⚡ electrical engineering

Host-Aware Control of Gene Expression using Data-Enabled Predictive Control

यह शोधपत्र प्रदर्शित करता है कि डेटा-एनेबल्ड प्रेडिक्टिव कंट्रोल (DeePC), जिसे नॉनलिनैरिटीज़ को संभालने के लिए बेसिस फंक्शन्स के साथ उन्नत किया गया है, पारंपरिक एआई-आधारित नियंत्रकों की तुलना में न्यूनतम डेटा का उपयोग करके बैक्टीरिया में जीन अभिव्यक्ति और होस्ट ग्रोथ के रोबस्ट, सैंपल-एफिशिएंट और उच्च-प्रदर्शन वाले रियल-टाइम रेगुलेशन को प्राप्त करता है।

मूल लेखक: Liam Perreault, Idris Kempf, Kirill Sechkar, Jean-Baptiste Lugagne, Antonis Papachristodoulou

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Liam Perreault, Idris Kempf, Kirill Sechkar, Jean-Baptiste Lugagne, Antonis Papachristodoulou

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 ऑर्केस्ट्रा का संचालन करने की कोशिश कर रहे हैं जहाँ संगीतकार जीवित बैक्टीरिया (जीवाणु) हैं। आपका लक्ष्य उन्हें एक ही समय में दो विशिष्ट स्वर (notes) पूरी तरह से बजाने के लिए प्रेरित करना है: एक नोट यह है कि वे कितने विशेष "चमकने वाले" (glow-in-the-dark) प्रोटीन का उत्पादन करते हैं (जीन अभिव्यक्ति/gene expression), और दूसरा नोट यह है कि पूरा बैंड कितनी तेज़ी से बढ़ता है (कोशिका वृद्धि दर/cell growth rate)।

पेचीदा बात यह है कि ये बैक्टीरिया जिद्दी हैं। यदि आप उन्हें तेज़ी से बढ़ने के लिए मजबूर करेंगे, तो वे चमकना बंद कर सकते हैं। यदि आप उन्हें बहुत अधिक चमकाएंगे, तो वे थक सकते हैं और बढ़ना बंद कर सकते हैं। यह एक नाजुक संतुलन बनाने जैसा है।

यह शोध पत्र एक नया "कंडक्टर" (कंप्यूटर कंट्रोलर) पेश करता है जो बिना किसी पूर्ण स्कोर या लंबे रिहर्सल के इस बैक्टीरियल ऑर्केस्ट्रा को संचालित करना सीखता है। उन्होंने इसे कैसे किया, यहाँ सरल अवधारणाओं में दिया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका (मॉडल-आधारित/Model-Based): पारंपरिक रूप से, वैज्ञानिक एक आदर्श गणितीय पाठ्यपुस्तक लिखने की कोशिश करते थे जो ठीक से बताती कि प्रत्येक बैक्टीरिया कैसे काम करता है। फिर वे इस पाठ्यपुस्तक का उपयोग यह अनुमान लगाने के लिए करते थे कि क्या करना है। समस्या यह थी कि जीव विज्ञान अव्यवहारिकता (messy) से भरा है। यदि बैक्टीरिया में थोड़ा सा भी बदलाव होता है, तो पाठ्यपुस्तक गलत हो जाती है, और कंडक्टर विफल हो जाता है।
AI का तरीका (डीप लर्निंग/Deep Learning): एक अन्य दृष्टिकोण यह है कि कंप्यूटर को "सीखने" दें, जैसे कि कोई वीडियो गेम का पात्र अनुभव अंक (experience points) जुटा रहा हो। यह अच्छा काम करता है लेकिन इसके लिए भारी मात्रा में डेटा (हजारों घंटों का अभ्यास) की आवश्यकता होती है और हर नए प्रकार के बैक्टीरिया के लिए इसे शून्य से फिर से प्रशिक्षित करने की आवश्यकता होती है।
नया तरीका (DeePC): लेखकों ने डेटा-एनेबल्ड प्रेडिक्टिव कंट्रोल (DeePC) नामक एक विधि का उपयोग किया। इसे एक ऐसे कंडक्टर के रूप में सोचें जिसे न तो किसी पाठ्यपुस्तक की आवश्यकता है और न ही हजारों घंटों के अभ्यास की। इसके बजाय, वे बस बैंड द्वारा बजाए गए पिछले कुछ मिनटों के संगीत को सुनते हैं और उसका उपयोग यह अनुमान लगाने के लिए करते हैं कि आगे क्या करना है। यह "प्लग-एंड-प्ले" है।

2. दो नॉब्स और दो मीटर

इस प्रणाली में दो नियंत्रण (inputs) और मापने के लिए दो चीजें (outputs) हैं:

नियंत्रण (Controls):
1. प्रकाश (Light): बैक्टीरिया पर विशिष्ट रंगों की रोशनी डालना ताकि जीन को चालू या बंद किया जा सके (जैसे एक डिमर स्विच)।
2. भोजन (Food): उनके भोजन में पोषक तत्वों के घनत्व को बदलना (जैसे बैंड के टेम्पो की गति को समायोजित करना)।
मीटर (Meters):
1. चमक (Glow): बैक्टीरिया कितने चमकदार हैं।
2. वृद्धि (Growth): बैक्टीरिया कितनी तेज़ी से संख्या में बढ़ रहे हैं।

3. गुप्त सूत्र: "बेसिस फंक्शन्स" (Basis Functions)

बैक्टीरिया सरल मशीनें नहीं हैं; वे सीधी रेखाओं के बजाय वक्रों (curves) में प्रतिक्रिया करते हैं। यदि आप प्रकाश को दोगुना करते हैं, तो जरूरी नहीं कि चमक भी दोगुनी हो जाए। लेखकों ने इसमें एक विशेष "अनुवादक" जोड़ा है जिसे बेसिस फंक्शन्स कहा जाता है।

कल्पना कीजिए कि आप केवल सीधे लेगो ब्रिक्स (Lego bricks) का उपयोग करके एक चिकना वक्र बनाने की कोशिश कर रहे हैं। यह टेढ़ा-मेढ़ा और बदसूरत दिखेगा। लेकिन यदि आपके पास विशेष घुमावदार लेगो ब्रिक्स (बेसिस फंक्शन्स) हैं, तो आप एक चिकना, सटीक वक्र बना सकते हैं। लेखकों ने अपने कंट्रोलर में इन "घुमावदार ईंटों" को जोड़ा ताकि यह बैक्टीरिया के प्राकृतिक, गैर-रेखीय (non-linear) व्यवहार को समझ सके, बिना किसी जटिल गणितीय मॉडल के।

4. गति के लिए "चीट कोड" (मॉडल रिडक्शन)

आमतौर पर, एक जटिल प्रणाली के भविष्य की भविष्यवाणी करने के लिए, आपको बहुत अधिक डेटा की आवश्यकता होती है। लेखकों ने महसूस किया कि जबकि बैक्टीरिया के 18 अलग-अलग आंतरिक "अवस्थाएं" (states) हैं (जैसे 18 अलग-अलग वाद्य यंत्र बज रहे हैं), केवल 5 ही बड़े चित्र के लिए वास्तव में महत्वपूर्ण हैं।

उन्होंने मॉडल रिडक्शन (model reduction) नामक एक ट्रिक का उपयोग किया ताकि वे 13 "शोर" वाले वाद्य यंत्रों को अनदेखा कर सकें और केवल मुख्य 5 पर ध्यान केंद्रित कर सकें। यह रेडियो को ट्यून करने जैसा है ताकि शोर (static) को काटकर केवल मुख्य धुन सुनी जा सके। क्योंकि उन्होंने महत्वपूर्ण हिस्सों पर ध्यान केंद्रित किया, इसलिए उन्हें कंट्रोलर को सिखाने के लिए काफी कम डेटा की आवश्यकता पड़ी।

5. परिणाम: प्रतियोगिता कौन जीता?

लेखकों ने अपने नए "DeePC विद कर्व्ड ब्रिक्स" कंट्रोलर का परीक्षण चार अन्य विधियों के विरुद्ध किया:

PI कंट्रोल: एक सरल, पुराना नियम-पालन करने वाला तरीका। (यह बदलते लक्ष्यों के साथ तालमेल बिठाने में संघर्ष करता रहा)।
Deep MPC: एक भारी AI विधि जिसे प्रशिक्षण के लिए भारी मात्रा में डेटा की आवश्यकता होती है। (इसका प्रदर्शन अच्छा था लेकिन यह डेटा-भूखा था)।
DDPG: एक सुदृढीकरण लर्निंग (reinforcement learning) विधि (जैसे एक वीडियो गेम AI)। (यह अच्छा काम करता था लेकिन इसे भी बहुत अभ्यास की आवश्यकता थी)।
SLMPC: एक विधि जो एक आदर्श गणितीय मॉडल (वह "पाठ्यपुस्तक" दृष्टिकोण) का उपयोग करती है। (यह सबसे अच्छा प्रदर्शन करता था, लेकिन केवल इसलिए क्योंकि इसके पास बैक्टीरिया का पूर्ण ज्ञान था, जो वास्तविक जीवन में दुर्लभ है)।

विजेता: नए DeePC विधि ने "पूर्ण ज्ञान" वाली विधि (SLMPC) और उन्नत AI विधियों के लगभग बराबर प्रदर्शन किया, लेकिन इसने सबसे कम डेटा का उपयोग किया।

यह क्यों मायने रखता है

लेखक दावा करते हैं कि यह एक "प्रूफ-ऑफ-कॉन्सेप्ट" है। यह दर्शाता है कि आप वास्तविक समय में जटिल जीवित प्रणालियों को नियंत्रित कर सकते हैं, बिना यह जाने कि जीव विज्ञान कैसे काम करता है या महीनों तक डेटा एकत्र किए बिना।

लेखक विशेष रूप से उल्लेख करते हैं कि यह सेटअप भविष्य के प्रयोगों के लिए डिज़ाइन किया गया है जिसमें माइक्रोस्कोप और माइक्रोफ्लुइडिक डिवाइस (छोटे चिप्स जो कोशिकाओं को थामे रखते हैं) का उपयोग किया जाएगा ताकि एक-एक करके बैक्टीरिया को नियंत्रित किया जा सके। इसका लक्ष्य यह समझना है कि बदलती परिस्थितियों में व्यक्तिगत कोशिकाएं एक-दूसरे से अलग कैसे व्यवहार करती हैं, जो जीव विज्ञान को समझने और नए जैविक उपकरण बनाने के लिए महत्वपूर्ण है।

संक्षेप में: उन्होंने एक स्मार्ट, डेटा-कुशल कंडक्टर बनाया है जो बैक्टीरियल ऑर्केस्ट्रा को सही स्वर बजाने के लिए निर्देशित कर सकता है, भले ही संगीतकार अप्रत्याशित हों, और वह भी बहुत कम रिहर्सल समय के साथ।

तकनीकी सारांश: डेटा-एनेबल्ड प्रेडिक्टिव कंट्रोल का उपयोग करके जीन अभिव्यक्ति का होस्ट-अवेयर नियंत्रण

समस्या विवरण
क्रायोजेनेटिक्स (Cryogenetics) का लक्ष्य जैव-विनिर्माण (biomanufacturing) और मौलिक अनुसंधान के अनुप्रयोगों के लिए सेलुलर प्रक्रियाओं, जैसे कि जीन अभिव्यक्ति और विकास दर को सटीक रूप से नियंत्रित करना है। वर्तमान नियंत्रण रणनीतियाँ एक द्वंद्व का सामना करती हैं: मॉडल-आधारित नियंत्रक (जैसे MPC) सटीक रैखिकीकृत मॉडलों (linearized models) पर निर्भर करते हैं जो जटिल जैविक प्रणालियों में अमान्य हो सकते हैं, जबकि AI-आधारित विधियाँ (जैसे Deep MPC, Reinforcement Learning) अक्सर व्यापक प्रशिक्षण डेटा और नए सिस्टम के लिए पुन: प्रशिक्षण की मांग करती हैं। एक ऐसी नियंत्रण रणनीति की आवश्यकता है जो उच्च सैंपल दक्षता (sample efficiency), पैरामीटर अनिश्चितता के प्रति मजबूती (robustness), और बिना किसी व्यापक पूर्व सिस्टम पहचान या प्रत्येक नए अनुप्रयोग के लिए पुन: प्रशिक्षण की आवश्यकता के, गैर-रैखिकता (nonlinearities) को संभालने की क्षमता प्रदान करे।

कार्यप्रणाली
लेखक E. coli के एक टू-इनपुट, टू-आउटपुट (2x2) जैविक सिस्टम पर लागू एक डेटा-एनेबल्ड प्रेडिक्टिव कंट्रोल (DeePC) फ्रेमवर्क प्रस्तावित करते हैं।

सिस्टम मॉडल: नियंत्रित प्रणाली एक मोटे तौर पर ग्रैनुलर (coarse-grained) बैक्टीरियल होस्ट मॉडल को CcaS/CcaR ऑप्टोजेनेटिक टॉगल स्विच के एक यांत्रिक मॉडल के साथ एकीकृत करती है। इनपुट पोषक तत्व सांद्रता ( $u_s$ ) और लाल/हरी प्रकाश तीव्रता का अनुपात ( $u_g$ ) हैं। आउटपुट होस्ट विकास दर ( $y_\lambda$ ) और एक फ्लोरोसेंट रिपोर्टर जीन का अभिव्यक्ति स्तर ( $y_g$ ) है। यह प्रणाली स्वाभाविक रूप से गैर-रैखिक है, जिसमें 18 अवस्थाएँ (states) हैं, और इसमें कपलिंग (coupling) प्रदर्शित होती है जहाँ विकास दर तनुकरण (dilution) और संसाधन साझाकरण के माध्यम से जीन अभिव्यक्ति को प्रभावित करती है।
नियंत्रक डिजाइन: मुख्य एल्गोरिदम लीनियर DeePC है, जो हेंकेल मैट्रिसेस (Hankel matrices) का उपयोग करके मापे गए इनपुट-आउटपुट डेटा से भविष्य के सिस्टम व्यवहार की भविष्यवाणी करता है, जिससे स्पष्ट पैरामेट्रिक मॉडल की आवश्यकता समाप्त हो जाती है। सिस्टम की गैर-रैखिकता (विशेष रूप से प्रकाश और पोषक तत्वों के प्रति सिग्मोइडल प्रतिक्रियाओं) को संबोधित करने के लिए, लेखक बेसिस फंक्शन्स ( $\phi_1, \phi_2$ ) पेश करते हैं जो DeePC अनुकूलन समस्या में प्रवेश करने से पहले इनपुट्स को रूपांतरित करते हैं।
डेटा दक्षता: नियंत्रक के प्रारंभिककरण के लिए आवश्यक डेटा को न्यूनतम करने के लिए, लेखक बैलेंस्ड मॉडल रिडक्शन का उपयोग करते हैं। रैखिकीकृत प्रणाली के ऑब्जर्वेबिलिटी और कंट्रोलेबिलिटी ग्रैमियन्स (Gramians) का विश्लेषण करके, वे प्रदर्शित करते हैं कि 18 से 5 तक अवस्था आयाम (state dimension) को कम करके 99.4% सिस्टम डायनेमिक्स को कैप्चर किया जा सकता है। यह कमी पर्सिस्टेंस ऑफ एक्साइटेशन (persistence of excitation) स्थिति के लिए आवश्यक न्यूनतम नमूनों की संख्या को काफी कम कर देती है।
कार्यान्वयन: नियंत्रक एक रिसीडिंग होराइजन (receding horizon) के तरीके से कार्य करता है। मनमाने संदर्भ संकेतों (reference signals) को संभालने और हेंकेल मैट्रिक्स की रैंक बनाए रखने के लिए, प्रत्येक समय चरण पर नया इनपुट-आउटपुट डेटा जोड़ा जाता है। इंटीग्रल एक्शन (integral action) पेश करने के लिए कॉस्ट फंक्शन पूर्ण इनपुट्स के बजाय इनपुट अंतरों को दंडित (penalize) करता है।

प्रमुख योगदान

होस्ट-अवेयर कंट्रोल स्ट्रैटेजी: यह पेपर एक "प्लग-एंड-प्ले" नियंत्रक प्रस्तुत करता है जो पोषक तत्व घनत्व का लाभ उठाकर सिंथेटिक जीन अभिव्यक्ति और होस्ट विकास को एक साथ नियंत्रित करता है, जिससे पिछले कार्यों में उपयोग किए जाने वाले अतिरिक्त सिंथेटिक सर्किट या बाहरी तनुकरण विधियों की आवश्यकता नहीं होती है।
बेसिस फंक्शन्स के माध्यम से गैर-रैखिकता को संभालना: DeePC फ्रेमवर्क में बेसिस फंक्शन्स का एकीकरण नियंत्रक को जैविक प्रणालियों में सामान्य सिग्मोइडल गैर-रैखिकता को प्रबंधित करने की अनुमति देता है, जबकि यह एक रैखिक फॉर्मूलेशन की कम्प्यूटेशनल सरलता को बनाए रखता है।
सैंपल दक्षता: मॉडल रिडक्शन के माध्यम से, लेखक प्रदर्शित करते हैं कि नियंत्रक को पूर्ण-ऑर्डर मॉडल ( $T \ge 167$ ) की तुलना में काफी कम डेटा बिंदुओं (न्यूनतम $T \ge 89$ नमूने) के साथ लागू किया जा सकता है, जो इसे समय-बाधित in vivo प्रयोगों के लिए उपयुक्त बनाता है।
व्यापक बेंचमार्किंग: अध्ययन DeePC की चार अन्य नियंत्रण प्रतिमानों के विरुद्ध कठोर तुलना प्रदान करता है: मॉडल-फ्री (PI), मॉडल-बेस्ड (सक्सेसिव लीनियराइजेशन MPC या SLMPC), और AI-बेस्ड (Deep MPC और DDPG)।

परिणाम

प्रदर्शन: साइनुसोइडल और स्टेप रेफरेंस सिग्नल्स के साथ सिमुलेशन में, बेसिस फंक्शन्स के साथ DeePC नियंत्रक (DeePC/BF) SLMPC (जो पूर्ण स्टेट फीडबैक और पूर्ण मॉडल ज्ञान मानता है) के तुलनीय प्रदर्शन के साथ संदर्भों को ट्रैक करता है और PI तथा Deep MPC से काफी बेहतर प्रदर्शन करता है।
मजबूती (Robustness): नियंत्रक माप शोर (measurement noise), ऑप्टोजेनेटिक प्रतिक्रिया में समय विलंब (time delays), और बेसिस फंक्शन्स में पैरामीटर अनिश्चितता के प्रति मजबूती प्रदर्शित करता है। हालांकि बढ़ते शोर या विलंब के साथ प्रदर्शन घटता है, नियंत्रक स्थिरता बनाए रखता है और स्टेडी स्टेट प्राप्त करता है।
सैंपल दक्षता: DeePC/BF को Deep MPC और DDPG की तुलना में काफी अधिक सैंपल-एफिशिएंट दिखाया गया है। जबकि Deep MPC और DDPG को प्रदर्शन के स्थिर होने के लिए सैकड़ों हजारों प्रशिक्षण नमूनों की आवश्यकता थी, DeePC/BF ने 200 से कम नमूनों के साथ तुलनीय ट्रैकिंग प्रदर्शन प्राप्त किया।
तुलना करने वालों की सीमाएं: Deep MPC अपने कार्यान्वयन के लिए आवश्यक इनपुट के बाइनराइजेशन के कारण संघर्ष करता है, और PI कंट्रोल समय-परिवर्तित संदर्भों को सटीक रूप से ट्रैक करने में विफल रहता है। DDPG स्टेप रिस्पॉन्स पर अच्छा प्रदर्शन करता है लेकिन इसके लिए व्यापक प्रशिक्षण एपिसोड की आवश्यकता होती है।

महत्व और दावे
यह पेपर इस कार्य को भविष्य के in vivo प्रयोगों के लिए एक प्रूफ-ऑफ-कांसेप्ट के रूप में स्थापित करता है जो सिंगल-सेल ऑप्टोजेनेटिक कंट्रोल के लिए माइक्रोस्कोपी प्लेटफॉर्म सक्षम हैं। लेखक दावा करते हैं कि उनका दृष्टिकोण AI-आधारित विधियों से जुड़े श्रम-साध्य प्रशिक्षण और पुन: प्रशिक्षण के बिना वास्तविक समय में, सिंगल-सेल-स्तर के नियमन के लिए एक व्यवहार्य मार्ग प्रदान करता है। मॉडल रिडक्शन और बेसिस फंक्शन्स के माध्यम से डेटा अधिग्रहण अवधि को कम करके, यह विधि उन प्रयोगों के लिए एक महत्वपूर्ण बाधा को संबोधित करती है जहाँ अवधि सीमित होती है (जैसे, कोशिका जीवनक्षमता/cell viability)। अध्ययन निष्कर्ष निकालता है कि DeePC, जिसे बेसिस फंक्शन्स और मॉडल रिडक्शन द्वारा सुदृढ़ किया गया है, होस्ट-अवेयर साइबरजेनेटिक कंट्रोल के लिए एक मजबूत, डेटा-कुशल विकल्प प्रदान करता है, जो भविष्य के जैविक अनुप्रयोगों के लिए इष्टतम हार्डवेयर और प्रयोगात्मक डिजाइन के लिए दिशानिर्देश प्रदान करता है।