🧬 biology

Tree-Conditioned Edit Flows for Ancestral Sequence Reconstruction

यह शोध पत्र पूर्वज अनुक्रम पुनर्निर्माण (ancestral sequence reconstruction) के लिए एक ट्री-कंडीशन्ड एडिट-फ्लो मॉडल प्रस्तुत करता है जो युग्मित द्विदिश संपादन प्रक्षेप पथों (paired bidirectional edit trajectories) के माध्यम से पूर्वजों के पुनर्निर्माण द्वारा परिवर्तनशील-लंबाई वाले अनुक्रमों को संभालता है, जो केवल प्रतिस्थापन-आधारित बेंचमार्क पर उचित प्रदर्शन और प्रचुर मात्रा में इंसर्शन (insertions) एवं डिलीशन (deletions) वाले अनुक्रमों में विकासवादी परिवर्तनों के बेहतर स्थानीयकरण का प्रदर्शन करता है।

मूल लेखक: Emil Sharafutdinov, Ingemar André

प्रकाशित 2026-05-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Emil Sharafutdinov, Ingemar André

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

मुख्य विचार: एक फटे हुए फैमिली एल्बम को फिर से बनाना

कल्पना कीजिए कि आपके पास एक पारिवारिक फोटो एल्बम है, लेकिन आपके परदादा-परदादी की तस्वीरें गायब हैं। आपके पास केवल उनके बच्चों और पोते-पोतियों (यानी "वंशजों") की तस्वीरें हैं। आपका लक्ष्य यह अनुमान लगाना है कि उनके पूर्वज कैसे दिखते थे।

जीव विज्ञान (Biology) में, वैज्ञानिक प्रोटीनों के साथ यही करते हैं। वे प्राचीन, विलुप्त जीवों के अमीनो एसिड अनुक्रम (प्रोटीन बनाने वाले "अक्षर") का अनुमान लगाने की कोशिश करते हैं। इसे एन्सेस्ट्रल सीक्वेंस रिकंस्ट्रक्शन (ASR) कहा जाता है।

समस्या: पुराना तरीका बहुत कठोर था

द दशकों से, वैज्ञानिक इस पहेली को सुलझाने के लिए "क्लासिकल" तरीकों का उपयोग करते रहे हैं। इन तरीकों को एक कठोर, ग्रिड-आधारित स्प्रेडशीट की तरह समझें।

वे एक समय में एक अक्षर देखते हैं (जैसे, "क्या यह स्थान 'A' था या 'G'?")।
वे मानते हैं कि हर अक्षर अपने पड़ोसियों से स्वतंत्र रूप से बदलता है।
वे इंसर्शन (जोड़ने) और डिलीशन (हटाने) को संभालने में बहुत खराब हैं।

उपमा: कल्पना कीजिए कि आप एक फटे हुए वाक्य को ठीक करने की कोशिश कर रहे हैं, लेकिन आपको केवल गायब अक्षरों का अनुमान लगाने की अनुमति है, आप कोई शब्द जोड़ या हटा नहीं सकते। यदि प्राचीन वाक्य "The cat sat" था और आधुनिक वाक्य "The big cat sat" है, तो पुराने तरीके संघर्ष करते हैं क्योंकि वे बीच में नए शब्द "big" के आने को आसानी से नहीं संभाल पाते। वे वाक्य को एक निश्चित ग्रिड की तरह मानते हैं जहाँ अक्षर केवल अपनी जगह बदलते हैं, न कि एक लचीले स्ट्रिंग की तरह जहाँ शब्द प्रकट हो सकते हैं या गायब हो सकते हैं।

नया समाधान: Lærad (एक "प्रवाहित" पुनर्रचनाकर्ता)

लेखक Lærad नामक एक नया AI मॉडल पेश करते हैं। एक कठोर स्प्रेडशीट के बजाय, Lærad को एक गतिशील, बहती हुई नदी के रूप में सोचें जो अपना आकार बदल सकती है।

1. "एडिट फ्लो" (संपादन प्रवाह) की अवधारणा
Lærad विकास (evolution) को एक वीडियो एडिटिंग प्रक्रिया की तरह मानता है। यह केवल अक्षरों का अनुमान नहीं लगाता; यह कार्यों (actions) का अनुमान लगाता है:

सबस्टीट्यूशन (प्रतिस्थापन): एक अक्षर को बदलना (जैसे "cat" को "bat" में बदलना)।
इंसर्शन (जोड़ना): एक नया अक्षर जोड़ना (जैसे "cat" में "big" जोड़ना)।
डिलीशन (हटाना): एक अक्षर को हटाना (जैसे "big cat" से "big" को हटाना)।

यह एक आधुनिक प्रोटीन से वापस एक प्राचीन प्रोटीन तक "प्रवाह" करना सीखता है, जो इन बदलावों (edits) को चरण-दर-चरण सिम्युलेट करता है।

2. "ट्री-कंडीशन्ड" (वृक्ष-आधारित) तकनीक
मॉडल जानता है कि वह एक फैमिली ट्री (वंशवृक्ष) पर काम कर रहा है। यह "ब्रांच लेंथ" (कितना समय बीता) का उपयोग एक बजट के रूप में करता है।

उपमा: कल्पना कीजिए कि आप शहर A से शहर B की यात्रा कर रहे हैं। मानचित्र बताता है कि दूरी 100 मील है। आपके पास "ईंधन बजट" के रूप में 100 मील है। आप 200 मील नहीं चल सकते, और आप 0 मील भी नहीं चल सकते। Lærad इस "दूरी बजट" का उपयोग यह जानने के लिए करता है कि पूर्वज और वंशज के बीच कितने बदलाव (बदलना, जोड़ना या हटाना) होने की अनुमति है।

3. "पेयर्ड" (युग्मित) रणनीति
यही इस मॉडल की सुपरपावर है। एक वंशज को देखकर पूर्वज का अनुमान लगाने के बजाय, Lærad एक ही समय में दो वंशजों (जैसे दो चचेरे भाई-बहन) को देखता है।

उपमा: कल्पना कीजिए कि दो चचेरे भाई-बहन, एलिस और बॉब, यह समझने की कोशिश कर रहे हैं कि उनकी साझा दादी कैसी दिखती थीं।
- एलिस अपने DNA को दादी तक "पीछे की ओर" (rewind) ले जाने की कोशिश करती है।
- बॉब अपने DNA को दादी तक "पीछे की ओर" ले जाने की कोशिश करता है।
- Lærad एलिस के रिवाइंड और बॉब के रिवाइंड को समय के बिल्कुल उसी बिंदु (दादी) पर बीच में मिलने के लिए मजबूर करता है। यदि एलिस का अनुमान और बॉब का अनुमान उस मिलन बिंदु पर मेल नहीं खाते हैं, तो मॉडल को पता चल जाता है कि उसने गलती की है और वह फिर से प्रयास करता है।

इसका प्रदर्शन कैसा रहा: परिणाम

लेखकों ने दो अलग-अलग प्रकार की पहेलियों पर Lærad का परीक्षण किया:

पहेली 1: "मेसी" परिवार (ऐसे प्रोटीन जिनमें बहुत अधिक इंसर्शन/डिलीशन होते हैं)

परीक्षण: उन्होंने बैक्टीरियोफेज प्रोटीन (वायरस जो बैक्टीरिया को संक्रमित करते हैं) के डेटासेट का उपयोग किया, जो बहुत "मेसी" (अव्यवस्थित) माने जाते हैं, क्योंकि इनमें समय के साथ बहुत सारे अक्षर जोड़े और हटाए जाते हैं।
परिणाम: Lærad यह पहचानने में सबसे अच्छा था कि बदलाव कहाँ हुए। यह एक जासूस की तरह था जो वाक्य में ठीक उसी जगह की ओर इशारा कर सकता था जहाँ शब्द जोड़ा या हटाया गया था, जो किसी भी पिछले तरीके से बेहतर था। इसने जरूरी नहीं कि हर अक्षर को एकदम सही बनाया हो, लेकिन इसने बदलावों की संरचना को सबसे अच्छी तरह समझा।

पहेली 2: "साफ" परिवार (ऐसे प्रोटीन जिनमें ज्यादातर केवल साधारण बदलाव होते हैं)

परीक्षण: उन्होंने फ्लोरोसेंट प्रोटीन (चमकने वाले प्रोटीन) का उपयोग किया जहाँ बदलाव ज्यादातर केवल साधारण अक्षर परिवर्तन थे, जिनमें जोड़ने या हटाने की बहुत कम घटनाएं थीं।
परिणाम: Lærad यहाँ धीमा और कम सटीक था। "पुराने" क्लासिकल तरीके (वे कठोर स्प्रेडशीट) इस विशिष्ट कार्य के लिए अभी भी बेहतर थे।
क्यों? Lærad एक भारी-भरकम उपकरण है जिसे जटिल, मेसी बदलावों के लिए डिज़ाइन किया गया है। साधारण बदलावों के लिए इसका उपयोग करना अखरोट तोड़ने के लिए हथौड़े का उपयोग करने जैसा है। क्लासिकल उपकरण सरल बदलावों के लिए अनुकूलित हैं और उस विशिष्ट वातावरण में जीत जाते हैं।

निचोड़

Lærad प्राचीन प्रोटीन अनुक्रमों का अनुमान लगाने का एक नया तरीका है जो विकास को एक निश्चित ग्रिड में अक्षरों को बदलने के बजाय, हिस्सों को जोड़ने, हटाने और बदलने की एक लचीली प्रक्रिया के रूप में देखता है।

यह कब चमकता है: यह उन प्रोटीनों के लिए सबसे अच्छा उपकरण है जो समय के साथ काफी बढ़े, सिकुड़े और बदले हैं (यह "indels" को अच्छी तरह संभालता है)।
यह कब संघर्ष करता है: यह अभी भी उन प्रोटीनों के लिए सबसे अच्छा उपकरण नहीं है जो बहुत स्थिर रहे हैं और जिनमें केवल कुछ ही अक्षर बदले हैं।

लेख का निष्कर्ष है कि हालांकि Lærad अभी भी पूर्ण नहीं है, यह यह समझने के लिए एक नया द्वार खोलता है कि प्रोटीन कैसे विकसित होते हैं जब वे लगातार नए हिस्से प्राप्त करते हैं और खोते रहते हैं—एक ऐसा कार्य जिसे पिछले तरीकों ने बहुत कठिन पाया था।

तकनीकी सारांश: पूर्वज अनुक्रम पुनर्निर्माण (Ancestral Sequence Reconstruction) के लिए ट्री-कंडीशनड एडिट फ्लो (Tree-Conditioned Edit Flows)

समस्या विवरण (Problem Statement)

पूर्वज अनुक्रम पुनर्निर्माण (ASR) का लक्ष्य एक फाइलोजेनेटिक ट्री (phylogenetic tree) के आंतरिक नोड्स पर विलुप्त प्रोटीन अनुक्रमों का अनुमान लगाना है। शास्त्रीय ASR विधियाँ, जो आमतौर पर निरंतर-समय मार्कोव प्रतिस्थापन मॉडल (जैसे PAML, PhyML) पर आधारित होती हैं, साइटों को सशर्त स्वतंत्र (conditionally independent) मानती हैं और इंसर्शन (insertions) तथा डिलीशन (deletations/indels) को या तो बाहर कर देती हैं या लाइक्लीहुड गणना के दौरान उन्हें अनदेखा कर देती हैं। जबकि ये विधियाँ एक ट्री पर वैश्विक अनुमान (global inference) लगाने में उत्कृष्ट हैं, वे अनुक्रम विकास की जटिल, संदर्भ-निर्भर प्रकृति के साथ संघर्ष करती हैं, विशेष रूप से जब इंडल्स (indels) प्रचुर मात्रा में हों। हालिया न्यूरल दृष्टिकोण (जैसे AutoregressiveASR, BetaReconstruct) अधिक अभिव्यंजना शक्ति (expressivity) प्रदान करते हैं, लेकिन वे अक्सर फाइलोजेनेटिक ट्री टोपोलॉजी, ब्रांच लंबाई, या इस बाधा को शामिल करने में विफल रहते हैं कि एक पूर्वज को एक साथ कई वंशजों (descendants) की व्याख्या करनी चाहिए।

कार्यप्रणाली: Lærad

लेखक Lærad को पेश करते हैं, जो परिवर्तनशील-लंबाई वाले ASR के लिए एक ट्री-कंडीशनड पेयर्ड एडिट-फ्लो (paired edit-flow) मॉडल है। एक एकल अनुक्रम को सीधे आउटपुट देने वाली विधियों के विपरीत, Lærad ASR को एक ब्रांच-कंडीशनड एडिट प्रक्रिया के रूप में मॉडल करता है, जो प्रतिस्थापन (substitutions), इंसर्शन और डिलीशन के लिए समय-निर्भर दरों (time-dependent rates) की भविष्यवाणी करता है।

मुख्य आर्किटेक्चर (Core Architecture)

एडिट-फ्लो फाउंडेशन (Edit-Flow Foundation): Lærad डिस्क्रीट फ्लो मैचिंग (discrete flow matching) पर आधारित है, जो फिक्स्ड-लेंथ टोकन स्पेस से अवधारणा को उठाकर परिवर्तनशील-लंबाई वाले अनुक्रमों तक ले जाता है। यह मौलिक एडिट ऑपरेशंस (elementary edit operations) के माध्यम से ट्रांज़िशन को परिभाषित करता है: इंसर्शन, डिलीशन और प्रतिस्थापन।
पेयर्ड क्रॉस-अटेंशन (Paired Cross-Attention): मॉडल दो वंशज अनुक्रमों ( $x_a, x_b$ ) को एक साथ प्रोसेस करता है। यह एनकोडिंग के लिए एक साझा ESM-2 बैकबोन का उपयोग करता है, जिसके बाद पेयर्ड फ्यूजन लेयर्स का उपयोग किया जाता है जो दोनों वंशजों के बीच क्रॉस-अटेंशन की अनुमति देता है। यह सुनिश्चित करता है कि दोनों 'चिल्ड्रन' पूर्वज के लिए 'एडिट फील्ड' को सूचित करें।
ब्रांच कंडीशनिंग (Branch Conditioning): मॉडल को उनके साझा लोएस्ट कॉमन एंसेस्टर (LCA) से प्रत्येक वंशज की क्रमबद्ध ब्रांच दूरियों ( $d_a, d_b$ ) पर कंडिशन किया जाता है। इन दूरियों को फ़िच पार्सिमोनी (Fitch parsimony) अनुमानों का उपयोग करके "एडिट बजट" में बदल दिया जाता है, जो विकासवादी सेतु (evolutionary bridge) पर पूर्वज के अपेक्षित स्थान ( $\tau = d_a / (d_a + d_b)$ ) को परिभाषित करता है।

प्रशिक्षण उद्देश्य (Training Objective)

Lærad को दो वंशजों के बीच सैंपल किए गए स्टोकेस्टिक ब्रिज स्टेट्स पर प्रशिक्षित किया जाता है, जिसके लिए ग्राउंड-ट्रुथ पूर्वज अनुक्रमों की आवश्यकता नहीं होती है। लॉस फंक्शन ( $L$ ) तीन पदों को जोड़ता है:

ब्रेगमैन लॉस ( $L_{Bregman}$ ): एक द्विदिश (bidirectional) लॉस जो मॉडल को उन एडिट रेट्स की भविष्यवाणी करने के लिए प्रशिक्षित करता है जो एक सैंपल किए गए ब्रिज स्टेट को लक्षित वंशज की ओर ले जाते हैं। यह स्थानीय एडिट मैकेनिक्स (एडिट कहाँ होते हैं और कौन से अवशेष/residues संभावित हैं) को सिखाता है।
एंसेस्टर अलाइनमेंट लॉस ( $L_{ancestor}$ ): अपेक्षित पूर्वज बिंदु ( $\tau$ ) के पास, दो विपरीत एडिट ट्रेजेक्टरीज (एक $a \to b$ और दूसरी $b \to a$ ) के लेटेंट रिप्रेजेंटेशन्स को कोसाइन और L2 डिस्टेंस का उपयोग करके अलाइन किया जाता है। यह सुनिश्चित करता है कि दोनों मार्ग एक सुसंगत पूर्वज अवस्था का संकेत देते हैं।
ग्रुप कंसिस्टेंसी लॉस ( $L_{group}$ ): एक ही LCA नोड को साझा करने वाले कई वंशज जोड़ों के लिए, उनके मीन-पूल किए गए लेटेंट रिप्रेजेंटेशन्स को एक साथ खींचा जाता है। यह स्पष्ट स्थानीय ट्री कंसिस्टेंसी इंजेक्ट करता है, जिससे यह सुनिश्चित होता है कि एक ही पूर्वज के विभिन्न दृश्य एक सुसंगत प्रतिनिधित्व की ओर अभिसरित (converge) हों।

अनुमान प्रक्रिया (Inference Procedure)

अनुमान फाइलोजेनेटिक ट्री पर बॉटम-अप तरीके से होता है:

डिकोडिंग (Decoding): जोड़ों के लिए, मॉडल प्रत्येक चाइल्ड से एक अन्य चाइल्ड और ब्रांच बजटों पर कंडिशन होकर $N$ कैंडिडेट पैरेंट सीक्वेंस डिकोड करता है।
चयन और सर्वसम्मति (Selection & Consensus): एक स्कोरिंग फंक्शन $S(s)$ उम्मीदवारों का मूल्यांकन ब्रांच-बजट समझौते, पार्सिमोनी (एडिट कॉस्ट), दो दिशात्मक डिकोड्स के बीच असहमति, और मॉडल सपोर्ट के आधार पर करता है।
रिकॉन्सिलिएशन (Reconciliation): सर्वश्रेष्ठ-स्कोरिंग जोड़ी के उम्मीदवारों को सर्वसम्मति रणनीति (मैचिंग अवशेषों को कॉपी करना, बजट अनुकूलता के माध्यम से असहमति को हल करना) के माध्यम से मर्ज किया जाता है। अंतिम पूर्वज को दो दिशात्मक उम्मीदवारों और उनके सर्वसम्मति मर्ज से चुना जाता है।

मुख्य योगदान (Key Contributions)

परिवर्तनशील-लंबाई वाला ASR फ्रेमवर्क: Lærad परिवर्तनशील-लंबाई वाले अनुक्रम विकास के लिए इंडेल-रिच संदर्भों में फाइलोजेनेटिक बाधाओं के तहत प्रतिस्थापन, इंसर्शन और डिलीशन को स्पष्ट रूप से मॉडल करके पूर्वज अनुमान का विस्तार करता है।
ट्री-कंडीशनड एडिट फ्लो: मॉडल अनूअली ट्री टोपोलॉजी और ब्रांच लंबाई को सीधे एडिट-फ्लो जनरेशन प्रक्रिया में एकीकृत करता है, जो पेयर्ड क्रॉस-अटेंशन का उपयोग करके यह सुनिश्चित करता है कि वंशज संयुक्त रूप से पूर्वज अवस्था को सूचित करें।
कंसिस्टेंसी मैकेनिज्म: द्विदिश ब्रिज लॉस और सटीक-LCA ग्रुप कंसिस्टेंसी लॉस का परिचय यह सुनिश्चित करता है कि अनुमानित पूर्वज अवस्थाएं कई वंशजों के साथ सुसंगत हों और एक ही नोड पर मैप होने वाले विभिन्न जोड़ों के बीच सुसंगत हों।

परिणाम (Results)

लेखकों ने दो अलग-अलग बेंचमार्क पर Lærad का मूल्यांकन किया:

1. इंडेल-रिच बेंचमार्क (Bacteriophage J Proteins)

इंडेल-समृद्ध (ID95 डेटासेट) प्राकृतिक होमोलॉगस अनुक्रमों के एक बेंचमार्क पर, Lærad की तुलना क्लासिकल मेथड्स (Fitch, PAML, ARPIP) और न्यूरल बेसलाइन्स (AutoRegressiveASR) से की गई।

प्रदर्शन: Lærad ने उच्चतम ऑब्जर्व्ड एडिट कोरिलेशन (अनुमानित ब्रांच-एडिट डेंसिटी और एम्पिरिकल लीफ-लेवल वेरिएशन के बीच पियर्सन कोरिलेशन) प्राप्त किया, जिसमें Tiny वेरिएंट ने 0.778 तक पहुँच बनाई। इसने सर्वश्रेष्ठ क्लासिकल बेसलाइन (PHYLO-Γ: 0.765) को भी पीछे छोड़ दिया।
लोकलाइजेशन: परिणाम बताते हैं कि इंडेल-रिच संदर्भों में एम्पिरिकल रूप से परिवर्तनशील साइटों में अनुमानित विकासवादी परिवर्तनों को लोकलाइज करने में Lærad बेहतर है।
सीमाएँ: लोकलाइजेशन में मजबूत होने के बावजूद, Lærad का ऑपरेशन-विशिष्ट इंडेल कोरिलेशन ARPIP से कम था, और इसका नॉर्मलाइज्ड बजट एरर (पेरिफेरल एडिट्स और ट्री-इम्प्लाइड बजट के बीच का अंतर) कुछ बेसलाइन्स की तुलना में अधिक रहा।

2. सब्स्टीट्यूशन-ओनली बेंचमार्क (Fluorescent Proteins)

प्रयोगशाला में विकसित फ्लोरोसेंट प्रोटीन के एक बेंचमार्क पर (जो प्रभावी रूप से केवल प्रतिस्थापन-आधारित है), Lærad की तुलना सब्स्टीट्यूशन-स्पेशलाइज्ड विधियों से की गई।

प्रदर्शन: जैसा कि अपेक्षित था, Læ्रेड क्लासिकल लाइक्लीहुड-आधारित विधियों (PHYLO-Γ: 97.2% सटीकता; ARPIP: 97.1%) और न्यूरल बेसलाइन AutoRegressiveASR (87.3%) से पीछे रहा। Lærad-Nano ने 84.4% सटीकता प्राप्त की।
व्याख्या: लेखक नोट करते हैं कि यह एक रूढ़िवादी स्ट्रेस टेस्ट है, क्योंकि मॉडल को जटिल एडिट ऑपरेशंस के लिए डिज़ाइन किया गया है जबकि कार्य मुख्य रूप से प्रतिस्थापनों द्वारा संचालित है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि ट्री-कंडीशनड एडिट फ्लो परिवर्तनशील-लंबाई वाले ASR के लिए एक व्यवहार्य दिशा का प्रतिनिधित्व करते हैं, विशेष रूप से उन सेटिंग्स में जहाँ विकास इंसर्शन और डिलीशन द्वारा संचालित होता है।

प्राथमिक शक्ति: Lærad यह प्रदर्शित करता है कि अनुक्रम विकास को पेयर्ड, ट्री-कंडीशनड एडिट प्रक्रिया के रूप में मॉडल करना इंडेल-रिच वातावरण में स्थानीय विकासवादी परिवर्तनों को लोकलाइज करने में क्लासिकल विधियों से बेहतर हो सकता है।
सीमित दायरा: लेखक स्पष्ट हैं कि वर्तमान फॉर्मूलेशन अभी भी सब्स्टीट्यूशन-डोमिनेटेड सेटिंग्स में क्लासिकल विधियों से श्रेष्ठ नहीं है। वे स्वीकार करते हैं कि ऑपरेशन-टाइप कैलिब्रेशन (विशिष्ट प्रकार के एडिट की सटीक भविष्यवाणी करना) और ब्रांच-बजट कैलिब्रेशन (ट्री-दूरियों के साथ सटीक संख्या में एडिट्स को मिलाना) अभी भी खुले प्रश्न हैं।
भविष्य की क्षमता: यह कार्य सुझाव देता है कि मॉडल को स्केल करना (जैसे, बड़े ESM-2 बैकबोन का उपयोग करना) सब्स्टीट्यूशन-डोमिनेटेड सेटिंग्स में प्रदर्शन में सुधार कर सकता है, लेकिन प्राथमिक योगदान परिवर्तनशील-लंबाई वाले अनुक्रमों के लिए एक जनरेटिव एडिट-फ्लो फ्रेमवर्क में फाइलोजेनेटिक बाधाओं के सफल एकीकरण का है।