Blini: lightweight nucleotide sequence search and dereplication
ब्लिनी (Blini) एक हल्का और कुशल टूल है जिसे न्यूक्लियोटाइड अनुक्रमों को तेजी से खोजने और कॉन्टिग्स या लंबी अनुक्रमों के बड़े संग्रहों को डिरिप्लिकेट करने के लिए डिज़ाइन किया गया है, जो उच्च सटीकता बनाए रखते हुए मौजूदा समाधानों की तुलना में बेहतर गति और कम मेमोरी उपयोग प्रदान करता है।
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 एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन इसके बजाय आपको एक ऐसी लाइब्रेरी सौंपी गई है जिसमें लाखों किताबें हैं जो एक ऐसी भाषा में लिखी गई हैं जिसे आपने पहले कभी नहीं देखा है। यह मेटाजीनोमिक्स (metagenomics) की दुनिया है, जहाँ वैज्ञानिक पूरे पारिस्थितिकी तंत्र के आनुवंशिक पदार्थ का अध्ययन करते हैं—जैसे आपके बगीचे की मिट्टी या आपकी आंत के सूक्ष्मजीव—बिना यह जाने कि वहाँ वास्तव में कौन से जीव जीवित हैं। इस अराजकता को समझने के लिए, शोधकर्ताओं को इन रहस्यमय आनुवंशिक टुकड़ों की तुलना ज्ञात डीएनए के विशाल डेटाबेस से करनी पड़ती है ताकि यह पता लगाया जा सके कि "किसने क्या लिखा है।"
लंबे समय तक, यह एक लाइब्रेरी में हर किताब को शुरू से अंत तक पढ़ने की कोशिश करने जैसा था। यह धीमा था, इसके लिए सुपरकंप्यूटरों की आवश्यकता थी, और अक्सर इसका मतलब अपने डेटा को क्लाउड पर भेजना होता था, जो महंगा और धीमा हो सकता था। हाल ही में, वैज्ञानिकों ने चतुर शॉर्टकट (shortcuts) का आविष्कार किया है। पूरी किताब पढ़ने के बजाय, उन्होंने विशिष्ट "फिंगरप्रिंट्स" (fingerprints) खोजना शुरू कर दिया—अक्षरों के छोटे, दोहराव वाले पैटर्न (जिन्हें k-mers कहा जाता है) जो एक विशिष्ट जीव के हस्ताक्षर की तरह कार्य करते हैं। Mash और Sourmash जैसे टूल्स इन फिंगरप्रिंट्स का उपयोग यह अनुमान लगाने के लिए करते हैं कि दो अनुक्रम (sequences) कितने समान हैं, बिना भारी काम किए। लेकिन इन शॉर्टकट्स के बावजूद, यदि आपके पास जांचने के लिए लाखों जीनोम हैं, तो यह प्रक्रिया अभी भी एक सामान्य कंप्यूटर पर घंटों ले सकती है, जिससे कई शोधकर्ता प्रतीक्षा करने के लिए मजबूर रह जाते हैं।
यहाँ आता है Blini, एक नया टूल जिसे इस प्रकार के जेनेटिक जासूसी कार्य के लिए परम गतिवान (speed demon) के रूप में डिज़ाइन किया गया है। Blini को एक उच्च-तकनीकी लाइब्रेरियन के रूप में समझें जो न केवल किताबें पढ़ता है; बल्कि वे तुरंत किताबों के स्पाइन (spine) को स्कैन करते हैं, प्रत्येक पुस्तक की सामग्री का एक छोटा, अत्यंत हल्का "स्केच" (sketch) बनाते हैं, और फिर उन स्केच का उपयोग पलक झपकते ही मिलान खोजने के लिए करते हैं। यह पेपर Blini को न्यूक्लियोटाइड अनुक्रमों को डेटाबेस में तेजी से खोजने और "डिरिप्लिकेशन" (dereplication) के लिए एक टूल के रूप में पेश करता है, जो एक फैंसी तरीका है "सफाई करने" का, जिसका अर्थ है डुप्लिकेट को हटाने के लिए अनुक्रमों के एक अव्यवस्थित संग्रह को व्यवस्थित करना।
Blini के पीछे का मुख्य विचार भारी, पूर्ण डीएनए अनुक्रमों को फेंक देना और केवल उनके डिजिटल साये, या "स्केच" को रखना है। यह 'फ्रैक्शनल मिन-हैशिंग' (fractional min-hashing) नामक एक तकनीक का उपयोग करता है, जो एक भीड़ की फोटो लेने और पूरे समूह का प्रतिनिधित्व करने के लिए केवल शीर्ष 25% सबसे अद्वितीय चेहरों को रखने जैसा है। केवल इन आवश्यक फिंगरप्रिंट्स को रखकर, Blini सामान्य रूप से आवश्यक मेमोरी के एक अंश में विशाल डेटासेट को स्टोर कर सकता है। जब आप किसी मिलान की खोज करना चाहते हैं, तो Blini पूरी किताब की तुलना नहीं करता; यह केवल यह देखता है कि फिंगरप्रिंट्स आपस में मेल खाते हैं या नहीं। यदि वे मेल खाते हैं, तो यह मिलान की पुष्टि करने के लिए एक त्वरित, सटीक जांच करता है।
शोधकर्ताओं ने सिम्युलेटेड डेटा का उपयोग करके मौजूदा टूल्स जैसे Soursomash और MMseqs के विरुद्ध इस नए दृष्टिकोण का परीक्षण किया। 100 वायरल जीनोम वाले एक छोटे परीक्षण में, Blini अविश्वसनीय रूप से तेज़ था, जिसने खोज को केवल 0.5 सेकंड में पूरा कर लिया, जबकि Soursomash ने 126 सेकंड और MMseqs ने 151 सेकंड लिए। तीनों टूल्स सही स्रोतों को खोजने में सटीक थे, लेकिन Blini ने MMseqs की तुलना में बहुत कम "फॉल्स अलार्म" (ऐसे मिलान जो समान दिखते थे लेकिन सही स्रोत नहीं थे) पाए।
जब शोधकर्ताओं ने एक विशाल 10GB के डेटासेट के साथ कठिनाई को बढ़ाया जिसमें लगभग एक लाख बैक्टीरिया के टुकड़े थे, तो अंतर और भी नाटकीय हो गया। जबकि MMseqs एक एकल क्वेरी (query) को खोजने के लिए 30 मिनट में भी पूरा नहीं कर सका (और उसे रोकना पड़ा), और Soursomash ने प्रति क्वेरी लगभग 31 सेकंड लिए, Blini ने पूरे 100,000 क्वेरीज़ को केवल 25 सेकंड में संभाल लिया। एक बार प्रारंभिक इंडेक्स लोड होने के बाद इसकी गति 25 सेकंड में 5,100 से अधिक क्वेरी प्रति सेकंड थी। Blini ने सभी क्वेरीज़ को उनके सही स्रोतों से सफलतापूर्वक मिलाया, जिसमें केवल कुछ अतिरिक्त, गलत मिलान ही मिले।
यह टूल "क्लस्टरिंग" (clustering) या "डिरिप्लिकेशन" में भी उत्कृष्ट है, जो समान दिखने वाली तस्वीरों के ढेर को समूहों में छांटने जैसा है जहाँ प्रत्येक समूह एक मूल व्यक्ति का प्रतिनिधित्व करता है। उन परीक्षणों में जहाँ टीम ने 100 मूल जीनोम के हजारों थोड़े उत्परिवर्तित (mutated) संस्करण बनाए, Blini ने लगभग पूरी तरह से उन्हें समूहित किया। इसने एक क्लस्टरिंग सटीकता स्कोर (Adjusted Rand-Index) 0.999 और 1.0 के बीच प्राप्त किया, जो लगभग पूर्ण है। हालांकि यह मल्टीपल कंप्यूटर थ्रेड्स का उपयोग करते समय MMseqs की तुलना में थोड़ा धीमा था (चार थ्रेड्स के साथ 14 सेकंड के मुकाबले औसतन 10.5 सेकंड), Blini ने मेमोरी का एक बहुत छोटा हिस्सा इस्तेमाल किया। जहाँ MMseqs को 3 GB से अधिक RAM की आवश्यकता थी, वहीं Blini ने सेटिंग्स के सख्त होने के आधार पर, उतने ही कार्य को मात्र 38 MB RAM के साथ प्रबंधित किया।
पेपर नोट करता है कि यह गति एक समझौते (trade-off) के साथ आती है: Blini डीएनए का पूर्ण, लाइन-दर-लाइन अलाइनमेंट नहीं करता है; यह एक अनुमान का उपयोग करता है। इसका मतलब है कि यदि अनुक्रम बहुत छोटे ( 2,000 बेस से कम) हैं या यदि सेटिंग्स बहुत ढीली हैं, तो यह कुछ मिलानों को मिस कर सकता है। हालांकि, लंबे अनुक्रमों के विशाल संग्रहों के लिए जो आमतौर पर कंप्यूटरों को अभिभूत कर देते हैं, Blini डेटा को जल्दी और सस्ते में खोजने और साफ करने का एक तरीका प्रदान करता है, जिससे एक ऐसा कार्य जिसे करने के लिए सुपरकंप्यूटर की आवश्यकता होती थी, एक मानक मशीन पर चलाया जा सकता है। यह टूल अब उपयोग के लिए उपलब्ध है, जो वादा करता है कि यह विशाल जेनेटिक डेटा की दुनिया को शोधकर्ताओं के लिए बहुत अधिक सुलभ बना देगा।
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।