🤖 machine learning

Chreode: A Cell World Model for One-Step Temporal Dynamics and Perturbation Prediction

Chreode एक प्रीट्रेन (pretrained) वन-स्टेप सेल वर्ल्ड मॉडल है जो एक स्ट्रक्चर्ड रेसिडुअल ट्रांजिशन ऑपरेटर का लाभ उठाता है ताकि वितरण विकास (distributional evolution) को प्रशिक्षण समय में स्थानांतरित करके टेम्पोरल डायनेमिक्स और जेनेटिक परटर्बेशन्स (genetic perturbations) की भविष्यवाणी की जा सके, जिससे विकासात्मक प्रक्षेपवक्र मॉडलिंग (developmental trajectory modeling) और ज़ीरो-शॉट परटर्बेशन रिस्पॉन्स प्रेडिक्शन दोनों में अत्याधुनिक प्रदर्शन प्राप्त होता है।

मूल लेखक: Mufan Qiu, Genhui Zheng, Yinuo Xu, Ruichen Zhang, Ying Ding, Qi Long, Tianlong Chen

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mufan Qiu, Genhui Zheng, Yinuo Xu, Ruichen Zhang, Ying Ding, Qi Long, Tianlong Chen

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

एक कोशिका की कल्पना एक छोटे, जटिल गेंद के रूप में करें जो एक विशाल, पहाड़ी परिदृश्य में लुढ़क रही है। यह परिदृश्य, जिसे "वोडरिंगटन लैंडस्केप" (Waddington landscape) कहा जाता है, उन सभी संभावित अवस्थाओं का प्रतिनिधित्व करता है जिनमें एक कोशिका हो सकती है। कुछ क्षेत्र गहरे गड्ढे (स्थिर कोशिका प्रकार जैसे हृदय कोशिका या त्वचा कोशिका) हैं और कुछ ऊँची चोटियाँ हैं। सामान्यतः, एक गेंद गुरुत्वाकर्षण (विकास/डेवलपमेंट) के कारण स्वाभाविक रूप से ढलान की ओर नीचे लुढ़कती है, लेकिन इसे हवा (आनुवंशिक परिवर्तन) द्वारा धकेला भी जा सकता है या धाराओं (जैविक लय) के कारण गोल-गोल भी घुमाया जा सकता है।

Chreode एक नया कंप्यूटर प्रोग्राम है जिसे यह भविष्यवाणी करने के लिए डिज़ाइन किया गया है कि यदि आप उस गेंद को धक्का देते हैं या उसे कुछ समय के लिए लुढ़कने देते हैं, तो वह ठीक कहाँ जाकर रुकेगी। यह कैसे काम करता है, यहाँ सरल अवधारणाओं में दिया गया है:

1. समस्या: "स्नैपशॉट" बनाम "मूवी"

अधिकांश पिछले कंप्यूटर मॉडल कोशिकाओं के लिए एक फोटो की तरह हैं जो किसी कॉन्सर्ट से पहले और बाद में भीड़ की फोटो लेते हैं। वे यह अनुमान लगाने की कोशिश करते हैं कि भीड़ कैसे बदली, लेकिन वे कॉन्सर्ट के वीडियो को छोड़ देते हैं। उन्हें यह नहीं पता होता कि भीड़ कितनी तेज़ी से चली या किस दिशा में घूम रही थी।

अन्य मॉडल कदम-दर-कदम गति का अनुकरण करने की कोशिश करते हैं, जैसे कि मूवी के हर फ्रेम को देखना। लेकिन यदि आप एक पूरे स्टेडियम के लोगों के घंटों तक चलने का अनुकरण करना चाहते हैं, तो आपको लाखों फ्रेम देखने होंगे। इसमें बहुत समय लगता है और इसके लिए भारी कंप्यूटिंग शक्ति की आवश्यकता होती है।

2. समाधान: Chreode की "एक-कदम की छलांग" (One-Step Leap)

Chreode अलग है। मूवी को फ्रेम-दर-फ्रेम देखने के बजाय, यह परिदृश्य के नियमों को इतनी अच्छी तरह सीख लेता है कि यह एक ही छलांग में अंतिम गंतव्य की भविष्यवाणी कर सकता है।

प्रशिक्षण (The Training): लेखकों ने Chreode को 2.4 मिलियन चूहे के भ्रूण कोशिकाओं (विभिन्न विकास चरणों से प्राप्त "पहले और बाद के" स्नैपशॉट की एक विशाल लाइब्रेरी) की एक विशाल लाइब्रेरी खिलाई।
"वर्ल्ड मॉडल" (The World Model): सोचिए कि Chreode एक मास्टर कार्टोग्राफर (मानचित्रकार) है। यह केवल रास्तों को याद नहीं करता; यह पहाड़ियों के आकार, धाराओं की ताकत और हवा की अनिश्चितता को सीखता है।
भवित्यवाणी (The Prediction): जब आप पूछते हैं, "यदि मैं इस कोशिका को धक्का दूँ (एक दवा या जीन परिवर्तन) और 5 दिन प्रतीक्षा करूँ, तो यह कहाँ होगी?", तो Chreode 5 दिनों के छोटे-छोटे कदमों का अनुकरण नहीं करता। यह एक ही एकल चरण में उत्तर की गणना करता है। यह एक स्लाइड के भौतिकी को इतनी अच्छी तरह जानने जैसा है कि आप बिना उसे फिसलते देखे बता सकें कि वह ठीक कहाँ जाकर गिरेगी।

3. यह चाल की गणना कैसे करता है

Chreode कोशिका की गति को तीन अलग-अलग भागों में तोड़ देता है, जो गति के एक नुस्खे (recipe) की तरह है:

ढलान की ओर लुढ़कना (The Downhill Roll): कोशिकाएं स्वाभाविक रूप से निकटतम घाटी (एक स्थिर अवस्था) में लुढ़कना चाहती हैं। Chreode इस "गुरुत्वाकर्षण" की गणना करता है।
घूमना (The Spin): कभी-कभी कोशिकाएं केवल नीचे नहीं लुढ़कतीं; वे घूमती या चक्र बनाती हैं (जैसे कि कोशिका विभाजन)। Chreode इस "घूर्णन" बल को शामिल करने के लिए एक "रोटेशनल" बल जोड़ता है।
डगमगाना (The Wobble): जीव विज्ञान अव्यवस्थित है। कोशिकाएं एकदम सीधी रेखा में नहीं चलतीं; वे झटके लेती हैं। Chreode भविष्यवाणी को यथार्थवादी बनाने के लिए एक "रैंडम वोबल" (अनिश्चित डगमगाहट) जोड़ता है।

यह इन तीन सामग्रियों को एक सूत्र में मिला देता है ताकि तुरंत नई अवस्था की भविष्यवाणी की जा सके।

4. इसने वास्तव में क्या हासिल किया (परिणाम)

लेखकों ने दो मुख्य कार्यों पर Chode का परीक्षण किया:

विकास की भविष्यवाणी करना (Predicting Development): उन्होंने रक्त कोशिका निर्माण (Weinreb) और अग्नाशय कोशिका निर्माण (Veres) पर इसका परीक्षण किया। Chreode अन्य शीर्ष मॉडलों की तुलना में यह भविष्यवाणी करने में अधिक सटीक था कि कोशिकाएं कहाँ समाप्त होंगी, और इसने यह काम बहुत तेज़ी से किया (दर्जनों चरणों के बजाय एक एकल कंप्यूटर पास में)।
आनुवंशिक "धक्कों" की भविष्यवाणी करना (Predicting Genetic "Pushes"): उन्होंने परीक्षण किया कि क्या Chreode ने विकास (कैसे कोशिकाएं स्वाभाविक रूप से बढ़ती हैं) से जो सीखा है, वह यह भविष्यवाणी करने में मदद कर सकता है कि जब आप किसी जीन को तोड़ते हैं (CRISPR का उपयोग करके) तो क्या होता है।
- उपमा: कल्पना कीजिए कि आपने एक सामान्य सड़क पर कार चलाने के बारे में सीखा (विकास)। फिर, कोई आपसे पूछता है, "क्या होगा यदि मैं ब्रेक की लाइन काट दूँ?" (एक आनुवंशिक व्यवधान)। Chreode ने सामान्य ड्राइविंग के बारे में अपने ज्ञान का उपयोग करके आश्चर्यजनक रूप से दुर्घटना की भविष्यवाणी करने में सफलता पाई, भले ही उसे स्पष्ट रूप से ब्रेक फेल होने के बारे में नहीं सिखाया गया था।
- परिणाम: Chreode के "मस्तिष्क" को GEARS नामक एक मौजूदा टूल में प्लग करके, इसने आनुवंशिक परिवर्तनों की भविष्यवाणी करने की सटीकता को 12.4% तक सुधार दिया।

5. यह क्या नहीं है (सीमाएँ)

लेखक स्पष्ट रूप से बताते हैं कि यह शोध पत्र क्या नहीं करता है:

यह एक सामान्य "AI सेल" नहीं है जो हर कोशिका प्रकार के बारे में सब कुछ जानता हो।
इसे चूहे के भ्रूणों पर प्रशिक्षित किया गया था। हालांकि यह मानव कोशिकाओं में कुछ ज्ञान स्थानांतरित कर सकता है क्योंकि जीन समान होते हैं, लेकिन अभी तक इसका परीक्षण वयस्क मानव ऊतकों या नैदानिक रोगियों पर नहीं किया गया है।
यह वास्तविक प्रयोगशाला प्रयोगों की आवश्यकता को प्रतिस्थापित नहीं करता है; यह वैज्ञानिकों के लिए एक उपकरण है जो उन्हें पहले सिमुलेशन के माध्यम से बेहतर प्रयोगों की योजना बनाने में मदद करता है।

संक्षेप में: Chreode एक तेज़, स्मार्ट सिम्युलेटर है जो चूहे के डेटा की एक विशाल लाइब्रेरी से कोशिका गति के "भौतिकी" को सीखता है। यह एक ही क्षण में भविष्यवाणी कर सकता है कि कोशिकाएं समय के साथ कैसे बदलेंगी या दवा/जीन के दबाव में कैसे प्रतिक्रिया देंगी, जिससे वैज्ञानिकों को एक शॉर्टकट मिलता है जो बिना सुपरकंप्यूटर के नंबर क्रंच किए हुए इंतजार किए, जीव विज्ञान का अनुकरण करना चाहते हैं।

तकनीकी सारांश: Chreode – एक-चरणीय टेम्पोरल डायनेमिक्स और परटर्बेशन प्रेडिक्शन के लिए एक सेल वर्ल्ड मॉडल

समस्या विवरण (Problem Statement)

डेवलपमेंटल सिग्नल्स या जेनेटिक परटर्बेशन के तहत एक कोशिका की ट्रांसक्रिप्शनल अवस्था कैसे बदलती है, इसका पूर्वानुमान लगाना इन-सिलिको जीव विज्ञान और AI वर्चुअल सेल प्रोग्राम का केंद्र है। मौजूदा दृष्टिकोण चार महत्वपूर्ण सीमाओं का सामना करते हैं:

टेम्पोरल डेटा का कम उपयोग: अधिकांश विधियाँ विनाशकारी scRNA-seq स्नैपशॉट्स को स्टेटिक कंट्रोल-टू-ट्रीटेड मैप्स में समेट देती हैं, जिससे टाइम-सीरीज डेटा में निहित 'रेट-ऑफ-चेंज' (परिवर्तन की दर) की जानकारी लुप्त हो जाती है।
अनुचित एक्शन मॉडलिंग: कई मॉडल हस्तक्षेपों (ड्रग्स, नॉकआउट्स) को लेटेंट कॉन्टेक्स्ट के रूप में मानते हैं जिन्हें केवल कॉन्कैटिनेट किया जाना है, न कि कॉज़ल do-calculus इंटरवेंशन के रूप में, जिससे कंपोजिशनल या ट्रजेक्टरी-डिपेंडेंट परटर्बेशन को हल करने में विफलता होती है।
उच्च अनुमान लागत (High Inference Costs): मल्टी-स्टेप सॉल्वर (ODEs, Schrödinger bridges) प्रत्येक क्वेरी के लिए पुनरावृत्त एकीकरण (iterative integration) की आवश्यकता रखते हैं। स्क्रीन-लेवल क्वेरीज़ ( $10^8$ टुपल्स) तक स्केल करने पर अत्यधिक कम्प्यूटेशनल लागत ( $10^{10}$ फॉरवर्ड पासेस) आती है।
जैविक इंडक्टिव बायस (Biological Inductive Bias) का अभाव: वर्तमान फ्लो-मैचिंग और ऑप्टिमल ट्रांसपोर्ट विधियाँ वेलोसिटी फील्ड्स को जेनेरिक न्यूरल नेटवर्क के रूप में पैरामीटराइज़ करती हैं, जो वाडिंगटन के लैंडस्केप (डाउनहिल पोटेंशियल फ्लो, रोटेशनल करेंट्स, और स्टोकेस्टिक स्प्रेड) की जैविक संरचना की अनदेखी करती हैं।

कार्यप्रणाली (Methodology): Chreode

Chreode को एक वन-स्टेप सेल वर्ल्ड मॉडल के रूप में पेश किया गया है जो एक स्ट्रक्चर्ड रेसिडुअल ट्रांजिशन ऑपरेटर के माध्यम से एक्शन-कंडीशंड सेल-स्टेट ट्रांजिशन $p(z_{t+\Delta} | z_t, \text{do}(a))$ की भविष्यवाणी करता है।

1. मुख्य आर्किटेक्चर: द वाडिंगटन रेसिड्यूल (The Waddington Residual)

पुनरावृत्त रोलआउट के बजाय, Chreode इनपुट स्टेट $z_t$ में एक सीखे गए रेसिड्यूल $R_\theta$ को जोड़कर भविष्य की लेटेंट स्टेट $\hat{z}_{t+\Delta}$ की एक सिंगल फॉरवर्ड पास में भविष्यवाणी करता है:
$\hat{z}_{t+\Delta} = z_t + \alpha(\Delta) \cdot R_\theta(z_t, \Delta, a, \epsilon)$
जहाँ $\alpha(\Delta) = 1 - e^{-\Delta/\tau}$ एक लर्नबल टाइम गेट है जो $\Delta=0$ पर शून्य परिवर्तन सुनिश्चित करता है। रेसिड्यूल $R_\theta$ को तीन व्याख्यात्मक घटकों में विभाजित किया गया है:

डाउनहिल पोटेंशियल फ्लो ( $-\nabla_z U_\theta$ ): एक सीखे गए पोटेंशियल फंक्शन $U_\theta$ का नेगेटिव ग्रेडिएंट, जो कोशिकाओं को लो-पोटेंशियल फेट बेसिन की ओर ले जाता है।
एंटीसिमेट्रिक फ्लो ( $S_\theta z_t$ ): एक रोटेशनल कंपोनेंट जो नॉन-इक्विलिब्रियम करेंट्स (जैसे सेल साइकिल) को मॉडल करता है। $S_\theta$ को $P_\theta Q_\theta^\top - Q_\theta P_\theta^\top$ के रूप में पैरामीटराइज़ किया गया है ताकि सटीक एंटीसिमेट्री ( $S_\theta^\top = -S_\theta$ ) सुनिश्चित हो सके।
स्टोकेस्टिक स्प्रेड ( $\sigma_\theta \odot \epsilon$ ): अंतर्निहित जैविक परिवर्तनशीलता को कैप्चर करने के लिए एलिमेंट-वाइज नॉइज़ स्केलिंग।

2. ट्रेनिंग पाइपलाइन

Chreode एक 2.4M-सेल माउस एम्ब्रियोनिक एटलस (7 डेटासेट्स, 88 टाइमपॉइंट्स) पर दो-चरणीय प्रीट्रेनिंग रेसिपी का उपयोग करता है:

चरण 1 (एनकोडर): एक साझा scVI एनकोडर को एक निश्चित क्रॉस-स्पीशीज ऑर्थोलॉग वोकैबुलरी (16,520 माउस-ह्यूमन 1:1 ऑर्थोलॉग्स) पर प्रशिक्षित किया जाता है ताकि एक फ्रोजन लेटेंट रिप्रेजेंटेशन प्राप्त हो सके।
चरण 2 (डायनेमिक्स बैकबोन): एक DiT-आधारित (Diffusion Transformer) बैकबोन वन-स्टेप ट्रांजिशन ऑपरेटर को सीखता है। यह एक पॉपुलेशन-लेवल ड्रिफ्टिंग-फील्ड लॉस का उपयोग करता है जिसे Deng et al. [2026] से अनुकूलित किया गया है, जिसमें शामिल हैं:
- डिस्ट्रीब्यूशन मैचिंग के लिए Kernel MMD और Sinkhorn $W_2$ ।
- इक्विलिब्रियम कंसिस्टेंसी को लागू करने के लिए एक ड्रिफ्टिंग-फील्ड टर्म ( $L_{drift}$ )।
- अपहिल मूवमेंट को रोकने के लिए एक डाउनहिल रेगुलराइज़र ( $L_{down}$ )।
टाइम एम्बेडिंग डिकपलिंग: लॉन्ग-होरिज़न एक्सट्रपलेशन के दौरान स्थिरता सुनिश्चित करने के लिए, पोटेंशियल ब्रांच एक फ्लेक्सिबल Time2Vec एम्बेडिंग का उपयोग करती है, जबकि एंटीसिमेट्रिक ब्रांच एक बाउंडेड लो-फ्रीक्वेंसी फूरियर कोड का उपयोग करती है ताकि रोटेशन रेट्स अनसीन फ्रीक्वेंसीज़ में न भटकें।

3. ट्रांसफर मोड

प्रीट्रेन किया गया बैकबोन दो अलग-अलग डाउनस्ट्रीम ट्रांसफर मोड का समर्थन करता है:

फाइन-ट्यूनिंग इनिशियलाइजेशन: बैकबोन होल्ड-आउट डेटासेट्स (जैसे Weinreb हेमेटोपोइज़िस, Veres आइलेट डिफरेंशिएशन) पर टाइम-ट्रांजिशन प्रेडिक्शन के लिए मॉडल्स को इनिशियलाइज़ करता है।
जीन-स्टेट एम्बेडिंग इंजेक्शन: प्रीट्रेन की गई डायनेमिक्स रिप्रेजेंटेशन को मौजूदा GEARS परटर्बेशन प्रेडिक्टर में जीन-स्टेट एम्बेडिंग के रूप में इंजेक्ट किया जाता है, बिना GEARS की ट्रेनिंग प्रक्रिया को बदले।

मुख्य परिणाम (Key Results)

टेम्पोरल डायनेमिक्स प्रेडिक्शन

Weinreb Hematopoiesis: फाइन-ट्यून किया गया Chreode, मैचड स्क्रैच मॉडल्स, PI-SDE, और PRESCIENT की तुलना में डे 4 और डे 6 पर सबसे कम Sinkhorn $W_2$ डिस्टेंस प्राप्त करता है।
Veres Islet Differentiation: Chreode सभी सात टारगेट टाइमपॉइंट्स ( $t=1$ से $7$) में सभी बेसलाइन्स (PI-SDE और PRESCENT सहित) को पछाड़ देता है।
ज़ीरो-शॉट क्लोनल फेट: बिना फाइन-ट्यूनिंग के फ्रोजन बैकबोन का उपयोग करते हुए, Chreode क्लोनल फेट स्कोर (पियर्सन कोरिलेशन $r=0.468$ ) उत्पन्न करता है जो स्ट्रॉन्ग डायनेमिक-OT बेसलाइन्स (moscot, WOT) और न्यूरल-SDE बेसलाइन्स (scDiffEq) के प्रतिस्पर्धी है।

परटर्बेशन प्रेडिक्शन

Norman Perturb-seq: जब इसे GEARS के भीतर जीन-स्टेट एम्बेडिंग के रूप में उपयोग किया जाता है, तो प्रीट्रेन की गई डायनेमिक्स रिप्रेजेंटेशन शेयर्ड-वोकैबुलरी DE20 मीन स्क्वेर्ड एरर (MSE) को 0.2121 से घटाकर 0.1858 कर देती है, जो कि 12.4% सापेक्ष सुधार है। यह सुझाव देता है कि डेवलपमेंटल ट्रजेक्टरी डायनेमिक्स ऐसे प्रिमिटिव्स को एनकोड करती है जो CRISPR-प्रेरित स्टेट शिफ्ट्स के लिए ट्रांसफर करने योग्य हैं।

दक्षता (Efficiency)

अनुमान गति (Inference Speed): Chreode क्वेरीज़ को एक सिंगल फॉरवर्ड पास (1 NFE) में हल करता है, जिससे यह सिंगल NVIDIA A100 पर PRESCENT की तुलना में लगभग 3.0 $\times$ तेज़ और CellFlow की तुलना में 6.3 $\times$ तेज़ हो जाता है। यह एम्ोर्टाइजेशन $10^8$ क्वेरी स्क्रीन्स तक स्केल करने के लिए महत्वपूर्ण है।

महत्व और दावे (Significance and Claims)

पेपर दावा करता है कि Chreode पहला सेल फाउंडेशन मॉडल है जो निम्नलिखित को जोड़ता है:

सिंगल-स्टेप इन्फरेंस (ट्रांजिशन कॉस्ट को एमोर्टाइज करना)।
एक प्रीट्रेन किया गया बैकबोन जो विभिन्न डाउनस्ट्रीम डेटासेट्स में साझा है।
संयुक्त टाइम और एक्शन कंडीशनिंग।
एक स्ट्रक्चर्ड रेसिड्यूल प्रायर जो वेलोसिटी को पोटेंशियल ग्रेडिएंट्स, एंटीसिमेट्रिक फ्लो और स्टोकेस्टिक स्प्रेड में स्पष्ट रूप से डिकम्पोज़ करता है।

लेखक डेवलपमेंटल डायनेमिक्स के परटर्बेशन प्रेडिक्शन में सफल ट्रांसफर को इस प्रमाण के रूप में देखते हैं कि दोनों प्रक्रियाएं सुसंगत ट्रजेक्टरीज के साथ सेल-स्टेट मैनिफोल्ड्स को पार करती हैं। डिस्ट्रीबशनल इवोल्यूशन को इन्फरेंस टाइम से ट्रेनिंग टाइम में शिफ्ट करके, Chreode सिंगल-पास जनरेशन सक्षम करता है जबकि वाडिंगटन-प्रेरित डिकम्पोज़िशन को बनाए रखता है। यह कार्य "AI वर्चुअल सेल" एजेंडे में एक स्ट्रक्चरल योगदान के रूप में खुद को स्थापित करता है, जो मल्टी-स्टेप सॉल्वर्स और स्टैटिक परटर्बेशन मैप्स के लिए एक स्केलेबल, बायोलॉजिकली ग्राउंडेड विकल्प प्रदान करता है।

लेखकों द्वारा नोट की गई सीमाएँ:

प्रीट्रेनिंग माउस एम्ब्रियोनिक डेटा तक सीमित है; क्रॉस-स्पीशीज ट्रांसफर पूरी तरह से ऑर्थोलॉग मैपिंग पर निर्भर है।
टाइम-ट्रांजिशन ट्रांसफर के लिए इष्टतम प्रदर्शन हेतु फाइन-ट्यूनिंग की आवश्यकता होती है (पूर्ण ज़ीरो-शॉट नहीं)।
परटर्बेशन ट्रांसफर GEARS आर्किटेक्चर का पुन: उपयोग करता है न कि एक स्टैंडअलोन परटर्बेशन ऑपरेटर प्रस्तावित करता है।
(2.4M सेल्स) का स्केल अन्य समकालीन बड़े सेलुलर वर्ल्ड मॉडल्स की तुलना में छोटा है जो प्रोप्रायटरी डेटा पर प्रशिक्षित हैं।