🧬 biology

ProtoPathway: Biologically Structured Prototype-Pathway Fusion for Multimodal Cancer Survival Prediction

ProtoPathway एक व्याख्यात्मक-दर-डिज़ाइन (interpretable-by-design) मल्टीमॉडल फ्रेमवर्क है जो जीन, पाथवे और ऊतक आकारिकी (tissue morphology) में नेटिव, जैविक रूप से आधारित व्याख्यात्मकता के साथ प्रतिस्पर्धी कैंसर उत्तरजीविता भविष्यवाणी प्राप्त करने के लिए सीखने योग्य रूपात्मक प्रोटोटाइप (morphological prototypes) और Reactome पाथवे एम्बेडिंग्स के माध्यम से होल स्लाइड इमेजिंग और ट्रांसक्रिप्टोमिक्स को एकीकृत करता है।

मूल लेखक: Amaya Gallagher-Syed, Costantino Pitzalis, Myles J. Lewis, Michael R. Barnes, Gregory Slabaugh

प्रकाशित 2026-05-21

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Amaya Gallagher-Syed, Costantino Pitzalis, Myles J. Lewis, Michael R. Barnes, Gregory Slabaugh

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 यह भविष्यवाणी करने की कोशिश कर रहे हैं कि कैंसर से पीड़ित मरीज कितने समय तक जीवित रह सकता है। डॉक्टरों के पास दो मुख्य सुराग हैं:

नक्शा (हिस्टोलॉजी - Histology): ट्यूमर ऊतक (tissue) की एक विशाल, उच्च-रिज़ॉल्यूशन वाली तस्वीर, जो दिखाती है कि कोशिकाएं कैसी दिखती हैं और वे कैसे व्यवस्थित हैं।
मैनुअल (जीनोमिक्स - Genomics): कोशिकाओं के भीतर निर्देशों की एक सूची (जीन्स) जो उन्हें व्यवहार करने, बढ़ने और प्रतिक्रिया करने के लिए बताती है।

लंबे समय तक, कंप्यूटर प्रोग्रामों ने इन दोनों सुरागों को जोड़ने की कोशिश की, लेकिन वे एक ऐसे अनुवादक की तरह थे जो दो भाषाएं तो बोल सकता है पर किसी भी भाषा के व्याकरण को नहीं समझता। वे तस्वीर और सूची को अलग-अलग देखते थे, और फिर अनुमान लगाते थे कि वे आपस में कैसे फिट होते हैं। इस वजह से यह समझाना मुश्किल हो जाता था कि कंप्यूटर ने एक विशिष्ट भविष्यवाणी क्यों की।

ProtoPathway एक नया कंप्यूटर प्रोग्राम है जिसे इस समस्या को हल करने के लिए डिज़ाइन किया गया है। यह केवल अनुमान नहीं लगाता; इसे जीव विज्ञान के "व्याकरण" को समझने के लिए ज़मीन से तैयार किया गया है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग यहाँ दिया गया है:

1. "मॉर्फोलॉजिकल प्रोटोटाइप्स" (आकार बदलने वाला/The Shape Shifter)

समस्या: एक एकल ऊतक (tissue) की तस्वीर विशाल और अव्यवस्थित होती है, जिसमें हज़ारों छोटे-छोटे पैच होते हैं। यह हर एक ईंट को सूचीबद्ध करके पूरे शहर का वर्णन करने जैसा है।
समाधान: ProtoPathway 16 "मास्टर शेप्स" (प्रोटोटाइप्स) का एक छोटा सेट सीखता है।

इन्हें 16 विशिष्ट "व्यक्तित्वों" या "पात्रों" के रूप में सोचें।
एक पात्र "सघन ट्यूमर" (The Dense Tumor) हो सकता है, दूसरा "मांसपेशियों की दीवार" (The Muscle Wall), और तीसरा "प्रतिरक्षा सेना" (The Immune Army)।
हर एक ईंट को देखने के बजाय, कंप्यूटर पूछता है: "यह ऊतक का हिस्सा इन 16 पात्रों में से किस जैसा दिखता है?"
जादू: ये पात्र मनुष्यों द्वारा पूर्व-निर्धारित नहीं किए गए हैं। कंप्यूटर हजारों मरीजों का अध्ययन करके उन्हें अपने आप सीखता है। वे ऊतक को देखने का कंप्यूटर का मानक तरीका बन जाते हैं।

2. "पाथवे ग्राफ" (जैविक नेटवर्क/The Biological Network)

समस्या: जीन अकेले काम नहीं करते; वे "पाथवे" (पथों) नामक टीमों में काम करते हैं (जैसे एक दीवार बनाने वाली निर्माण टीम)। पुराने तरीकों ने प्रत्येक टीम को एक अलग, अलग-थलग साइलो (silo) के रूप में माना।
समाधान: ProtoPathway जीन्स और टीमों के बीच एक दो-तरफा पुल बनाता है।

कल्पना करें कि एक सबवे मैप है जहाँ "जीन्स" स्टेशन हैं और "पाथवे" लाइनें हैं।
पुराने मैप में, एक स्टेशन (जीन) केवल एक ही लाइन से बात कर सकता था। ProtoPathway में, एक स्टेशन एक साथ कई लाइनों पर हो सकता है।
कंप्यूटर इस मैप पर संदेशों का आदान-प्रदान करता है। यदि एक जीन दो अलग-अलग टीमों का हिस्सा है, तो वह उन टीमों को एक-दूसरे से बात करने में मदद करता है। यह एक बहुत अधिक स्मार्ट, अधिक जुड़ा हुआ जैविक समझ बनाता है।

3. "क्रॉस-मोडल फ्यूजन" (जासूस का तर्क/The Detective's Logic)

समस्या: "आकार" (ऊतक) को "मैनुअल" (जीन्स) से कैसे जोड़ा जाए?
समाधान: प्रोग्राम एक विशिष्ट तर्क का उपयोग करता है: मैनुअल, आकार को संचालित करता है।

जैविक रूप से, जीन (निर्देश) तय करते हैं कि ऊतक किस प्रकार के आकार बनाएगा।
ProtoPathway इसकी नकल करता है, जिससे 16 मास्टर शेप्स को जैविक पाथवे से "सवाल पूछने" की अनुमति मिलती है।
यह एक जासूस (आकार) द्वारा एक गवाह (पाथवे) से पूछने जैसा है: "क्या आपने इस तरह की गतिविधि देखी?"
कंप्यूटर एक स्कोरकार्ड बनाता है जो दिखाता है कि कौन सी जैविक टीमें किस ऊतक के आकार के लिए जिम्मेदार हैं।

यह क्यों महत्वपूर्ण है ("व्याख्या योग्य" भाग/The "Explainable" Part)

अधिकांश AI मॉडल "ब्लैक बॉक्स" होते हैं। आप डेटा डालते हैं, और भविष्यवाणी बाहर आती है, लेकिन आपको पता नहीं चलता कि क्यों।

पुराना तरीका: "कंप्यूटर कहता है कि जोखिम अधिक है क्योंकि इमेज खराब दिख रही है और जीन्स भी खराब दिख रहे हैं।" (अस्पष्ट)।
ProtoPathway का तरीका: "कंप्यूटर कहता है कि जोखिम अधिक है क्योंकि ट्यूमर आक्रमण आकार (Tumor Invasion Shape), एडेनोसिन सिग्नलिंग पाथवे (एक विशिष्ट जैविक टीम) से मजबूती से जुड़ा है, जो कि आक्रामक माना जाता है।"

क्योंकि यह प्रोग्राम इस तरह से बनाया गया है, यह मरीज के ऊतक का एक नक्शा बना सकता है और उसे रंगीन (color-code) कर सकता है ताकि यह दिखाया जा सके कि कौन सी जैविक टीमें किन स्थानों में सक्रिय हैं। यह यहाँ तक बता सकता है कि कौन से विशिष्ट जीन उन टीमों को चला रहे हैं।

परिणाम

लेखकों ने पाँच अलग-अलग प्रकार के कैंसर (जैसे मूत्राशय, स्तन और पेट का कैंसर) पर इसका परीक्षण किया।

सटीकता (Accuracy): इसने अस्तित्व के सर्वोत्तम तरीकों के समान या उनसे बेहतर तरीके से उत्तरजीविता (survival) की भविष्यवाणी की।
गति (Speed): यह बहुत तेज़ है और कम कंप्यूटर मेमोरी का उपयोग करता है क्योंकि यह हजारों छोटे टुकड़ों को देखने के बजाय विशाल छवियों को केवल 16 "मास्टर शेप्स" में संकुचित कर देता है।
विश्वास (Trust): यह प्रत्येक भविष्यवाणी के लिए एक स्पष्ट, जैविक कहानी प्रदान करता है, जो एक विशिष्ट जीन $\rightarrow$ एक जैविक पाथवे $\rightarrow$ एक विशिष्ट ऊतक आकार $\rightarrow$ अंतिम जोखिम स्कोर के बीच संबंध दिखाता है।

संक्षेप में, ProtoPathway एक ऐसा उपकरण है जो न केवल भविष्य की भविष्यवाणी करता है; बल्कि यह सूक्ष्म निर्देशों (जीन्स) को दृश्य परिदृश्य (ऊतक) से जोड़कर बीमारी की कहानी को समझाता है, जो जीव विज्ञानियों के लिए तर्कसंगत है।

ProtoPathway का तकनीकी सारांश: मल्टीमॉडल कैंसर उत्तरजीविता भविष्यवाणी के लिए जैविक रूप से संरचित प्रोटोटाइप-पाथवे फ्यूजन

समस्या विवरण
कैंसर के लिए वर्तमान मल्टीमॉडल उत्तरजीविता भविष्यवाणी मॉडल अक्सर होल स्लाइड इमेजेस (WSIs) और बल्क ट्रांसक्रिप्टोमिक प्रोफाइल को एकीकृत करते हैं, लेकिन वे दो प्राथमिक सीमाओं से ग्रस्त हैं: अंतर्निहित व्याख्यात्मकता (interpretability) की कमी और उनके क्रॉस-मोडल फ्यूजन तंत्र में जैविक रूप से आधारित सिमेंटिक पहचान का अभाव। मौजूदा विधियाँ अक्सर पोस्ट-हॉक व्याख्यात्मकता तकनीकों (जैसे SHAP, LIME) पर निर्भर करती हैं जो मॉडलों को 'ब्लैक बॉक्स' की तरह मानती हैं, या वे उन रिप्रजेंटेशन का उपयोग करके मोडैलिटीज को फ्यूज करती हैं जिनमें रोगियों के बीच स्थिर अर्थ का अभाव होता है (जैसे व्यक्तिगत, गैर-सुसंगत पैच पर अटेंशन या स्वतंत्र पाथवे एनकोडर जो जीन-पाथवे टोपोलॉजी की अनदेखी करते हैं)। चिकित्सकों को ऐसे मॉडलों की आवश्यकता होती है जहाँ तर्क (reasoning) स्वाभाविक रूप से पारदर्शी हो, और जिनके रिप्रजेंटेशन स्थापित जैविक पदानुक्रमों के साथ संरेखित हों ताकि ज्ञात रोग तंत्रों के विरुद्ध भविष्यवाणियों को सत्यापित किया जा सके।

कार्यप्रणाली (Methodology)
ProtoPathway एक 'इंटरप्रिटेबल-बाय-डिजाइन' फ्रेमवर्क है जो WSI और ट्रांसक्रिप्टोमिक्स को एक ऐसे अनिकोडर के माध्यम से एकीकृत करता है जो दोनों ओर जैविक रूप से आधारित रिप्रजेंटेशन उत्पन्न करता है। इस आर्किटेक्चर के तीन मुख्य घटक हैं:

लर्न करने योग्य रूपात्मक प्रोटोटाइप (WSI एनकोडर): हजारों परिवर्तनशील-लंबाई वाले इमेज पैच को अटेंशन वेट्स के माध्यम से एकत्रित करने के बजाय, ProtoPathway WSI को $K$ लर्न करने योग्य प्रोटोटाइप वेक्टर्स में संकुचित कर देता है। इन प्रोटोटाइप्स को सर्वाइवल ऑब्जेक्टिव के साथ एंड-टू-एंड प्रशिक्षित किया जाता है। पैच को एक साझा प्रोजेक्टेड स्पेस में कोसाइन सिमिलैरिटी के आधार पर प्रोटोटाइप्स को सॉफ्ट असाइनमेंट के माध्यम से सौंपा जाता है। परिणामी प्रोटोटाइप टोकन स्वयं स्लाइड रिप्रजेंटेशन के रूप में कार्य करते हैं, जो रोगनिरोधी (prognostic) रूप से प्रासंगिक आवर्ती रूपात्मक पैटर्न को कैप्चर करते हैं। यह स्थानिक व्याख्यात्मकता (spatial interpretability) की अनुमति देता है, क्योंकि पैच को उनके निर्दिष्ट प्रोटोटाइप के आधार पर विशिष्ट ऊतक स्थानों (tissue locations) से मैप किया जा सकता है।
टोपोलॉजी-अवेयर ट्रांसक्रिप्टोमिक एनकोडिंग (जीनोमिक एनकोडर): प्रत्येक पाथवे के लिए स्वतंत्र सेल्फ-नॉर्मलाइजिंग नेटवर्क (SNNs) का उपयोग करने के बजाय, ProtoPathway Reactome पाथवे पदानुक्रम पर एक द्विपक्षीय (bipartite) ग्राफ न्यूरल नेटवर्क (GNN) का उपयोग करता है। जीन और पाथवे दो प्रकार के नोड्स बनाते हैं जो द्विदिश सदस्यता किनारों (bidirectional membership edges) से जुड़े होते हैं। सूचना GraphSAGE लेयर्स के माध्यम से प्रसारित होती है, जिससे कई पाथवे में भाग लेने वाले जीन अप्रत्यक्ष रूप से क्रॉस-पाथवे संचार की सुविधा प्रदान करते हैं। एक अंतिम GATv2 अटेंशन लेयर पाथवे के भीतर जीन महत्व के भार (weights) की गणना करती है। यह संरचना सुनिश्चित करती है कि पाथवे एम्बेडिंग्स न केवल अपने घटक जीनों को, बल्कि अपने व्यापक जैविक संदर्भ को भी दर्शाती हैं।
सिमेंटिकली ग्राउंडेड एसिमेट्रिक क्रॉस-मोडल फ्यूजन: फ्यूजन तंत्र आणविक कार्यक्रमों (molecular programs) से ऊतक आकारिकी (tissue morphology) की ओर जैविक कारण दिशा (causal direction) को मॉडल करता है। प्रोटोटाइप टोकन्स, पाथवे एम्बेडिंग्स को मल्टी-हेड क्रॉस-अटेंशन के माध्यम से क्वेरी करते हैं। यह एक कॉम्पैक्ट $K \times P$ अटेंशन मैट्रिक्स बनाता है जहाँ प्रोटोटाइप 'क्वेरी' के रूप में और पाथवे 'की/वैल्यू' के रूप में कार्य करते हैं। क्योंकि दोनों अक्षों में एक स्थिर, टास्क-लर्न की गई पहचान होती है, इसलिए यह अटेंशन मैट्रिक्स केवल एक आंतरिक गणना नहीं है, बल्कि एक सीधा व्याख्यात्मक आउटपुट है, जो विशिष्ट ऊतक पैटर्न को विशिष्ट जैविक कार्यक्रमों से जोड़ता है।

मुख्य योगदान
यह शोध पत्र तीन विशिष्ट योगदान प्रस्तुत करता है:

स्लाइड रिप्रेसेंटेशन के रूप में लर्न किए गए प्रोटोटाइप: मॉडल हजारों पैच को एकत्रित करने के बजाय $K$ लर्न करने योग्य प्रोटोटाइप वेक्टर्स का उपयोग करता है। ये टोकन दोहरी भूमिका निभाते हैं: रूपात्मक एग्रीगेटर के रूप में और क्रॉस-मोडल अटेंशन में क्वेरी के रूप में।
ट्रांसक्रिप्टोमिक्स में द्विदिश मैसेज पासिंग: एक द्विपक्षीय GNN Reactome पदानुक्रम के भीतर जीन अभिव्यक्ति को एनकोड करता है, जिससे पैरामीटर शेयरिंग और क्रॉस-पाथवे संचार संभव होता है, जो पूर्ववर्ती कार्यों में प्रयुक्त स्वतंत्र प्रति-पाथवे एनकोडर का स्थान लेता है।
नेटिव इंटरप्रिटेबिलिटी के साथ एसिमेट्रिक फ्यूजन: क्रॉस-अटेंशन मैकेनिज्म प्रोटोटाइप $\times$ पाथवे मैट्रिक्स पर कार्य करता है, जो आणविक कार्यक्रमों से आकारिकी की ओर जैविक दिशा को दर्शाता है। यह डिज़ाइन एक ट्रेस करने योग्य एट्रिब्यूशन चेन प्रदान करता है जो जीनों से पाथवे और प्रोटोटाइप के माध्यम से स्थानिक ऊतक मानचित्रों तक जाता है, जिसके लिए पोस्ट-हॉक विधियों की आवश्यकता नहीं होती।

प्रायोगिक परिणाम
ProtoPathway का मूल्यांकन पांच TCGA कैंसर कोहॉर्ट्स (BRCA, BLCA, COADREAD, HNSC, STAD) पर किया गया।

प्रदर्शन: मॉडल ने 0.670 का उच्चतम समग्र कॉनकॉर्डेंस इंडेक्स (C-index) प्राप्त किया, जिसने MCAT (0.662) और MMP (0.659) जैसे स्थापित मल्टीमॉडल बेसलाइन को पीछे छोड़ दिया। यह पांच में से चार कोहॉर्ट्स पर प्रथम स्थान पर रहा। विशेष रूप से, HNSC कोहॉर्ट पर, यह एकमात्र मल्टीमॉडल विधि थी जिसने जीन-ओनली SNN बेसलाइन को स्पष्ट रूप से पछाड़ दिया।
दक्षता: प्रोटोटाइप-आधारित संपीड़न ने कम्प्यूटेशनल लागत को काफी कम कर दिया। ProtoPathay को 480K पैरामीटर्स और 3.9G FLOPs की आवश्यकता थी, जिससे इसने MCAT और SurvPath जैसी विधियों की तुलना में 28–50 $\times$ प्रशिक्षण गति में तेजी प्राप्त की, और कम VRAM (SurvPath के 818 MB के मुकाबले 325 MB) का उपयोग किया।
व्याख्यात्मकता: BLCA कोहॉर्ट पर गुणात्मक विश्लेषण ने दिखाया कि मॉडल ने ज्ञात रोगनिरोधी हस्ताक्षरों (prognostic signatures) को पुनः प्राप्त किया। उदाहरण के लिए, इसने पहचाना कि मांसपेशी आक्रमण (एक प्रमुख स्टेजिंग कारक) और स्ट्रोमल-इम्यून संरचना महत्वपूर्ण थे, जिससे मॉडल ने पाथवे संदर्भ को शामिल करने के बाद रूपात्मक रूप से प्रभावी ट्यूमर क्षेत्रों से ध्यान हटाकर माइक्रोएनवायरमेंट की ओर केंद्रित किया। स्थानिक ओवरले ने विशिष्ट पाथवे (जैसे कोलेस्ट्रॉल मेटाबॉलिज्म, साइटोकाइन सिग्नलिंग) और जीनों (जैसे IL7R, FGFR2b) को विशिष्ट ऊतक कंपार्टमेंट्स के साथ सफलतापूर्वक मैप किया।

महत्व और दावे
लेखक दावा करते हैं कि ProtoPathway मौजूदा विधियों के प्रदर्शन से मेल खाते हुए या उन्हें पार करते हुए, व्यक्तिगत जीनों से लेकर स्थानिक ऊतक क्षेत्रों तक एक पूर्ण व्याख्यात्मक श्रृंखला प्रदान करता है। इसका महत्व इस बात में है कि यह "नेटिव इन्फरेंस-टाइम एट्रिब्यूशन" प्रदान करता है जहाँ मॉडल का तर्क पारदर्शी है क्योंकि इसके रिप्रजेंटेशन स्वयं डोमेन-ग्राउंडेड पहचान रखते हैं। रूपात्मक और जीनोमिक दोनों अक्षों पर स्थिर, टास्क-लर्न की गई सिमेंटिक पहचान लागू करके, यह फ्रेमवर्क पोस्ट-हॉक स्पष्टीकरण की 'ब्लैक बॉक्स' प्रकृति और स्वतंत्र पाथवे एनकोडर की जैविक असंगतता से बचता है। यह दृष्टिकोण चिकित्सकों को मॉडल के तर्क को स्थापित जीव विज्ञान के विरुद्ध सत्यापित करने में सक्षम बनाता है, जो उच्च-जोखिम वाले निर्णय लेने में नैदानिक स्वीकृति के लिए एक पूर्व शर्त है। लेखक इसकी सीमाओं का उल्लेख करते हैं, जिसमें बल्क ट्रांसक्रिप्टोमिक्स (कोशिका आबादी का औसत) का उपयोग और यह तथ्य शामिल है कि अटेंशन मैग्नीट्यूड अभिव्यक्ति परिवर्तन की दिशा को एनकोड नहीं करता है, जिसके लिए पूर्ण जैविक व्याख्या के लिए अलग से डिफरेंशियल एक्सप्रेशन विश्लेषण की आवश्यकता होती है।

1. "मॉर्फोलॉजिकल प्रोटोटाइप्स" (आकार बदलने वाला/The Shape Shifter)

2. "पाथवे ग्राफ" (जैविक नेटवर्क/The Biological Network)

3. "क्रॉस-मोडल फ्यूजन" (जासूस का तर्क/The Detective's Logic)

यह क्यों महत्वपूर्ण है ("व्याख्या योग्य" भाग/The "Explainable" Part)

परिणाम

इसी तरह के और पेपर