🤖 machine learning

Proteo-R1: Reasoning Foundation Models for De Novo Protein Design

प्रोटियो-R1 (Proteo-R1) एक द्वि-विशेषज्ञ ढांचा (dual-expert framework) है जो आणविक तर्क (molecular reasoning) को ज्यामितीय पीढ़ी (geometric generation) से स्पष्ट रूप से अलग करके *de novo* प्रोटीन डिज़ाइन को बढ़ाता है, जिसमें एक मल्टीमॉडल लैंग्वेज मॉडल का उपयोग महत्वपूर्ण कार्यात्मक अवशेषों (functional residues) की पहचान करने के लिए हार्ड कंस्ट्रेंट्स (hard constraints) के रूप में किया जाता है ताकि एक डिफ्यूजन-आधारित जनरेटर के माध्यम से स्थिर, व्याख्या योग्य और नियंत्रणीय डिज़ाइन परिणाम सुनिश्चित किए जा सकें।

मूल लेखक: Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, C

प्रकाशित 2026-05-06

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fang Wu, Weihao Xuan, Heli Qi, Hanqun Cao, Heng-Jui Chang, Zeqi Zhou, Haokai Zhao, Ma Jian, Carl Ma, Yu-Chi Cheng, Kuan Pang, Xiangru Tang, Zehong Wang, Guanlue Li, Hanchen Wang, Kejun Ying, Pan Lu, Chiho Im, Seungju Han, Peng Xia, Tinson Xu, Yinxi Li, Deyao Zhu, Pheng-Ann Heng, Naoto Yokoya, Masashi Sugiyama, Li Erran Li, Jure Leskovec, Yejin Choi

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 मास्टर आर्किटेक्ट हैं जो एक नया, कस्टम-आकार का की (चाबी) डिजाइन करने की कोशिश कर रहे हैं जो एक विशिष्ट, जटिल ताले (प्रोटीन टारगेट) में पूरी तरह से फिट हो सके।

पुराना तरीका: "अनुमान और जाँच" करने वाला आर्किटेक्ट
पहले, प्रोटीन डिजाइन करने वाले AI मॉडल एक ऐसे कलाकार की तरह काम करते थे जो कैनवास पर पेंट फेंक रहा हो। वे चाबी का पूरा आकार एक ही बार में बनाने की कोशिश करते थे, इस उम्मीद में कि परमाणु सही जगहों पर आ जाएंगे। हालांकि वे चाबी को वास्तविक दिखाने में बेहतर हो रहे थे, लेकिन वे वास्तव में यह नहीं समझ पा रहे थे कि चाबी का कोई हिस्सा एक विशेष आकार का क्यों होना चाहिए। वे बस रैंडम संभावनाओं को तब तक चुनते रहते थे जब तक कि कुछ ठीक न दिखने लगे। इस वजह से यह समझना मुश्किल था कि AI ने एक विशिष्ट डिज़ाइन विकल्प क्यों चुना, और यदि चाबी काम नहीं करती थी, तो पूरे डिज़ाइन को खराब किए बिना केवल एक हिस्से को ठीक करना कठिन होता था।

नया तरीका: Proteo-R1 (एक "रणनीतिकार" और एक "निर्माता")
यह पेपर Proteo-R1 को पेश करता है, जो खेल बदल देता है। यह काम को दो अलग-अलग भूमिकाओं में विभाजित करता है, बिल्कुल एक निर्माण परियोजना की तरह जिसमें एक रणनीतिकार (Strategist) और एक निर्माता (Builder) होता है।

रणनीतिकार (तर्क विशेषज्ञ - The Reasoning Expert):
- वे कौन हैं: एक सुपर-स्मार्ट AI जो "ब्लूप्रिंट" (प्रोटीन अनुक्रम और संरचना) और "क्लाइंट के नोट्स" (चाबी को क्या करना चाहिए) को पढ़ता है।
- वे क्या करते हैं: एक भी रेखा खींचने से पहले, यह AI सोचने के लिए रुक जाता है। यह ताले के सबसे महत्वपूर्ण हिस्सों की पहचान करता है—वे "हॉटस्पॉट्स" जहाँ चाबी को काम करने के लिए छूना ही होगा। यह तय करता है, "ठीक है, इस विशिष्ट बिंदु पर, हमें यहाँ एक चार्ज्ड एंकर चाहिए, और यहाँ एक हाइड्रोफोबिक स्पॉट चाहिए।"
- उपमा: इसे ऐसे समझें जैसे एक आर्किटेक्ट कहता है, "हमें छत को थामने के लिए यहाँ एक स्टील बीम की आवश्यकता है, और रोशनी के लिए वहाँ एक खिड़की की आवश्यकता है।" वे पहले कठिन, तार्किक निर्णय लेते हैं।
निर्माता (जनरेशन विशेषज्ञ - The Generation Expert):
- वे कौन हैं: एक अत्यधिक कुशल 3D प्रिंटर (एक डिफ्यूजन मॉडल) जो चिकने, वास्तविक आकार बनाने में माहिर है।
- वे क्या करते हैं: रणनीतिकार निर्माता को सख्त नियमों का एक सेट सौंपता है: "बाकी की चाबी बनाओ, लेकिन तुम्हें यहाँ वह स्टील बीम और वहाँ वह खिड़की रखनी ही होगी।" निर्माता बाकी का डिज़ाइन भर देता है, यह सुनिश्चित करते हुए कि परमाणु आपस में पूरी तरह फिट हों और रणनीतिकार के गैर-परक्राम्य (non-negotiable) नियमों का सम्मान करें।
- उपमा: निर्माता एक कुशल राजमिस्त्री की तरह है जो एक सुंदर दीवार बनाने के लिए ईंटें बिछाना जानता है, लेकिन उसे बताया गया है कि दरवाजा और खिड़कियां कहाँ होनी चाहिए। वह अनुमान नहीं लगाता; वह बस एक योजना को पूरी तरह से निष्पादित करता है।

यह एक बड़ी बात क्यों है

"ब्लैक बॉक्स" का अंत: पुराने तरीके में, आप यह नहीं बता सकते थे कि AI ने एक निश्चित आकार क्यों चुना। Proteo-R1 के साथ, आप रणनीतिकार के नोट्स देख सकते हैं: "मैंने इस अमीनो एसिड को यहाँ इसलिए रखा क्योंकि यह एक साल्ट ब्रिज बनाता है।" यह पारदर्शी और व्याख्या योग्य है।
बेहतर नियंत्रण: यदि आप डिज़ाइन बदलना चाहते हैं, तो आपको पूरा डिज़ाइन फेंकने की आवश्यकता नहीं है। आप बस रणनीतिकार को एक निर्णय बदलने के लिए कहते हैं (जैसे, "खिड़की को हिलाएं"), और निर्माता बाकी को व्यवस्थित कर देता है।
यथार्थवाद: क्योंकि निर्माता एक शीर्ष-स्तरीय ज्यामितीय मॉडल है, अंतिम चाबियाँ शारीरिक रूप से वास्तविक दिखती हैं और उनमें परमाणु आपस में टकराते नहीं हैं (जो तब होता है जब आप केवल अनुमान लगाते हैं)।

इन्होंने इसे कैसे प्रशिक्षित किया
पेपर एक टीम के लिए तीन-चरणीय प्रशिक्षण शिविर का वर्णन करता है:

अलाइनमेंट (Alignment): रणनीतिकार को निर्माता की भाषा बोलने के लिए सिखाना, ताकि वे प्रोटीन संरचनाओं और अनुक्रमों को सही ढंग से समझ सकें।
रीजनिंग ड्रिल्स (Reasoning Drills): रणनीतिकार को हजारों पहेलियाँ हल करने के लिए देना, जैसे "साल्ट ब्रिज ढूँढना" या "हॉटस्पॉट्स का पता लगाना," ताकि वह प्रोटीन के महत्वपूर्ण हिस्सों की पहचान करने में वास्तव में कुशल हो जाए।
संयुक्त अभ्यास (Joint Practice): अंत में, वे एक साथ अभ्यास करते हैं। रणनीतिकार एक योजना बनाता है, निर्माता उसे बनाने की कोशिश करता है, और यदि निर्माण विफल हो जाता है, तो रणनीतिकार अगली बार बेहतर योजना बनाने के लिए उस गलती से सीखता है।

परिणाम
जब उन्होंने एंटीबॉडीज (एक प्रकार के प्रोटीन की (चाबी) जिनका उपयोग प्रतिरक्षा प्रणाली द्वारा किया जाता है) को डिजाइन करने के लिए इस पर परीक्षण किया, तो Proteo-R1 ने पिछले तरीकों की तुलना में बेहतर और अधिक वास्तविक चाबियाँ बनाईं जो उनके तालों में फिट बैठती हैं। महत्वपूर्ण रूप से, इसने केवल पुराने कीज़ की नकल नहीं की; इसने नई कीज़ डिजाइन कीं जो संरचनात्मक रूप से सुदृढ़ थीं क्योंकि यह डिज़ाइन के तर्क को समझती थीं, न कि केवल आकार को।

संक्षेप में, Proteo-R1 AI को अंधे होकर अनुमान लगाने से रोकता है और इसके बजाय पहले तर्क करने, फिर निर्माण करने की शुरुआत करता है, ठीक वैसे ही जैसे एक मानव विशेषज्ञ करता है।

तकनीकी सारांश: Proteo-R1

समस्या विवरण (Problem Statement)

डीप लर्निंग मॉडल, विशेष रूप से डिफ्यूजन और फ्लो मैचिंग पर आधारित, de novo प्रोटीन डिज़ाइन के लिए परमाणु-स्तर की सटीकता (atomic-level fidelity) प्राप्त कर चुके हैं। हालाँकि, ये मॉडल मौलिक रूप से गैर-विचारशील (non-deliberative) बने हुए हैं। वे यह तर्क दिए बिना संरचनाओं का संश्लेषण करते हैं कि कौन से अवशेष (residues) कार्यात्मक रूप से महत्वपूर्ण हैं, विशिष्ट अंतःक्रियाएं (interactions) क्यों अनुकूल हैं, या डिज़ाइन बाधाओं को कैसे प्राथमिकता दी जानी चाहिए। मौजूदा ढांचों में, डिज़ाइन का इरादा (design intent) डिफ्यूजन प्रक्रिया के मापदंडों में निहित होता है, जिससे तर्क (reasoning) और निरंतर सैंपलिंग गतिकी (continuous sampling dynamics) आपस में उलझ जाते हैं। यह जुड़ाव व्याख्यात्मकता (interpretability), नियंत्रण क्षमता (controllability) और जैव-रासायनिक ज्ञान के व्यवस्थित पुन: उपयोग को सीमित करता है। इसके अतिरिक्त, मानव विशेषज्ञ आमतौर पर प्रमुख अंतःक्रिया अवशेषों की पहचान करने (तर्क) और ज्यामिति को अनुकूलित करने (जनन) की प्रक्रिया को अलग रखते हैं, जो वर्तमान जनरेटिव मॉडलों में अनुपस्थित है।

कार्यप्रणाली: Proteo-R1 (Methodology: Proteo-R1)

Proteo-R1 एक तर्क-निर्देशित प्रोटीन डिज़ाइन ढांचा (reasoning-guided protein design framework) पेश करता है जो आणविक समझ को ज्यामितीय जनरेशन से स्पष्ट रूप से अलग करता है। यह एक दोहरी-विशेषज्ञ वास्तुकला (dual-expert architecture) का उपयोग करता है:

समझ विशेषज्ञ ( $E_{und}$ - Understanding Expert): एक मल्टीमॉडल लार्ज लैंग्वेज मॉडल (MLLM) जो एक "आणविक रणनीतिकार" (molecular strategist) के रूप में कार्य करता है। यह एंटीबॉडी-एंटीजन कॉम्प्लेक्स (अनुक्रम, संरचना और पाठ्य संदर्भ) का विश्लेषण करता है ताकि प्रमुख कार्यात्मक अवशेषों (जैसे, चार्ज्ड एंकर्स, हाइड्रोफोबिक हॉटस्पॉट्स) की पहचान की जा सके और उनकी जैव-रासायनिक पहचान का अनुमान लगाया जा सके। महत्वपूर्ण रूप से, $E_{und}$ परमाणु निर्देशांक (atomic coordinates) उत्पन्न नहीं करता है; यह अवशेष-स्तरीय प्रतिनिधित्व (residue-level representations) और स्पष्ट निर्णय उत्पन्न करता है।
जनन विशेषज्ञ ( $E_{gen}$ - Generation Expert): एक डिफ्यूजन-आधारित मॉडल (AlphaFold3 से प्रेरित) जो अनुक्रम और संरचना के सशर्त सह-डिज़ाइन (conditional co-design) के लिए जिम्मेदार है। यह $E_{und}$ से प्राप्त अवशेष-स्तरीय निर्णयों को कठोर बाधाओं (hard constraints) (एंकर्स) के रूप में प्राप्त करता है और इन निश्चित अंतःक्रिया बिंदुओं के अधीन ज्यामितीय जनरेशन करता है।

मुख्य तकनीकी घटक

अवशेष-संरेखित एंकर इंटरफ़ेस (Residue-Aligned Anchor Interface): चेन-ऑफ-थॉट (CoT) प्रतिनिधित्व को सीधे निरंतर डिनोइजिंग प्रक्षेपवक्र (denoising trajectory) में एम्बेड करने के बजाय, Proteo-R1 तर्क को स्पष्ट, विरल निर्णयों (sparse decisions) के माध्यम से संचालित करता है। समझ विशेषज्ञ प्रमुख अवशेषों ( $I_{key}$ $I_{k ey}$ ) के एक उपसमुच्चय की पहचान करता है और उनकी अमीनो-एसिड पहचान ( $\hat{k}_i$ $\hat{k}_{i}$ ) का अनुमान लगाता है। इन्हें जनरेशन के दौरान निम्नलिखित माध्यम से लागू किया जाता है:
- पहचान विशिष्टता (Identity Specification): एंकर अवशेषों के लिए अनुक्रम स्तर पर अमीनो-एसिड पहचान को स्थिर करना।
- एम्बेडिंग एंकरिंग (Embedding Anchoring): MLLM के प्रोजेक्टेड हिडन स्टेट्स को जनरेटर के अवशेष एम्बेडिंग स्पेस में इंजेक्ट करना, जिससे यह सुनिश्चित हो सके कि जनरेटर अपने आंतरिक डिफ्यूजन आर्किटेक्चर को बदले बिना तर्क-व्युत्पन्न संदर्भ पर ध्यान केंद्रित करे।
तीन-चरणीय प्रशिक्षण पाठ्यक्रम (Three-Stage Training Curriculum): प्रतीकात्मक तर्क (symbolic reasoning) के साथ ज्यामितीय जनरेशन के एकीकरण को स्थिर करने के लिए, मॉडल एक प्रगतिशील प्रशिक्षण प्रक्रिया से गुजरता है:
1. मल्टीमॉडल संरेखण (Multimodal Alignment): PDB डेटा पर स्कीमा पूर्णता और कैप्शनिंग कार्यों का उपयोग करके प्रोटीन अनुक्रम (ESM-2) और संरचनात्मक विशेषताओं (AF3-शैली के ट्रंक) को LLM के भाषा स्थान के साथ संरेखित करना।
2. संरचनात्मक तर्क मध्य-प्रशिक्षण (Structural Reasoning Mid-Training): परमाणु संरचनाओं से प्राप्त नियत लेबल (deterministic labels) का उपयोग करके स्थानिक मेटा-टास्क (अवशेष ग्राउंडिंग, युग्म ज्यामिति, इंटरफ़ेस स्थानीयकरण, हॉटस्पॉट भविष्यवाणी) में महारत हासिल करने के लिए LLM को अनफ्रीज करना।
3. संयुक्त तर्क-निर्देशित डिज़ाइन (Joint Reasoning-Guided Design): एंटीबॉडी-एंटीजन कॉम्प्लेक्स (SAbDab) पर एंड-टू-एंड अनुकूलन, जहाँ तर्क विशेषज्ञ के अवशेष-स्तरीय निर्णय डिफ्यूजन-आधारित CDR रीडिज़ाइन को निर्देशित करते हैं।

मुख्य योगदान (Key Contributions)

स्पष्ट गुणनखंड (Explicit Factorization): Proteo-R1 प्रोटीन डिज़ाइन में आणविक समझ (तर्क) को ज्यामितीय जनरेशन से स्पष्ट रूप से अलग करने वाला पहला ढांचा है, जो मानव विशेषज्ञों के दो-चरणीय वर्कफ़्लो को दर्शाता है।
व्याख्यात्मकता और नियंत्रण (Interpretability and Control): तर्क को विरल, अवशेष-स्तरीय एंकर प्रतिबद्धताओं में बदलकर, यह ढांचा डिज़ाइन निर्णयों के निरीक्षण, संशोधन और स्वतंत्र रूप से पुन: उपयोग के लिए एक स्पष्ट इंटरफ़ेस प्रदान करता है।
मॉड्यूलरिटी (Modularity): तर्क विशेषज्ञ एक मॉडल-अज्ञेयी इंटरफ़ेस (model-agnostic interface) के रूप में कार्य करता है, जो जनरेटर में संरचनात्मक परिवर्तन की आवश्यकता के बिना विविध जनरेटिव बैकएंड (जैसे, AF3-जैसे मॉडल, फ्लो-मैचिंग आर्किटेक्चर) को निर्देशित करने में सक्षम है।
स्थिर एकीकरण (Stable Integration): यह निरंतर गतिकी में पाठ्य या प्रतीकात्मक प्रतिनिधित्व को सीधे इंजेक्ट करने से होने वाली अस्थिरता से बचता है, और एक विरल, अवशेष-संरेखित एंकरिंग तंत्र का उपयोग करता है जो ज्यामितीय जनरेटर के इंडक्टिव बायस (inductive biases) को सुरक्षित रखता है।

प्रयोगात्मक परिणाम (Experimental Results)

Proteo-R1 का मूल्यांकन एंटीबॉडी कॉम्प्लीमेंटैरिटी-डिटरमिनिंग रीजन (CDR) सह-डिज़ाइन पर किया गया, जो एक चुनौतीपूर्ण कार्य है जिसमें कई लूप्स का एक साथ जनरेशन आवश्यक है।

संरचनात्मक सटीकता (Structural Accuracy): एक साथ बहु-CDR रीडिज़ाइन में, Proteo-R1 ने छह में से पांच CDR क्षेत्रों में बेसलाइन (जैसे, DiffAb, MFDesign, dyMEAN) की तुलना में सबसे कम या निकटतम निम्नतम RMSD प्राप्त किया। इसने विशेष रूप से CDR-H1 और H2 के लिए बैकबोन प्लेसमेंट में सुधार दिखाया।
इंटरफ़ेस गुणवत्ता (Interface Quality): मॉडल ने प्रतिस्पर्धी इंटरफ़ेस सुधार (IMP) दर बनाए रखी, जो इंगित करता है कि स्पष्ट अवशेष-स्तरीय बाधाओं ने ऊर्जावान रूप से अनुकूल बाइंडिंग कॉन्फ़िगरेशन के निर्माण में बाधा नहीं डाली।
ज्यामितीय यथार्थवाद (Geometric Realism): Proteo-R1 ने स्टेरिक क्लैश (इंट्रा-चेन और इंटर-चेन दोनों) को कम किया और तुलना की गई विधियों के बीच सबसे कम बैकबोन डायहेड्रल वितरण विचलन (JSDbb) प्राप्त किया।
संरचना-अनुक्रम निरंतरता (Structure-Sequence Consistency): जबकि Proteo-R1 ने कुछ बेसलाइन की तुलना में कम अमीनो एसिड रिकवरी (AAR) प्रदर्शित किया (जो बताता है कि यह केवल मूल अनुक्रमों की नकल नहीं कर रहा है), इसने उच्च इन्वर्स फोल्डिंग AAR (IF-AAR) प्राप्त किया। यह इंगित करता है कि उत्पन्न ज्यामिति स्वाभाविक रूप से एक स्वतंत्र इन्वर्स-फोल्डिंग मॉडल के तहत सुसंगत, व्यवहार्य अनुक्रमों के साथ संगत है, जो इस दावे का समर्थन करता है कि मॉडल ऐतिहासिक अनुक्रमों पर ओवरफिट होने के बजाय संरचनात्मक रूप से जमीनी (structurally grounded) विकल्पों की खोज करता है।
ओरेकल एंकर विश्लेषण (Oracle Anchor Analysis): ग्राउंड-ट्रुथ हॉटस्पॉट अवशेषों को एंकर के रूप में उपयोग करते हुए एब्लेशन अध्ययन ने संरचनात्मक सटीकता और ज्यामितीय यथार्थवाद में महत्वपूर्ण सुधार दिखाया। यह सुझाव देता है कि वर्तमान प्रदर्शन बाधा (bottleneck) तर्क विशेषज्ञ की एंकर पहचान की गुणवत्ता में निहित है, जो समझ घटक में भविष्य के सुधार के लिए पर्याप्त अवसर को उजागर करती है।
सामान्यीकरण (Generality): एक वैकल्पिक जनरेटिव बैकबोन (UniMoMo) पर लागू होने पर, Proteo-R1 ने लगातार संरचनात्मक सटीकता और इंटरफ़ेस गुणवत्ता में सुधार किया, जिससे पता चलता है कि इसके लाभ विशिष्ट ज्यामितीय मॉडल के बजाय तर्क-जनन प्रतिमान (reasoning-generation paradigm) से आते हैं।

महत्व और दावे (Significance and Claims)

यह पेपर दावा करता है कि Proteo-R1 आणविक डिज़ाइन में LLMs को भौतिक जनरेटिव प्रक्रियाओं के साथ एकीकृत करने के लिए एक स्केलेबल ब्लूप्रिंट प्रदान करता है। LLMs को केवल शोर वाले कंडिशनर्स के रूप में नहीं, बल्कि आणविक रणनीतिकारों के रूप में स्थापित करके, जो स्पष्ट, जैविक रूप से आधारित निर्णयों के माध्यम से डिज़ाइन को निर्देशित करते हैं, यह ढांचा वर्तमान जनरेटिव मॉडलों की "ब्लैक बॉक्स" प्रकृति को संबोधित करता है।

लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण व्याख्यात्मकता और नियंत्रण को बढ़ाता है, जिससे डिज़ाइन तर्क का व्यवस्थित पुन: उपयोग संभव होता है। वे तर्क देते हैं कि "क्या महत्वपूर्ण है" (तर्क) को "इसे कैसे साकार किया जाता है" (जनन) से अलग करना विशेषज्ञ-संचालित आणविक डिज़ाइन के लिए केंद्रीय है और Proteo-R1 इस अलगाव को सफलतापूर्वक संचालित करता है। यह कार्य सुझाव देता है कि प्रोटीन डिज़ाइन में भविष्य की प्रगति ऐसे विचारशील, तर्क-निर्देशित ढांचों पर निर्भर करेगी जो कठोर भौतिक बाधाओं को बनाए रखते हुए लक्षित बायोलॉजिक्स की खोज को तेज कर सकें।