EquiPocket: an E(3)-Equivariant Geometric Graph Neural Network for Ligand Binding Site Prediction
यह शोध पत्र EquiPocket को प्रस्तुत करता है, जो एक E(3)-इक्विवैरिएंटिएंट (equivariant) ज्यामितीय ग्राफ न्यूरल नेटवर्क है, जो अनियमित प्रोटीन संरचनाओं, रोटेशन इनवेरिएंस (rotation invariance) और सतह की ज्यामिति को प्रभावी ढंग से मॉडल करके मौजूदा वोक्सेल-आधारित CNN विधियों की सीमाओं को दूर करता है ताकि बेहतर लिगैंड बाइंडिंग साइट भविष्यवाणी प्राप्त की जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
जीवित कोशिकाओं की सूक्ष्म दुनिया में, जीवन अणुओं के बीच एक निरंतर, सटीक संवाद पर निर्भर करता है। बड़े प्रोटीन रिसेप्टर के रूप में कार्य करते हैं, जो लिगैंड नामक छोटे रासायनिक संदेशवाहकों के आने और प्रतिक्रिया को सक्रिय करने की प्रतीक्षा करते हैं। यह परस्पर क्रिया प्रोटीन की पूरी सतह पर यादृच्छिक रूप से नहीं होती है; यह विशिष्ट, अक्सर छिपे हुए, खोखले स्थानों या जेबों (पॉकेट्स) में होती है। इन पॉकेट्स को खोजना नई दवाएं डिजाइन करने का पहला महत्वपूर्ण कदम है, क्योंकि दवाओं को काम करने के लिए इन स्थानों में फिट होना पड़ता है। दशकों तक, वैज्ञानिकों ने कंप्यूटर मॉडल का उपयोग करके इन स्थानों का मानचित्र बनाने का प्रयास किया है, लेकिन प्रोटीन स्वयं अव्यवظم, अनियमित आकार के होते हैं जो सरल डिजिटल प्रतिनिधित्व का विरोध करते हैं। पारंपरिक तरीकों ने अक्सर इन जटिल 3D संरचनाओं को व्यवस्थित, ब्लॉक जैसी ग्रिडों में फिट करने की कोशिश की, ठीक वैसे ही जैसे किसी टेढ़े-मेढ़े पत्थर को एक चौकोर डिब्बे में फिट करने की कोशिश करना। यह दृष्टिकोण अक्सर प्रोटीन की सतह के सूक्ष्म विवरणों को समझने में विफल रहा या तब विफल हो गया जब प्रोटीन को घुमाया गया या उसका आकार बदला गया, जिससे दवा कहाँ बंध सकती है, इसके बारे में गलत भविष्यवाणियां हुईं।
शोधकर्ताओं की एक टीम ने अब इस पहेली को सुलझाने का एक नया तरीका प्रस्तावित किया है, जो कठोर ग्रिडों से हटकर एक अधिक तरल, ज्यामितीय दृष्टिकोण की ओर बढ़ता है। उन्होंने इक्विपॉकेट (EquiPocket) नामक एक प्रणाली विकसित की, जो प्रोटीन को 3D छवि में पिक्सेल के संग्रह के रूप में नहीं, बल्कि जुड़े हुए बिंदुओं के एक नेटवर्क के रूप में देखती है। इस मॉडल में, प्रत्येक परमाणु एक नोड है, और उनके बीच के बंधन कनेक्शन हैं। यह प्रणाली प्रोटीन के आकार को समझ सकती है चाहे उसे अंतरिक्ष में कैसे भी घुमाया या स्थानांतरित किया जाए, जो एक ऐसा गुण है जो वास्तविक दुनिया में भौतिक नियमों के काम करने के तरीके की नकल करता है। प्रोटीन की सतह पर ध्यान केंद्रित करके—वह किनारा जहाँ एक दवा स्पर्श करेगी—यह प्रणाली परमाणुओं के बीच के कोणों और दूरियों जैसे स्थानीय ज्यामिति के बारे में विस्तृत जानकारी एकत्र करती है, बजाय इसके कि केवल एक मोटे, ब्लॉक जैसे अनुमान को देखे।
शोधकर्ताओं ने इस प्रणाली को तीन अलग-अलग भागों के साथ बनाया है जो प्रोटीन को समझने के लिए मिलकर काम करते हैं। सबसे पहले, प्रणाली सतह पर प्रत्येक परमाणु के तत्काल पड़ोस की जांच करती है, आसपास के स्थान के आकार को मापने के लिए एक आभासी प्रोब (virtual probe) का उपयोग करती है। यह सूक्ष्म वक्रों और दरारों का पता लगाने की अनुमति देता है जो एक बाइंडिंग पॉकेट को परिभाषित करते हैं। दूसरा, यह प्रोटीन को एक संपूर्ण इकाई के रूपas देखती है, परमाणुओं के रासायनिक प्रकारों और वे कैसे जुड़े हुए हैं इसका विश्लेषण करती है ताकि व्यापक संरचना को समझा जा सके। अंत में, यह सतह के परमाणुओं के बीच सूचना प्रसारित करती है, जिससे प्रणाली यह सीख पाती है कि स्थानीय आकार मिलकर बड़े बाइंडिंग साइट को कैसे बनाते हैं। प्रोटीन के आकार में भारी भिन्नता को संभालने के लिए, टीम ने एक विशेष परत जोड़ी है जो परमाणुओं के घनत्व के आधार पर अपने फोकस को समायोजित करती है। यह सुनिश्चित करता है कि प्रणाली कुछ सौ परमाणुओं वाले छोटे प्रोटीन और हजारों परमाणुओं वाले विशाल प्रोटीन, दोनों पर समान रूप से प्रभावी ढंग से कार्य करे।
मौजूदा तरीकों के विरुद्ध कई मानक डेटासेट पर परीक्षण करने पर, इस नए दृष्टिकोण ने स्पष्ट लाभ दिखाए। यह पिछले तकनीकों की तुलना में बाइंडिंग साइट के स्थान की अधिक सटीक भविष्यवाणी करने में सक्षम था, जिनमें डीप लर्निंग पर आधारित वे तरीके भी शामिल हैं जो 3D ग्रिड का उपयोग करते हैं। पुराने ग्रिड-आधारित तरीके अक्सर बड़े प्रोटीन के साथ संघर्ष करते थे, कभी-कभी बाइंडिंग साइट खोजने में भी विफल रहते थे क्योंकि प्रोटीन उनके निश्चित आकार के डिजिटल बॉक्स में फिट होने के लिए बहुत बड़ा होता था। इसके विपरीत, नई प्रणाली स्वाभाविक रूप से किसी भी आकार के प्रोटीन के अनुकूल हो जाती है। यह प्रोटीन को घुमाने पर भी अधिक विश्वसनीय साबित हुई, जो पुराने मॉडलों के लिए एक आम समस्या थी जो प्रोटीन के ओरिएंटेशन (अभिविमुखता) के आधार पर अलग-अलग उत्तर देते थे। शोधकर्ताओं ने पाया कि स्थानीय सतह के विवरणों को वैश्विक रासायनिक संरचना के साथ जोड़ना आवश्यक था; किसी भी एक भाग को हटाने से सिस्टम के प्रदर्शन में काफी गिरावट आई।
अध्ययन ने यह भी खुलासा किया कि यह प्रणाली न केवल यह अनुमान लगाने में सक्षम है कि बाइंडिंग साइट कहाँ है, बल्कि उस दिशा का भी अनुमान लगा सकती है जिस दिशा में एक दवा अणु उसके पास पहुंचेगा। ज्यामिति की यह अतिरिक्त समझ मॉडल को और भी बेहतर प्रदर्शन करने में मदद करती है, विशेष रूप से छोटे प्रोटीन पर। हालांकि इस प्रणाली को सरल ज्यामितीय उपकरणों की तुलना में अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है, फिर भी यह भारी 3D ग्रिड विधियों की तुलना में तेज़ और अधिक कुशल बनी रहती है, जो गति और सटीकता के बीच एक संतुलन बनाती है। यह कार्य सुझाव देता है कि प्रोटीन की प्राकृतिक, अनियमित ज्यामिति का सम्मान करके और उन्हें स्थिर छवियों के बजाय परस्पर जुड़े नेटवर्क के रूप में मानकर, वैज्ञानिक दवा की खोज के लिए अधिक विश्वसनीय उपकरण बना सकते हैं। शोधकर्ताओं ने अपना कोड उपलब्ध करा दिया है, जिससे अन्य लोग आणविक दुनिया को देखने के इस नए तरीके का परीक्षण और विस्तार कर सकें।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।