🤖 machine learning

SPADE: Faster Drug Discovery by Learning from Sparse Data

यह शोध पत्र SPADE को पेश करता है, जो एक नवीन एल्गोरिदम है जो विरल डेटा (sparse data) का उपयोग करके नवीन प्रोटीनों के लिए उच्च-गुणवत्ता वाले लिगेंड्स को कुशलतापूर्वक पहचानकर दवा की खोज में महत्वपूर्ण तेजी लाता है, जिसमें 10 सफल उम्मीदवारों को खोजने के लिए औसतन केवल 40 परीक्षणों की आवश्यकता होती है और यह नमूना दक्षता (sample efficiency) और स्कोरिंग गति दोनों में डीप लर्निंग और बायेसियन ऑप्टिमाइज़ेशन विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Rahul Nandakumar, Ben Fauber, Deepayan Chakrabarti

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rahul Nandakumar, Ben Fauber, Deepayan Chakrabarti

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 खजाना खोजने वाले हैं जो एक विशाल गोदाम में छिपे एक विशिष्ट, अविश्वसनीय रूप से दुर्लभ रत्न की तलाश कर रहे हैं, जो लाखों साधारण पत्थरों से भरा हुआ है। यह अनिवार्य रूप से वैसा ही है जैसा कि ड्रग डिस्कवरी (दवा की खोज) में होता है, जब वैज्ञानिक एक विशिष्ट प्रोटीन (हमारे शरीर के भीतर एक सूक्ष्म मशीन, जिसके खराब होने पर बीमारी होती है) के लिए एक नई दवा खोजने की कोशिश करते हैं।

यहाँ SPADE की कहानी है, जो एक नया तरीका है जिसे इन "रत्नों" (प्रभावी दवा अणुओं) को वर्तमान तरीकों की तुलना में बहुत तेज़ी से और सस्ते में खोजने के लिए डिज़ाइन किया गया है।

समस्या: भूसे के ढेर में सुई

ड्रग डिस्कवरी की दुनिया में, वैज्ञानिकों के पास लाखों संभावित उम्मीदवारों (लिगेंड्स) की एक सूची होती है। हालाँकि, उनमें से 5% से भी कम वास्तव में अगले चरण के लिए विचार किए जाने लायक काम के होते हैं। उन बिल्कुल नए प्रोटीनों के लिए जिनका अध्ययन वैज्ञानिकों ने पहले कभी नहीं किया है, उनके पास शून्य पूर्व डेटा होता है। उन्हें शून्य से शुरुआत करनी पड़ती है।

इन रत्नों को खोजने का पारंपरिक तरीका एक धीमा और महंगा चक्र है जिसे DM_TA (डिज़ाइन, मेक, टेस्ट, एनालाइज़) कहा जाता है:

कुछ उम्मीदवारों को चुनें।
उन्हें लैब में बनाएं।
यह देखने के लिए परीक्षण करें कि वे लक्षित प्रोटीन से कितनी अच्छी तरह जुड़ते हैं।
परिणामों का विश्लेषण करें और अगला बैच चुनें।

लक्ष्य कम से कम परीक्षणों का उपयोग करके 10 उच्च-गुणवत्ता वाले रत्न (ऐसे अणु जो मजबूती से जुड़ते हैं) खोजना है। लेकिन क्योंकि "अच्छे" अणु बहुत दुर्लभ हैं (जैसे 100 पत्थरों में से 1 रत्न ढूंढना), और गोदाम बहुत बड़ा है, इसलिए पारंपरिक तरीके अक्सर उन पत्थरों का परीक्षण करने में समय बर्बाद करते हैं जो स्पष्ट रूप से बेकार हैं।

पुराना तरीका: हर पत्थर के मूल्य का अनुमान लगाना

पिछले तरीकों ने एक अत्यंत सटीक मूल्यांकनकर्ता (appraiser) की तरह काम करने की कोशिश की। उन्होंने गोदाम के हर एक पत्थर के सटीक "मूल्य" (बाइंडिंग स्ट्रेंथ) की भविष्यवाणी करने की कोशिश की।

खामी: बहुत कम डेटा पॉइंट्स और इतने बड़े, जटिल गोदाम के साथ, हर पत्थर के सटीक मूल्य का अनुमान लगाने की कोशिश करने से भ्रम और त्रुटियां पैदा होती हैं। यह एक शहर के हर घर की सटीक कीमत बताने की कोशिश करने जैसा है जब आपने केवल दो घर देखे हों। यह बहुत कठिन और धीमा है।

नया तरीका: SPADE (एक "बाकी सबसे बेहतर" फ़िल्टर)

लेखक SPाडे (SPADE - Sparse-data Predictions for Accelerating Drug Exploration) का प्रस्ताव करते हैं। हर पत्थर का मूल्य बताने वाले एक पूर्ण मूल्यांकनकर्ता बनने के बजाय, SPADE एक स्मार्ट फ़िल्टर की तरह कार्य करता है।

उपमा: "टॉप 10" गेम
कल्पना कीजिए कि आप एक खेल खेल रहे हैं जहाँ आपको लाखों खिलाड़ियों की लीग में शीर्ष 10 सर्वश्रेष्ठ खिलाड़ियों को खोजना है।

पुराना तरीका: आप लीग के प्रत्येक खिलाड़ी के सटीक कौशल स्कोर की गणना करने की कोशिश करते हैं।
SPADE तरीका: आपको औसत खिलाड़ी के सटीक स्कोर की परवाह नहीं है। आपको केवल एक प्रश्न की परवाह है: "क्या यह नया खिलाड़ी हमारे द्वारा अब तक खोजे गए वर्तमान शीर्ष 10 खिलाड़ियों में से 10वें सर्वश्रेष्ठ खिलाड़ी से बेहतर है?"

यदि उत्तर "हाँ" है, तो आप उनका परीक्षण करते हैं। यदि उत्तर "नहीं" है, तो आप उन्हें अनदेखा कर देते हैं।

SPADE कैसे काम करता है (सीक्रेट सॉस)

SPADE इस तथ्य को संभालने के लिए कि डेटा बहुत कम है, दो चतुर युक्तियों का उपयोग करता है:

विजेताओं पर ध्यान दें, हारने वालों पर नहीं:
करोड़ों "बुरे" पत्थरों से सीखने के बजाय, SPADE पूरी तरह से उन कुछ "अच्छे" पत्थरों पर ध्यान केंद्रित करता है जो उसे अब तक मिले हैं। यह प्रत्येक वर्तमान शीर्ष उम्मीदवारों के लिए एक विशेष फ़िल्टर बनाता है। यह पूछता है, "क्या यह नया पत्थर हमारे वर्तमान सर्वश्रेष्ठ पत्थरों की विशेष विशेषताओं को साझा करता है?"
"फजी" सुरक्षा जाल (Robustness):
चूंकि अच्छे उदाहरण बहुत कम हैं, इसलिए एक कंप्यूटर भ्रमित हो सकता है और भाग्यवश एक रैंडम बुरे पत्थर को अच्छा समझ सकता है (ओवरफिटिंग)। इसे रोकने के लिए, SPADE एक गणितीय "फजी" (धुंधले) क्षेत्र का उपयोग करता है।

कल्पित कीजिए कि डार्टबोर्ड पर एक लक्ष्य है। यह कहने के बजाय कि "आपको विजेता बनने के लिए ठीक केंद्र में हिट करना होगा," SPADE कहता है, "यदि आप केंद्र के आसपास के इस घेरे के भीतर कहीं भी हिट करते हैं, तो आप एक विजेता हैं।"
यह कंप्यूटर को रैंडम शोर (noise) से धोखा खाए बिना, एक अच्छी दवा के सामान्य पैटर्न को सीखने में मदद करता है। यह विधि को अत्यधिक डेटा की कमी के बावजूद बहुत मजबूत बनाता है।

परिणाम: गति और दक्षता

पेपर ने 100 अलग-अलग प्रोटीनों के खिलाफ SPADE का परीक्षण किया और इसकी तुलना मौजूदा सर्वोत्तम तरीकों (जैसे Bayesian Optimization और Deep Learning) से की।

कम परीक्षण: 10 उच्च-गुणवत्ता वाली दवाओं को खोजने के लिए, SPADE को अपने प्रतिस्पर्धियों की तुलना में 7% से 32% कम परीक्षणों की आवश्यकता पड़ी। औसतन, इसने केवल 40 परीक्षणों में 10 अच्छी दवाएं खोज लीं।
तेज़ स्कोरिंग: जब करोड़ों उम्मीदवारों की जांच करने का समय आया कि आगे किन परीक्षणों को करना है, तो SPADE अपने निकटतम प्रतिद्वंद्वी की तुलना में 10 गुना तेज़ था।
कोई पूर्व ज्ञान आवश्यक नहीं: यह तब भी पूरी तरह से काम करता है जब वैज्ञानिकों को लक्षित प्रोटीन के बारे में पहले से कुछ भी पता नहीं होता है।

निचोड़

SPADE गेम को बदल देता है क्योंकि यह वैज्ञानिकों को असंभव की भविष्यवाणी करने (प्रत्येक अणु के मूल्य की) के बजाय एक सरल, स्मार्ट लक्ष्य पर ध्यान केंद्रित करने के लिए प्रेरित करता है: उन अणुओं को खोजना जो हमारे द्वारा पहले से खोजे गए सर्वश्रेष्ठ अणुओं से बेहतर हैं।

यह इस बात को समझने जैसा है कि आपको स्टेडियम में सबसे लंबे व्यक्ति को खोजने के लिए हर व्यक्ति की सटीक ऊंचाई जानने की आवश्यकता नहीं है; आपको बस यह पहचानने का एक तरीका चाहिए कि क्या कोई वर्तमान रिकॉर्ड धारक से लंबा है। यह दृष्टिकोण जीवन रक्षक दवाएं बनाने के शुरुआती चरणों में समय, पैसा और संसाधनों की बचत करता है।

तकनीकी सारांश: SPADE – विरल डेटा से सीखकर तीव्र औषधि खोज (Drug Discovery)

समस्या का स्वरूप (Problem Formulation)
यह शोध पत्र प्रारंभिक चरण की औषधि खोज (drug discovery) में व्याप्त महत्वपूर्ण अक्षमता को संबोधित करता है, विशेष रूप से उन नवीन लक्ष्य प्रोटीनों (novel target proteins) के लिए उच्च-आत्मीयता वाले लिगेंड्स (high-affinity ligands) की पहचान करने की चुनौती, जहाँ पहले से कोई डेटा मौजूद नहीं है। इस प्रक्रिया को एक "race-to-k" समस्या के रूप में फ्रेम किया गया है: न्यूनतम डिज़ाइन-मेक-टेस्ट-एनालाइज़ (DMTA) चक्रों का उपयोग करके $k$ ऐसे लिगेंड्स खोजना जिनका बाइंडिंग एफिनिटी (pIC50 या PIC द्वारा मापा गया) एक विशिष्ट थ्रेशोल्ड (जैसे, PIC $\ge$ 8 या 8.5) से ऊपर हो।

यह परिवेश चार मौलिक चुनौतियों को प्रस्तुत करता है:

विशाल खोज स्थान (Vast Search Space): उच्च-आयामी एम्बेडिंग्स (2,048 आयाम) द्वारा दर्शाए गए लाखों संभावित लिगेंड्स।
अत्यधिक डेटा विरलता (Extreme Data Sparsity): शुरुआती स्क्रीनिंग में 5% से भी कम उम्मीदवार सफल होते हैं; नवीन प्रोटीनों के लिए, मॉडल शून्य लेबल वाले डेटा से शुरू होता है और उसे क्रमिक, अनुकूल रूप से एकत्र किए गए अवलोकनों से सीखना होता है।
असंतुलित संकेत (Imbalanced Signals): "पॉजिटिव क्लास" (उच्च-आत्मीयता वाले लिगेंड्स) अत्यंत छोटा है, जो अक्सर वर्तमान डेटासेट में केवल $k-1$ लिगेंड्स तक ही सीमित होता है।
उच्च थ्रूपुट आवश्यकताएं (High Throughput Requirements): एल्गोरिदम को प्रत्येक चक्र में $10^5$ से $10^6$ अन-टेस्टेड लिगेंड्स को स्कोर करना चाहिए, जिसके लिए अत्यधिक कम्प्यूटेशनल गति की आवश्यकता होती है।

मानक दृष्टिकोण, जैसे कि बेयसियन ऑप्टिमाइज़ेशन (जो एफिनिटी और अनिश्चितता का अनुमान लगाता है) या डीप लर्निंग, यहाँ संघर्ष करते हैं क्योंकि वे उच्च-आयामी, डेटा-विरल परिदृश्यों में सटीक अनुमान लगाने में कठिनाई और लाखों उम्मीदवारों को स्कोर करने की कम्प्यूटेशनल लागत के कारण विफल रहते हैं।

कार्यप्रणाली: SPADE
प्रस्तावित एल्गोरिदम, SPADE (Sparse-data Predictions for Accelerating Drug Exploration), एक वर्गीकरण-आधारित चयन रणनीति (classification-based selection strategy) को अपनाकर मानक एफिनिटी अनुमान से अलग हटकर कार्य करता है।

अनुमान के बजाय वर्गीकरण (Classification over Estimation): प्रत्येक लिगेंड के लिए निरंतर (continuous) PIC मान का अनुमान लगाने के बजाय, SPADE एक सरल कार्य पर ध्यान केंद्रित करता है: यह भविष्यवाणी करना कि क्या एक संभावित लिगेंड वर्तमान $k$ -वें सर्वश्रेष्ठ लिगेंड से बेहतर प्रदर्शन कर सकता है। यह सीधे तौर पर शीर्ष- $k$ सेट को बेहतर बनाने के लक्ष्य को अनुकूलित करता है।
विरलता के तहत सुदृढ़ शिक्षण (Robust Learning under Sparsity): अत्यधिक असंतुलन (जहाँ पॉजिटिव क्लास बहुत कम है) को संभालने के लिए, SPADE वर्तमान शीर्ष- $k$ $k$ लिगेंड्स में से प्रत्येक के लिए एक अलग सुदृढ़ क्लासिफायर $C_i$ $C_{i}$ प्रशिक्षित करता है।
- $x_i$ एम्बेडिंग वाले एक पॉजिटिव लिगेंड $i$ के लिए, क्लासिफायर को $x_i$ को सभी नेगेटिव लिगेंड्स ( $S^-$ ) से अलग करने के लिए प्रशिक्षित किया जाता है।
- महत्वपूर्ण रूप से, पॉजिटिव क्लास के लिए लॉस फंक्शन को $x_i$ पर केंद्रित एक गॉसियन वितरण ( $N(x_i, \sigma^2 I)$ ) पर अपेक्षित हानि (expected loss) के रूप में परिभाषित किया गया है, न कि स्वयं बिंदु पर होने वाली हानि के रूप में। यह एक सिद्धांत आधारित रेगुलराइज़र के रूप में कार्य करता है, जो शोर (noise) के प्रति ओवरफिटिंग को रोकता है और मॉडल को स्थिर पैटर्न सीखने के लिए प्रोत्साहित करता है।
- लेखक इस अपेक्षित हानि के लिए एक क्लोज्ड-फॉर्म एक्सप्रेशन (Theorem 3.1) व्युत्पन्न करते हैं, जिससे सैंपलिंग की आवश्यकता समाप्त हो जाती है और कम्प्यूटेशनल दक्षता सुनिश्चित होती है।
स्कोरिंग और चयन (Scoring and Selection): प्रत्येक DMTA चक्र में, SPADE वर्तमान शीर्ष लिगेंड्स द्वारा प्रशिक्षित क्लासिफायर के आउटपुट के भारित योग (weighted sum) को लेकर अन-टेस्टेड लिगेंड्स को स्कोर करता है। उच्चतम स्कोर वाले लिगेंड्स को अगले प्रयोगात्मक चक्र के लिए चुना जाता है।
कार्यान्वयन विवरण (Implementation Details): एल्गोरिदम किसी भी एकल उच्च-प्रदर्शन वाले लिगेंड के प्रभाव को सीमित करता है ताकि वह भविष्य के बहुत अधिक चक्रों के लिए चयन को नियंत्रित न कर सके। हाइपरपैरामीटर्स (जैसे कि मजबूती पैरामीटर $\sigma$ ) को असंवेदनशील दिखाया गया है, जिससे बिना प्रति-प्रोटीन ट्यूनिंग के सुसंगत प्रदर्शन संभव होता है।

प्रमुख योगदान (Key Contributions)

समस्या का स्वरूप: नवीन प्रोटीनों के लिए प्रारंभिक चरण की औषधि खोज को एक विरल, क्रमिक "race-to- $k$ " समस्या के रूप में प्रस्तुत करना।
एल्गोरिदम संबंधी नवाचार: वैश्विक एफिनिटी अनुमान के स्थान पर लक्षित (targeted) शीर्ष- $k$ के प्रदर्शन की भविष्यवाणी करने वाले वर्गीकरण-आधारित चयन पद्धति को पेश करना।
सुदृढ़ रेगुलराइजेशन (Robust Regularization): सैंपलिंग के बिना अत्यधिक क्लास असंतुलन और शोर को संभालने के लिए गॉसियन वितरण पर एक क्लोज-फॉर्म अपेक्षित हानि को व्युत्पन्न करना।
डेटासेट निर्माण: वास्तविक विरलता स्थितियों के तहत क्रमिक लिगेंड खोज को बेंचमार्क करने के लिए एक नया 1.5M-एंट्री पबकेम (PubChem) व्युत्पन्न डेटासेट बनाना।
अनुभवजन्य सत्यापन (Empirical Validation): 100 प्रोटीनों पर अत्याधुनिक बेसलाइन के मुकाबले निरंतर श्रेष्ठता का प्रदर्शन करना।

प्रायोगिक परिणाम (Experimental Results)
लेखकों ने 100 प्रोटीनों पर बेयसियन ऑप्टिमाइज़ेशन विधियों (GP-UCB, GP-EI, GP-PI जैसे GP वेरिएंट), डीप लर्निंग मॉडल्स (TabPFN, TabM), और मानक क्लासिफायर (XGBoost, MLP) के विरुद्ध SPADE का मूल्यांकन किया।

नमूना दक्षता (Sample Efficiency): SPADE ने लगातार लक्षित PIC प्राप्त करने के लिए कम लिगेंड परीक्षणों की आवश्यकता दिखाई। 8 के लक्षित PIC के लिए, SPADE को औसतन केवल 29-40 परीक्षणों की आवश्यकता थी। अपने निकटतम प्रतिस्पर्धियों की तुलना में, SPADE ने नमूना दक्षता (कम परीक्षणों की आवश्यकता) में 7%-32% का मध्यमान सुधार (median improvement) हासिल किया।
जीत की दर (Win Rate): आमने-सामने की तुलना में, SPADE अधिकांश प्रोटीनों के लिए "विश्वसनीय रूप से बेहतर" तरीका था (विशेष रूप से PIC 8 और 8.5 के लक्षित स्तरों पर संयोग से कहीं अधिक बार प्रथम स्थान प्राप्त किया)।
कम्प्यूटेशनल गति (Computational Speed): उम्मीदवार लिगेंड्स को स्कोर करने में SPADE अपने निकटतम प्रतिस्पर्धी (GP-PI) से 10 गुना तेज़ है। जहाँ GP विधियों को $10^6$ लिगेंड्स को स्कोर करने में ~39 सेकंड लगे, वहीं SPADE ने ~4 सेकंड लिए।
मजबूती (Robustness): विधि लिगेंड एम्बेडिंग (ECFN, MACCS, ChemBERTa) के चयन के प्रति सुदृढ़ है और $\sigma$ (मजबूती पैरामीटर) को छोड़कर अधिकांश हाइपरपैरामीटर्स के प्रति असंवेदनशील है।
विफलता मोड (Failure Modes): SPADE केवल तभी लक्ष्य तक पहुँचने में विफल रहा जब लक्षित PIC अत्यंत दुर्लभ था (जैसे, PIC $\ge$ 9, जहाँ <0.5% लिगेंड मानदंड पूरा करते हैं)।

महत्व और दावे (Significance and Claims)
यह शोध पत्र दावा करता है कि SPADE नवीन प्रोटीनों के लिए औषधि खोज की "भूसे के ढेर में सुई खोजने" (needle in a haystack) वाली समस्या का एक व्यावहारिक समाधान प्रदान करता है। एक निरंतर वितरण (continuous distribution) का अनुमान लगाने के बजाय, शीर्ष प्रदर्शन करने वालों की मजबूती से पहचान करने के लक्ष्य की ओर शिफ्ट होकर, SPADE महत्वपूर्ण लागत और समय की बचत करता है। लेखक इस बात पर जोर देते हैं कि पूर्व प्रोटीन जानकारी के बिना अत्यंत विरल डेटा से सीखने की क्षमता, और इसकी उच्च थ्रूपुट गति, इसे औषधि खोज के प्रारंभिक चरणों को तेज करने के लिए एक व्यवहार्य उपकरण बनाती है। परिणाम बताते हैं कि SPADE केवल 40 परीक्षणों के साथ 10 उच्च-गुणवत्ता वाले लिगेंड्स की पहचान कर सकता है, जो दक्षता और गति दोनों में मौजूदा डीप लर्निंग और बेयसियन ऑप्टिमाइज़ेशन दृष्टिकोणों से बेहतर है।