🧬 biology

Graph Neural Network based Hierarchy-Aware Embeddings of Knowledge Graphs: Applications to Yeast Phenotype Prediction

यह शोध पत्र एक ग्राफ न्यूरल नेटवर्क पद्धति प्रस्तुत करता है जो पदानुक्रम-जागरूक ज्ञान ग्राफ एम्बेडिंग उत्पन्न करने के लिए ऑन्टोलॉजी-व्युत्पन्न सिमेंटिक लॉस को शामिल करती है, जो यीस्ट जीन विलोपन प्रभावों, जिसमें डबल और ट्रिपल नॉकआउट शामिल हैं, के पूर्वानुमान और जैविक व्याख्या में महत्वपूर्ण सुधार करती है।

मूल लेखक: Filip Kronström, Alexander H. Gower, Daniel Brunnsåker, Ievgeniia A. Tiukova, Ross D. King

प्रकाशित 2026-05-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Filip Kronström, Alexander H. Gower, Daniel Brunnsåker, Ievgeniia A. Tiukova, Ross D. King

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 कंप्यूटर को यीस्ट (बेकिंग और ब्रूइंग में इस्तेमाल होने वाला एक छोटा सा कवक/फंगस) की जटिल जीव विज्ञान को समझने के लिए सिखाने की कोशिश कर रहे हैं। आपके पास जानकारी के दो विशाल ढेर हैं:

तथ्यों की किताब (The Fact Book): विशिष्ट अवलोकनों की एक विशाल सूची, जैसे "यदि हम जीन A और जीन B को हटा देते हैं, तो यीस्ट 20% धीमी गति से बढ़ता है।"
नियमों की किताब (The Rule Book): अवधारणाओं का एक संरचित पदानुक्रम, जैसे "एंजाइम, प्रोटीन का एक प्रकार हैं," और "प्रोटीन, अणु (Molecule) का एक प्रकार हैं।" इसे एक ऑन्टोलॉजी (Ontology) कहा जाता है।

लंबे समय तक, कंप्यूटर मॉडल तथ्यों की किताब को पढ़ने में बहुत अच्छे थे लेकिन अक्सर नियमों की किताब को अनदेखा कर देते थे। उन्होंने विशिष्ट तथ्य तो सीख लिए लेकिन वे बड़े चित्र के तर्क (logic) को समझने में चूक गए। यह शोध पत्र एक नया तरीका पेश करता है जिससे कंप्यूटर को विशिष्ट तथ्यों और तार्किक नियमों दोनों का एक साथ सम्मान करना सिखाया जा सके।

उन्होंने इसे कैसे किया, इसके लिए यहाँ कुछ रचनात्मक उपमाएँ दी गई हैं:

1. "बॉक्स" रूपक: नियमों को व्यवस्थित करना

आमतौर पर, कंप्यूटर विचारों को स्थान में एक एकल बिंदु (जैसे मानचित्र पर एक बिंदु) के रूप में दर्शाते हैं। यदि आप कहना चाहते हैं कि "सभी प्रोटीन अणु हैं," तो आपको "प्रोटीन" बिंदु को "अणु" बिंदु के बहुत करीब लाने के लिए मजबूर करना होगा।

यह शोध पत्र बॉक्स एम्बेडिंग्स (Box Embeddings) का उपयोग करता है। बिंदुओं के बजाय, कल्पना करें कि प्रत्येक अवधारणा एक बॉक्स (जैसे कार्डबोर्ड शिपिंग बॉक्स) है।

"अणु" का बॉक्स बहुत बड़ा है।
"प्रोटीन" का बॉक्स छोटा है और "अणु" के बॉक्स के अंदर स्थित है।
"एंजाइम" का बॉक्स और भी छोटा है और "प्रोटीन" के बॉक्स के अंदर स्थित है।

यह एक आदर्श दृश्य पदानुक्रम बनाता है। यदि एक बॉक्स दूसरे के अंदर है, तो कंप्यूटर "जानता" है कि छोटी चीज़ बड़ी चीज़ का एक प्रकार है। यह "नियमों की किताब" को संभालने के लिए बहुत बेहतर है।

2. "संदेशवाहक" रूपक: ग्राफ न्यूरल नेटवर्क (GNN)

भविष्यवाणी करने के लिए, कंप्यूटर को यह देखने की आवश्यकता है कि जीन कैसे परस्पर क्रिया करते हैं। उन्होंने एक ग्राफ न्यूरल नेटवर्क (GNN) का उपयोग किया, जो एक शहर (नॉलेज ग्राफ) में दौड़ने वाली संदेशवाहकों की एक टीम की तरह कार्य करता है।

प्रत्येक संदेशवाहक एक जीन पर खड़ा होता है।
वे अपने पड़ोसियों के पास जाते हैं, जानकारी इकट्ठा करते हैं, और उसे वापस लाते हैं।
कुछ दौरों के बाद, प्रत्येक संदेशवाहक न केवल अपने स्वयं के जीन के बारे में जानता है, बल्कि उससे जुड़े जीनों के पूरे पड़ोस के बारे में भी जान जाता है।

3. "कठोर शिक्षक" रूपक: सिमेंटिक लॉस (Semantic Loss)

यही इस शोध पत्र का मुख्य नवाचार है। आमतौर पर, संदेशवाहक (GNN) परिणाम (जैसे यीस्ट की वृद्धि) की भविष्यवाणी करने के लिए प्रयास और त्रुटि (trial and error) से सीखते हैं। कभी-कभी, सही उत्तर पाने की जल्दबाजी में, वे गलती से नियमों को तोड़ सकते हैं (उदाहरण के लिए, एक "प्रोटीन" बॉक्स को "अणु" बॉक्स के बाहर रख देना)।

लेखकों ने प्रशिक्षण प्रक्रिया में एक "कठोर शिक्षक" (जिसे सिमेंटिक लॉस कहा जाता है) जोड़ा।

हर बार जब संदेशवाहक अपने ज्ञान को अपडेट करते हैं, तो कठोर शिक्षक बॉक्सों की जाँच करता है।
यदि एक "प्रोटीन" बॉक्स "अणु" के बाहर तैर रहा है, तो शिक्षक उन्हें एक "दंड" (एक गणितीय त्रुटि स्कोर) देता है।
कंप्यूटर को यीस्ट की वृद्धि की भविष्यवाणी करने के साथ-साथ सभी बॉक्सों को एक-दूसरे के भीतर करीने से रखने के लिए सीखना होगा।

परिणाम: उन्होंने क्या पाया?

1. बेहतर भविष्यवाणियाँ
जब उन्होंने दो जीनों को हटाने (डबल नॉकआउट) के बाद यीस्ट के विकास की भविष्यवाणी करने पर इस मॉडल का परीक्षण किया, तो "कठोर शिक्षक" वाला मॉडल बिना इसके वाले मॉडलों की तुलना में काफी बेहतर प्रदर्शन कर रहा था।

उपमा: यह एक ऐसे छात्र की तरह है जो विशिष्ट अभ्यास प्रश्नों और सिद्धांत के लिए पाठ्यपुस्तकों के अध्यायों दोनों का अध्ययन करता है। वे उन छात्रों से बेहतर ग्रेड प्राप्त करते हैं जिन्होंने केवल अभ्यास प्रश्नों को रटा है।
स्कोर: उन्होंने 0.377 का भविष्यवाणी सटीकता (R² स्कोर) प्राप्त किया, जो बेसलाइन की तुलना में एक ठोस सुधार है।

2. अनदेखे की भविष्यवाणी करना
उन्होंने "ट्रिपल नॉकआउट" (एक साथ तीन जीन हटाना) पर परीक्षण किया, जिसे मॉडल ने पहले कभी नहीं देखा था। यह अभी भी अच्छी तरह से काम करता रहा, जिससे पता चलता है कि मॉडल ने केवल विशिष्ट डेटा बिंदुओं को याद नहीं किया, बल्कि जीव विज्ञान के तर्क को सीखा है।

3. नई जीव विज्ञान की खोज ("अहा!" क्षण)
चूंकि मॉडल जीनों के बीच संबंधों को समझता है, इसलिए शोधकर्ता इससे पूछ सकते थे: "कौन से गुण इस परिणाम का कारण बनने के लिए परस्पर क्रिया कर रहे हैं?"

मॉडल ने इनोसिटोल (Inositol) (एक पोषक तत्व) और साल्ट स्ट्रेस (NaCl) (नमक का तनाव) के बीच एक संबंध को चिह्नित किया।
प्रयोग: शोधकर्ताओं ने वास्तविक लैब में जाकर इसका परीक्षण किया। उन्होंने नमक की स्थितियों के तहत इनोसिटोल के साथ और बिना यीस्ट को उगाया।
खोज: प्रयोग ने मॉडल के अनुमान की पुष्टि की! इनोसिटोल जोड़ने से वास्तव में नमक के तनाव के दौरान यीस्ट को जीवित रहने में मदद मिली। मॉडल ने सफलतापूर्वक एक छिपे हुए जैविक संबंध की भविष्यवाणी की जो पहले डेटा में स्पष्ट रूप से नहीं लिखा गया था।

4. "नियमों की किताब" की त्रुटियों की जाँच करना
अंत में, उन्होंने दिखाया कि इस "बॉक्स" प्रणाली का उपयोग यह जाँचने के लिए भी किया जा सकता है कि क्या नियम की किताब स्वयं गलत है। यदि आप एक नया नियम (ग्राफ में एक नया लिंक) जोड़ते हैं और इसके कारण बॉक्स अस्त-व्यस्त हो जाते हैं या "कठोर शिक्षक" चिल्लाने लगता है, तो इसका मतलब हो सकता है कि नया नियम बाकी ज्ञान के साथ फिट नहीं बैठता है। यह वैज्ञानिकों को उनके डेटाबेस में त्रुटियों को पहचानने में मदद करता है।

सारांश

इस शोध पत्र ने एक ऐसा कंप्यूटर मस्तिष्क बनाया जो केवल तथ्यों को याद नहीं करता; वह ज्ञान की संरचना को समझता है। कंप्यूटर को अपने "अवधारणा बॉक्सों" को व्यवस्थित रखने के लिए मजबूर करके (जैसे एक अच्छी तरह से स्टॉक किया गया गोदाम), यह वास्तविक दुनिया के जैविक परिणामों की भविष्यवाणी करने में बेहतर हो गया और यहाँ तक कि इसने वैज्ञानिकों को यीस्ट में पोषक तत्वों और तनाव के बीच एक नए संबंध की खोज करने में भी मदद की।

तकनीकी सारांश: GNNs के माध्यम से ज्ञान ग्राफ (Knowledge Graphs) के पदानुक्रम-जागरूक एम्बेडिंग (Hierarchy-Aware Embeddings)

समस्या विवरण
ज्ञान ग्राफ (KGs) का उपयोग संरचित डोमेन ज्ञान को दर्शाने के लिए व्यापक रूप से किया जाता है, विशेष रूप से जीवन विज्ञान (life sciences) में जहाँ उन्हें ऑन्टोलॉजिकल जानकारी के साथ समृद्ध किया जाता है। जबकि मानक ज्ञान ग्राफ एम्बेडिंग (KGE) विधियाँ प्रेक्षित रिलेशनल ट्रिपल्स (relational triples) से प्रभावी ढंग से सीखती हैं, वे अक्सर अंतर्निहित ऑन्टोलॉजी से प्राप्त वैश्विक सिमेंटिक बाधाओं (global semantic constraints), जैसे कि क्लास पदानुक्रम (subClassOf) और विच्छेदकता (disjointness), को स्पष्ट रूप से लागू करने में विफल रहती हैं। मानक ग्राफ न्यूरल नेटवर्क (GNNs), हालांकि स्थानीय पड़ोस की जानकारी को एकत्रित करने के लिए शक्तिशाली हैं, स्वाभाविक रूप से इन पदानुक्रमित संरचनाओं का सम्मान नहीं करते हैं, जिससे संभावित रूप से ऐसे प्रतिनिधित्व (representations) सीखे जा सकते हैं जो ज्ञात डोमेन तर्क का उल्लंघन करते हैं। यह शोध पत्र वॉल्यूमेट्रिक प्रतिनिधित्व (विशेष रूप से बॉक्स एम्बेडिंग्स) को GNNs के साथ एकीकृत करके "पदानुक्रम-जागरूक" (hierarchy-aware) एम्बेडिंग बनाने की चुनौती को संबोधित करता है, जो मात्रात्मक भविष्यवाणी कार्यों के लिए प्रभावी रहते हुए ऑन्टोलॉजिकल बाधाओं के साथ संरेखित होते हैं।

कार्यप्रणाली
लेखक ग्राफ न्यूरल नेटवर्क के साथ बॉक्स-आधारित एम्बेडिंग्स को संयोजित करने वाला एक ढांचा प्रस्तावित करते हैं, जिसे Hierarchy-aware GNNs कहा जाता है।

ग्राफ निर्माण: यह विधि KG को TBox-शैली के स्वयंसिद्धों (axioms) के एक सेट के रूप में मानती है। क्लास एसर्टions ( $C(a)$ ) को सबसमप्शन स्वयंसिद्धों ( $\{a\} \sqsubseteq C$ ) के रूप में पुनर्गठित किया जाता है, और रोल एसर्टions ( $r(a, b)$ ) को अस्तित्व संबंधी प्रतिबंधों ( $\{a\} \sqsubseteq \exists r.\{b\}$ ) के रूप में। यह इंस्टेंस-स्तरीय तथ्यों और शब्दावली संबंधी ज्ञान को एक एकल कम्प्यूटेशनल ग्राफ में एकीकृत करता है जहाँ नोड्स क्लासेस और नोमिनल्स का प्रतिनिधित्व करते हैं, और किनारे (edges) तार्किक संबंधों का प्रतिनिधित्व करते हैं।
आर्किटेक्चर:
- GNN बैकबोन: मॉडल एक हेट्रोजेनियस GNN का उपयोग करता है जो GraphSAGE आर्किटेक्चर पर आधारित है। यह विभिन्न एज प्रकारों के माध्यम से स्थानीय पड़ोस से जानकारी एकत्र करने के लिए संबंध-विशिष्ट मैसेज पासिंग (SAGEConv मॉड्यूल्स) का उपयोग करता है।
- बॉक्स एम्बेडिंग्स: प्रत्येक GNN परत के आउटपुट को एक लेटेंट वेरिएबल $\theta$ के रूप में माना जाता है जिसे एक एक्सिस-अलाइन्ड हाइपररेक्टेंगल (axis-aligned hyperrectangle) या 'बॉक्स' में परिवर्तित किया जाता है। यह एक ऐसे पैरामीट्राइजेशन का उपयोग करता है जो वैध बॉक्स निर्देशांक सुनिश्चित करता है (लोअर बाउंड $\le$ अपर बाउंड)।
- सिमेंटिक लॉस (Semantic Loss): ऑन्टोलॉजिकल बाधाओं को लागू करने के लिए, मॉडल प्रशिक्षण के दौरान सिमेंटिक लॉस टर्म्स को शामिल करता है। सबसमप्शन ( $C \sqsubseteq D$ $C ⊑ D$ ) के लिए दो प्रकार के लॉस का मूल्यांकन किया जाता है:
  - डिस्टेंस लॉस ( $L_{distance}$ ): एक सबक्लास बॉक्स और उसके सुपरक्लास बॉक्स की सीमा के बीच ज्यामितीय दूरी को दंडित करता है।
  - ओवरलैप लॉस ( $L_{overlap}$ ): सबक्लास वॉल्यूम के सापेक्ष इंटरसेक्शन (intersection) के वॉल्यूम के आधार पर दंडित करता है।
    विच्छेदता बाधाओं ( $C \sqcap D \sqsubseteq \bot$ ) को संबंधित नेगेटिव लॉस ( $L^{-}_{distance}$ या $L^{-}_{overlap}$ ) के माध्यम से लागू किया जाता है।
- संयुक्त प्रशिक्षण (Joint Training): कुल लॉस फंक्शन एक टास्क-विशिष्ट लॉस (जैसे, रिग्रेशन के लिए मीन स्क्वेर्ड एरर) को भारित (weighted) सिमेंटिक लॉस और रेगुलराइजेशन टर्म्स के साथ जोड़ता है। यह मॉडल को क्लास पदानुक्रम का पालन करते हुए टास्क-विशिष्ट फीचर्स सीखने की अनुमति देता है।

प्रमुख योगदान

Hierarchy-Aware GNN फ्रेमवर्क: एक नवीन आर्किटेक्चर जो बॉक्स एम्बेडिंग्स को GNNs में एकीकृत करता है, जिससे ग्राफ संरचना और ऑन्टोलॉजिकल पदानुक्रमों का एक साथ सीखना संभव होता है।
सिमेंटिक लॉस इंटीग्रेशन: केवल स्टैटिक ऑन्टोलॉजी एम्बेडिंग के बजाय, मात्रात्मक भविष्यवाणी कार्यों के लिए GNNs के प्रशिक्षण में सिमेंटिक लॉस टर्म्स (ऑन्टोलॉजी स्वयंसिद्धों से प्राप्त) का अनुप्रयोग।
यीस्ट फेनोटाइप प्रेडिक्शन: Saccharomyces cerevisiae के लिए एक व्यापक, ऑन्टोलॉजी-समृद्ध KG का निर्माण, जिसमें SGD, GO, ChEBI, APO और BioCyc से डेटा को एकीकृत किया गया है।
हाइपोथीसिस जनरेशन: प्रशिक्षित मॉडल में एज-पेयर महत्व (edge-pair importance) का विश्लेषण करके इंटरैक्टिंग गुणों की पहचान करने की एक विधि, जिससे प्रयोगात्मक रूप से मान्य जैविक परिकल्पनाएं प्राप्त हुईं।
लिंक इवैल्यूएशन: परिणामी एम्बेडिंग्स में डिस्टेंस परिवर्तन और सिमेंटिक लॉस पर प्रभाव के आधार पर संभावित KG संशोधनों को रैंक करने की एक प्रस्तावित विधि।

परिणाम
विधि का मूल्यांकन यीस्ट में डबल जीन नॉकआउट के लिए सेल ग्रोथ फिटनेस की भविष्यवाणी करने के कार्य पर किया गया।

भविष्यवाणी प्रदर्शन: पदानुक्रम-जागरूक GNN ने प्रायर बॉक्स एम्बेडिंग्स का उपयोग करके 0.360 का मीन $R^2$ स्कोर प्राप्त किया। सिमेंटिक लॉस (विशेष रूप से डिस्टेंस-बेस्ड लॉस) को शामिल करने से प्रदर्शन में सुधार होकर 0.377 हो गया, जो बिना बॉक्स एम्बेडिंग्स वाले मानक GNNs, स्पार्स फेनोटाइप फीचर्स पर LightGBMs और ComplEx एम्बेडिंग्स सहित बेसलाइन्स से काफी बेहतर है।
सामान्यीकरण (Generalization): मॉडल ने ट्रिपल जीन नॉकआउट (प्रशिक्षण में न देखा गया डेटा) पर परीक्षण किए जाने पर सामान्यीकरण क्षमता प्रदर्शित की, जिससे $R^2$ का 0.415 प्राप्त हुआ, जो यह दर्शाता है कि सीखे गए प्रतिनिधित्व मजबूत जैविक गुणों को कैप्चर करते हैं।
हाइपोथीसिस वैलिडेशन: मॉडल ने इनोसिटोल उपयोग (inositol utilization) और ऑस्मोटिक स्ट्रेस रेजिस्टेंस के बीच एक संभावित इंटरैक्शन की पहचान की। एक स्वचालित जैविक प्रयोग ने इस निष्कर्ष की पुष्टि की, जिससे पता चला कि इनोसिटोल सप्लीमेंटेशन ने NaCl-प्रेरित तनाव से कोशिकाओं को बचाने में महत्वपूर्ण भूमिका निभाई, जो कम्प्यूटेशनल मॉडल द्वारा वैज्ञानिक खोज को निर्देशित करने की क्षमता को प्रमाणित करता है।
एम्बेडिंग विश्लेषण: मॉलिक्यूलर फंक्शन डोमेन के लिए 2D एम्बेडिंग्स के विज़ुअलाइज़ेशन ने दिखाया कि GNN प्रायर एम्बेडिंग्स को विच्छेदकता और सबसमप्शन का बेहतर सम्मान करने के लिए रूपांतरित करता है, हालांकि कुछ पदानुक्रमित उल्लंघन बने रहे, जो संभवतः डोमेन की जटिलता और एम्बेडिंग स्पेस की डाइमेंशनलिटी के कारण हैं।
लिंक इवैल्यूएशन: ग्राफ संशोधनों को रैंक करने के लिए प्रारंभिक परीक्षणों ने दिखाया कि डिस्टेंस मेट्रिक कुछ संबंध प्रकारों के लिए वास्तविक किनारों (true edges) और यादृच्छिक रूप से चुने गए किनारों के बीच अंतर कर सकता था, हालांकि वेरिएंस अधिक था।

महत्व और दावे
यह शोध दावा करता है कि सिमेंटिक लॉस के माध्यम से उच्च-स्तरीय गुणात्मक ज्ञान (क्लास पदानुक्रम) को शामिल करने से जैविक डोमेन में मात्रात्मक भविष्यवाणी प्रदर्शन में सुधार होता है। लेखक तर्क देते हैं कि यह दृष्टिकोण मॉडल के प्रतिनिधित्व के लिए एक रेगुलराइजिंग प्रभाव और सिमेंटिक ग्राउंडिंग प्रदान करता है।

महत्वपूर्ण रूप से, यह कार्य प्रदर्शित करता है कि सिमेंटिक ग्राउंडिंग के साथ प्रशिक्षित मॉडलों का उपयोग व्याख्या योग्य हाइपोथीसिस उत्पन्न करने के लिए किया जा सकता है जो वास्तविक दुनिया की वैज्ञानिक खोजों की ओर ले जाते हैं। इनोसिटोल-NaCl इंटरैक्शन का सफल प्रयोगात्मक सत्यापन वास्तविक दुनिया के वैज्ञानिक प्रयोगों को निर्देशित करने के लिए कम्प्यूटेशनल मॉडल्स का उपयोग करने के प्रमाण के रूप में कार्य करता है। लेखक अपने लिंक इवैल्यूएशन मेथड के संबंध में विनम्र हैं, यह नोट करते हुए कि यह वर्तमान में प्रारंभिक है और जटिल ग्राफ में वास्तविक और यादृच्छिक किनारों के बीच प्रभावी ढंग से अंतर करने के लिए और अधिक जांच की आवश्यकता है। वे यह भी स्वीकार करते हैं कि वर्तमान सेटअप सीक्वेंस जानकारी का उपयोग नहीं करता है, जो जीन प्रतिनिधित्व को और बढ़ा सकता था, और व्यक्तियों (individuals) को बॉक्स (बिंदुओं के बजाय) के रूप में सरल बनाना पदानुक्रमित बाधाओं को लागू करने के लिए एक ट्रेड-ऑफ है।