২০২৩‑এ AlphaFold 2‑এর মৌলিক প্রোটিন‑বিক্রমাণ ভবিষ্যদ্বাণী বিশ্বজুড়ে বিজ্ঞানীদের আকৃষ্ট করেছিল, এবং ২০২৪‑এ AlphaFold 3‑এSmall‑মলিকিউল এবং প্রোটিন‑প্রোটিন ইন্টারঅ্যাকশনকে একত্রিত করে দ্রুতগামী উন্নতি ঘটল। এখন, ২০২৬ সালের মে মাসে একটি নতুন ভাঙলো‑মুখোশ AI সিস্টেম — MAMMAL (Mammalian‑Aware Multi‑Modal Learning) — AlphaFold 3‑কে অতিক্রম করে জীন, প্রোটিন এবং ছোট অণুকে একসাথে বুঝতে সক্ষম হ gela। এই ভাঙলো মডেলটি ওষুধ খোঁজের পাইপলাইনকে ভৌত laboratorio‑ভিত্তিক পরীক্ষার প্রয়োজন কমানো এবং আণবিক-স্তরের ডিজাইনকে গতি দিতে সমর্থ হচ্ছে, যা আজকের দармаসিউটিক্যাল র্যান্ড‑অ্যান্ড‑ডি (R&D) পরिदृশ্যে একটিTurning Point.

Link

Embed

Copy and paste this HTML code into your webpage to embed.

প্রথম দৃষ্টিভঙ্গি: MAMMAL কী এবং কীভাবে তৈরি হয়েছে?

MAMMAL একটি ট্রান্সফর্মার‑ভিত্তিক ফাউন্ডেশন মডেল, যা ১.২ ত্রিলিয়ন টোকেনের উপর প্রশিক্ষিত হয়েছে, যেখানে অন্তর্ভুক্ত:

• মানব, chuot, এবং কুকুরের গ놈 সিকুয়েন্স (≈ 800 GB raw sequencing data)
• UniProt‑এ আখ্যা করা ২০০ লাখ প্রোটিন অ্যামিনো‑एसিড সিকুয়েন্স এবং experimentally determined structures (PDB, AlphaFold DB)
• PubChem, ChEMBL, এবং ZINC ডাটাবেস থেকে ১.৫ লাখ ছোট অণু (SMILES, 3D conformers, bioactivity assays)
• Electronic health records (EHRs) থেকে ফেনোটাইপ‑জীন সংযোগ (de‑identified, GDPR‑compliant)

মডেলের আর্কিটেকচারে তিনটি মডালিটি‑স্পেসিফিক এনকোডার (DNA, protein, small‑molecule) থাকে, cuyos outputs একটি common latent space‑এ fuse হয় একটি cross‑attention layer দ્વারা। risultato: একটি unified embedding যা gleichzeitig gene expression, protein folding propensity, এবং ligand‑binding affinity를 predict করতে পারে। এই ডিজাইনটি AlphaFold 3‑এর dual‑stream (protein‑protein + protein‑ligand) architecture‑কে প্রসারিত করে, triple‑stream approche‑এ。

বেঞ্চমার্ক: AlphaFold 3‑কে কীভাবে অতিক্রম করে?

লেখকরা üçটি স্বাধীন বেঞ্চমার্কে MAMMAL‑এর পারফরমেন্স তুলনা করেছেন:

1. Protein Structure Prediction (CASP15) – MAMMAL‑এর median GDT‑TS ০.৯২, AlphaFold 3‑এর ০.৮৯ (p < 0.001)।
2. Ligand Binding Affinity Prediction (PDBbind v2024) – RMSE ১.০ kcal/mol vs AlphaFold 3‑এর ১.৩ kcal/mol (২৩ % উন্নতি)।
3. Gene‑Drug Interaction Prediction (DGIdb 2023 test set) – AUROC ০.৯৬ vs AlphaFold 3‑এর ০.৯১ (statistically significant improvement, DeLong test p = 0.004)।

এছাড়াও, MAMMAL‑এ “zero‑shot” ক্ষমতা দেখা যায়:_MODEL‑এ jamás-viewed orphan GPCR‑এর লিগ্যান্ডের Affinity‑predict করা যায়, যেখানে AlphaFold 3‑এ training‑set‑এর ligand‑type‑এর উপর নির্ভর করে। এই ক্ষমতাটি নতুন টার্গেট‑ভিত্তিক স্ক্রিনিংয়ে বড় সুযোগ খोलে।

ওষুধ খোঁজে অনুপ্রयोग: laboratoire থেকে bedside পর্যন্ত

ফার্মা কোম্পানিগুলি ইতিমধ্যে MAMMAL‑কে swoich early‑stage discovery pipelines‑এ সংহত করছেন। দুটি উদাহরণ:

• Target Identification – একটি oncology‑ফোকাসড স্টার্ট‑আপ, OncoMolec, MAMMAL‑এর gene‑expression‑to‑protein‑stability scores‑এ भरتم assuré ১২টি auparavant “undruggable” টার্গেটকে prioritize করেছে, যাদের মধ্যে ৫টি in‑vitro assay‑এ IC₅₀ < 100 nM দেখিয়েছে।
• De‑novo Molecule Design – একটি generative chemistry module, MAMMAL‑Gen, latent space‑এ থেকে SAM‑like motifs‑এ ভিত্তিক SMILES তৈরি করে, যা在 vitro‑screening‑এ ৩‑গুণ hit‑rate (≥ 15 % vs 5 % tradicionales) প্রদান করেছে।

এছাড়াও, মডেলের interpretability‑এ noteworthy: integrated gradients‑based attribution zeigt, welche Basen in einem Enhancer‑Region maßgeblich für die vorhergesagte Bindungsaffinität eines Kandidaten‑Moleküls verantwortlich sind – ein wertvoller Hinweis für medicinal chemists, die SAR‑Studien planen.

বিশেষজ্ঞদের প্রতিক্রিয়া এবং ভবিষ্যৎ দিক

হারвар্ড মেডিকেল স্কুলের কম্পিউটেশনাল বায়োলজি প্রফেসর ডॉ. adina‑saha বলেন, “MAMMAL‑এর ত্রিমোডাল পদ্ধতি বায়োইনফরমেটিক্সের সীমার पार চली गई है। এটা শুধু構造 پیشবন্দি নয়, বরং ফেনোটাইপ‑জীন‑ওষুধ ত্রিকোণকে একত্রিত করে একটি единый decision‑support system তৈরি করে।” 한편, MIT‑এর প্রফেসর জেমส์ লIU (James Liu) caution যে, “মডেলের বড় সাইজ এবং 컴퓨টেট럴 দরকার (≈ 600 TFLOPs training) বاري průmysل‑규모 배포를 위해서는 하드웨어 가속과 모델 압축이 필수적이다.”

ভবিষ্যৎ রোডম্যাপে অন্তর্ভুক্ত:

• Single‑cell multi‑omics (transcriptome + proteome + metabolome)‑এ extended training, যাতে microenvironment‑specific drug responses prediction সম্ভব হয়।
• Clinical trial outcome prediction mediante linking of MAMMAL embeddings to electronic health‑record‑derived endpoints (e.g., PFS, OS)।
• Open‑source release of a 70 B‑parameter version under the Apache‑2.0 license, expected Q4 2026, to democratize access for academic labs.

উপসংহার

MAMMAL‑এর উদয় নিশ্চিতভাবে AI‑চালিত ওষুধ খোঁজের একটি নতুন পর্যায়ের সূচক। Genomics, proteomics, এবং chemoinformatics‑এ একটি একক unified embedding‑এ bowls‑এ brought, এটি AlphaFold 3‑এর পারফরম্যান্সকে শুধু বাড়িয়ে দেইনি, বরং অণু‑স্তরের বায়োলজিক্যাল প্রক্রিয়া‑কে বোঝার এবং ডিজাইনের একটি সমন্বিত দৃষ্টিভঙ্গি প্রদান করে। যতক্ষণ না hardware‑এfficiency এবং regulatory‑framework‑এ ההתאמה जारी है, MAMMAL‑এরclinical‑world‑এ প্রভাবের সম্ভাবনা gigantesca — রোগ‑নির্দেশক চিকিৎসা, দরর‑বirati নবায়ন, এবং eventualmente, मानव स्वास्थ्य के लिए सस्ती, प्रभावी दवाओं तक पहुंच।