাঠ, প্লেট রিডার থেকে রপ্তানি করা উপাত্ত এবং ল্যাব বেঞ্চে কাজের ভিডিও. একটি কাজে কয়েক ধরনের উপাত্ত থাকতে পারে. ল্যাডার চার্ট ও প্লাজমিড মানচিত্রের মতো সহায়ক তথ্যপত্র পরীক্ষার প্রমাণ ব্যাখ্যা করতে সাহায্য করে.

বিজ্ঞানীরা তাঁদের নিজস্ব পরীক্ষার উপাত্ত ব্যবহার করে কাজগুলো লিখেছেন. পরীক্ষার প্রমাণের সঙ্গে তাঁরা একটি প্রশ্ন ও বিশেষজ্ঞদের লেখা মূল্যায়ন নির্দেশিকা যুক্ত করেছেন. প্রতিটি কাজ প্রথমে Ligo-এর এমন একজন বিজ্ঞানী অভ্যন্তরীণভাবে পর্যালোচনা করেছেন, যিনি সেটি লেখেননি. এরপর ওয়েট ল্যাবে কর্মরত পিএইচডি-স্তরের একজন বিজ্ঞানী বাহ্যিক পর্যালোচনা করেছেন এবং সবশেষে আরেক দফা অভ্যন্তরীণ পর্যালোচনা হয়েছে. পর্যালোচকেরা প্রম্পট, পরীক্ষার প্রমাণ, মূল্যায়ন নির্দেশিকা, লেখকের নোট এবং নম্বর দেওয়া হয়েছে এমন একটি মডেলের উত্তর যাচাই করেছেন.

কাজের মূল্যায়ন নির্দেশিকা অনুযায়ী উত্তরগুলোতে নম্বর দেওয়া হয়. এই নির্দেশিকায় প্রতিটি মানদণ্ডের জন্য আলাদা নম্বর বরাদ্দ থাকে. কাজভেদে এসব মানদণ্ড দিয়ে সিদ্ধান্ত, সংখ্যাগত ফলাফল, সমর্থনকারী যুক্তি বা প্রমাণ যে অপর্যাপ্ত, তা শনাক্ত করার সক্ষমতা মূল্যায়ন করা হয়.

আমরা BioBasicsBench-এ সাতটি মডেল মূল্যায়ন করেছি: GPT‑5.2, GPT‑5.4, GPT‑5.5, GPT‑5.6 Sol, GPT‑6.1 Sol, GPT‑6 Luna ও GPT‑6 Astra. এই মূল্যায়নে মডেল ও যুক্তি প্রয়োগের মাত্রার ৩৭টি সমন্বয় অন্তর্ভুক্ত রয়েছে. প্রতিটি সেটিংয়ে ১০০টি কাজের প্রতিটিতে পাঁচটি করে চেষ্টা করা হয়েছে, যা থেকে মোট ১৮,৫০০টি ফলাফল পাওয়া গেছে.

আমরা গড় পুরস্কার জানাচ্ছি: অর্থাৎ কাজের গড় স্কোর, যা উপলভ্য মোট নম্বরের শতাংশ হিসেবে প্রকাশ করা হয়েছে. ত্রুটিদণ্ডগুলো ৯৫% আস্থার ব্যবধান দেখায়. প্রতিটি কাজের পাঁচটি চেষ্টা একসঙ্গে রেখে গোটা কাজ পুনর্নমুনায়নের মাধ্যমে এই ব্যবধান হিসাব করা হয়েছে.

যুক্তি প্রয়োগের মাত্রা কম হলেও GPT‑6 Astra, GPT‑5.6 Sol-এর তুলনায় উল্লেখযোগ্যভাবে ভালো ফল করে. এই অগ্রগতি ইঙ্গিত দেয়, দৈনন্দিন ওয়েট ল্যাবের বিশ্লেষণে কর্মদক্ষতা বাড়ানোর মূল চাবিকাঠি হতে পারে মডেলের নিজস্ব আরও শক্তিশালী বহুমাধ্যমভিত্তিক সক্ষমতা.

বিজ্ঞানে একটি সাধারণ ভুল হলো উপাত্ত যতটুকু সমর্থন করে, তার চেয়ে বেশি কিছু ধরে নেওয়া. কোনো অনুমান যাচাইয়ের সময় যে ধরনের পক্ষপাত দেখা দেয়, তা এই ভুলের ঝুঁকি আরও বাড়ায়. উপাত্ত থেকে কতটুকু জানা যায়, সেই সীমা বুঝতে এবং অযৌক্তিক সিদ্ধান্ত এড়াতে Astra আরও ভালো সক্ষমতা দেখিয়েছে.

এই উদাহরণে মৃত কোষ শনাক্ত করতে ব্যবহৃত একটি রঞ্জকের সংকেতের ভিত্তিতে GPT‑5.6 Sol কোষগুলোকে মৃত হিসেবে চিহ্নিত করেছিল. কিন্তু শনাক্তকরণ যন্ত্রটি দ্বিতীয় একটি রঞ্জকের আলোও ধরতে পারত, তাই শুধু উজ্জ্বলতার ভিত্তিতে ওই সিদ্ধান্ত নেওয়া যুক্তিযুক্ত ছিল না. Astra এই অস্পষ্টতা বুঝতে পেরেছে এবং সংকেতগুলো আলাদা করতে আরও উপযুক্ত নিয়ন্ত্রণ নমুনা ব্যবহারের পরামর্শ দিয়েছে.

বৈজ্ঞানিক গবেষণা অনেকাংশে বহুমাধ্যমনির্ভর; এতে প্রতিনিয়ত দৃশ্যমান তথ্য ব্যাখ্যা করতে ও সিদ্ধান্ত নিতে হয়. ছবি ও ভিডিও এবং সিকোয়েন্সিং, প্লেট-রিডার পরীক্ষা, অণুবীক্ষণ ও ফ্লো সাইটোমেট্রির অপরিশোধিত ফলাফল হিসেবে দেওয়া বহুমাধ্যমের উপাত্ত বিশ্লেষণে Astra উল্লেখযোগ্য উন্নতি দেখিয়েছে.

সবচেয়ে মৌলিক পর্যায়ে এই উন্নতি বোঝা গেছে পরীক্ষার সময় তোলা ছবির আরও সূক্ষ্ম খুঁটিনাটি ধরতে পারার মাধ্যমে. এর ফলে GPT‑6 Astra আরও নির্ভুল সিদ্ধান্ত নিতে পেরেছে, যেমনটি এই উদাহরণে দেখা যাচ্ছে. এই কাজে এজেন্টদের একটি DNA ক্লোনিং পরীক্ষা থেকে সিদ্ধান্ত টানতে বলা হয়েছিল, যেখানে নিয়ন্ত্রণ নমুনা অপরিহার্য. GPT‑5.6 Sol ঋণাত্মক নিয়ন্ত্রণ প্লেটে কোনো কলোনি দেখতে পায়নি এবং সেই পর্যবেক্ষণের ভিত্তিতে সিদ্ধান্ত নিয়েছিল. GPT‑6 Astra খেয়াল করেছে, প্লেটের লেবেলে ভুল অ্যান্টিবায়োটিকের নাম ছিল. তাই সেটিকে নির্ভরযোগ্য নিয়ন্ত্রণ নমুনা হিসেবে গ্রহণ না করে সঠিক সিদ্ধান্ত নিয়েছে.

উপাত্তের সঠিক অর্থ বুঝতে বিজ্ঞানীদের বিশ্লেষণের সময় জীববিজ্ঞান সম্পর্কে অভিজ্ঞতালব্ধ জ্ঞান ও পরীক্ষার প্রেক্ষাপট মাথায় রাখতে হয়. Astra এই প্রেক্ষাপট ধরে রাখতে এবং বিশ্লেষণের পুরো সময় তা প্রয়োগ করতে আরও ভালো সক্ষমতা দেখিয়েছে.

একটি কাজে অণুবীক্ষণযন্ত্রে তোলা ধারাবাহিক ছবিতে কোষগুলোকে ফোকাসে আসতে ও ফোকাসের বাইরে চলে যেতে দেখা গেছে. কোষগুলো আপাতদৃষ্টিতে অদৃশ্য হয়ে যাওয়ার জন্য GPT‑5.6 Sol জীববৈজ্ঞানিক ব্যাখ্যা খুঁজেছে. অন্যদিকে GPT‑6 Astra সঠিকভাবে বুঝেছে, এটি একটি জেড-স্ট্যাক: বিভিন্ন গভীরতায় তোলা একগুচ্ছ ছবি.

বেঞ্চমার্কে বেশি স্কোর পাওয়া মানেই এখনো মডেলগুলো ল্যাবে নির্ভরযোগ্য বিচার করতে পারে, এমন নয়. Astra-এর এই উদাহরণগুলো দেখায়, কীভাবে অনুমান, প্রত্যাশিত উত্তর ও দেওয়া লেবেল প্রমাণের চেয়ে প্রাধান্য পেতে পারে. এগুলো আরও দেখায়, বিশ্লেষণের মধ্যবর্তী ধাপে সঠিক পর্যবেক্ষণ পেলেও তা চূড়ান্ত সিদ্ধান্তে কাজে না-ও লাগতে পারে.

পরীক্ষার নিয়ন্ত্রণ নমুনা যে ব্যাখ্যাকে সমর্থন করে, তার বদলে Astra একটি পরিচিত অনুমানকে প্রাধান্য দেয়. এটি কলোনির ব্যান্ডের দুটি গুচ্ছ আলাদা করতে পারে, কিন্তু ধরে নেয়, বড় PCR উৎপাদই সফল ক্লোনিং নির্দেশ করবে. সেই শর্তের ভিত্তিতে এটি ৪, ৬, ৭ ও ৮ নম্বর লেন প্রস্তাব করে; কিন্তু মানদণ্ড উত্তরে নিয়ন্ত্রণ নমুনার সঙ্গে তুলনা করে ৫, ৯ ও ১০ নম্বর লেন বেছে নেওয়া হয়.

Astra তার পছন্দের ব্যাখ্যার বিরোধী পর্যবেক্ষণগুলোকে গুরুত্ব দেয় না. এটি সিদ্ধান্ত নেয়, কোষের ভেতরের প্রকোষ্ঠ বা কোষগহ্বরগুলো সাধারণত কোষের আশপাশের অংশের চেয়ে গাঢ়, যদিও একই ছবিতে কয়েকটি হালকা দেখা যায়. দুই ধরনের চেহারাই গুরুত্বপূর্ণ: অণুবীক্ষণযন্ত্রের ফোকাস বদলালে আলো-আঁধারির বৈপরীত্য উল্টে যেতে পারে. তাই গাঢ় দেখানো উদাহরণগুলো দিয়ে সাধারণ নিয়ম প্রতিষ্ঠা করা যায় না.

Astra-এর গণনাচিহ্নগুলো নির্ভরযোগ্যভাবে পৃথক কলোনি নির্দেশ করে না: এটি খুব কাছাকাছি থাকা কলোনিগুলো আলাদা করতে ব্যর্থ হয়, দৃশ্যমান কলোনি বাদ দেয় এবং ফাঁকা আগারে চিহ্ন বসায়. নিট ফলাফল হিসেবে এই প্লেটে বেঞ্চমার্কের মানদণ্ড গণনার তুলনায় প্রায় ১২% বেশি কলোনি গণনা করা হয়েছে.

কলোনির ভুল গণনা সরাসরি প্রভাব ফেলে কোষে DNA প্রবেশ করানোর দক্ষতার হিসাবের ওপর. প্লেটে দেওয়া নমুনার আয়তন ও লঘুকরণ অপরিবর্তিত থাকলে অতিরিক্ত গণনা সেই হিসাবকেও একই অনুপাতে বাড়িয়ে দেয়.

জীববিজ্ঞান গবেষণার গতি বাড়াতে হলে দৈনন্দিন কাজগুলো সঠিকভাবে করতে হবে. BioBasicsBench উন্নতির লক্ষ্য হিসেবে এই কাজগুলোকে সামনে আনে: পরীক্ষার অপরিশোধিত উপাত্ত ব্যাখ্যা করা, নিয়ন্ত্রণ নমুনা যাচাই করা এবং কোনো সিদ্ধান্তের পক্ষে পর্যাপ্ত প্রমাণ নেই, তা শনাক্ত করা. এসব কাজে অগ্রগতি হলে বিজ্ঞানীরা সমস্যা শনাক্ত ও সমাধানে কম সময় দিয়ে পরবর্তী কোন পরীক্ষাগুলো চালাবেন, তা ঠিক করতে বেশি সময় দিতে পারবেন. এই সক্ষমতাগুলোর অগ্রগতি পর্যবেক্ষণ করলে জৈব নিরাপত্তা এবং জৈব উপাদানের অপব্যবহার প্রতিরোধে সেগুলোর প্রভাবও আমরা ভালোভাবে বুঝতে পারব.