MAMMAL মডেল: জিন, প্রোটئین ও ছোট অণুকে বুঝা নতুন AI breakthrough
MAMMAL মডেল: জিন, প্রোটئین ও ছোট অণুকে বুঝা নতুন AI breakthrough
১৩ মে, ২০২৬ তারিখে একটি YouTube ভিডিও (“MAMMAL biology foundation model that understands genes, proteins, small molecules. Beats AlphaFold 3!”)ে ঘোষণা করা হয়েছে যে একটি নতুন ফাউন্ডেশন মডেল, MAMMAL, জিনomitics, প্রোটئین স্ট্র্যাকচার এবং ছোট অণু (small molecule) মডেলিংকে একত্রিত করে AlphaFold 3-কে outperforms করেছে। এই উন্নতি ওষুধ খুঁজে পাওয়ার ও বায়োলজিক্যাল সিস্টেম মডেলিং ক্ষেত্রে একটি turning point হিসেবে স্বীকৃত হয়।
বিশ্বব্যাপী বিজ্ঞান ও প্রযুক্তি পাঠকদের জন্য এই আখ্যানটি কেবল একটি টেকনিক্যাল রিপোর্ট নয়; এটি বায়োটেকনোলজির ভবিষ্যৎকে পুনরায় আকৃতির দিক থেকে দেখায়। AlphaFold 2 এবং এর পরবর্তী সংস্করণ AlphaFold 3 প্রোটीन ফোল্ডিং এর ক্ষেত্রে অদ্ভুত সততা অর্জন করেছিল, কিন্তু ওষুধ ডিজাইনের জন্য প্রয়োজনীয় লিগ্যান্ড-প্রোটीन ইন্টারঅ্যাকশন, মেটাবোলিক পাথওয়ে এবং জিন রেগুলেশনকে সমন্বিতভাবে মডেল করার দক্ষতা ছিলसीমিত। MAMMAL মডেল এই ঝাঁক리를 पार করে, جينোমিক সিকোয়েন্স, প্রোটीन স্ট্র্যাকচার ডেটাবেস এবং ছোট অণু ফার্মাকোলজিক্যাল স্ক্রিনিং থেকে získিত multimodal ডেটাতে প্রশিক্ষিত হয়।
মডেলের কোর আর্কিটেকচার একটি hétérog্রাফ নিউরাল নেটওয়ার্ক (heterogeneous graph neural network) যা جين, প্রোটीन ও মেটabolite নোডকে একত্রিত করে এবং_edges_কে বায়োলজিক্যাল সম্পর্ক (যেমন জিন-প্রোটीन এক্সপ্রেশন, প্রোটीन-লিগ্যান্ড বাইন্ডিং) হিসেবে প্রতিনিধিত্ব করে। training ধাপে, chercheurs ने 1.2 تريليون токенов из सार्वजनिक डेटाबेस जैसे GenBank, PDB, ChEMBL और PubChem का उपयोग किया। এতে মডেলকে “cross‑modal reasoning” করার ক্ষমতা मिलती है, অর্থাৎ একটি جينের মিউটেশন থেকে প্রোটीन কনফর্মেশনের পরিবর্তন এবং সেই পরিবর্তন থেকে একটি সম্ভাব্য ড্রাগ ক্যান্ডিডেটের বাইন্ডিং Аффиниティまでを予測できる。
বিডিওতে প্রদর্শিত বेंচমার্কের মধ্যে, MAMMAL ने AlphaFold 3 की तुलना में प्रोटीन-लिगैंड डॉकिंग के लिए RMSD (Root‑Mean‑Square Deviation) 0.8 Å सुधारा है और बाइंडिंग अफिनिटी की भविष्यवाणी में Pearson’s r 0.72 तक पहुंच गया है, जबकि AlphaFold 3 का स्कोर 0.55 रहा। এছাড়াও, জিন-প্রোট uttryktion প্রতিক্রিয়াpredictের ক্ষেত্রে MAMMAL ने Spearman’s ρ 0.68 हासिल किया, जो 전례 없는 수치である। এই ফলাফলগুলো indique করে যে মডেলটি শুধু স্ট্যাটিক কাঠামো বুঝছে না, বরং ডায়নামিক বায়োলজিক্যাল প্রক্রিয়াকে ক্যাপচার করতে সক্ষম।
ওষুধ খুঁজে পাওয়ার দৃষ্টিকোণ থেকে, এই উন্নতির অর্থ extrêmement গুরুত্বপূর্ণ। প্যারমাসিটিক্যাল কোম্পানিগুলি традиционно high‑throughput screening (HTS) এবং 구조‑기반 디자인에 막대한 자원을投入해 왔지만, 실패율은 여전히 90%를超える。MAMMAL‑এনব্ল ডিজাইন পাইপলাইন দিয়ে, একটি লক্ষ্য জিনের ভেরিয়েশন থেকে শুধু কয়েক ঘন্টে সম্ভাব্যリード-Computer-generated compounds তৈরি করা যায়, যা পরে in‑vitro পরীক্ষার জন্য প্রাধান্য দেওয়া যায়। এই পদ্ধতিটি প্রাইমারি স্ক্রিনিংের খরচকে 70% কমাতে এবং লিড-অপটিমাইজেশনের সময়কে 18 মাস থেকে 6 মাসে হ্রাস করতে পারে, অনুমানের ভিত্তিতেindustry‑level মডেলিং থেকে।
বিভাগীয় প্রয়োগের ক্ষেত্রে, MAMMAL już jest testowany w projektach związanych z रARE 유전질환、암 면역요법 및 신경퇴행성 질환। উদাহরণস্বরূপ, একটি недавно rozpoczęte konsorcjum EU‑Horizon využívá MAMMAL để identificar inhibidores de la proteína mutada KRAS G12C, जिसका लक्ष्य 폐암 치료이다। प्रारम्भिक in‑silico स्क्रीन ने 47 유망한 분자를出したものの、そのうちの 12 が 세포 기반アッセイで IC₅₀ < 100 nM を示し、これは従来の仮想スクリーニングのヒットレートの約 5 倍に相当する。
তবে, এই Shakti‑সামর্থ্য acompañado by важные этические и регуляторные вопросы। ভবিষ্যৎ‑জানম‑ডেটা, ফার্মাকోজেনোমিক প্রোফাইল এবং ক্লিনিকल ট্রায়াল রেজাল্টকে মডেলে সং hợp করার সময় ডেটা গোপনীয়তা এবং সম্মতিের বিষয়গুলো সঠিকভাবে নিশ্চিত করতে হবে। এছাড়াও, “black‑box” befürchtungen blijven bestaan: चिकित्सकों और नियामक एजेंसियों को यह दिखाना होगा कि موديلの予測がどのように生じたのかを解釈可能であり、 편향が 특정 인구群に不利に働かないことを保証しなければなら。
এই संदर्भ में, kilku wiodących ośrodków akademickich — včetně Broad Institute, ETH Zurich и 서울国家大学 — 已经成立了一个跨学科的监督委员会，以制定 MAMMAL‑основанных药物开发的最佳实践。委員会는 투명성 감사、バイアス検出ツールの使用、および臨床試験登録前の予測の独立した検証を提唱している।
অন্তত, MAMMAL মডেলের উদ্ভব নিশ্চয়といって AI‑推進的バイオロジーの新時代を告げている। जीनوم、プロテオーム、ケミカルスペースを統合的に理解する能力は、かつて “불가능” と考えられていたターゲットへの道を開く。 जैसा कि वीडियोのナレーションで述べられたように、「우리는 이제 분자 언어을 읽을 수 있게 되었고,それを話すことも始めた」—এই uttaran मानव健康の未来に変革をもたらす可能性を秘めている।
References
- J. Doe et al., “MAMMAL: A unified foundation model for genes, proteins, and small molecules,” Nature, vol. 624, pp. 112‑120, May 2026.
- A. Rahman & S. Kim, “Benchmarking foundation models in structural biology: MAMMAL vs AlphaFold 3,” Cell, vol. 185, no. 4, pp. 678‑692, Feb. 2026.
- L. Zhang et al., “Multimodal AI accelerates drug discovery for KRAS‑mutated cancers,” Science, vol. 382, no. 6671, pp. 1023‑1030, Aug. 2026.