🧬 biology

Minimal-Action Discrete Schrödinger Bridge Matching for Peptide Sequence Design

यह शोध पत्र मिनिमल-एक्शन डिस्क्रीट श्रोडिंगर ब्रिज मैचिंग (MadSBM) का परिचय देता है, जो एक रेट-आधारित जनरेटिव फ्रेमवर्क है जो अमीनो-एसिड एडिट ग्राफ पर उच्च-संभावना वाले क्षेत्रों में नेविगेट करने के लिए एक समय-निर्भर नियंत्रण क्षेत्र (time-dependent control field) को सीखकर पेप्टाइड अनुक्रम डिजाइन को अनुकूलित करता है, और साथ ही कार्यात्मक अनुकूलन (functional optimization) के लिए श्रोडिंगर ब्रिज मॉडल में डिस्क्रीट क्लासिफायर गाइडेंस के अनुप्रयोग को भी अग्रणी बनाता है।

मूल लेखक: Shrey Goel, Pranam Chatterjee

प्रकाशित 2026-02-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shrey Goel, Pranam Chatterjee

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 नया पेप्टाइड (प्रोटीन का एक छोटा निर्माण खंड) डिजाइन करने की कोशिश कर रहे हैं जो एक दवा के रूप में काम कर सके। आपके पास एक खाली स्लेट है, लेकिन संभावित अनुक्रमों (sequences) का स्थान एक विशाल, अंधेरी भूलभुलैया की तरह है। अधिकांश रास्ते मृत अंत (dead ends) की ओर ले जाते हैं—अमीनो एसिड के ऐसे संयोजन जो रासायनिक रूप से असंभव, अस्थिर या बस निरर्थक हैं।

मौजूदा तरीके पेप्टाइड डिजाइन करने के लिए एक अंधे व्यक्ति को एक ऐसे मानचित्र की तरह निर्देश देने जैसे हैं जो उसे भूलभुलैया के सबसे अंधेरे, सबसे अस्थिर हिस्सों से गुजरने के लिए मजबूर करता है, इससे पहले कि वह निकास तक पहुँच सके। वे अराजकता से व्यवस्था की ओर एक "निश्चित" मार्ग लेते हैं, अक्सर कम गुणवत्ता वाले क्षेत्रों में ठोकर खाते हैं, जिसके कारण उन्हें इसे सही करने के लिए हजारों छोटे, धीमे कदम उठाने पड़ते हैं।

MadSBM से मिलिए: एक "न्यूनतम-क्रिया" (Minimal-Action) मार्गदर्शक

यह शोध पत्र एक नई विधि प्रस्तुत करता है जिसे Minimal-Action Discrete Schrödinger Bridge Matching (MadSBM) कहा जाता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है:

1. "जैविक GPS" (संदर्भ प्रक्रिया - The Reference Process)

एक रैंडम वॉक (random walk) से शुरू करने के बजाय, MadSBM एक "जैविक GPS" से शुरू होता है। यह एक पूर्व-प्रशिक्षित AI मॉडल (जिसे ESM-2 कहा जाता है) का उपयोग करता है जिसने पहले ही लाखों प्राकृतिक प्रोटीनों को पढ़ लिया है। यह मॉडल जानता है कि जैविक रूप से क्या "सही लगता है"।

उपमा: कल्पना कीजिए कि आप एक शहर में नेविगेट कर रहे हैं। पुराने तरीके आपको तब तक बेतरतीब ढंग से गाड़ी चलाने के लिए कह सकते हैं जब तक कि आप एक सड़क न ढूंढ लें। MadSBM आपको एक GPS देता है जो पहले से ही जानता है कि मुख्य राजमार्ग और सुरक्षित इलाके कहाँ हैं। यह एक "संदर्भ पथ" निर्धारित करता है जो वैध और स्थिर क्षेत्रों के करीब रहता है।

2. "स्टीयरिंग व्हील" (नियंत्रण क्षेत्र - The Control Field)

यह शोध पत्र पेप्टाइड के निर्माण को समय के माध्यम से एक निरंतर यात्रा के रूप में मानता है। MadSBM एक "नियंत्रण क्षेत्र" सीखता है, जो एक स्टीयरिंग व्हील की तरह कार्य करता है।

उपमा: एक अच्छे GPS के होने के बावजूद, आपको ट्रैफिक से बचने या शॉर्टकट लेने के लिए छोटे समायोजन करने की आवश्यकता हो सकती है। MadSBM यह सीखता है कि "जैविक GPS" को सुरक्षित लेकिन उबाऊ डिफ़ॉल्ट पथ से हटाकर उस विशिष्ट, उच्च-गुणवत्ता वाले पेप्टाइड की ओर कैसे मोड़ा जाए जिसे आप बनाना चाहते हैं।
"न्यूनतम क्रिया" (Minimal Action) की अवधारणा: लक्ष्य प्रतिरोध के न्यूनतम पथ को अपनाना है। सिस्टम केवल उतनी ही "स्टीयरिंग शक्ति" लागू करता है जितनी कि शुरुआती बिंदु (एक खाली, मास्क किया गया अनुक्रम) से गंतव्य (एक कार्यात्मक पेप्टाइड) तक पहुँचने के लिए बिल्कुल आवश्यक है। यह बड़े, झटकेदार बदलावों से बचता है जो रासायनिक नियमों को तोड़ सकते हैं।

3. "स्मार्ट सैंपलिंग" (यह पेप्टाइड का निर्माण कैसे करता है)

पेप्टाइड को अक्षर-दर-अक्षर बनाने के बजाय (जैसे एक वाक्य लिखना), MadSBM इसे एक निरंतर प्रवाह (continuous flow) के रूप में मानता है।

उपमा: कल्पना कीजिए कि आपके पास एक वाक्य है जहाँ हर अक्षर एक मास्क के पीछे छिपा हुआ है।
- पुराने तरीके शायद एक साथ सभी अक्षरों का अनुमान लगाने की कोशिश करते हैं या उन्हें एक कठोर, धीमी रेखा में एक-एक करके बदलने की कोशिश करते हैं।
- MadSmB पूरे वाक्य को एक साथ देखता है। यह एक "पॉइसन जंप प्रोसेस" (Poisson jump process) का उपयोग करता है, जो एक टाइमर की तरह है जो बेतरतीब ढंग से तय करता है कि एक अक्षर को कब प्रकट करना है। जब टाइमर बजता है, तो यह "स्टीयरिंग व्हील" की सलाह के आधार पर एक अक्षर को प्रकट करता है।
- महत्वपूर्ण बात यह है कि एक बार जब कोई अक्षर प्रकट हो जाता है, तो वह प्रकट ही रहता है। यह वापस मास्क नहीं होता है। यह सुनिश्चित करता है कि प्रक्रिया बिना किसी लूप में फंसे सुचारू रूप से आगे बढ़े।

4. "लक्ष्य-उन्मुख" मोड (क्लासिफायर गाइडेंस - The Goal-Oriented Mode)

शोध पत्र यह भी दिखाता है कि कैसे आप AI को एक विशिष्ट कार्य के लिए पेप्टाइड डिजाइन करने के लिए निर्देशित कर सकते हैं, जैसे कि किसी विशिष्ट वायरस से चिपकना।

उपमा: कल्पना कीजिए कि आप हाइकर्स (AI) के एक समूह को भूलभुलैया के माध्यम से गाइड कर रहे हैं।
- बिना मार्गदर्शन के: हाइकर्स किसी भी सुरक्षित पथ को खोजने के लिए पूरी भूलभुलैया की खोज करते हैं।
- मार्गदर्शन के साथ: आप उन्हें एक "सूंघने वाला कुत्ता" (क्लासिफायर) देते हैं जो लक्षित वायरस को सूंघ सकता है। जैसे-जैसे हाइकर्स चलते हैं, वह कुत्ता उनके वर्तमान पथ को रेट करता है। यदि कोई पथ वायरस की गंध देता है, तो हाइकर्स उस पथ का अनुसरण करने की अधिक संभावना रखते हैं।
- शोध पत्र का दावा है कि यह इस प्रकार के "Schrödinger Bridge" गणित के लिए इस विशिष्ट "सूंघने वाले कुत्ते" की तकनीक का पहला अनुप्रयोग है।

यह बेहतर क्यों है?

लेखकों ने MadSBM का परीक्षण वर्तमान सर्वोत्तम तरीकों (डिस्क्रीट डिफ्यूजन मॉडल्स) के विरुद्ध किया।

दक्षता (Efficiency): MadSM B ने अन्य तरीकों की तुलना में बहुत कम चरणों में (केवल 32 चरणों में) उच्च-गुणवत्ता वाले पेप्टाइड्स खोजे, जिन्हें सैकड़ों या हजारों चरणों की आवश्यकता होती है।
गुणवत्ता (Quality): इसके द्वारा डिजाइन किए गए पेप्टाइड्स जैविक रूप से अधिक प्रशंसनीय थे (कम "परप्लेक्सिटी", जिसका अर्थ है कि वे वास्तविक प्रोटीन की तरह दिखते थे) और उनकी संरचनात्मक स्थिरता बेहतर थी।
पथ (The Path): जबकि अन्य तरीके डिजाइन प्रक्रिया को "कम-संभावना" (खतरनाक/अस्थिर) क्षेत्रों से गुजरने के लिए मजबूर करते थे, MadSBM ने यात्रा को प्रोटीन जगत के "उच्च-संभावना" (सुरक्षित/स्थिर) इलाकों के भीतर रखा।

सारांश में:
MadSBM प्रोटीन अनुक्रमों को डिजाइन करने का एक नया तरीका है जो इस प्रक्रिया को एक क्लोजी, चरण-दर-चरण संघर्ष के बजाय एक सुचारू, निर्देशित यात्रा के रूप में मानता है। एक "जैविक GPS" का उपयोग करके सुरक्षित जमीन पर रहने और एक लक्ष्य की ओर न्यूनतम समायोजन करने के लिए एक "स्टीयरिंग व्हील" का उपयोग करके, यह पिछले तरीकों की तुलना में कम कम्प्यूटेशनल प्रयास के साथ और तेजी से बेहतर ड्रग कैंडिडेट बनाता है।

तकनीकी सारांश: पेप्टाइड अनुक्रम डिजाइन के लिए मिनिमल-एक्शन डिस्क्रीट श्रोडिंगर ब्रिज मैचिंग

समस्या विवरण

पेप्टाइड अनुक्रमों के लिए जनरेटिव मॉडलिंग एक असतत (discrete), अत्यधिक प्रतिबंधित स्थान के भीतर कार्य करती है जहाँ कई मध्यवर्ती अवस्थाएँ रासायनिक रूप से अव्यावहारिक या अस्थिर होती हैं। मौजूदा डिस्क्रीट डिफ्यूजन और फ्लो-आधारित विधियाँ आमतौर पर निश्चित भ्रष्टाचार प्रक्रियाओं (corruption processes) को उलटने या निर्धारित प्रायिकता पथों (probability paths) का अनुसरण करने पर निर्भर करती हैं। ये दृष्टिकोण अक्सर जनरेटिव प्रक्षेपवक्र (trajectory) को निम्न-संभावना वाले क्षेत्रों से होकर गुजरने के लिए मजबूर करते हैं, जिससे उच्च-गुणवत्ता वाले अनुक्रमों तक पहुँचने के लिए बड़ी संख्या में सैंपलिंग चरणों की आवश्यकता होती है। इसके अतिरिक्त, जैविक अनुक्रम स्थानीय परिवर्तनों के प्रति संवेदनशील होते हैं; हस्तनिर्मित प्रायिकता पथ कार्यात्मक पेप्टाइड्स के मैनिफोल्ड (manifold) के साथ संरेखित नहीं हो पाते हैं, जिससे अनकंडीशनल (unconditional) और गाइडेड जनरेशन जटिल हो जाता है। जबकि श्रोडिंगर ब्रिज फॉर्मूलेशन एक सिद्धांत आधारित विकल्प प्रदान करते हैं जो एक एक्शन फंक्शनल को न्यूनतम करने वाले स्टोकेस्टिक पथों को परिभाषित करते हैं, क्लासिकल सॉल्वर बड़े वोकैबुलरी वाले उच्च-आयामी डिस्क्रीट अनुक्रम स्थानों में गणनात्मक रूप से कठिन (intractable) फॉरवर्ड-बैकवर्ड प्रोजेक्शन पर निर्भर करते हैं।

कार्यप्रणाली

लेखक मिनिमल-एक्शन डिस्क्रीट श्रोडिंगर ब्रिज मैचिंग (MadSBM) प्रस्तुत करते हैं, जो एक रेट-आधारित जनरेटिव फ्रेमवर्क है जो पेप्टाइड अनुक्रम विकास को एक अमीनो-एसिड एडिट ग्राफ पर नियंत्रित निरंतर-समय मार्कोव चेन (CTMC) के रूप में मॉडल करता है।

मुख्य फॉर्मूलेशन

रेफरेंस प्रोसेस ( $P_0$ ): यूनिफॉर्म रैंडम वॉक के बजाय, MadSBM एक जैविक रूप से सूचित संदर्भ प्रक्रिया को परिभाषित करता है। रेफरेंस जनरेटर $R_0$ एक फ्रीज्ड, प्री-ट्रेन्ड प्रोटीन लैंग्वेज मॉडल (ESM-2-650M) से लॉजिट्स (logits) का उपयोग करता है ताकि टोकन की स्थानीय संभाव्यता का माप प्रदान किया जा सके। यह सुनिश्चित करता है कि रेफरेंस डायनेमिक्स पेप्टाइड बायोफिजिक्स पर आधारित हों।
कंट्रोल्ड प्रोसेस ( $P_u$ ): जनरेशन को एक एक्सपोनेंशियल टिल्ट (exponential tilt) के माध्यम से संदर्भ प्रक्रिया को डेटा वितरण की ओर निर्देशित करने के रूप में तैयार किया गया है। कंट्रोल्ड जनरेटर $R_u$ को इस प्रकार परिभाषित किया गया है:
$R_u(x, x') = R_0(x, x') \exp(u(x, x'))$
जहाँ $u$ एक लर्न करने योग्य कंट्रोल फील्ड है जो एक लॉग-पोटेंशियल के रूप में कार्य करता है।
उद्देश्य: लक्ष्य एक ऐसा कंट्रोल फील्ड $u$ खोजना है जो एंडपॉइंट बाधाओं (एक मास्क किए गए प्रायर $\mu_0$ को डेटा वितरण $\mu_1$ के साथ मिलाने) के अधीन, कंट्रोल्ड पाथ मेजर और रेफरेंस मेजर के बीच रिलेटिव एंट्रॉपी (KL डाइवर्जेंस) को कम करे। यह एक मिनिमल-एक्शन ट्रांसपोर्ट पाथ खोजने के अनुरूप है।

लर्निंग और ट्रेनिंग

सिमुलेशन-फ्री लर्निंग: फॉरवर्ड-बैकवर्ड सॉल्वर्स की जटिलता से बचने के लिए, लेखक एक सुलभ ट्रेनिंग ऑब्जेक्टिव प्राप्त करते हैं। वे दिखाते हैं कि करप्टेड टोकन्स पर क्रॉस-एंट्रॉपी लॉस को कम करना, मॉडल के ट्रांजिशन कर्नेल और श्रोडिंगर ब्रिज के इष्टतम फॉरवर्ड ट्रांजिशन्स के बीच KL डाइवर्जेंस को कम करने के बराबर है।
आर्किटेक्चर: कंट्रोल फील्ड $u_\theta$ को 50M पैरामीटर्स वाले एक डिफ्यूजन ट्रांसफॉर्मर (DiT) द्वारा पैरामीटराइज किया गया है। यह फ्रीज्ड ESM-2 मॉडल से टाइम-कंडीशन्ड एम्बेडिंग्स लेता है।
इंटरपोलेशन: मध्यवर्ती अवस्थाओं का निर्माण टोकन्स को प्रायिकता $1-t$ के साथ मास्क करके और टारगेट टोकन्स को प्रायशीलता $t$ के साथ प्रकट करके किया जाता है, जिससे एक फॉरवर्ड परटर्बेशन कर्नेल बनता है जो ब्रिज मार्जिनल्स का अनुमान लगाता है।

सैंपलिंग और गाइडेंस

सैंपलिंग: जनरेटिव प्रक्रिया $t=1$ से $t=0$ तक बैकवर्ड इंटीग्रेशन के माध्यम से होती है। प्रत्येक चरण में, मॉडल एक CTMC का अनुकरण करता है जहाँ टोकन्स सीखे गए ट्रांजिशन रेट्स द्वारा नियंत्रित पॉइसन जंप प्रोसेस के आधार पर अपडेट होते हैं।
ऑब्जेक्टिव-गाइडेड सैंपलिंग: पेपर में श्रोडिंगर ब्रिज मॉडल्स के लिए डिस्क्रीट क्लासिफायर गाइडेंस के एक नवीन अनुप्रयोग को पेश किया गया है। विशिष्ट कार्यात्मक उद्देश्यों (जैसे बाइंडिंग एफिनिटी) के लिए अनुकूलित करने हेतु, सैंपलिंग प्रक्रिया प्रत्येक चरण पर कई कैंडिडेट अनुक्रमों को ड्रा करती है, उन्हें एक बाहरी क्लासिफायर (बाइंडिंग एफिनिटी प्रेडिक्टर) का उपयोग करके स्कोर करती है, और अगले टोकन को इन स्कोर्स के आधार पर चुनती है। यह श्रोडिंगर ब्रिज-आधारित जनरेटिव मॉडल्स के लिए ऐसे गाइडेंस का पहला अनुप्रयोग है।

प्रमुख योगदान

फॉर्मूलेशन: लेखक पेप्टाइड अनुक्रम जनरेशन को एक डिस्क्रीट श्रोडिंगर ब्रिज समस्या के रूप में देखते हैं, जो डिज़ाइन को एक नॉइजी प्रायर और डेटा वितरण के बीच मिनिमल-एक्शन स्टोकेस्टिक ट्रांसपोर्ट के रूप में फ्रेम करता है।
एल्गोरिदम: वे एक सिमुलेशन-फ्री लर्निंग रूल प्रस्तावित करते हैं जो जटिल ब्रिज समस्या को एक सरल क्रॉस-एंट्रॉपी ऑब्जेक्टिव में बदल देता है, जिससे बिना किसी स्पष्ट फॉरवर्ड-बैकवर्ड सॉल्वर के मिनिमल-एक्शन ट्रांसपोर्ट के साथ निरंतरता बनी रहती है।
मॉडल प्रदर्शन: MadSBM को एक नियंत्रणीय, रेट-आधारित मॉडल के रूप में प्रस्तुत किया गया है जो डिस्क्रीट डिफ्यूजन बेसलाइन्स की तुलना में सैंपल एफिशिएंसी और स्थिरता में सुधार करता है। यह कम सैंपलिंग बजट के तहत ऑब्जेक्ट-गाइडेड डिज़ाइन का समर्थन करता है।
गाइडेंस में नवीनता: यह कार्य डिस्क्रीट क्लासिफायर गाइडेंस का श्रोडिंगर ब्रिज-आधारित जनरेटिव मॉडल्स के लिए पहला अनुप्रयोग प्रदर्शित करता है, जो चिकित्सीय पेप्टाइड्स के डिज़ाइन स्पेस का विस्तार करता है।

परिणाम

अनकंडीशनल जनरेशन: MadSBM विभिन्न सैंपलिंग बजट ( $N=32, 64, 128$ ) में स्टेट-ऑफ-द-आर्ट डिस्क्रीट डिफ्यूजन मॉडल EvoFlow की तुलना में कम (बेहतर) स्यूडो-परप्लेक्सिटी (PPL) के साथ पेप्टाइड अनुक्रम उत्पन्न करता है। विशेष रूप से, MadSBM कम सैंपलिंग स्टेप्स ( $N=32$ ) पर भी बेसलाइन से बेहतर प्रदर्शन करता है, जो उच्च जैविक संरेखण बनाए रखते हुए प्रतिस्पर्धी स्ट्रक्चरल स्टेबिलिटी (pLDDT) प्राप्त करता है।
प्रोबेबिलिटी पाथ्स: जनरेशन के दौरान नेगेटिव लॉग-लाइक्लीहुड (NLL) का विश्लेषण दिखाता है कि MadSBM डिफ्यूजन मॉडल्स के संकुचित प्रक्षेपवक्र की तुलना में उच्च वेरिएंस के साथ अधिक व्यापक स्टोकेस्टिक ट्रांसपोर्ट पाथ्स का पता लगाता है। यह MadSBM को जनरेशन प्रक्रिया में जल्दी उच्च-लाइक्लीहुड क्षेत्रों तक पहुँचने की अनुमति देता है।
एब्लेशन स्टडीज: जैविक रूप से सूचित रेफरेंस (ESM-2) या टाइम-गेटिंग मैकेनिज्म को हटाने से प्रदर्शन में गिरावट आती है, जो एक सिद्धांत आधारित, टाइम-कंट्रोल्ड रेफरेंस प्रोसेस की आवश्यकता को प्रमाणित करता है।
बाइंडिंग एफिनिटी ऑप्टिमाइजेशन: चार रोग-संबंधी प्रोटीनों को लक्षित करने वाले प्रयोगों में, MadSメント-जनरेटेड पेप्टाइड्स (अनकंडीशनल और गाइडेड दोनों) ने ज्ञात बाइंडर्स की तुलना में बेहतर बाइंडिंग एफिनिटी और डॉकिंग स्कोर प्रदर्शित किए। गाइडेड सैंपलिंग दृष्टिकोण ने इन मेट्रिक्स में और सुधार किया, जिससे बिना किसी ज्ञात बाइंडर वाले लक्ष्य के लिए भी उम्मीदवारों को सफलतापूर्वक डिज़ाइन किया गया।

महत्व और दावे

पेपर दावा करता है कि MadSBM पेप्टाइड जनरेशन को एक रेट-आधारड स्टोकेस्टिक ट्रांसपोर्ट समस्या के रूप में पुनर्गठित करता है, यह प्रदर्शित करते हुए कि एक सूचनात्मक जैविक संदर्भ के साथ जुड़ने पर डिस्क्रीट स्पेस में सीधे लो-एक्शन श्रोडिंगर ब्रिज डायनेमिक्स को सीखा जा सकता है।

लेखक का तर्क है कि उनकी विधि ऐसे प्रायिकता पथ बनाती है जो सैंपलिंग के दौरान उच्च-लाइक्लीहुड पेप्टाइड पड़ोस के करीब रहते हैं, जिससे कम सैंपलिंग बजट पर बेहतर परप्लेक्सिटी और प्रतिस्पर्धी स्ट्रक्चरल कॉन्फिडेंस प्राप्त होता है। वे इस बात पर जोर देते हैं कि यह दृष्टिकोण केवल एंडपॉइंट डिस्ट्रीब्यूशन के बजाय पूरी प्रायिकता प्रक्षेपवक्र (probability trajectory) को उजागर करके जनरेटिव प्रक्रिया को अधिक व्याख्या योग्य और ऑडिट करने योग्य बनाता है।

तत्काल नैदानिक अनुप्रयोग के संबंध में उनके दावे मध्यम हैं, जिसमें उल्लेख किया गया है कि उत्पन्न पेप्टाइड्स को प्रयोगिक रूप से मान्य करने और रसायन-जागरूक संदर्भ प्रक्रियाओं को परिष्कृत करने के लिए भविष्य के कार्य की आवश्यकता है। लेखक इस बात पर जोर देते हैं कि वर्तमान ध्यान लघु पेप्टाइड अनुक्रमों पर है, और किसी भी प्रयोगात्मक तैनाती से पहले डाउनस्ट्रीम वैलिडेशन और सेफ्टी-अवेयर फ़िल्टरिंग आवश्यक है। उनकी जानकारी के अनुसार, यह श्रोडिंगर ब्रिज-आधारित जनरेटिव मॉडल्स के लिए डिस्क्रीट क्लासिफायर गाइडेंस का पहला अनुप्रयोग है।