🧬 biology

CA-DEL: An Open Multi-Target, Multi-Modal Benchmark for Learning from DNA-Encoded Library Screens

यह शोध पत्र CA-DEL को प्रस्तुत करता है, जो एक नवीन मल्टी-टारगेट, मल्टी-मोडल बेंचमार्क है जिसे शोर युक्त (noisy) डीएनए-एन्कोडेड लाइब्रेरी (DEL) अनुक्रमण डेटा पर मॉडलों को प्रशिक्षित करने और होमोलॉगस कार्बोनिक एनहाइड्रेज आइसोफॉर्म्स में वास्तविक बाइंडिंग एफिनिटी की भविष्यवाणी करने की उनकी क्षमता का कड़ाई से मूल्यांकन करने द्वारा ड्रग डिस्कवरी में मशीन लर्निंग को उन्नत करने के लिए डिज़ाइन किया गया है।

मूल लेखक: Mutian He, Hanqun Cao, Cheng Tan, Zijun Gao, Xiaojun Yao, Chunbin Gu, Pheng-Ann Heng

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mutian He, Hanqun Cao, Cheng Tan, Zijun Gao, Xiaojun Yao, Chunbin Gu, Pheng-Ann Heng

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 पत्थरों के एक विशाल, अराजक ढेर के भीतर छिपे हुए सोने के एक विशिष्ट टुकड़े (नगेट) को खोजने की कोशिश कर रहे हैं एक खजाना खोजने वाले (ट्रेजर हंटर) के रूप में। यह वास्तव में ड्रग डिस्कवरी (दवा की खोज) जैसा ही है: वैज्ञानिकों को अरबों संभावनाओं में से एक ऐसा विशिष्ट अणु (मॉलिक्यूल) ढूंढना होता है जो किसी बीमारी पैदा करने वाले प्रोटीन से पूरी तरह से जुड़ सके।

यह शोध पत्र एक नया टूल पेश करता है जिसे CA-DEL कहा जाता है, जो कंप्यूटर प्रोग्रामों (AI) के लिए एक "ट्रेनिंग जिम" की तरह है ताकि वे इन सोने के टुकड़ों को अधिक सटीकता से ढूंढना सीख सकें। यहाँ एक सरल विवरण दिया गया है कि उन्होंने क्या किया और यह क्यों महत्वपूर्ण है, जिसमें रोजमर्रा के उदाहरणों का उपयोग किया गया है।

1. समस्या: "शोर वाला" सिग्नल (The "Noisy" Signal)

आधुनिक ड्रग डिस्कवरी में, वैज्ञानिक DNA-Encoded Libraries (DEL) नामक तकनीक का उपयोग करते हैं। इसे एक विशाल लाइब्रेरी की तरह समझें जहाँ हर किताब (अणु) के साथ एक छोटा बारकोड (DNA) लगा होता है।

प्रक्रिया: वे इन अरबों किताबों को एक पूल में डाल देते हैं ताकि यह देखा जा सके कि कौन सी किताबें एक लक्षित प्रोटीन (target protein) से चिपकती हैं।
चुनौती: इन बारकोड्स को गिनने के लिए वे एक मशीन का उपयोग करते हैं जो उन्हें पढ़ती है। हालाँकि, यह रीडिंग एकदम सटीक नहीं होती है। यह एक भीड़ भरे स्टेडियम में लोगों द्वारा किए जाने वाले शोर को सुनकर उन्हें गिनने की कोशिश करने जैसा है। सिग्नल "नॉइजी" (शोर वाला) है। कुछ किताबें इसलिए चिपक जाती हैं क्योंकि वे चिपचिपी हैं, न कि इसलिए कि वे "सही" फिट हैं। कुछ अशुद्धियों (static electricity) के कारण चिपक जाती हैं।
लक्ष्य: AI को इस शोर (static) को अनदेखा करना होगा और यह समझना होगा कि कौन सी किताबें वास्तव में सबसे अच्छी फिट हैं।

2. नया बेंचमार्क: CA-DEL

पहले, कोई अच्छा "टेस्ट" नहीं था जिससे यह देखा जा सके कि AI प्रोग्राम वास्तव में स्मार्ट हो रहे हैं या केवल शोर को याद कर रहे हैं। लेखकों ने CA-DEL बनाया, जो तीन विशेष विशेषताओं वाला एक नया बेंचमार्क है:

"जुड़वां" चुनौती (Selectivity):
कल्पना कीजिए कि आप एक ऐसे ताले के लिए चाबी ढूंढ रहे हैं जो फिट बैठती हो। समस्या यह है कि वहाँ तीन ताले हैं जो लगभग एक जैसे दिखते हैं (जिन्हें कार्बनिक एनहाइड्रेज़ आइसोफॉर्म: CAII, CAIX, और CAXII कहा जाता है)। वे इतने समान हैं कि एक चाबी तीनों में फिट हो सकती है, लेकिन आप केवल उस चाबी को चाहते हैं जो "कैंसर" वाले ताले (CAIX/CAXII) में फिट हो और "स्वस्थ शरीर" वाले ताले (CAII) में फिट न हो।
- टेस्ट: क्या AI इन लगभग एक जैसे दिखने वाले जुड़वाओं के बीच अंतर बता सकता है? पिछले अधिकांश टेस्ट इस सूक्ष्म अंतर पर ध्यान केंद्रित नहीं करते थे।
"सिम-टू-रियल" गैप (The "Sim-to-Real" Gap - कठिन मोड):
यह इस शोध पत्र का सबसे अनूठा हिस्सा है।
- ट्रेनिंग चरण (Training Phase): AI को "नॉइजी" लाइब्रेरी डेटा (स्टेडियम के शोर) पर प्रशिक्षित किया जाता है।
- टेस्टिंग चरण (Testing Phase): AI का परीक्षण एक अलग स्रोत (ChEMBL) से प्राप्त "परफेक्ट" डेटा पर किया जाता है, जिसमें यह सटीक माप होता है कि अणु कितनी मजबूती से चिपकते हैं (जिसे $K_i$ कहा जाता है)।
- उपमा: यह एक छात्र को शोर वाले और धुंधले टेक्स्टबुक पर प्रशिक्षित करने जैसा है, और फिर उसे एक क्रिस्टल-क्लियर, हाई-डेफिनिशन परीक्षा में टेस्ट करने जैसा है। यदि छात्र पास हो जाता है, तो इसका मतलब है कि उसने वास्तव में विषय के सिद्धांतों को सीखा है, न कि केवल धुंधली तस्वीरों को।
3D विजन (3D Vision):
अणु चपटे नहीं होते; वे 3D आकार के होते हैं। पिछले AI मॉडल अक्सर अणुओं को फ्लैट ड्राइंग की तरह देखते थे (2D)। CA-DEL AI को मजबूर करता है कि वह अणुओं को 3D में देखे, जैसे कि एक पहेली के टुकड़े को यह देखने के लिए घुमाना कि वह कैसे फिट होता है।

3. उन्होंने क्या पाया (परिणाम)

लेखकों ने यह देखने के लिए विभिन्न AI मॉडलों को इस नए जिम में चलाया कि कौन सबसे अच्छा प्रदर्शन करता है।

साधारण मॉडल विफल रहे: वे मॉडल जो केवल बुनियादी गुणों (जैसे "क्या इसमें बेंजीन रिंग है?" या "यह कितना भारी है?") को देखते थे, वे बहुत खराब थे। वे शोर या 3D जटिलता को नहीं संभाल सके।
पुराना तरीका (Old School Docking) विफल रहा: पारंपरिक तरीके जो डेटा से सीखने के बजाय गणितीय रूप से टुकड़ों को जोड़ने की कोशिश करते हैं, वे भी संघर्ष करते रहे।
3D डीप लर्निंग की जीत हुई: विजेता उन्नत AI मॉडल थे जिन्होंने 3D संरचनाओं का उपयोग किया (विशेष रूप से DEL-Dock और DEL-Ranking नामक मॉडल)।
- ये मॉडल शोर को अनदेखा करने और वास्तविक "सोने के टुकड़ों" को खोजने में बहुत बेहतर थे।
- वे शीर्ष उम्मीदवारों (the "Top-N" hits) को चुनने में भी बेहतर थे, जो वास्तविक ड्रग डिस्कवरी में सबसे महत्वपूर्ण है।

4. सीमाएं: AI की "अनकैनी वैली" (The "Uncanny Valley" of AI)

सबसे अच्छे मॉडलों को भी एक विशिष्ट परिदृश्य में कठिनाई हुई जिसे Zero-Shot Generalization कहा जाता है।

परिदृश्य: AI को एक प्रोटीन के एक विशिष्ट 3D आकार (जैसे मुस्कुराते हुए व्यक्ति की फोटो) पर प्रशिक्षित किया गया था। फिर, इसे उसी प्रोटीन के थोड़े अलग आकार (जैसे उसी व्यक्ति के उदास/फrowning चेहरे) या एक बहुत ही समान प्रोटीन (उस व्यक्ति के जुड़वां) पर टेस्ट किया गया।
परिणाम: AI अक्सर भ्रमित हो गया। वह यह समझने में संघर्ष करता था कि "उदास चेहरा" अभी भी वही व्यक्ति है, या "जुड़वां" इतना अलग है कि उसके लिए एक अलग चाबी की आवश्यकता है।
निष्कर्ष: वर्तमान AI प्रोटीन के दिखने वाले आकार में होने वाले सूक्ष्म बदलावों के प्रति बहुत संवेदनशील है। इसने अभी तक अणुओं के चिपकने के अंतर्नि底层 "भौतिकी" (physics) को पूरी तरह से नहीं सीखा है; यह अभी भी प्रशिक्षण डेटा के विशिष्ट पैटर्न पर बहुत अधिक निर्भर है।

सारांश

CA-DEL ड्रग डिस्कवरी में AI के लिए एक नया, कठिन टेस्ट है। यह कंप्यूटरों को अस्त-व्यस्त, वास्तविक दुनिया के स्क्रीनिंग डेटा से सीखने और 3D आकारों को समझने और बहुत समान प्रोटीनों के बीच अंतर करने द्वारा सही दवा उम्मीदवारों को खोजने के लिए मजबूर करता है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि 3D-अवेयर AI पुराने तरीकों की तुलना में बहुत बेहतर है, लेकिन इसे जीवन रक्षक दवाओं को डिजाइन करने में मानव अंतर्ज्ञान (human intuition) को पूरी तरह से बदलने से पहले एक ही प्रोटीन के विभिन्न आकारों को संभालने के बारे में और अधिक स्मार्ट होने की आवश्यकता है।

तकनीकी सारांश: DNA-एन्कोडेड लाइब्रेरी स्क्रीन्स के लिए CA-DEL बेंचमार्क

समस्या विवरण
ड्रग डिस्कवरी में मशीन लर्निंग (ML) का अनुप्रयोग डीएनए-एन्कोडेड लाइब्रेरी (DEL) डेटा की प्रकृति के कारण मौलिक रूप से बाधित है। जबकि DEL तकनीक अरबों अणुओं की स्क्रीनिंग सक्षम करती है, प्राथमिक प्रयोगात्मक आउटपुट—सीक्वेंसिंग रीड काउंट्स—वास्तविक आणविक बाइंडिंग एफिनिटी (binding affinity) के लिए एक अप्रत्यक्ष, शोर युक्त (noisy) प्रॉक्सी है। यह सिग्नल नॉन-स्पेसिफिक बाइंडिंग, सिंथेसिस अशुद्धियों और PCR एम्प्लीफिकेशन बायस (biases) से प्रभावित होता है। इसके अलावा, DEL विश्लेषण के मौजूदा सार्वजनिक बेंचमार्क महत्वपूर्ण सीमाओं से ग्रस्त हैं: वे अक्सर बिना ग्राउंड-ट्रूथ वैलिडेशन के केवल शोर युक्त एनरिचमेंट स्कोर पर निर्भर करते हैं, उनमें सूक्ष्म 3D संरचनात्मक जानकारी का अभाव है, और वे अत्यधिक होमोलॉगस प्रोटीन आइसोफॉर्म्स के बीच चयनात्मकता (selectivity) की भविष्यवाणी करने की विशिष्ट चुनौती को हल करने में विफल रहते हैं। फलस्वरूप, उन मॉडलों के मूल्यांकन के लिए एक मजबूत बेंचमार्क की कमी है जो इन सिग्नल्स को डी-नॉइज़ (denoise) करने और लीड-ऑप्टिमाइज्ड कंपाउंड्स के लिए उच्च-थ्रूपुट स्क्रीनिंग डेटा से सामान्यीकरण (generalize) करने में सक्षम हों।

कार्यप्रणाली और डेटासेट निर्माण
इन कमियों को दूर करने के लिए, लेखक CA-DEL पेश करते हैं, जो कार्बनिक एनहाइड्रेज़ (Carbonic Anase - CA) आइसोफॉर्म्स पर केंद्रित एक बहु-आयामी, ओपन बेंचमार्क डेटासेट है। डेटासेट निर्माण में तीन प्राथमिक घटक शामिल हैं:

बहु-लक्ष्य चयनात्मकता चुनौती (Multi-Target Selectivity Challenge): यह बेंचमार्क तीन मानव CA आइसोफॉर्म्स को लक्षित करता है: CAII (एक सर्वव्यापी एंटी-टारगेट), और CAIX एवं CAXII (कैंसर-विशिष्ट लक्ष्य)। उच्च सक्रिय-स्थल होमोलॉजी (active-site homology) के बावजूद, इन प्रोटीनों के लिए मॉडलों को आइसोफॉर्म-विशिष्ट बाइंडिंग को अलग करने के लिए सूक्ष्म संरचनात्मक विशेषताओं को सीखना आवश्यक है, जो चयनात्मक अवरोधक डिजाइन (selective inhibitor design) के नैदानिक महत्व का अनुकरण करता है।
सिम-टू-रियल इवैल्यूएशन पैराडाइम (Sim-to-Real Evaluation Paradigm): डेटासेट को स्क्रीनिंग और वैलिडेशन के बीच के अंतर को पाटने के लिए संरचित किया गया है।
- ट्रेनिंग सेट्स: दो अलग-अलग DEL लाइब्रेरीज़ (CAS-DEL और DOS-DEL-1) से प्राप्त, जिनमें लगभग 360,000 कंपाउंड्स और एनरिचमेंट फैक्टर डेटा शामिल है।
- टेस्ट सेट्स: पूरी तरह से ChEMBL से लिए गए, जो सटीक, प्रयोगात्मक रूप से निर्धारित बाइंडिंग एफिनिटी ( $K_i$ ) वाले ड्रग-लाइक मॉलिक्यूल्स हैं।
- डिस्ट्रीब्यूशनल शिफ्ट (Distributional Shift): एक जानबूझकर बनाया गया आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) चैलेंज, जहाँ ट्रेनिंग डेटा (कॉम्बिनेटोरियल लाइब्रेरीज़) और टेस्ट डेटा (ChEMBL) अलग-अलग, गैर-अतिव्यापी (non-overlapping) रासायनिक क्षेत्रों में स्थित हैं, जो भौतिक-रासायनिक गुणों (जैसे QED, आणविक भार) में भिन्न हैं।
बहु-मोडल रिप्रेसेंटेशन जनरेशन (Multi-Modal Representation Generation): 3D संरचनात्मक संदर्भ को शामिल करने के लिए, लेखकों ने प्रोटीन-लिगैंड कॉन्फ़िगरेशन जनरेट करने वाला एक पाइपलाइन स्थापित किया। हाई-रिज़ॉल्यूशन PDB संरचनाओं और SMINA डॉकिंग का उपयोग करके, उन्होंने प्रत्येक लिगैंड-प्रोटीन जोड़ी के लिए नौ संभावित बाइंडिंग पोज़ (poses) के एन्सेम्बल जनरेट किए। यह दृष्टिकोण सिंगल डॉकिंग स्कोर की अविश्वसनीयता से मॉडल के प्रदर्शन को अलग करता है, जिससे कॉन्फ़ॉर्मेशनल पोस्टीरियर डिस्ट्रीब्यूशन के मजबूत डिस्क्रीट अनुमान प्रदान किए जा सकते हैं।

प्रमुख योगदान
पेपर चार प्राथमिक योगदानों को रेखांकित करता है:

बहु-लक्ष्य चयनात्मकता बेंचमार्क: संरक्षित कैटेलिटिक तंत्रों में चयनात्मकता की चुनौती को संबोधित करते हुए, अत्यधिक होमोलॉगस CA आइसोफॉर्म्स पर मॉडलों के मूल्यांकन के लिए एक विशेष टेस्टबेड।
बहु-मोडल आणविक रिप्रेसेंटेशन: 200,000 से अधिक कंपाउंड्स के लिए पारंपरिक 2D टोपोलॉजी के साथ व्यवस्थित रूप से जनरेट किए गए 3D प्रोटीन-लिगैंड कॉन्फ़िगरेशन का एकीकरण, जो बड़े पैमाने पर ज्यामितीय डीप लर्निंग के मूल्यांकन को सक्षम बनाता है।
ग्राउंड-ट्रूथ वैलिडेटेड OOD चैलेंज: एक कार्य डिज़ाइन जो शोर युक्त DEL एनरिचमेंट सिग्नल्स से सटीक ChEMBL $K_i$ मानों तक सामान्यीकरण का परीक्षण करता है, जो वास्तविक दुनिया के हिट-टू-लीड ऑप्टिमाइजेशन को दर्शाता है।
व्यावहारिक मूल्यांकन मेट्रिक्स: संसाधन-बाधित खोज में मॉडल उपयोगिता का आकलन करने के लिए 'टॉप-N हिट रेट' विश्लेषण का परिचय, जो पारंपरिक सहसंबंध मेट्रिक्स से आगे बढ़कर शीर्ष-रैंक वाले कंपाउंड्स के बीच वास्तविक हिट्स के प्रतिशत को मापता है।

परिणाम और विश्लेषण
लेखकों ने स्पियरमैन रैंक सहसंबंध ( $\rho$ ) और टॉप-N हिट रेट का उपयोग करके भौतिक-रासायनिक बेसलाइन्स से लेकर उन्नत डीप लर्निंग आर्किटेक्चर तक की एक श्रृंखला मॉडलों का मूल्यांकन किया।

परफॉरमेंस पदानुक्रम (Performance Hierarchy): परिणाम एक स्पष्ट पदानुक्रम प्रदर्शित करते हैं जहाँ 3D-अवेयर डीप लर्निंग मॉडल (विशेष रूप से DEL-Dock और DEL-Ranking) 2D-आधारित मॉडलों और क्लासिकल डॉकिंग विधियों से काफी बेहतर प्रदर्शन करते हैं। क्रिटिकल SubSp मेट्रिक (वास्तविक $K_i$ के साथ सहसंबंध) पर, 3D मॉडलों ने -0.323 जितने मजबूत मान प्राप्त किए, जबकि 2D बेसलाइन और क्लासिकल डॉकिंग ने शून्य या सकारात्मक सहसंबंध दिखाया।
डी-नॉइजिंग क्षमता: 3D मॉडलों की सफलता यह सुझाव देती है कि वे लाइब्रेरी-विशिष्ट सांख्यिकीय आर्टिफैक्ट्स के बजाय मौलिक बायोफिजिकल इंटरेक्शन फीचर्स को सीखते हैं, जिससे DEL सिग्नल्स प्रभावी ढंग से डी-नॉइज़ होते हैं।
टॉप-N एनरिचमेंट: व्यावहारिक टॉप-N हिट रेट विश्लेषण में, 3D मॉडल शीर्ष रैंकिंग में लगातार हावी रहे, जिससे शक्तिशाली केमिकल मैटर को सूची के शीर्ष पर सफलतापूर्वक केंद्रित किया जा सका, जबकि 2D मॉडलों ने प्रदर्शन में भारी गिरावट दिखाई।
सामान्यीकरण की सीमाएं (Generalization Limits): ज़ीरो-शॉट प्रयोगों ने महत्वपूर्ण सीमाओं का खुलासा किया। एक क्रिस्टल संरचना या टारगेट आइसोफॉर्म पर प्रशिक्षित मॉडल, अनदेखी कॉन्फ़िगरेशन या होमोलॉगस टारगेट (जैसे CAIX से CAXII) तक सामान्यीकरण करने में संघर्ष करते हैं, जो अक्सर उलटे (inverted) रैंकिंग का परिणाम देते हैं। यह इंगित करता है कि वर्तमान 3D मॉडल कॉन्फ़ॉर्मेशनल विविधताओं के प्रति संवेदनशील हैं और विशिष्ट रिजिड स्टेट्स या लाइब्रेरी-विशिष्ट फीचर्स पर ओवरफिट हो सकते हैं।

महत्व और दावे
पेपर का दावा है कि CA-DEL 3D-अवेयर, चयनात्मकता-केंद्रित मशीन लर्निंग मॉडलों के विकास और मूल्यांकन के लिए एक व्यापक मंच प्रदान करता है। एक कठोर "सिम-टू-रियल" मूल्यांकन पैराडाइम स्थापित करके, यह बेंचमार्क इस परिकल्पना को मान्य करता है कि शोर युक्त DEL डेटा से वास्तविक बाइंडिंग सिग्नल निकालने के लिए स्पष्ट ज्यामितीय मॉडलिंग आवश्यक है। लेखक तर्क देते हैं कि हालांकि वर्तमान अत्याधुनिक दृष्टिकोण आशाजनक दिखते हैं, लेकिन ज़ीरो-शॉट सामान्यीकरण और सूक्ष्म चयनात्मकता में देखी गई सीमाएं भविष्य के अनुसंधान की आवश्यकता को उजागर करती हैं, जिसमें फिजिक्स-इंफॉर्म्ड आर्किटेक्चर, अनिश्चितता मात्रा निर्धारण (uncertainity quantification), और व्याख्या योग्य AI (explainable AI) शामिल हैं, ताकि तर्कसंगत ड्रग डिजाइन की क्षमता को पूरी तरह से साकार किया जा सके। इस कार्य का उद्देश्य एक मानकीकृत, बहु-मोडल संसाधन प्रदान करके स्ट्रक्चर-बेस्ड ड्रग डिजाइन के लिए ज्यामितीय डीप लर्निंग में प्रगति को उत्प्रेरित करना है।

1. समस्या: "शोर वाला" सिग्नल (The "Noisy" Signal)

2. नया बेंचमार्क: CA-DEL

3. उन्होंने क्या पाया (परिणाम)

4. सीमाएं: AI की "अनकैनी वैली" (The "Uncanny Valley" of AI)

सारांश

इसी तरह के और पेपर