💻 computer science

Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation

यह शोध पत्र डिफ्यूजन-आधारित इवोल्यूशनरी मॉलिक्यूलर ऑप्टिमाइजेशन (DEMO) फ्रेमवर्क का प्रस्ताव करता है, जो एक ट्राई-पॉपुलेशन आर्किटेक्चर के भीतर एक इवोल्यूशनरी-गाइडेड डिफ्यूजन ऑपरेटर और एक स्ट्रक्चर-अवेयर एनवायर्नमेंटल सिलेक्शन मैकेनिज्म का तालमेल बिठाकर, जीरो-शॉट तरीके से रासायनिक रूप से वैध, विविध और उच्च-प्रदर्शन वाले 3D संरचनाओं को उत्पन्न करके बाधित मल्टी-ऑब्जेक्टिव मॉलिक्यूलर ऑप्टिमाइजेशन समस्याओं को कुशलतापूर्वक हल करता है।

मूल लेखक: Ruiqing Sun, Dawei Feng, Sen Yang, Ronghang Wang, Huaiyuan Song, Bo Ding, Yijie Wang, Huaimin Wang

प्रकाशित 2026-04-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ruiqing Sun, Dawei Feng, Sen Yang, Ronghang Wang, Huaiyuan Song, Bo Ding, Yijie Wang, Huaimin Wang

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कुशल वास्तुकार (architect) हैं जो एक नए प्रकार की गगनचुंबी इमारत बनाने की कोशिश कर रहे हैं। लेकिन एक शर्त है: आपको इसे केवल विशिष्ट, पहले से कटे हुए लेगो ब्रिक्स (fragments) का उपयोग करके बनाना होगा, और इमारत को पूरी तरह से स्थिर, सुंदर और ऊर्जा-कुशल भी होना चाहिए।

यह बिल्कुल वही चुनौती है जिसका सामना वैज्ञानिक दवाओं या सामग्रियों के लिए नए 3D अणुओं (molecules) को डिजाइन करने में करते हैं। उन्हें अणुओं के विशिष्ट हिस्सों को जोड़कर कुछ नया बनाना होता है जो मानव शरीर में पूरी तरह से काम करे, लेकिन रसायन विज्ञान के नियम (जैसे परमाणु कैसे जुड़ते हैं) अविश्वसनीय रूप से सख्त होते हैं। यदि आप एक छोटी सी भी गलती करते हैं, तो अणु टूट जाता है या जहरीला हो जाता है।

यह शोध पत्र DEMO नामक एक नई विधि पेश करता है जो इस पहेली को हल करती है। यह कैसे काम करता है, इसे सरल उपमाओं (analogies) के माध्यम से यहाँ समझाया गया है:

समस्या: दो टूटे हुए उपकरण

वैज्ञानिकों ने इन अणुओं को डिजाइन करने के लिए दो मुख्य उपकरणों का उपयोग करने की कोशिश की है, लेकिन दोनों में खामियां हैं:

"कठोर 3D प्रिंटर" (डिफ्यूजन मॉडल - Diffusion Models): एक उच्च तकनीक वाले 3D प्रिंटर की कल्पना करें जो पूर्ण अणु प्रिंट कर सकता है। यह चीजों को वास्तविक दिखाने में बहुत अच्छा है। लेकिन, यह एक ऐसे प्रिंटर की तरह है जो केवल एक विशिष्ट डिजाइन को ही पूरी तरह से प्रिंट करना जानता है। यदि आप इसे एक नए डिजाइन के साथ अलग नियमों (जैसे "इसे इस विशिष्ट जेब में फिट होने के लिए बनाओ") के साथ प्रिंट करने के लिए कहते हैं, तो आपको प्रिंटर को शुरू से पूरी तरह से फिर से प्रशिक्षित (retrain) करना होगा। इसमें बहुत समय लगता है और भारी खर्च आता है।
"अंधा मूर्तिकार" (इवोल्यूशनरी एल्गोरिदम - Evolutionary Algorithms): एक ऐसे मूर्तिकार की कल्पना करें जो पत्थर को बेतरतीब ढंग से छीलकर मूर्ति बनाने की कोशिश करता है। वे नए आकार खोजने में माहिर हैं, लेकिन वे भौतिकी के नियमों को नहीं समझते हैं। यदि वे पत्थर के दो टुकड़ों को जोड़ने की कोशिश करते हैं, तो वे उन्हें इस तरह से चिपका सकते हैं जो गुरुत्वाकर्षण को चुनौती देता है, जिससे मूर्ति ढह सकती है। रसायन विज्ञान में, इसका अर्थ है ऐसे अणु बनाना जो भौतिक रूप से असंभव हों (परमाणु आपस में टकरा रहे हों)।

समाधान: DEMO (एक स्मार्ट हाइब्रिड)

लेखकों ने DEMO बनाया है, जो दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को मिलाता है। इसे एक जादुई सुरक्षा जाल (Magic Safety Net) द्वारा निर्देशित अंधे मूर्तिकार को काम पर रखने के रूप में सोचें।

1. जादुई सुरक्षा जाल (EGD ऑपरेटर)

लेगो ब्रिक्स को सीधे जोड़ने की कोशिश करने के बजाय (जिससे वे टूट जाते हैं), DEMO सिस्टम "शोर (noise) की एक स्वप्न लोक" में काम करता है।

उपमा: कल्पना करें कि आपके पास मिट्टी की दो मूर्तियाँ हैं। दोनों को आपस में टकराने देने के बजाय, आप दोनों को धूल के बादल (noise) में बदल देते हैं। आप दोनों मूर्तियों की धूल को हवा में आपस में मिला देते हैं।
जादू: फिर, आप एक "जादुई फिल्टर" (पूर्व-प्रशिक्षित AI) का उपयोग करते हैं ताकि धूल को जमने दिया जाए। क्योंकि यह फिल्टर भौतिकी के नियमों को जानता है, यह स्वाभाविक रूप से धूल को एक ऐसे आकार में खींचता है जो दोनों मूल मूर्तियों का मिश्रण दिखता है, लेकिन पूरी तरह से स्थिर है।
परिणाम: मूर्तिकार बिना रसायन विज्ञान के नियमों को तोड़े एक नया, वैध अणु प्राप्त करता है।

2. "कोई क्लोन नहीं" का नियम (SAES तंत्र)

अतीत में, ये एल्गोरिदम आलसी हो जाते थे। एक बार जब उन्हें एक अच्छा अणु मिल जाता था, तो वे बस उसके हजारों थोड़े से अलग संस्करण बना देते थे। यह एक ऐसे बेकर की तरह है जिसे एक परफेक्ट कुकी रेसिपी मिल जाती है और फिर वह नई फ्लेवर बनाने के बजाय बस 1,000 एक जैसी कुकीज़ बनाता है।

समाधान: DEMO में एक सख्त नियम है: "कोई क्लोन अलाउड नहीं।" किसी नए अणु को स्वीकार करने से पहले, यह जाँचता है: "क्या यह बाकी सब से संरचनात्मक रूप से भिन्न है?" यदि यह मौजूदा चीज़ों के बहुत समान है, तो इसे बाहर कर दिया जाता है। यह सिस्टम को नए, रचनात्मक डिजाइनों की खोज करने के लिए मजबूर करता है।

3. तीन-टीम रणनीति (Tri-Population)

एक जटिल अणु बनाना कठिन है। यदि आप सब कुछ एक साथ करने की कोशिश करते हैं, तो आप फंस सकते हैं। DEMO काम को तीन विशिष्ट टीमों में विभाजित करता है:

टीम A (एक्सप्लोरर्स - खोजकर्ता): उनका काम जंगली और पागलपन भरा होना है। वे नए ढांचे खोजने के लिए अंशों (fragments) को अजीब तरीकों से मिलाने की कोशिश करते हैं, भले ही वे अभी पूर्ण न हों।
टीम B (रिफाइनर्स - परिष्कृत करने वाले): उनका काम टीम A के "लगभग अच्छे" ढांचों को लेना और उनके टूटे हुए हिस्सों को ठीक करना है। वे उन मैकेनिकों की तरह हैं जो बोल्ट कस रहे हैं।
टीम C (एलीट्स - विशिष्ट वर्ग): उनका काम पूर्ण अणुओं को लेना और उन्हें तब तक पॉलिश करना है जब तक कि वे सर्वश्रेष्ठ न बन जाएं।

ये टीमें एक-दूसरे से बात करती हैं। टीम A एक जंगली विचार ढूंढती है, टीम B उसे ठीक करती है, और टीम C उसे पूर्ण बनाती है। यह सुनिश्चित करता है कि सिस्टम कभी भी एक ही ढर्रे में न फंसे।

यह क्यों महत्वपूर्ण है

जीरो-शॉट लर्निंग (Zero-Shot Learning): आपको हर उस नई दवा के लिए AI को फिर से प्रशिक्षित करने की आवश्यकता नहीं है जिसे आप बनाना चाहते हैं। यह नए चुनौतियों के लिए "आउट ऑफ द बॉक्स" काम करता है।
विविधता (Diversity): यह आपको केवल एक उत्तर नहीं देता; यह आपको विभिन्न, वैध और उच्च गुणवत्ता वाले अणुओं का एक पूरा पोर्टफोलियो देता है।
वास्तविक दुनिया में उपयोग: यह दवा की खोज (drug discovery) की दिशा में एक बड़ा कदम है। इसका मतलब है कि वैज्ञानिक उन अणुओं को तेजी से डिजाइन कर सकते हैं जो बीमारी फैलाने वाले प्रोटीनों में पूरी तरह फिट बैठते हैं, जिससे कैंसर, वायरस और अन्य बीमारियों के लिए नई दवाएं पहले की तुलना में बहुत तेजी से विकसित की जा सकती हैं।

संक्षेप में: DEMO एक सुपर-स्मार्ट, सहयोगात्मक डिजाइन टीम की तरह है जो विचारों को सुरक्षित रूप से मिलाने के लिए "स्वप्न अवस्था" का उपयोग करती है, उबाऊ प्रतियों को बनाने से इनकार करती है, और पूर्ण आणविक संरचनाओं के निर्माण के लिए काम को विशिष्ट भूमिकाओं में विभाजित करती है।

यहाँ शोध पत्र "Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा

यह शोध पत्र 3D आणविक खोज (molecular discovery) में प्रतिबंधित बहु-उद्देश्यीय अनुकूलन समस्या (Constrained Multi-Objective Optimization Problem - CMOP) को संबोधित करता है। वास्तविक दुनिया की औषधि डिजाइन (drug design) के लिए कई परस्पर विरोधी गुणों (जैसे, बाइंडिंग एफिनिटी, घुलनशीलता, सिंथेटिक सुलभता) को अनुकूलित करने की आवश्यकता होती है, जबकि जटिल 3D संरचनात्मक बाधाओं (जैसे, विशिष्ट विलगित खंडों (disjoint fragments) को सुरक्षित रखना, रासायनिक संयोजकता (valency) बनाए रखना) का सख्ती से पालन करना होता है।

लेखक मौजूदा दृष्टिकोणों में दो महत्वपूर्ण सीमाओं की पहचान करते हैं:

3D डिफ्यूजन मॉडल: हालांकि ये वैध अणु उत्पन्न करने में उत्कृष्ट हैं, लेकिन ये कठोर सशर्त जनरेटर (rigid conditional generators) के रूप में कार्य करते हैं। नए बहु-उद्देश्यीय लक्ष्यों या जटिल संरचनात्मक बाधाओं (जैसे, मल्टी-फ्रेगमेंट असेंबली) के अनुकूल बनाने के लिए इन्हें कम्प्यूटेशनल रूप से अत्यधिक खर्चीले पुन: प्रशिक्षण (retraining) की आवश्यकता होती है। इसके अलावा, कठोर स्थानिक बाधाओं को लागू करना (जैसे, मास्किंग के माध्यम से) अक्सर गंभीर स्टेरिक क्लैश (steric clashes) और जेनेरेटिव विफलता का कारण बनता है क्योंकि विलगित खंडों की इष्टतम सापेक्ष स्थितियाँ (relative poses) अज्ञात होती हैं।
पारंपरिक विकासवादी एल्गोरिदम (Evolutionary Algorithms - EAs): हालांकि EA शक्तिशाली ग्रेडिएंट-मुक्त ऑप्टिमाइज़र हैं, सीधे 3D निर्देशांकों पर लागू किए गए मानक जेनेटिक ऑपरेटर्स (क्रॉसओवर/म्यूटेशन) रासायनिक संयोजकता को नष्ट कर देते हैं और स्टेरिक क्लैश का कारण बनते हैं। इसके अतिरिक्त, पारंपरिक मल्टी-ऑब्जेक्टिव इवोल्यूशनरी एल्गोरिदम (MOEA) फ्रेमवर्क "संरचनात्मक विविधता की हानि" (Loss of Structural Diversity) से ग्रस्त होते हैं, जहाँ जनसंख्या एक एकल वैध स्कैफोल्ड के रेडंडेंट टोपोलॉजिकल क्लोन की ओर अभिसरित (converge) हो जाती है, बजाय विविध रासायनिक बैकबोन की खोज करने के।

2. कार्यप्रणाली: DEMO फ्रेमवर्क

लेखकों ने DEMO (Diffusion-based Evolutionary Molecular Optimization) प्रस्तावित किया है, जो एक प्रगतिशील एल्गोरिथमिक सूट है जिसे डिफ्यूजन मॉडल की भौतिक वैधता और विकासवादी खोज (evolutionary search) के लचीलेपन के बीच के अंतर को पाटने के लिए डिज़ाइन किया गया है। DEMO तीन मुख्य घटकों से बना है:

A. इवोल्यूशनरी-गाइडेड डिफ्यूजन (EGD) ऑपरेटर

निर्देशांकों को सीधे बदलने के बजाय, EGD एक पूर्व-प्रशिक्षित डिफ्यूजन मॉडल के निरंतर शोर स्थान (continuous noise space) के भीतर क्रॉसओवर और म्यूटेशन करता है।

तंत्र (Mechanism): माता-पिता (parents) को एक इष्टतम कैलिब्रेटेड शोर स्तर ( $t'$ ) तक आंशिक रूप से दूषित किया जाता है। क्रॉसओवर में शोर वाले माता-पिता से यादृच्छिक परमाणु उपसमुच्चय निकालना और उन्हें एक "काइमेरिक" (chimeric) शोर अवस्था बनाने के लिए जोड़ना शामिल है। म्यूटेशन में एक एकल माता-पिता में गॉसियन शोर इंजेक्ट करना शामिल है।
प्रोजेक्शन (Projection): एक SE(3)-इक्विवेरिएंट रिवर्स डिफ्यूजन नेटवर्क एक भौतिक प्रोजेक्शन ऑपरेटर के रूप में कार्य करता है। यह काइमेरिक या विक्षुब्ध शोर अवस्था को वापस वैध रासायनिक मैनिफोल्ड पर मैप करता है, जिससे संयोजकता नियमों का उल्लंघन किए बिना स्टेरिक क्लैश को गतिशील रूप से हल किया जाता है और संरचना को "हील" (heal) किया जाता है।
अनुकूली शेड्यूलिंग (Adaptive Scheduling): एक एडेप्टिव नॉइज़ शेड्यूलर (बाइनरी सर्च और गॉसियन प्रोसेस का उपयोग करके) प्रत्येक पीढ़ी के लिए इष्टतम शोर स्तर $t'$ को गतिशील रूप से निर्धारित करता है। यह पर्याप्त संरचना बनाए रखते हुए टोपोलॉजिकल पुनर्संयोजन (recombination) की अनुमति देने के लिए पर्याप्त शोर डालने के बीच संतुलन बनाता है।

B. स्ट्रक्चर-अवेयर एनवायर्नमेंटल सिलेक्शन (SAES)

"संरचनात्मक विविधता की हानि" को रोकने के लिए, SAES पारंपरिक ऑब्जेक्टिव-स्पेस क्राउडिंग डिस्टेंस के स्थान पर एक संरचनात्मक विविधता मीट्रिक का उपयोग करता है।

कंपोजिट डिस्टेंस: यह एक दूरी मीट्रिक $D(M_a, M_b)$ की गणना करता है जो 2D ग्राफ टोपोलॉजी (मॉर्गन फिंगरप्रिंट्स पर जैकार्ड डिस्टेंस) और 3D स्थानिक विन्यास (अल्ट्राफास्ट शेप रिकग्निशन डिस्क्रिप्टर्स पर यूक्लिडियन डिस्टेंस) को सहक्रियात्मक रूप से जोड़ता है।
चयन तर्क (Selection Logic): एनवायर्नमेंटल सिलेक्शन के दौरान, SAES एक सख्त न्यूनतम संरचनात्मक दूरी थ्रेशोल्ड ( $\tau$ ) लागू करता है। यह उन उम्मीदवारों को प्राथमिकता देता है जो टोपोलॉजिकल रूप से भिन्न हैं, प्रभावी रूप से ज्यामितीय क्लोन को फ़िल्टर करता है, भले ही उनके ऑब्जेक्टिव स्कोर थोड़े बेहतर हों।

C. ट्राइ-पॉपुलेशन आर्किटेक्चर (Tri-Population Architecture)

3D मल्टी-फ्रेगमेंट असेंबली के अत्यधिक प्रतिबंधित और विलगित व्यवहार्य क्षेत्रों (disjoint feasible regions) को नेविगेट करने के लिए, DEMO खोज को तीन परस्पर क्रिया करने वाली आबादी में विभाजित करता है:

स्ट्रक्चरल एक्सप्लोरर ( $P_A$ ): नवीन रासायनिक स्कैफोल्ड्स की खोज पर ध्यान केंद्रित करता है। यह संरचनात्मक दंड (penalty) को एक नकारात्मक ऑब्जेक्टिव के रूप में मानता है ताकि सक्रिय रूप से लक्षित खंडों से दूर विकसित हो सके, जिससे विविध बैकबोन की आपूर्ति सुनिश्चित हो सके।
लोकल रिफाइनर ( $P_B$ ): आंशिक रूप से असेंबल किए गए इंटरमीडिएट्स पर ध्यान केंद्रित करता है। यह खंडों को सही जगह पर "स्नैप" करने के लिए संरचनात्मक दंड को कम करता है, जो एक टोपोलॉजिकल असेंबली लाइन के रूप में कार्य करता है।
एलीट आर्काइव ( $P_C$ ): पूरी तरह से व्यवहार्य, पूर्ण रूप से असेंबल किए गए अणुओं को बनाए रखता है। यह भौतिक-रासायनिक गुणों को अधिकतम करने के लिए कन्फर्मेशनल फाइन-ट्यूनिंग के लिए म्यूटेशन का उपयोग करता है।

3. प्रमुख योगदान

EGD ऑपरेटर: एक नवीन जेनेरेटिव ऑपरेटर जो शोर स्थान में परिवर्तनशील-लंबाई वाले ज्यामितीय संकरण (geometric hybridization) को सक्षम करता है, जो 3D जेनेटिक ऑपरेटर्स की भौतिक अमान्यता की समस्या को हल करता है। यह जीरो-शॉट (बिना पुन: प्रशिक्षण के) सिंगल- और मल्टी-प्रॉपर्टी टारगेटिंग में अत्याधुनिक प्रदर्शन प्राप्त करता है।
SAES तंत्र: एक चयन विधि जो स्पष्ट रूप से संरचनात्मक विशिष्टता को लागू करती है, पारंपरिक MOEAs में होने वाले "मोड कोलैप्स" को रोकती है और विविध पारेटो फ्रंट्स (Pareto fronts) की खोज सुनिश्चित करती है।
DEMO फ्रेमवर्क: एक विशेष ट्राइ-पॉपुलेशन को-इवोल्यूशनरी फ्रेमवर्क जो CMOPs के लिए तैयार किया गया है। यह स्कैफोल्ड्स की खोज, इंटरमीडिएट्स की असेंबली और एलीट्स के परिशोधन (refinement) को अलग करके विलगित व्यवहार्य क्षेत्रों को सफलतापूर्वक नेविगेट करता है।

4. प्रयोगात्मक परिणाम

लेखकों ने चार कार्य श्रेणियों में DEMO का मूल्यांकन किया: सिंगल-प्रॉपर्टी टारगेटिंग, मल्टी-प्रॉपर्टी टारगेटिंग, अनकंस्ट्रेंड MOPs, और कंस्ट्रेंड MOPs (3D प्रोटीन-लिगैंड डॉकिंग सहित)।

सिंगल/मल्टी-प्रॉपर्टी टारगेटिंग: EGD ने टास्क-विशिष्ट कंडीशनल मॉडल्स (जिन्हें पुन: प्रशिक्षण की आवश्यकता होती है) और ग्रेडिएंट-आधारित गाइडेंस मेथड्स (जैसे TFG और MUDM) को काफी पीछे छोड़ दिया। इसने लक्षित गुणों के विरुद्ध कम मीन एब्सोल्यूट एरर (MAE) प्राप्त किया, जो यह सिद्ध करता है कि शोर स्थान में इवोल्यूशनरी गाइडेंस, पैसिव सैंपलिंग या ग्रेडिएंट परटर्बेशन की तुलना में अधिक कुशल है।
अनकंस्ट्रेंड MOPs: DEMO (SAES के साथ) ने पारंपरिक बेसलाइन्स (SPEA2, CCMO) की तुलना में बेहतर हाइपरवॉल्यूम (HV) स्कोर प्राप्त किया। महत्वपूर्ण रूप से, इसने उच्च यूनिक वैलिड रेट (UVR) (~0.90) बनाए रखा, जबकि पारंपरिक तरीकों में UVR घटकर 0.12 रह गया, जो पुष्टि करता है कि SAES सफलतापूर्वक संरचनात्मक रेडंडेंसी को रोकता है।
कन्स्ट्रेंड MOPs (मल्टी-फ्रेगमेंट): विलगित खंडों को असेंबल करने वाले कार्यों में, अनकंडीशनल सैंपलिंग (Top-N) व्यवहार्य अणु खोजने में विफल रहा (0% सफलता)। EGD के साथ पारंपरिक EMOs ने व्यवहार्य अणु तो पाए लेकिन कम संरचनात्मक विविधता (UFR < 0.2) का सामना किया। **DEMO** ने उच्च यूनिक फेज़िबल रेट (UFR > 0.70) और बेहतर HV बनाए रखा, जो टोपोलॉजिकल अंतराल को पाटने की इसकी क्षमता को प्रदर्शित करता है।
3D प्रोटीन-लिगैंड डॉकिंग: 10 विविध प्रोटीन लक्ष्यों में, DEMO ने लगातार बेसलाइन्स को पछाड़ते हुए उच्च बाइंडिंग एफिनिटी के साथ उच्च संरचनात्मक विविधता (UVR > 0.92) बनाए रखी, जिससे लीड कंपाउंड्स का एक विविध पोर्टफोलियो प्राप्त हुआ।

5. महत्व

यह कार्य 3D आणविक डिजाइन में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है। यह पूर्व-प्रशिक्षित डिफ्यूजन मॉडल्स को कठोर सैंपलर से लचीले, जीरो-शॉट ऑप्टिमाइज़ेशन इंजन में बदल देता है। विकासवादी एल्गोरिदम की वैश्विक खोज क्षमताओं को डिफ्यूजन मॉडल्स की भौतिक वैधता के साथ सामंजस्य बिठाकर, DEMO सख्त 3D बाधाओं के तहत परस्पर विरोधी गुणों को अनुकूलित करने की महत्वपूर्ण चुनौती को हल करता है। यह फ्रेमवर्क वास्तविक दुनिया की औषधि खोज और सामग्री विज्ञान के लिए एक तैयार-उपयोग (ready-to-use) कम्प्यूटेशनल पाइपलाइन प्रदान करता है, जो महंगे पुन: प्रशिक्षण की आवश्यकता के बिना अत्यधिक विविध, रासायनिक रूप से वैध और संरचनात्मक रूप से बाधित अणु उत्पन्न करने में सक्षम है।