💻 computer science

LineageFlow: Flow Matching for High-Fidelity Family-Aware Protein Sequence Generation

यह शोध पत्र LineageFlow को प्रस्तुत करता है, जो एक डिरिचलेट फ्लो-मैचिंग मॉडल है जो पूर्वज वंश प्रायर्स (ancestral lineage priors) से आरंभ करके और उद्देश्य-निर्देशित सैंपलिंग के लिए एक नवीन रिरोटिंग रणनीति का उपयोग करके जैव-भौतिक रूप से सुसंगत और परिवार-सुसंगत प्रोटीन अनुक्रमों के सृजन को बढ़ाता है, जिससे यह वैधता, संरचनात्मक विश्वास और विविधता में पारंपरिक शोर-आधारित बेसलाइनों से बेहतर प्रदर्शन करता है।

मूल लेखक: Langzhang Liang, Ming Yang, Yi Feng, Junfan Li, Shirui Pan, Yinghui Xu, Tianlei Ying, Yizhen Zheng, Zenglin Xu

प्रकाशित 2026-05-22

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Langzhang Liang, Ming Yang, Yi Feng, Junfan Li, Shirui Pan, Yinghui Xu, Tianlei Ying, Yizhen Zheng, Zenglin Xu

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 नया गाना बनाने की कोशिश कर रहे हैं। आप चाहते हैं कि गाना एक विशिष्ट शैली (जैसे "जैज़" या "हेवी मेटल") का लगे, लेकिन आप यह भी चाहते हैं कि वह एक ताज़ा, मौलिक रचना हो जिसे पहले कभी न सुना गया हो।

यह ठीक वही चुनौती है जिसका सामना वैज्ञानिक नए प्रोटीन (जीवन के निर्माण खंड) डिजाइन करते समय करते हैं। वे ऐसे प्रोटीन अनुक्रम (sequences) बनाना चाहते हैं जो:

एक विशिष्ट परिवार (जैसे, एक विशिष्ट प्रकार का एंजाइम) से संबंधित हों।
जैविक रूप से व्यवहार्य हों (वे वास्तव में 3D आकार में मुड़ सकें और काम कर सकें)।
नवीन हों (केवल मौजूदा प्रोटीनों की नकल न हों)।

यह पेपर इस समस्या को हल करने के लिए LineageFlow नामक एक नया टूल पेश करता है। यह कैसे काम करता है, इसके लिए सरल उपमाओं का उपयोग किया गया है।

समस्या: "स्टैटिक" (Static) से शुरुआत करना

प्रोटीन बनाने वाले अधिकांश वर्तमान AI मॉडल एक जैज़ गाना लिखने की कोशिश करने जैसे हैं, जहाँ आप व्हाइट नॉइज़ (रेडियो पर आने वाली खरखराहट/स्टैटिक) या एक कोरे पन्ने से शुरुआत करते हैं।

वे अक्षरों के पूरी तरह से यादृच्छिक (random) ढेर से शुरुआत करते हैं।
वे स्टेप-दर-स्टेप उस शोर को "साफ" करने की कोशिश करते हैं जब तक कि एक गाना उभर न आए।
दोष: क्योंकि वे शून्य से शुरुआत करते हैं, AI को सब कुछ शुरू से ही समझना पड़ता है, जिसमें बुनियादी नियम (संरक्षित भाग) भी शामिल हैं। यह अक्सर शैली के नियमों को भूल जाता है, जिससे परिणाम या तो शोर जैसा सुनाई देता है या पूरी तरह से अलग शैली का होता है। यह नई चीजें जोड़ते समय "परिवार" की पहचान बनाए रखने में संघर्ष करता है।

समाधान: LineageFlow ("वंशवृक्ष" दृष्टिकोण)

LineageFlow शुरुआती बिंदु को बदल देता है। स्टैटिक से शुरू करने के बजाय, यह एक पारिवारिक विरासत (heirloom) से शुरू होता है।

पूर्वज ढांचा (विरासत):
एक नया प्रोटीन बनाने से पहले, मॉडल उस प्रोटीन प्रकार के "वंशवृक्ष" (family tree) को देखता है। यह अनुमान लगाने के लिए कि लाखों साल पहले इस प्रोटीन का प्राचीन, मूल संस्करण कैसा दिखता था, यह एन्सेस्ट्रल सीक्वेंस रिकंस्ट्रक्शन (Ancestral Sequence Reconstruction) नामक तकनीक का उपयोग करता है।

उपमा: कल्पना कीजिए कि आप एक जैज़ संगीतकार हैं। शून्य से शुरू करने के बजाय, आप अपने दादाजी द्वारा बजाए गए एक क्लासिक, प्रसिद्ध जैज़ स्टैंडर्ड से शुरुआत करते हैं। आप जानते हैं कि मुख्य धुन (संरक्षित भाग) सही और सुरक्षित है।

संरचित उत्परिवर्तन (इम्प्रोवाइजेशन/तत्काल रचना):
मॉडल पूरी धुन को फिर से बनाने की कोशिश नहीं करता है। इसके बजाय, यह निर्माण प्रक्रिया को उस क्लासिक धुन पर इम्प्रोवाइज करने के रूप में देखता है।

यह "विरासत" वाली धुन (प्रोटीन के आवश्यक, संरक्षित भागों) को बरकरार रखता है।
यह केवल उन हिस्सों को बदलता है जिन्हें बदलने की अनुमति है (जैसे "सोलो" सेक्शन)।
परिणाम: नया गाना तुरंत जैज़ के रूप में पहचाना जा सकता है (उच्च परिवार वैधता) क्योंकि यह अपनी जड़ को साझा करता है, लेकिन सोलो वाले हिस्से नए और रचनात्मक होते हैं।

"रिरोटिंग" (Rerouting) फीचर: निर्देशित विकास

यह पेपर एक चतुर तकनीक पेश करता है जिसे रिरोटिंग कहा जाता है।

परिदृश्य: आप उस जैज़ स्टैंडर्ड पर इम्प्रोवाइज कर रहे हैं। गाने के बीच में, आप यह सुनिश्चित करना चाहते हैं कि नया सोलो वाकई बहुत अच्छा हो (उदाहरण के लिए, इसे तेज़ या अधिक ऊर्जावान होना चाहिए)।
पुराना तरीका: आप हर सेकंड पूरे गाने को नियंत्रित करने की कोशिश कर सकते हैं, जो थका देने वाला है और अक्सर प्रवाह को तोड़ देता है।
LineageFlow का तरीका (रिरोटिंग): आप गाने को बीच में रोक देते हैं। आप अपने वर्तमान इम्प्रोवाइजेशन का एक स्नैपशॉट लेते हैं, कुछ त्वरित बदलाव (म्यूटेशन) करते हैं, सबसे अच्छे संस्करण को चुनते हैं, और उसे बढ़ाते (amplify) हैं। फिर, आप उस बेहतर स्थान से बजाना फिर से शुरू करते हैं।
उपमा: यह डायरेक्टेड इवोल्यूशन (एक वास्तविक दुनिया की लैब तकनीक जहाँ वैज्ञानिक बेहतर गुणों को खोजने के लिए बैक्टीरिया को विकसित करते हैं) की तरह है। AI इस "म्यूटेट-सेलेक्ट-एम्प्लीफाई" लूप को निर्माण प्रक्रिया के बीच में सिम्युलेट करता है ताकि प्रोटीन को एक विशिष्ट लक्ष्य (जैसे अधिक स्थिरता या घुलनशीलता) की ओर धकेला जा सके, बिना इसकी पारिवारिक पहचान खोए।

उन्होंने क्या पाया?

लेखकों ने हजारों अलग-अलग प्रोटीन परिवारों पर LineageFlow का परीक्षण किया (विभिन्न संगीत शैलियों के एक विशाल पुस्तकालय की तरह)।

बेहतर पारिवारिक पहचान: अन्य मॉडलों के विपरीत, जो अक्सर पहचानने योग्य "जैज़" गाना (परिवार) बनाने में विफल रहते हैं, LineageFlow लगभग हमेशा एक ऐसा गाना बनाता है जो बिल्कुल उसी इच्छित शैली का लगता है।
बेहतर संरचना: उत्पन्न प्रोटीन एक स्थिर 3D आकार में मुड़ने की अधिक संभावना रखते हैं (उच्च "व्यवहार्यता")।
फिर भी रचनात्मक: भले ही यह एक प्राचीन "विरासत" से शुरू होता है, अंतिम परिणाम अभी भी मौजूदा प्रोटीनों से बहुत अलग है (उच्च नवीनता)।
ज़ीरो-शॉट सफलता: उन्होंने इसे उन एंजाइम परिवारों पर भी टेस्ट किया जिन्हें मॉडल ने प्रशिक्षण के दौरान कभी नहीं देखा था। केवल "वंशवृक्ष" तर्क का उपयोग करके, इसने सफलतापूर्वक नए एंजाइम-जैसे अनुक्रम उत्पन्न किए जो देखने में उनके ही परिवार के लगते थे, बिना किसी अतिरिक्त प्रशिक्षण के।

सारांश

LineageFlow एक प्रोटीन जनरेटर है जो यादृच्छिक ईंटों के ढेर से घर बनाने की कोशिश करना बंद कर देता है। इसके बजाय, यह एक ठोस, प्राचीन नींव (पूर्वज प्रोटीन) से शुरू होता है और केवल उन्हीं कमरों का नवीनीकरण करता है जिन्हें बदलने की आवश्यकता होती है। यह सुनिश्चित करता है कि नया घर संरचनात्मक रूप से मजबूत हो, पड़ोस (प्रोटीन परिवार) में फिट बैठता हो, और इसमें एक अनूठी, आधुनिक डिज़ाइन भी हो।

तकनीकी सारांश: LineageFlow

समस्या विवरण (Problem Statement)

प्रोटीन इंजीनियरिंग के लिए ऐसे अनुक्रमों (sequences) को उत्पन्न करने की आवश्यकता होती है जो जैव-भौतिक रूप से प्रशंसनीय (biophysically plausible) हों और लक्षित परिवार या डोमेन के पहचान योग्य सदस्य बने रहें, जबकि वे परिवार के भीतर विविधता का अन्वेषण भी कर सकें। वर्तमान डिस्क्रीट जनरेटिव मॉडल, जिनमें डिफ्यूजन और फ्लो-आधारित दृष्टिकोण शामिल हैं, आमतौर पर यूनिफॉर्म सिम्प्लेक्स नॉइज़ (uniform simplex noise) या मास्क्ड-टोकन करप्शन (masked-token corruption) से पीढ़ी (generation) को आरंभ करते हैं। लेखक तर्क देते हैं कि ये सामान्य प्रायर (generic priors) "परिवार-अज्ञेय" (family-agnostic) हैं और विकास द्वारा प्रेरित स्थिति-विशिष्ट बाधाओं (position-specific constraints) को त्याग देते हैं। फलस्वरूप, मॉडल को लगभग हर अवशेष (residue) को अत्यधिक दूषित अवस्थाओं से पुनर्गठित करने के लिए मजबूर होना पड़ता है ("from-scratch synthesis")। यह बोझ कमजोर पारिवारिक नियंत्रण, निम्न प्रशंसनीयता और पहचानने योग्य परिवार-डोमेन संरचनाओं को बनाए रखने में कठिनाई का कारण बनता है।

कार्यप्रणाली: LineageFlow

लेखक LineageFlow का प्रस्ताव करते हैं, जो एक डिरिचलेट फ्लो-मैचिंग (Dirichlet flow-matching) मॉडल है जो प्रोटीन अनुक्रम पीढ़ी को एक जेनेरिक नॉइज़ से संश्लेषण के बजाय एक विकसित स्कैफोल्ड (evolved scaffold) से संरचित उत्परिवर्तन (structured mutation) के रूप में पुनर्गठित करता है।

1. वंशानुगत प्रायर दीक्षा (Lineage-Prior Initialization)

यूनिफॉर्म प्रायर के बजाय, LineageFlow पीढ़ी प्रक्रिया को पूर्वज प्रायर (ancestral priors) का उपयोग करके आरंभ करता है जो पूर्वज अनुक्रम पुनर्निर्माण (Ancestral Sequence Reconstruction - ASR) से प्राप्त होते हैं।

निर्माण: एक दिए गए प्रोटीन परिवार के लिए, लेखक एक मल्टीपल सीक्वेंस एलाइनमेंट (MSA) का निर्माण करते हैं, एक मैक्सिमम-लाइक्लीहुड फाइलोजेनेटिक ट्री का अनुमान लगाते हैं, और रूट (root) पर मार्जिनल ASR करते हैं ताकि अवशेषों पर साइट-वार पोस्टीरियर वितरण प्राप्त किया जा सके।
प्रतिनिधित्व: इस रूट पोस्टीरियर को डिरिचलेट कंसंट्रेशन पैरामीटर्स ( $\alpha^{(h,l)}$ ) के रूप में एनकोड किया जाता है, जो एक परिवार-विशिष्ट पूर्वज प्रायर $q_0^{(h)}(X) = \prod_l \text{Dir}(x^{(l)}; \alpha^{(h,l)})$ को परिभाषित करता है।
तंत्र: यह दृष्टिकोण संरक्षित स्कैफोल्ड्स (जहाँ परिवार अपरिवर्तित रहता है) को सुरक्षित रखता है जबकि केवल वास्तव में परिवर्तनशील साइटों पर अनिश्चितता बनाए रखता है। इस प्रकार, पीढ़ी प्रक्रिया को इस पूर्वज वितरण से वर्तमान अनुक्रमों की ओर एक निरंतर परिवहन (continuous transport) के रूप में मॉडल किया जाता है।

2. सिम्प्लेक्स पर फ्लो मैचिंग (Flow Matching on the Simplex)

LineageFlow डिरिचलेट फ्लो मैचिंग (DFM) का उपयोग करता है।

ट्रैजेक्टरी (Trajectory): एक कंडीशनल प्रोबेबिलिटी पाथ $p_t(x | x_1)$ को परिभाषित किया गया है जहाँ समय $t \in [0, 1]$ के दौरान डिरिचलेट मास लक्ष्य वर्टेक्स $x_1$ के आसपास केंद्रित होता है।
वेक्टर फील्ड (Vector Field): मॉडल एक न्यूरल टाइम-डिपेंडेंट वेक्टर फील्ड $\hat{v}(X, t; \theta)$ सीखता है जो पूर्वज प्रायर को डेटा वितरण की ओर ले जाता है। ड्रिफ्ट (drift) को क्लासिफायर पैरामीटराइजेशन $\hat{p}_\theta(x_1 | x_t, t)$ के माध्यम से पुनर्गठित किया जाता है, जो अनुक्रम-औसत क्रॉस-एन्ट्रॉपी लॉस को कम करता है।
सैद्धांतिक गारंटी: लेखक सिद्ध करते हैं कि वंश-विशिष्ट एनालिटिक फील्ड सिम्प्लेक्स पर निरंतरता समीकरण (continuity equation) का पालन करता है, जिससे संभाव्यता द्रव्यमान संरक्षण (probability mass conservation) सुनिश्चित होता है और ट्रैजेक्टरीज वैध स्टेट स्पेस के भीतर रहती हैं।

3. उद्देश्य-निर्देशित सैंपलिंग के लिए रिरोटिंग (Rerouting for Objective-Guided Sampling)

प्रति-चरण प्रेडिक्टर मार्गदर्शन (per-step predictor guidance) के बिना बाहरी फिटनेस उद्देश्यों को शामिल करने के लिए, लेखक रिरोटिंग (Rerouting) पेश करते हैं।

प्रक्रिया: एक मध्यवर्ती समय $t_{int}$ $t_{in t}$ पर, पीढ़ी की ट्रैजेक्टरी को रोक दिया जाता है। निर्देशित विकास (directed evolution) से प्रेरित होकर, एक "म्यूटेट-सेलेक्ट-एम्प्लीफाई" हस्तक्षेप लागू किया जाता है।
- म्यूटेट (Mutate): एक प्रपोजल कर्नेल कणों (particles) की आबादी में विविधता इंजेक्ट करता है।
  कणों को एक फिटनेस स्कोर $J(X)$ (जैसे, प्रशंसनीयता या विशिष्ट गुण भविष्यवक्ता) के आधार पर पुन: भारित (reweighted) किया जाता है।
- एम्प्लीफाई (Amplify): भारों के अनुसार रीसैंपलिंग की जाती है।
सैद्धांतिक आधार: लेखक रिरोटिंग को एक KL-रेगुलराइज्ड चयन समस्या के रूप में औपचारिक रूप देते हैं, यह दिखाते हुए कि पुन: भारित वितरण प्रपोजल लॉ से KL डाइवर्जेंस को कम करते हुए अपेक्षित फिटनेस को अधिकतम करता है।
परिष्करण (Refinement): चयनित कण को फिर $t_{int}$ से $t=1$ तक बेस फ्लो के माध्यम से एकीकृत किया जाता है ताकि अंतिम नमूना तैयार किया जा सके।

मुख्य योगदान (Key Contributions)

जेनेरिक नॉइज़ बनाम पूर्वज प्रायर: यह शोध पत्र प्रदर्शित करता है कि ASR-व्युत्पन्न वंश प्रायर से आरंभ करना यूनिफॉर्म या मास्क-इनिशियलाइज्ड बेसलाइन्स की तुलना में काफी बेहतर प्रदर्शन करता है। यह पीढ़ी को "फ्रॉम-स्क्रैच" डिनोइजिंग से बदलकर संरचित उत्परिवर्तन में बदल देता है, जिससे संरक्षित स्कैफोल्ड्स सुरक्षित रहते हैं।
मैनिफोल्ड-प्रिजर्विंग गाइडेंस: रिरोटिंग, प्रति-चरण मार्गदर्शन के बिना उद्देश्यों की ओर नमूनों को निर्देशित करने के लिए एक सिंगल-स्टेप, इंटरमीडिएट-टाइम हस्तक्षेप प्रदान करता है, जो पारिवारिक वैधता को अनुभवजन्य रूप से बनाए रखता है।
उच्च-सटीकता पीढ़ी (High-Fidelity Generation): मॉडल होल्ड-आउट प्राकृतिक अनुक्रमों के करीब पारिवारिक वैधता प्राप्त करता है और पर्याप्त नवीनता (novelty) और विविधता बनाए रखते हुए अनुमानित संरचनात्मक विश्वास (प्रशंसनीयता) में सुधार करता है।

प्रयोगात्मक परिणाम (Experimental Results)

मॉडल का मूल्यांकन 8,866 Pfam-A परिवारों (RP35 डेटासेट) पर 1024 उत्पन्न अनुक्रमों के साथ किया गया।

पारिवारिक वैधता (Family Validity): LineageFlow ने 95.3% की टॉप-1 फैमिली सटीकता (Accfam) प्राप्त की, जबकि यूनिफॉर्म-प्रायर बेसलाइन्स (DFM, EvoDiff) के लिए यह 0% थी और ASR-केवल बेसलाइन (ASR-PSSM i.i.d.) के लिए 92.8% थी। यह इंगित करता है कि जेनेरिक नॉइज़ प्रायर, भले ही उन्हें परिवार लेबल के आधार पर कंडिशन किया गया हो, पहचानने योग्य परिवार के सदस्य उत्पन्न करने में विफल रहते हैं।
प्रशंसनीयता (Plausibility/Foldability): LineageFlow ने औसत pLDDT 76.6 प्राप्त किया, जो ASR-केवल बेसलाइन (70.8) से बेहतर था और DFM (46.2) तथा EvoDiff (45.4) से काफी आगे था। इसने ~8x बड़े कॉर्पस पर प्रशिक्षित ProtBFN (71.9) को भी पछाड़ दिया।
नवीनता और विविधता (Novelty and Diversity): फोल्डेबल नमूनों (pLDDT $\ge$ 70) के बीच, 86.2% ने निकटतम-पड़ोसी पहचान (NNId) < 0.8 को संतुष्ट किया, और 48.9% ने NNId < 0.6 को संतुष्ट किया, जो पारिवारिक पहचान बनाए रखते हुए गहरी नवीनता प्रदर्शित करता है।
जीरो-शॉट एंजाइम पीढ़ी: तीन होल्ड-आउट एंजाइम परिवारों पर जीरो-शॉट सेटिंग में, रिरोटिंग के साथ LineageFlow ने संरक्षित मोटिफ्स को संरक्षित किया और फाइन-ट्यूनिंग के बिना लक्षित परिवारों पर घुलनशीलता और तापीय स्थिरता प्रॉक्सी स्कोर में सुधार किया।
सैद्धांतिक सत्यापन: "हार्ड रिजीम" (प्रारंभिक समय चरणों) के विश्लेषण ने दिखाया कि ASR प्रायर यूनिफॉर्म प्रायर की तुलना में डिनोइज़र के लिए उच्च रिकवरेबल सिग्नल प्रदान करते हैं, जिससे उच्च Bayes-ऑप्टिमल सटीकता और कम ट्रेनिंग लॉस प्राप्त होता है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि LineageFlow पीढ़ी के प्रायर में सीधे विकासवादी इतिहास का लाभ उठाकर प्रोटीन अनुक्रम पीढ़ी के लिए एक नया प्रतिमान स्थापित करता है।

तंत्र: जेनेरिक नॉइज़ को फाइलोजेनी-सूचित पूर्वज स्कैफोल्ड्स से बदलकर, मॉडल प्रारंभिक पीढ़ी चरणों की अस्पष्टता को कम करता है, जिससे सीखा गया वेक्टर फील्ड संरक्षित संरचना के पुनर्निर्माण के बजाय विकासवादी भिन्नता को मॉडल करने पर ध्यान केंद्रित कर पाता है।
व्यावहारिकता: रिरोटिंग का परिचय प्रति-चरण मार्गदर्शन की कम्प्यूटेशनल लागत के बिना उद्देश्य-निर्देशित सैंपलिंग (जैसे, स्थिरता या घुलनशीलता के लिए अनुकूलन) को सक्षम बनाता है, जिससे यह निर्देशित विकास-शैली के कार्यों के लिए उपयुक्त हो जाता है।
सीमाएँ: लेखक नोट करते हैं कि यह विधि उच्च-गुणवत्ता वाले MSAs और फाइलोजेनेटिक अनुमान पर निर्भर करती है। पीढ़ी परिवार-विशिष्ट एलाइनमेंट कोऑर्डिनेट्स (गैप्स को फिक्स्ड मास्क के रूप में संभालते हुए) से जुड़ी है, न कि स्पष्ट रूप से इंडेल्स (indels) को मॉडल करने से। इसके अलावा, मूल्यांकन कम्प्यूटेशनल प्रॉक्सी (जैसे, OmegaFold pLDDT, ESM-IF) और प्रेडिक्टर-आधारित स्कोर पर निर्भर करते हैं, जिसका अर्थ है कि वास्तविक दुनिया के कार्यात्मक सत्यापन का परीक्षण किया जाना शेष है।

यह कार्य सुझाव देता है कि उच्च-फिडेलिटी, परिवार-जागरूक डिज़ाइन प्राप्त करने के लिए स्पष्ट विकासवादी संदर्भ (वंश प्रायर) को शामिल करना महत्वपूर्ण है, जो मानक नॉइज़-आधारित जनरेटिव प्रक्रियाओं के लिए एक मजबूत विकल्प प्रदान करता है।