🧬 biology

Accelerating De Novo Genome Assembly via Quantum-Assisted Graph Optimization with Bitstring Recovery

यह शोध पत्र एक हाइब्रिड क्वांटम-क्लासिकल दृष्टिकोण प्रस्तावित करता है जो डी नोवो जीनोम असेंबली में हैमिल्टोनियन और यूलरियन पाथ समस्याओं को हल करने के लिए हायर-ऑर्डर बाइनरी ऑप्टिमाइज़ेशन फॉर्मूलेशन और एक नवीन बिटस्ट्रिंग रिकवरी तंत्र के साथ वेरिएशनल क्वांटम आइजनसॉल्वर (VQE) का उपयोग करता है, जो क्वांटम हार्डवेयर के उन्नत होने के साथ जीनोम अनुक्रमण की सटीकता और गति को महत्वपूर्ण रूप से बढ़ाने की क्षमता प्रदर्शित करता है।

मूल लेखक: Jaya Vasavi Pamidimukkala, Himanshu Sahu, Ashwini Kannan, Janani Ananthanarayanan, Kalyan Dasgupta, Sanjib Senapati

प्रकाशित 2026-05-26

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jaya Vasavi Pamidimukkala, Himanshu Sahu, Ashwini Kannan, Janani Ananthanarayanan, Kalyan Dasgupta, Sanjib Senapati

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 आपने अभी-अभी एक विशाल, जटिल विश्वकोश (encyclopedia) के लाखों छोटे, एक-दूसरे पर चढ़ते हुए कागज़ के टुकड़ों में चीर दिया है। आपका लक्ष्य क्या है? उन टुकड़ों को वापस जोड़कर मूल पुस्तक को फिर से बनाना है, लेकिन आपके पास गाइड के रूप में मूल पुस्तक नहीं है। यह अनिवार्य रूप से डी नोवो जीनोम असेंबली (de novo genome assembly) है: डीएनए के छोटे टुकड़ों को लेकर यह पता लगाना कि किसी जीव के संपूर्ण आनुवंशिक कोड को पुनर्गठित करने के लिए उनका सही क्रम क्या है।

लंबे समय से, वैज्ञानिकों ने इस पहेली को हल करने के लिए शक्तिशाली शास्त्रीय (classical) कंप्यूटरों का उपयोग किया है। हालाँकि, जैसे-जैसे "किताब" बड़ी होती जाती है (जैसे मानव जीनोम) और "टुकड़े" अधिक दोहराव वाले होते जाते हैं, यह पहेली इतनी अविश्वसनीय रूप से जटिल हो जाती है कि सुपरकंप्यूटरों को इसे हल करने में कई दिन या सप्ताह लग जाते हैं, और कभी-कभी वे फिर भी फंस जाते हैं।

यह शोध पत्र इस पहेली को हल करने का एक नया तरीका उपयोग करने का प्रस्ताव देता है जिसमें क्वांटम कंप्यूटरों का उपयोग किया गया है, जो सुपर-पावर्ड कैलकुलेटर की तरह हैं जो एक ही समय में कई संभावित समाधानों को तलाश सकते हैं। यहाँ उनके दृष्टिकोण का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. पहेली: सही रास्ता खोजना

डीएनए के टुकड़ों को एक मानचित्र पर शहरों के रूप में और उनके बीच के ओवरलैप को उन शहरों को जोड़ने वाली सड़कों के रूप में समझें। जीनोम को फिर से बनाने के लिए, आपको एक ऐसा मार्ग खोजना होगा जो बिना भटके हर एक शहर में ठीक एक बार जाए। गणितीय शब्दों में, इसे हैमिल्टनियन पाथ (Hamiltonian path) खोजना कहा जाता है।

समस्या: एक शास्त्रीय कंप्यूटर पर, इस आदर्श मार्ग को खोजने की कोशिश करना अरबों डायल वाले ताले के संयोजन (combination) का अनुमान लगाने जैसा है। यह अविश्वसनीय रूप से धीमा और गणनात्मक रूप से महंगा है।
क्वांटम समाधान: लेखकों ने एक क्वांटम कंप्यूटर का उपयोग करने के लिए किया जो एक "समानांतर खोजकर्ता" (parallel explorer) की तरह कार्य कर सके। एक समय में एक मार्ग खोजने के बजाय, क्वांटम कंप्यूटर सबसे अच्छा मार्ग खोजने के लिए एक साथ कई मार्गों को देख सकता है।

2. नया मानचित्र: HOBO (कुशल ब्लूप्रिंट)

इस समस्या के लिए क्वांटम कंप्यूटरों का उपयोग करने के पिछले प्रयास एक ऐसे घर के ब्लूप्रिंट के समान थे जिसके लिए हर एक ईंट के लिए एक अलग कमरे की आवश्यकता थी। यह व्यावहारिक होने के लिए बहुत अधिक संसाधनों (qubits) की मांग करता था।

लेखकों ने HOBO (Higher-Order Binary Optimization) नामक एक नई विधि पेश की।

उपमा: कल्पना कीजिए कि आपके पास व्यवस्थित करने के लिए 100 पुस्तकें हैं। पुराना तरीका एक अलग शेल्फ की आवश्यकता रखता था जिसमें प्रत्येक पुस्तक के लिए एक शेल्फ हो। नया HOBO तरीका एक स्मार्ट फाइलिंग सिस्टम की तरह है जहाँ आपको सभी 100 पुस्तकों को व्यवस्थित करने के लिए केवल लगभग 7 शेल्फ की आवश्यकता होती है (क्योंकि $2^7 = 128$ )।
परिणाम: यह आवश्यक "क्वांटम बिट्स" (qubits) की संख्या को भारी रूप से कम कर देता है, जिससे वर्तमान, छोटे क्वांटम मशीनों पर बड़े पहेलियों को हल करना संभव हो जाता है।

3. मार्गदर्शक: "बिटस्ट्रिंग रिकवरी" तंत्र

क्वांटम कंप्यूटर वर्तमान में थोड़े "शोरभरे" (noisy) हैं, जैसे स्टेटिक (static) वाला रेडियो। कभी-कभी, वे जो उत्तर देते हैं वह थोड़ा गलत होता है। इस संदर्भ में, कंप्यूटर कह सकता है, "शहर A पर जाएँ, फिर शहर B पर जाएँ, फिर शहर A पर जाएँ," या "शहर 99 पर जाएँ," जबकि शहर 99 मानचित्र पर मौजूद भी नहीं है।

लेखकों ने Bitstring Recovery नामक एक चतुर समाधान विकसित किया है।

उपमा: कल्पना कीजिए कि एक जीपीएस (GPS) आपको एक मार्ग देता है लेकिन गलती से आपको एक गैर-मौजूद सड़क पर जाने के लिए कहता है या एक घेरे में घूमने के लिए कहता है। हार मानने के बजाय, एक "बिटस्ट्रिंग रिकवरी" प्रणाली एक स्मार्ट सह-पायलट (co-pilot) की तरह कार्य करती है। यह मार्ग को देखती है, असंभव मोड़ों या दोहराए गए स्टॉप को पहचानती है, और कहती है, "रुको, आपने शहर C को छोड़ दिया। चलिए उस नकली सड़क को शहर C से बदल देते हैं।"
परिणाम: यह "सह-पायलट" क्वांटम कंप्यूटर के बिखरे हुए उत्तरों को साफ करता है, एक टूटे हुए मार्ग को एक वैध मार्ग में बदल देता है, जिससे सिस्टम को अपूर्ण हार्डवेयर पर भी सही समाधान खोजने की अनुमति मिलती है।

4. प्रयोग: इंजन का परीक्षण

टीम ने इस हाइब्रिड सिस्टम (शास्त्रीय कंप्यूटर द्वारा तैयारी का काम और क्वांटम कंप्यूटर द्वारा भारी काम) का वास्तविक डीएनए डेटा (बैक्टीरिया, वायरस और कवक से) पर परीक्षण किया।

सेटअप: उन्होंने 4 "शहरों" (नोड्स) से लेकर 24 "शहरों" तक के डिजिटल मानचित्र बनाए।
चुनौती: जैसे-जैसे मानचित्र बड़े होते गए (24 नोड्स तक), क्वांटम कंप्यूटर छोटी गलतियाँ करने लगा (जैसे किसी शहर में दो बार जाना या कोई कनेक्शन मिस करना)।
समाधान: जब उन्होंने "बिटस्ट्रिंग रिकवरी" सह-पायलट को चालू किया, तो सिस्टम ने इन गलतियों को सुधारा। सबसे बड़े मानचित्रों (21 और 24 नोड्स) के लिए, सिस्टम में अभी भी कुछ मामूली त्रुटियां थीं, लेकिन यह बिना सुधार के मुकाबले बहुत बेहतर था।

5. परिणाम: क्या यह काम कर गया?

अंतिम परीक्षण यह था: क्या पुनर्गठित डीएनए खंड वास्तव में सही जीव की पहचान करते हैं?

परिणाम: हाँ। भले ही क्वांटम कंप्यूटर ने पथ में कुछ छोटी गलतियाँ की हों, फिर भी अंतिम पुनर्गठित डीएनए "कॉन्टिग्स" (जीनोम के टुकड़े) सही जीव (जैसे, "यह अफ्रीकी सूअर बुखार वायरस है") की पहचान करने के लिए पर्याप्त सटीक थे।
तुलना: जबकि शास्त्रीय कंप्यूटर (पुराना भरोसेमंद) एकदम सटीक था, क्वांटम कंप्यूटर अपने नए "सह-पायलट" के साथ, एक थोड़े अपूर्ण पथ के बावजूद सही जीव की पहचान करने में सक्षम था।

सारांश

संक्षेप में, यह शोध पत्र दिखाता है कि समस्या को एनकोड करने के एक स्मार्ट तरीके (HOBO) और एक चतुर "सफाई उपकरण" (Bitstring Recovery) का उपयोग करके, क्वांटम कंप्यूटर वैज्ञानिकों को डीएनए असेंबली की विशाल पहेली को हल करने में मदद करना शुरू कर सकते हैं। हालांकि वे अभी पूरे मानव जीनोम के लिए सुपरकंप्यूटरों को बदलने के लिए तैयार नहीं हैं, फिर भी वे यह साबित कर रहे हैं कि वे पहले की तुलना में अधिक तेज़ी से और अधिक कुशलता से पहेली के छोटे, जटिल हिस्सों को संभाल सकते हैं, जो भविष्य के आनुवंशिक अनुसंधान में बड़ी सफलताओं का मार्ग प्रशस्त करता है।

तकनीकी सारांश: क्वांटम-सहायता प्राप्त ग्राफ अनुकूलन के माध्यम से डी नोवो जीनोम असेंबली में तेजी लाना

समस्या विवरण

डी नोवो (De novo) जीनोम असेंबली में किसी संदर्भ अनुक्रम (reference sequence) के बिना एक जीव के संपूर्ण जीनोम को खंडित अनुक्रमण रीड्स (sequencing reads) से पुनर्गठित करना शामिल है। एक महत्वपूर्ण कम्प्यूटेशनल बाधा ओवरलैप-लेआउट-कंसेंसस (OLC) रणनीति में आती है, विशेष रूप से लॉन्ग-रीड सीक्वेंसिंग (जैसे ऑक्सफोर्ड नेनोपोर, पैकबायो) के लिए। इस दृष्टिकोण में, रीड्स को ग्राफ में नोड्स के रूप में दर्शाया जाता है, और असेंबली समस्या एक हैमिल्टोनियन पाथ (एक ऐसा पथ जो प्रत्येक नोड पर ठीक एक बार जाता है) खोजने के रूप में तैयार की जाती है। शॉर्ट-रीड डी ब्रुइन ग्राफ (DBG) असेंबलर्स द्वारा उपयोग किए जाने वाले यूलरियन पाथ (Eulerian path) समस्या के विपरीत—जो कि बहुपद (polynomial) और सुलभ है—हैमिल्टोनियन पाथ समस्या NP-complete है।

शास्त्रीय समाधानों का पैमाना जीवाणुओं के आकार के अनुसार फैक्टोरियल ( $O(N \times N!)$ ) होता है या उन्हें घातीय समय और मेमोरी (जैसे मानव जीनोम के लिए 646 GB RAM और 150,000 CPU घंटे) की आवश्यकता होती है। जबकि क्वांटम कंप्यूटिंग सुपरपोजिशन और एंटैंगलमेंट के माध्यम से त्वरण की क्षमता प्रदान करती है, इस समस्या के लिए मौजूदा क्वांटम फॉर्मूलेशन अक्सर वन-हॉट एनकोडिंग के साथ क्वाड्रेटिक अनकन्स्ट्रेंड बाइनरी ऑप्टिमाइजेशन (QUBO) पर निर्भर करते हैं। यह दृष्टिकोण $O(N^2)$ क्यूबिट्स की आवश्यकता रखता है, जो वर्तमान नॉइजी इंटरमीडिएट-स्केल क्वांटम (NISQ) हार्डवेयर पर स्केलेबिलिटी को सीमित करता है।

कार्यप्रणाली

लेखक एक हाइब्रिड क्लासिकल-क्वांटम फ्रेमवर्क प्रस्तावित करते हैं जो हायर-ऑर्डर बाइनरी ऑप्टिमाइजेशन (HOBO) एनकोडिंग का उपयोग करके हैमिल्टोनियन पाथ समस्या को हल करने के लिए डिज़ाइन किया गया है।

1. HOBO फॉर्मूलेशन और एनकोडिंग

मुख्य नवाचार क्यूबिट आवश्यकताओं को कम करने के लिए QUBO से HOBO एनकोडिंग की ओर बदलाव है।

QUBO (मानक): वन-हॉट एनकोडिंग का उपयोग करता है जहाँ प्रत्येक नोड स्थिति के लिए $N$ बिट्स की आवश्यकता होती है, जिससे $O(N^2)$ क्यूबिट्स होते हैं।
HOBO (प्रस्तावित): बाइनरी एनकोडिंग का उपयोग करता है जहाँ प्रत्येक नोड स्थिति के लिए $K = \lceil \log_2 N \rceil$ बिट्स की आवश्यकता होती है। यह कुल क्यूबिट आवश्यकता को $O(N \log_text{2} N)$ तक कम कर देता है।
लागत फलन (Cost Function): हैमिल्टनियन को निरंतर नोड्स के बीच ओवरलैप लागत को कम करने और बाधाओं को लागू करने के लिए बनाया गया है:
- वैधता (Validity): यह सुनिश्चित करना कि पथ में प्रत्येक स्थिति एक वैध नोड को एनकोड करती है।
- विशिष्टता (Uniqueness): यह सुनिश्चित करना कि पथ की दो स्थितियाँ एक ही नोड को एनकोड न करें।
- ओवरलैप मैक्सिमाइजेशन: पथ में क्रमिक नोड्स के बीच ओवरलैप ( $W_{ij}$ ) के भारित योग को कम करना।
- लागत फलन में अमान्य कॉन्फ़िगरेशन के लिए दंड पद ( $A_1, A_2$ ) शामिल हैं।

2. वेरिएशनल क्वांटम आइजनसॉल्वर (VQE)

अनुकूलन एक वेरिएशनल क्वांटम आइजनसॉल्वर (VQE) एल्गोरिदम का उपयोग करके किया जाता है:

एन्सेत्ज़ (Ansatz): लेखक तीन एन्सेत्ज़ संरचनाओं का मूल्यांकन करते हैं: प्रोडक्ट स्टेट्स (कोई एंटैंगलमेंट नहीं), ब्लॉक एंटैंगलमेंट (स्थिति समूहों के भीतर रैखिक एंटैंगलमेंट), और फुल लीनियर एंटैंगलमेंट। ब्लॉक एन्सेत्ज़ (एक विशिष्ट स्थिति के क्यूबिट्स के बीच रैखिक एंटैंगलमेंट) को सर्किट डेप्थ, शोर प्रतिरोध और समाधान सटीकता के बीच सबसे अच्छा संतुलन प्रदान करने वाला पाया गया।
ऑप्टिमाइज़र: सिम्युलेटर वातावरण में इस विशिष्ट समस्या के परिदृश्य के लिए सिमल्टेनियस पर्टर्बेशन स्टोकेस्टिक एप्रोक्सिमेशन (SPSA) ऑप्टिमाइज़र को COBYLA से बेहतर पाया गया।
रेफरेंस स्टेट: सर्किट को एक संदर्भ अवस्था (reference state) के साथ इनिशियलाइज़ किया जाता है जो संभावित स्रोत (इन-डिग्री 0) और अंत (आउट-डिग्री 0) नोड्स को एनकोड करता है ताकि अभिसरण (convergence) को निर्देशित किया जा सके।

3. बिटस्ट्रिंग रिकवरी मैकेनिज्म

हार्डवेयर शोर और अपूर्ण अनुकूलन से उत्पन्न होने वाली त्रुटियों को संबोधित करने के लिए एक नवीन बिटस्ट्रिंग रिकवरी मैकेनिज्म पेश किया गया है, विशेष रूप से बड़े ग्राफों (18–24 नोड्स) के लिए।

त्रुटि प्रकार: सिस्टम "विसंगतियों" (दोहराए गए नोड्स या ग्राफ रेंज के बाहर अमान्य नोड्स) और "उल्लंघनों" (मूल ग्राफ में मौजूद नहीं होने वाले पथ के किनारे) की पहचान करता है।
सुधार एल्गोरिदम: यह मैकेनिज्म एक सर्जेक्टिव मैपिंग रणनीति का उपयोग करता है। यह आउटपुट बिटस्ट्रिंग में विसंगत नोड्स और लुप्त नोड्स की पहचान करता है। हैमिंग दूरी (Hamming distance) पर आधारित एक ग्रीडी एल्गोरिदम का उपयोग करके, यह अनुक्रम को ठीक करने के लिए विसंगत नोड्स को लुप्त नोड्स के साथ मैप करता है, जिससे ऑप्टिमाइज़र को समाधान स्थान के अमान्य क्षेत्रों में जाने से रोका जा सके।

4. वर्कफ़्लो

पाइपलाइन में शामिल हैं:

प्री-प्रोसेसिंग: कच्चे लॉन्ग-रीड डेटा (SRA डेटासेट) का गुणवत्ता नियंत्रण और एडॉप्टर ट्रिमिंग।
ग्राफ निर्माण: OLC ग्राफ बनाना जहाँ नोड्स रीड्स हैं और किनारे ओवरलैप का प्रतिनिधित्व करते हैं।
क्वांटम सॉल्विंग: इष्टतम पथ खोजने के लिए सिम्युलेटर और IBM क्वांटम हार्डवेयर पर VQE चलाना।
कॉन्टिग जनरेशन: क्रमबद्ध पथ से अनुक्रम को पुनर्गठित करना और NCBI डेटाबेस के विरुद्ध BLASTn के माध्यम से सत्यापन करना।

मुख्य परिणाम

इस अध्ययन को बैक्टीरिया, कवक और वायरस (जैसे बैसिलस सेरियस, मंकीपॉक्स वायरस, अफ्रीकन स्वाइन फीवर वायरस) के अनुक्रमण डेटा पर मान्य किया गया, जिससे 4 से 24 नोड्स तक के ग्राफ उत्पन्न हुए।

स्केलेबिलिटी: HOBO फॉर्मूलेशन ने सफलतापूर्वक क्यूबिट उपयोग को 24-नोड सिस्टम के लिए 120 क्यूबिट्स तक कम कर दिया, जो वर्तमान IBM हार्डवेयर (156 क्यूबिट्स) की क्षमता के भीतर आता है।
सिमुलेशन बनाम हार्डवेयर:
- सिम्युलेटर: 18 नोड्स तक के ग्राफ के लिए, "वैनिला" VQE (रिकवरी के बिना) ने इष्टतम पथ खोजा। 21 और 24 नोड्स के लिए, बिटस्ट्रिंग रिकवरी मैकेनिज्म ने बाधा उल्लंघनों (जैसे 24-नोड मामले में 5 से 2 उल्लंघन) को कम किया।
- हार्डवेयर: IBM क्वांटम हार्डवेयर पर प्रयोगों (50 इटरेशन, सिम्युलेटर मापदंडों के साथ वार्म-स्टार्टेड) ने दिखाया कि हालांकि ग्राफ के आकार के साथ उल्लंघन बढ़ते हैं (21 नोड्स के लिए 3 उल्लंघन, 24 नोड्स के लिए 4), बिटस्ट्रिंग रिकवरी मैकेनिज्म वैनिला दृष्टिकोण की तुलना में समाधान की गुणवत्ता में काफी सुधार करता है।
जीव की पहचान: बाधा उल्लंघनों के बावजूद, असेंबल किए गए कॉन्टिग्स सटीक टैक्सोनोमिक पहचान को सक्षम करते हैं:
- 24-नोड अफ्रीकन स्वाइन फीवर वायरस ग्राफ के लिए, क्वांटम समाधान ने 75% क्वेरी कवरेज और 94.26% आइडेंटिटी के साथ सही जीव की पहचान की, जबकि क्लासिकल समाधान का कवरेज 78% था।
- छोटे ग्राफों (4–18 नोड्स) में, क्वांटम समाधानों ने शून्य उल्लंघन प्राप्त किए और क्लासिकल सटीकता से मेल खाया।

महत्व और दावे

यह शोध दावा करता है कि यह कार्य क्वांटम-सहायता प्राप्त डी नोवो जीनोम असेंबली के लिए एक स्केलेबल फ्रेमवर्क प्रदर्शित करता है। प्रमुख योगदान हैं:

क्यूबिट दक्षता: HOBO फॉर्मूलेशन क्यूबिट की आवश्यकता को $O(N^2)$ से घटाकर $O(N \log_2 N)$ कर देता है, जिससे बड़े असेंबली ग्राफ निकट-अवधि (near-term) हार्डवेयर पर भी संभव हो जाते हैं।
मजबूती (Robustness): नवीन बिटस्ट्रिंग रिकवरी मैकेनिज्म प्रभावी रूप से शोर-प्रेरित त्रुटियों को कम करता है, जिससे VQE को जैविक रूप से सार्थक समाधानों तक पहुँचने में मदद मिलती है, भले ही हार्डवेयर अपूर्ण हो।
जैविक उपयोगिता: यह अध्ययन सिद्ध करता है कि क्वांटम-व्युत्पन्न पथ, यहाँ तक कि रीड्स के उपसमुच्चय (subsets) और मामूली बाधा उल्लंघनों की उपस्थिति में भी, सटीक टैक्सोनोमिक पहचान के लिए सटीक कॉन्टिग्स उत्पन्न कर सकते हैं।

लेखक एक विनम्र स्वर बनाए रखते हैं, यह स्वीकार करते हुए कि वर्तमान परिणाम पूर्ण-पैमाने की होल-जीनोम असेंबली के बजाय आंशिक जीनोम पुनर्निर्माण (कॉन्टिग जनरेशन) और जीव पहचान तक सीमित हैं। उनका मानना है कि जैसे-जैसे क्वांटम हार्डवेयर कम शोर और उच्च क्यूबिट गणना के साथ विकसित होगा, यह लॉगरिदमिक एनकोडिंग दृष्टिकोण जटिल, बड़े पैमाने के जीनोम के पुनर्निर्माण को गति देने की महत्वपूर्ण क्षमता रखता है।