🧬 biology

Adaptive Data-Knowledge Alignment in Genetic Perturbation Prediction

यह शोध पत्र ALIGNED का प्रस्ताव करता है, जो एक एबडक्टिव लर्निंग (Abductive Learning) पर आधारित न्यूरो-सिम्बोलिक फ्रेमवर्क है जो डेटा-संचालित शिक्षण को मौजूदा जैविक ज्ञान के साथ एकीकृत करता है ताकि डेटा-ज्ञान की विसंगतियों के बावजूद आनुवंशिक व्यवधान प्रतिक्रियाओं (genetic perturbation responses) की भविष्यवाणी करने के साथ-साथ यांत्रिक अंतर्दृष्टि को व्यवस्थित रूप से परिष्कृत और पुन: खोजा जा सके।

मूल लेखक: Yuanfang Xiang, Lun Ai

प्रकाशित 2026-04-02

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuanfang Xiang, Lun Ai

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

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक जटिल शहर (एक जीवित कोशिका) कैसे प्रतिक्रिया देगा जब आप अचानक एक विशिष्ट इमारत (एक जीन) को हटा देते हैं या एक नई इमारत जोड़ देते हैं। आपके पास इस भविष्यवाणी को करने में मदद करने के लिए जानकारी के दो मुख्य स्रोत हैं:

"फील्ड रिपोर्ट" (डेटा): वैज्ञानिकों द्वारा किए गए हजारों वास्तविक दुनिया के अवलोकन, जिन्होंने वास्तव में इमारतों को हटाया और देखा कि क्या हुआ। यह समृद्ध और विस्तृत है, लेकिन कभी-कभी ये रिपोर्ट अव्यवस्थित होती हैं, इनमें गलतियाँ हो सकती हैं या छोटी बारीकियां छूट सकती हैं क्योंकि शहर बहुत बड़ा और अराजक है।
"सिटी प्लानर का ब्लूप्रिंट" (ज्ञान): विशेषज्ञों द्वारा दशकों से बनाए गए आधिकारिक, क्यूरेटेड नक्शे और नियम। ये तार्किक और संरचित हैं, लेकिन ये पुराने, अपूर्ण या कभी-कभी गलत भी हो सकते हैं क्योंकि शहर ब्लूप्रिंट के अपडेट होने से कहीं अधिक तेजी से बदल गया है।

समस्या:
वर्तमान कंप्यूटर मॉडल आमतौर पर केवल फील्ड रिपोर्ट (एक ब्लैक बॉक्स की तरह सीखकर) या केवल ब्लूप्रिंट (कठोर नियमों का पालन करके) का उपयोग करने की कोशिश करते हैं।

यदि आप केवल फील्ड रिपोर्ट का उपयोग करते हैं, तो मॉडल सटीक होता है लेकिन यह स्पष्ट नहीं करता कि कुछ क्यों हुआ। यह एक "ब्लैक बॉक्स" है।
यदि आप केवल ब्लूप्रिंट का उपयोग करते हैं, तो मॉडल तार्किक होता है लेकिन नए, अजीब परिदृश्यों की भविष्यवाणी करने में विफल हो सकता है क्योंकि ब्लूप्रिंट पुराना है।
बड़ी समस्या: कभी-कभी फील्ड रिपोर्ट और ब्लूप्रिंट एक-दूसरे के विरोधाभासी होते हैं। यदि आप उन्हें बस एक साथ मिला देते हैं, तो कंप्यूटर भ्रमित हो जाता है और गलत चीजें सीख लेता है।

समाधान: ALIGNED
इस शोध पत्र के लेखकों ने ALIGNED नामक एक नई प्रणाली बनाई है। इसे एक सुपर-इंटेलिजेंट सिटी प्लानर के रूप में सोचें जो न केवल मानचित्र का अंधाधुंध पालन करता है और न ही रिपोर्टों की अंधाधुंध नकल करता है। इसके बजाय, यह प्लानर दोनों के बीच एक मध्यस्थ (mediator) के रूप में कार्य करता है।

यहाँ बताया गया है कि ALIGNED कैसे काम करता है, एक सरल उपमा का उपयोग करते हुए:

1. दो विशेषज्ञ (न्यूरल बनाम सिम्बोलिक)

एक मीटिंग रूम की कल्पना करें जिसमें दो विशेषज्ञ हैं:

डेटा डिटेक्टिव (न्यूरल घटक): यह विशेषज्ञ अव्यवस्थित फील्ड रिपोर्ट को देखता है। वे शोर (noise) के बीच पैटर्न पहचानने और वास्तविक दुनिया में क्या होता है, इसका अनुमान लगाने में माहिर हैं, भले ही नियम अजीब क्यों न हों।
लॉजिक आर्किटेक्ट (सिम्बोलिक घटक): इस विशेषज्ञ के पास ब्लूप्रिंट है। वे कारण-और-प्रभाव के नियमों को जानते हैं (जैसे, "यदि आप इमारत A को हटाते हैं, तो इमारत B में भीड़ बढ़ जाती है")। वे इस बात को समझाने में माहिर हैं कि चीजें क्यों होती हैं।

2. "स्मार्ट मीडिएटर" (द अडैप्टर)

अतीत में, ये दोनों विशेषज्ञ बहस करते थे, और कंप्यूटर बस एक को चुन लेता था या दोनों का औसत निकाल लेता था, जिससे परिणाम खराब होते थे।
ALIGNED एक स्मार्ट मीडिएटर पेश करता है।

जब फील्ड रिपोर्ट बहुत स्पष्ट होती हैं और ब्लूप्रिंट धुंधला या पुराना होता है, तो मीडिएटर कहता है, "इस विशिष्ट भविष्यवाणी के लिए डेटा डिटेक्टिव पर भरोसा करें।"
जब ब्लूप्रिंट ठोस होता है और डेटा रिपोर्ट शोर भरी या अधूरी होती है, तो मीडिएटर कहता है, "इस एक मामले के लिए लॉजिक आर्किटेक्ट पर भरोसा करें।"
जादू: मीडिएटर हर एक जीन के लिए यह सीखता है कि किस विशेषज्ञ पर भरोसा किया जाए। यह पूरे सिस्टम के लिए एक ही नियम नहीं थोपता है।

3. "मैप अपडेट" (ज्ञान का परिशोधन)

यह सबसे रोमांचक हिस्सा है। आमतौर पर, एक बार ब्लूप्रिंट छप जाने के बाद, वह हमेशा के लिए वैसा ही रहता है।
ALIGNED अलग है। जब डेटा डिटेक्टिव और लॉजिक आर्किटेक्ट एक नए पैटर्न पर सहमत होते हैं जिसे ब्लूप्रिंट ने छोड़ दिया था, तो मीडिएटर ब्लूप्रिंट को अनदेखा नहीं करता है। वह कहता है, "हे, ब्लूप्रिंट यहाँ गलत है। चलिए मैप को अपडेट करते हैं।"
यह व्यवस्थित रूप से ब्लूप्रिंट को संपादित करता है, वास्तविक दुनिया के डेटा के आधार पर नए कनेक्शन जोड़ता है या पुराने, गलत कनेक्शनों को हटाता है। यह एक GPS ऐप की तरह है जो न केवल आपका मार्गदर्शन करता है बल्कि जब उसे कोई नया शॉर्टकट मिलता है, तो वह बाकी सभी के लिए रोड मैप को भी अपडेट कर देता है।

यह क्यों मायने रखता है?

पारदर्शिता: अन्य AI मॉडलों के विपरीत जो "ब्लैक बॉक्स" हैं (आप उत्तर जानते हैं, लेकिन क्यों नहीं), ALIGNED आपको बताता है कि किस नियम या किस डेटा पॉइंट ने भविष्यवाणी की ओर ले जाया। यह गणित के सवाल में अपना काम दिखाने वाले शिक्षक की तरह है।
विकास: यह केवल भविष्यवाणी नहीं करता; यह सीखता है। यह लैब से प्राप्त अव्यवस्थित, शोर भरे डेटा को लेता है और उसका उपयोग आधिकारिक वैज्ञानिक ज्ञान आधारों को साफ करने और सुधारने के लिए करता है।
सटीकता: "वास्तव में क्या हुआ" (डेटा) और "सिद्धांत के अनुसार क्या होना चाहिए" (ज्ञान) के बीच संतुलन बनाकर, यह अकेले किसी भी स्रोत का उपयोग करने की तुलना में बेहतर भविष्यवाणियां करता है।

संक्षेप में:
ALIGNED एक ऐसी प्रणाली है जो कंप्यूटर को एक विनम्र वैज्ञानिक बनना सिखाती है। यह डेटा का सम्मान करती है लेकिन सिद्धांत का भी सम्मान करती है। जब वे असहमत होते हैं, तो यह पता लगाती है कि कौन सही है। और जब डेटा सिद्धांत को गलत साबित करता है, तो इसमें सिद्धांत को फिर से लिखने का साहस होता है, जिससे हर बार चलने पर हमारी जैविक समझ अधिक सटीक और अद्यतित (up-to-date) होती जाती है।

यहाँ एक तकनीकी सारांश दिया गया है जो "Adaptive Data-Knowledge Alignment in Genetic Perturbation Prediction" (ALIGNED) नामक शोध पत्र का है, जिसे ICLR 2026 में एक कॉन्फ्रेंस पेपर के रूप में प्रस्तुत किया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र आनुवंशिक व्यवधानों (genetic perturbations) (जैसे जीन नॉकआउट या ओवरएक्सप्रेशन) के प्रति जीनोम-व्यापी ट्रांसक्रिप्शनल प्रतिक्रियाओं की भविष्यवाणी करने की चुनौती को संबोधित करता है। जबकि वर्तमान डीप लर्निंग मॉडल उच्च भविष्य कहनेवाला सटीकता प्राप्त करते हैं, वे अक्सर "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जिससे सीमित जैविक व्याख्यात्मकता (biological interpretability) मिलती है। इसके विपरीत, क्यूरेटेड जैविक ज्ञान (Knowledge Bases या KBs) पर निर्भर पारंपरिक विधियाँ व्याख्यात्मक तो हैं, लेकिन वे अपूर्णता, शोर (noise) और पुराने सूचना तंत्र से ग्रस्त हैं।

मुख्य चुनौती: प्रयोगात्मक डेटा (experimental data) और क्यूरेटेड नॉलेज बेस के बीच एक व्यापक असंगति (inconsistency) है।

डेटा संबंधी मुद्दे: प्रयोगात्मक डेटासेट में शोर, माप संबंधी पूर्वाग्रह (measurement biases), और कमजोर पोस्ट-परटर्बेशन सिग्नल होते हैं।
ज्ञान संबंधी मुद्दे: KBs (जैसे OmniPath, Gene Ontology, EcoCyc) में गलत एनोटेशन, लुप्त पाथवे और अच्छी तरह से अध्ययन किए गए जीनों के प्रति पूर्वाग्रह होता है।
परिणाम: इन असंगत स्रोतों का सहज एकीकरण द्वि-दिशीय त्रुटि प्रसार (bidirectional error propagation) की ओर ले जाता है, जहाँ शोर युक्त डेटा ज्ञान को दूषित करता है, और दोषपूर्ण ज्ञान डेटा-संचालित शिक्षण को पक्षपाती बनाता है। मौजूदा विधियाँ इन विचलनों को हल करने या स्वयं ज्ञान को परिष्कृत करने के लिए एंड-टू-एंड समाधान प्रदान करने में विफल रहती हैं।

2. कार्यप्रणाली: ALIGNED फ्रेमवर्क (Methodology: The ALIGNED Framework)

लेखक ALIGNED (Adaptive aLignment for Inconsistent Genetic kNowledgE and Data) का प्रस्ताव करते हैं, जो Abductive Learning (ABL) प्रतिमान पर आधारित एक न्यूरो-सिंबोलिक फ्रेमवर्क है। यह एक अनुकूली संरेखण तंत्र (adaptive alignment mechanism) के माध्यम से एक न्यूरल घटक (डेटा-संचालित) और एक सिंबोलिक घटक (ज्ञान-संचालित) को एकीकृत करता है।

2.1 मुख्य घटक (Core Components)

न्यूरल घटक ( $f_y$ ): एक न्यूरल नेटवर्क (MLP या GNN) जो इनपुट डेटा से व्यवधान प्रतिक्रियाओं की भविष्यवाणी करता है। यह बड़े पैमाने के ट्रांसक्रिप्टोमिक डेटासेट से लेटेंट रिप्रजेंटेशन सीखता है।
सिंबोलिक घटक (KB): जीन रेगुलेटरी नेटवर्क (GRNs) को सक्रियण (+) और निषेध (-) संबंधों वाले बूलियन मैट्रिसेस के रूप में दर्शाता है। यह मैट्रिक्स ऑपरेशन्स (फिक्स्टेप एप्रोक्सिमेशन) का उपयोग करके पथ की लंबाई $k$ तक अप्रत्यक्ष नियामक प्रभावों को निष्कर्ष निकालने के लिए निगमनात्मक तर्क (deductive reasoning) करता है।
एडाप्टर ( $f_a$ ): एक सीखने योग्य मॉड्यूल जो न्यूरल और सिंबोलिक भविष्यवाणियों को अनुकूल रूप से संयोजित करता है। यह प्रत्येक जीन और भविष्यवाणी के लिए एक बाइनरी इंडिकेटर वेक्टर आउटपुट करता है, जो यह निर्धारित करता है कि न्यूरल भविष्यवाणी पर भरोसा करना है या सिंबोलिक निष्कर्ष पर।

2.2 प्रमुख तंत्र (Key Mechanisms)

अनुकूली न्यूरो-सिंबोलिक संरेखण (ग्रेडिएंट-मुक्त):
- एडाप्टर को संयुक्त भविष्यवाणी और नॉलेज बेस के बीच असंगति को कम करने के लिए प्रशिक्षित किया जाता है, जबकि डेटा लेबल का सम्मान भी किया जाता है।
- ऑब्जेक्टिव फंक्शन में तीन पद शामिल हैं:
  1. असंगति पद (Inconsistency Term): अंतिम भविष्यवाणी और सिंबोलिक KB के बीच विचलन को दंडित करता है।
  2. उपयोग प्रतिबंध ( $L_{len}$ ): सिंबोलिक ज्ञान पर निर्भरता को सीमित करता है ताकि जब डेटा अधिक विश्वसनीय हो तो उस पर अत्यधिक निर्भरता को रोका जा सके (इसे $\theta$ द्वारा नियंत्रित किया जाता है)।
  3. भारित उपयोग ( $L_{weight}$ ): एक वेट वेक्टर $w$ (जो डेटा-KB संघर्ष आवृत्ति और GO एनोटेशन घनत्व से प्राप्त होता है) का उपयोग करता है ताकि विशिष्ट जीनों के लिए अधिक विश्वसनीय स्रोत (न्यूरल बनाम सिंबोलिक) को प्राथमिकता से चुना जा सके।
- चूंकि संरेखण में डिस्क्रीट निर्णय शामिल हैं, इसलिए एडाप्टर को REINFORCE एल्गोरिदम (ग्रेडिएंट-फ्री) का उपयोग करके अनुकूलित किया जाता है, जो सैंपलिंग जटिलता को कम करने के लिए न्यूरल नेटवर्क के साथ एम्बेडिंग्स साझा करता है।
ग्रेडिएंट-आधारित ज्ञान परिमार्जन (Gradient-Based Knowledge Refinement):
- स्थिर KB दृष्टिकोणों के विपरीत, ALIGNED सक्रिय रूप से GRN संरचना को परिष्कृत करता है।
- यह ग्रेडिएंट-आधारित अनुकूलन को सक्षम करने के लिए बूलियन मैट्रिक्स ऑपरेशन्स को डिफरेंशिएबल फंक्शन्स ( $\epsilon$ -एप्रोक्सिमेशन का उपयोग करके) के साथ अनुमानित करता है।
- यह परिमार्जन देखे गए डेटा और न्यूरो-सिंबोलिक भविष्यवाणियों के बीच त्रुटि को कम करता है, जबकि एक $L_1$ स्पार्स रेगुलराइजेशन पद लागू करता है। यह सुनिश्चित करता है कि परिष्कृत नेटवर्क मूल जैविक पूर्व (prior) के करीब रहे, जिससे शोर या डेटा में "शॉर्टकट" पैटर्न के प्रति ओवरफिटिंग को रोका जा सके।
संतुलित स्थिरता मीट्रिक (Balanced Consistency Metric):
- मॉडल का मूल्यांकन करने के लिए एक नया मूल्यांकन मीट्रिक ( $F1_{balance}$ ) पेश किया गया है जो डेटा निरंतरता (टेस्ट सेट पर भविष्य कहनेवाला सटीकता) और ज्ञान निरंतरता (क्यूरेटेड जैविक पूर्वों के साथ संरेखण) दोनों के आधार पर मॉडलों का मूल्यांकन करता है।
- यह यह सुनिश्चित करने के लिए एक हार्मोनिक मीन-जैसे फॉर्मूलेशन का उपयोग करता है जिसमें पेनल्टी कोएफिशिएंट $\gamma$ होता है ताकि किसी भी स्रोत की अनदेखी न हो।

3. मुख्य योगदान (Key Contributions)

संतुलित निरंतरता मीट्रिक: एक नया मूल्यांकन मानक जो भविष्य कहनेवाला सटीकता और जैविक संभाव्यता के बीच के ट्रेड-ऑफ को मात्रात्मक रूप से मापता है, जो उन मानक मेट्रिक्स की सीमा को संबोधित करता है जो ज्ञान निरंतरता को अनदेखा करते हैं।
अनुकूली संरेखण: एक तंत्र जो विशिष्ट जीनों के लिए सूचना स्रोत की विश्वसनीयता के आधार पर न्यूरल और सिंबोलिक भविष्यवाणियों को गतिशील रूप से भारित करता है, बजाय इसके कि ज्ञान को एक स्थिर बाधा माना जाए।
व्यवस्थित ज्ञान परिमार्जन: एक एंड-टू-एंड दृष्टिकोण जो प्रशिक्षण के दौरान GRN संरचना को अपडेट करता है, जिससे मॉडल को लुप्त या गलत नियामक इंटरैक्शन को फिर से खोजने की अनुमति मिलती है।
न्यूरो-सिंबोलिक एकीकरण: एक फ्रेमवर्क जो जटिल जैविक प्रणालियों के संदर्भ में ब्लैक-बॉक्स डीप लर्निंग और व्याख्यात्मक सिंबोलिक रीजनिंग के बीच के अंतर को सफलतापूर्वक पाटता है।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने कई बड़े पैमाने के डेटासेट (Human K562, Mouse BDMC, और E. coli) पर अत्याधुनिक बेसलाइन्स (GEARS, scGPT, scFoundation, State, और लीनियर मॉडल्स) के विरुद्ध ALIGNED का मूल्यांकन किया।

भविष्य कहनेवाला प्रदर्शन और निरंतरता:
- ALIGNED ने सभी डेटासेट पर उच्चतम संतुलित निरंतरता (Highest Balanced Consistency) प्राप्त की, जो बेसलाइन्स से काफी बेहतर है।
- इसने प्रतिस्पर्धी डेटा निरंतरता (सटीकता) बनाए रखते हुए काफी उच्च ज्ञान निरंतरता (Knowledge Consistency) प्राप्त की, जो सटीकता से समझौता किए बिना जैविक वास्तविकता में भविष्यवाणियों को स्थापित करने की इसकी क्षमता को प्रदर्शित करती है।
ज्ञान परिमार्जन क्षमताएं:
- सिंथेटिक प्रयोगों में जहाँ KB को 40% तक शोर के साथ दूषित किया गया था, ALIGNED ने उच्च F1 स्कोर (>0.7) के साथ मूल GRN संरचना को सफलतापूर्वक पुनर्प्राप्त किया।
- परिष्कृत नेटवर्क ने ग्राउंड ट्रुथ के तुलनीय टोपोलॉजिकल गुणों (मॉड्यूलरिटी और असोर्टिविटी) और पाथवे एनरिचमेंट स्कोर को संरक्षित किया, जो सिद्ध करता है कि मॉडल जैविक संरचना को विकृत नहीं करता है।
- मॉडल ने उन क्रॉस-रेफरेंस्ड रेगुलेटरी संबंधों को सफलतापूर्वक "पुनः खोजा" जो शुरू में KB में लुप्त या विरोधाभासी थे।
सामान्यीकरण (Generalization):
- E. coli डेटासेट (सीमित डेटा उपलब्धता) में, ALIGNED ने अनदेखे व्यवधानों (सिंगल, डबल और ट्रिपल नॉकआउट) पर भविष्यवाणियों को बेहतर बनाने के लिए ज्ञान का लाभ उठाया, जो केवल न्यूरल-आधारित मॉडलों से बेहतर प्रदर्शन करता है।
एब्लेशन अध्ययन (Ablation Studies):
- ज्ञान परिमार्जन चरण को हटाने से ज्ञान निरंतरता कम हो गई।
- अनुकूली संरेखण को हटाने (एक निश्चित KB का उपयोग करने) से प्रदर्शन कम हुआ, जो गतिशील रूप से स्रोतों को भारित करने की आवश्यकता की पुष्टि करता है।
- एडाप्टर को कम क्यूरेशन प्रयास (कम विश्वसनीयता) वाले किनारों (edges) के लिए सिंबोलिक भविष्यवाणियों को कम करने और उच्च-विश्वास वाले किनारों के लिए उन्हें बढ़ाने के लिए स्वचालित रूप से भारित करते हुए दिखाया गया।

5. महत्व (Significance)

पारदर्शिता और विकास: ALIGNED स्थिर "ब्लैक बॉक्स" मॉडल से आगे बढ़कर भविष्यवाणियों के लिए एक पारदर्शी तंत्र प्रदान करता है और जैविक समझ के विकास को सक्षम करता है। यह ज्ञान आधारों को स्थिर बाधाओं के बजाय अपडेट करने योग्य संस्थाओं के रूप में मानता है।
शोर के प्रति मजबूती: डेटा और ज्ञान के बीच असंगति को स्पष्ट रूप से मॉडल करके, यह फ्रेमवर्क प्रयोगात्मक जीव विज्ञान और क्यूरेटेड डेटाबेस दोनों में निहित शोर के प्रति मजबूत है।
स्केलेबिलिटी: मैट्रिक्स ऑपरेशन्स और स्पार्स रेगुलराइजेशन का उपयोग फ्रेमवर्क को जीनोम-वाइड GRNs तक स्केल करने की अनुमति देता है।
भविष्य का प्रभाव: यह कार्य विषम जैविक डेटा स्रोतों को एकीकृत करने के लिए एक नया प्रतिमान स्थापित करता है, जो ड्रग डिस्कवरी और प्रिसिजन मेडिसिन में यांत्रिक मॉडलों के निरंतर परिमार्जन के लिए एक मार्ग प्रदान करता है।

संक्षेप में, ALIGNED डेटा-संचालित शिक्षण को सिंबोलिक रीजनिंग के साथ एकीकृत करके न केवल भविष्यवाणी में सुधार करने के लिए, बल्कि अंतर्निहित जैविक ज्ञान को सक्रिय रूप से परिष्कृत करने और मान्य करने के लिए एक महत्वपूर्ण कदम है।