🤖 machine learning

Applications of temporal graph learning for predicting the dynamics of biological systems

यह कार्य-प्रगति (work-in-progress) पेपर एक टेम्पोरल ग्राफ लर्निंग फ्रेमवर्क प्रस्तावित करता है जो सेलुलर डायनेमिक्स को विकसित होते जीन रेगुलेटरी नेटवर्क के रूप में मॉडल करता है, जो माउस विकासात्मक डेटासेट में जीन अभिव्यक्ति और नियामक अंतःक्रियाओं के पूर्वानुमान में scGPT जैसे स्टैटिक फाउंडेशन मॉडल्स की तुलना में इसकी श्रेष्ठता को प्रदर्शित करता है।

मूल लेखक: Manuel Dileo, Andrea Sottoriva

प्रकाशित 2026-05-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Manuel Dileo, Andrea Sottoriva

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 यह समझने की कोशिश कर रहे हैं कि एक एकल कोशिका (cell) कैसे विकसित होकर शरीर का एक विशिष्ट हिस्सा बनती है, जैसे कि लाल रक्त कोशिका या अग्न्याशय (pancreas) की कोशिका।

समस्या: "स्नैपशॉट" की सीमा
वर्तमान में, वैज्ञानिकों के पास शक्तिशाली उपकरण हैं (जिन्हें "फाउंडेशन मॉडल्स" कहा जाता है) जो सुपर-स्मार्ट विश्वकोशों (encyclopedias) की तरह हैं। उन्होंने लाखों आनुवंशिक "पुस्तकों" को पढ़ा है और वे आपको बता सकते हैं कि एक कोशिका इस समय कैसी दिखती है। हालांकि, ये उपकरण ज्यादातर स्थिर स्नैपशॉट (static snapshots) लेते हैं। वे आपको बता सकते हैं, "यह कोशिका एक बच्चा है," या "यह कोशिका एक किशोर है," लेकिन वे यह अनुमान लगाने में संघर्ष करते हैं कि कोशिका आगे कैसे बदलेगी।

इसे एक फोटो एल्बम की तरह समझें। आप एक बच्चा, एक छोटा बच्चा और एक किशोर देख सकते हैं, लेकिन यदि आपके पास केवल तस्वीरें हैं, तो यह भविष्यवाणी करना कठिन है कि वह किशोर वयस्क होने पर कैसा दिखेगा। आप उस गति और कहानी को मिस कर देते हैं कि वह वहां तक कैसे पहुँचा।

नया विचार: "मूवी" दृष्टिकोण
इस शोध के लेखक जीव विज्ञान को देखने का एक नया तरीका प्रस्तावित करते हैं। केवल फोटो लेने के बजाय, वे एक मूवी (फिल्म) बनाना चाहते हैं।

वे इसे इस प्रकार करते हैं:

एक टाइमलाइन बनाना: वे कोशिकाओं के ढेर को लेते हैं और उन्हें उनकी आनुवंशिक गतिविधि के आधार पर "सबसे युवा" से "सबसे पुराने" के क्रम में व्यवस्थित करते हैं। वे इसे "स्यूडोटाइम" (pseudotime) कहते हैं।
नक्शे बनाना: इस टाइमलाइन के प्रत्येक चरण पर, वे नक्शा बनाते हैं कि जीन आपस में कैसे संवाद करते हैं। इन्हें जीन रेगुलेटरी नेटवर्क (GRNs) कहा जाता है। कल्पना करें कि एक नक्शा जहाँ जीन शहर हैं और उनके बीच की रेखाएं सड़कें हैं जो दिखाती हैं कि कौन किसे आदेश दे रहा है।
मूवी देखना: जैसे-जैसे कोशिका विकसित होती है, ये नक्शे बदलते हैं। सड़कें खुलती हैं, सड़कें बंद होती हैं, और नए शहर महत्वपूर्ण हो जाते हैं। लेखक इन बदलते नक्शों के अनुक्रम को एक टेम्पोरल ग्राफ (temporal graph) (एक ग्राफ जो समय के माध्यम से चलता है) के रूप में देखते हैं।

उपकरण: "समय-यात्रा करने वाला वास्तुकार" (Time-Traveling Architect)
इन कोशिकाओं के भविष्य की भविष्यवाणी करने के लिए, वे टेम्पोरल ग्राफ न्यूरल नेटवर्क नामक एक विशेष प्रकार के AI का उपयोग करते हैं।

एक मानक AI के बारे में सोचें जो एक ब्लूप्रिंट देखता है और अगले कमरे का अनुमान लगाता है। नया AI एक समय-यात्रा करने वाले वास्तुकार की तरह है जो इमारत के निर्माण के संपूर्ण इतिहास को देखता है। वह देखता है कि नींव कैसे रखी गई, दीवारें कैसे खड़ी की गईं, और प्लंबिंग कैसे स्थापित की गई। क्योंकि वह निर्माण की प्रक्रिया को समझता है, इसलिए वह केवल एक एकल ब्लूप्रिंट देखने वाले व्यक्ति की तुलना में अगले फ्लोर की बहुत बेहतर भविष्यवाणी कर सकता है।

प्रयोग: मूवी का परीक्षण
टीम ने इसे दो वास्तविक जीवन की जैविक "मूवीज़" पर परखा:

माउस रेड ब्लड सेल डेवलपमेंट: कैसे एक कोशिका लाल रक्त कोशिका बनती है।
माउस पैंक्रियास डेवलपमेंट: कैसे एक कोशिका इंसुलिन बनाने वाली प्रणाली का हिस्सा बनती है।

उन्होंने AI से तीन प्रश्न पूछे:

जीन एक्सप्रेशन (Gene Expression): "यदि कोशिका अभी X कर रही है, तो वह आगे कौन से जीन सक्रिय करेगी?"
लिंक प्रेडिक्शन (Link Prediction): "कौन से जीन अगली बार आपस में बात करना शुरू करेंगे?" (जैसे यह भविष्यवाणी करना कि कौन अगला दोस्त बनेगा)।
हब प्रेडिक्शन (Hub Prediction): "कौन से जीन अगले चरण में सबसे महत्वपूर्ण बॉस (hubs) बनेंगे?"

परिणाम: मूवी की जीत हुई
परिणाम आश्चर्यजनक और उत्साहजनक थे:

विश्वकोशों को पछाड़ना: "मूवी" दृष्टिकोण (टेम्पोरल ग्राफ लर्निंग) ने वर्तमान "विश्वकोश" चैंपियनों (scGPT और scFoundation) को पछाड़ दिया। यह सुझाव देता है कि यह जानना कि जीन कैसे परस्पर क्रिया करते हैं, उतना ही महत्वपूर्ण है जितना कि यह जानना कि जीन क्या हैं।
सर्वश्रेष्ठ वास्तुकार: एक विशिष्ट प्रकार का AI जिसे GCRN-GRU (जो ग्राफ गणित और मेमोरी का मिश्रण उपयोग करता है) कहा जाता है, सबसे अच्छा था। यह विशेष रूप से उन "बॉस जीन" को पहचानने में सक्षम था जो कोशिका के विकास को नियंत्रित करते हैं।
वास्तविक जीव विज्ञान: जब AI ने भविष्यवाणी की कि कौन से जीन "बॉस" बनेंगे, तो वह सही निकला। इसने उन जीनों की सही पहचान की जो रक्त कोशिकाओं को बनाने के लिए महत्वपूर्ण माने जाते हैं, जिससे यह साबित होता है कि मॉडल केवल अनुमान नहीं लगा रहा है; यह वास्तविक जैविक नियमों को सीख रहा है।

मुख्य निष्कर्ष (The Bottom Line)
यह शोध पत्र तर्क देता है कि जीवन के विकास को वास्तव में समझने के लिए, हमें कोशिकाओं को स्थिर फोटो की तरह देखना बंद करना होगा और उन्हें चलती हुई मूवी की तरह मानना शुरू करना होगा। समय के साथ संबंधों के बदलने को समझने वाले AI का उपयोग करके, हम जैविक प्रणालियों के भविष्य की पहले से कहीं अधिक सटीक रूप से भविष्यवाणी कर सकते हैं।

नोट: लेखक बताते हैं कि यह एक "वर्क-इन-प्रोग्रेस" (प्रगति पर कार्य) पेपर है, जिसका अर्थ है कि वे अभी भी इन विचारों को परिष्कृत कर रहे हैं और भविष्य में अधिक डेटासेट पर इनका परीक्षण करने की योजना बना रहे हैं।

तकनीकी सारांश: जैविक प्रणालियों की गतिशीलता की भविष्यवाणी करने के लिए टेम्पोरल ग्राफ लर्निंग के अनुप्रयोग

समस्या विवरण
जैविक फाउंडेशन मॉडल्स (जैसे scGPT, scFoundation, Geneformer) में हालिया प्रगति ने ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करके सिंगल-सेल ट्रांसक्रिप्टोमिक डेटा से रिप्रजेंटेशन सीखने में मजबूत प्रदर्शन प्रदर्शित किया है। हालाँकि, ये दृष्टिकोण मुख्य रूप से स्टैटिक (स्थिर) सेटिंग्स में कार्य करते हैं, जो विकासात्मक कार्यक्रमों (developmental programs) के टेम्पोरल इवोल्यूशन (सामयिक विकास) को स्पष्ट रूप से मॉडल करने में विफल रहते हैं। यह सीमा विकासात्मक जीव विज्ञान (developmental biology) में महत्वपूर्ण है, जहाँ कोशिकीय अवस्थाएँ (cellular states) निरंतर उभरती हैं, विभेदित होती हैं और पुनर्गठित होती हैं। जबकि साइकोडटाइम इन्फरेंस (pseudotime inference) और आरएनए वेलोसिटी (RNA velocity) जैसी तकनीकें एसिंक्रोनस सिंगल-सेल डेटा से क्रमबद्ध प्रक्षेप पथों (ordered trajectories) के पुनर्निर्माण की अनुमति देती हैं, मौजूदा विधियाँ आमतौर पर कोशिकीय अवस्थाओं को स्वतंत्र रूप से मानती हैं या उन्हें स्टैटिक स्नैपशॉट के रूप में मॉडल करती हैं, जिससे विकसित होते नियामक ढांचे (जीन रेगुलेटरी नेटवर्क, या GRNs) की उपेक्षा होती है जो विकासात्मक संक्रमणों को आधार प्रदान करते हैं। मुख्य चुनौती विकासात्मक जैविक प्रणालियों को एक विकसित होते ग्राफ प्रोसेस के रूप में तैयार करना है जो टेम्पोरल ग्राफ लर्निंग के अनुकूल हो, जिससे स्टैटिक रिप्रजेंटेशन से परे भविष्य की जैविक अवस्थाओं की भविष्यवाणी करना सक्षम हो सके।

कार्यप्रणाली (Methodology)
लेखक एक पाइपलाइन प्रस्तावित करते हैं जो सिंगल-सेल ट्रांसक्रिप्टोमिक डेटा को टेम्पोरल ग्राफ न्यूरल नेटवर्क्स (TGNNs) लागू करने के लिए डिस्क्रीट-टाइम टेम्पोरल ग्राफ्स में बदल देती है। कार्यप्रणाली इस प्रकार है:

ट्रैजेक्टरी इन्फरेंस और डिस्क्रीटीकरण (Discretization): सिंगल-सेल जीन-एक्सप्रेशन मैट्रिसेस से शुरू करते हुए, डिफ्यूजन साइकोडटाइम (DPT) का उपयोग करके विकासात्मक प्रक्षेप पथों का अनुमान लगाया जाता है। इसके बाद कोशिकाओं को उनके साइकोडटाइम मानों के आधार पर टेम्पोरल बिन्स (स्नैपशॉट्स) में एकत्रित किया जाता है। बिन का आकार GRN इन्फरेंस के लिए आवश्यक सांख्यिकीय मजबूती और टेम्पोरल रेजोल्यूशन के बीच संतुलन बनाने के लिए अनुकूलित किया जाता है (आमतौर पर प्रति स्नैपशॉट 300-500 कोशिकाएं)।
टेम्पोरल GRN निर्माण: प्रत्येक साइकोडटाइम बिन के लिए, SCENIC का उपयोग करके एक जीन रेगुलेटरी नेटवर्क (GRN) का अनुमान लगाया जाता है। यह फ्रेमवर्क जैविक रूप से सार्थक नियामक इंटरैक्शन की पहचान करने के लिए जीन को-एक्सप्रेशन विश्लेषण को ट्रांसक्रिप्शन फैक्टर मोटिफ एनरिचमेंट के साथ जोड़ता है। परिणाम एक डिस्क्रीट-टाइम टेम्पोरल ग्राफ $G = \{G(1), \dots, G(T)\}$ $G = {G (1), \dots, G (T)}$ है, जहाँ प्रत्येक स्नैपशॉट $G(t)$ $G (t)$ में शामिल है:
- नोड्स ( $V$ ): समय के साथ स्थिर पहचान वाले जीन।
- एजेस ( $E(t)$ ): समय $t$ पर अनुमानित नियामक इंटरैक्शन।
- नोड फीचर्स ( $X(t)$ ): बिन के भीतर एकत्रित जीन-एक्सप्रेशन सांख्यिकी (मीन, मीडियन, वेरिएंस, आदि)।
- एज फीचर्स: GRN इन्फरेंस से प्राप्त कॉन्फिडेंस स्कोर।
टेम्पोरल ग्राफ लर्निंग: इन ग्राफ्स के अनुक्रम पर टेम्पोरल नोड रिप्रजेंटेशन सीखने के लिए TGNNs को लागू किया जाता है, जो स्नैपशॉट्स के भीतर संरचनात्मक निर्भरता और उनके बीच टेम्पोरल डायनेमिक्स दोनों को कैप्चर करता है।
फोरकास्टिंग टास्क (पूर्वानुमान कार्य): फ्रेमवर्क का मूल्यांकन तीन पूरक कार्यों पर किया जाता है:
- भविष्य का जीन-एक्सप्रेशन फोरकास्टिंग: क्रमिक स्नैपशॉट्स के बीच औसत जीन अभिव्यक्ति ( $\Delta x$ ) में टेम्पोरल वेरिएशन की भविष्यवाणी करना।
- भविष्य का लिंक प्रेडिक्शन: अगले स्नैपशॉट $G(t+1)$ में नियामक इंटरैक्शन के अस्तित्व की संभावना का अनुमान लगाना।
- भविष्य का आउट-डिग्री सेंट्रालिटी प्रेडिक्शन: भविष्य के स्नैपशॉट्स में जीनों के टोपोलॉजिकल महत्व (आउट-डिग्री) का पूर्वानुमान लगाना ताकि रेगुलेटरी हब्स की पहचान की जा सके।

प्रमुख योगदान और परिणाम
अध्ययन प्रस्तावित फ्रेमवर्क का मूल्यांकन दो सार्वजनिक रूप से उपलब्ध माउस डेवलपमेंटल डेटासेट्स पर करता है: एरिथ्रॉइड गैस्ट्रुलेशन और पैनक्रिएटिक एंडोक्रिनोजेनेसिस। परिणाम कई प्रमुख निष्कर्षों को उजागर करते हैं:

स्टैटिक फाउंडेशन मॉडल्स की श्रेष्ठता: जीन-एक्सप्रेशन फोरकास्टिंग में, ग्राफ-आधारित टेम्पोरल मॉडल्स ने लगातार स्थापित बायोलॉजिकल फाउंडेशन मॉडल्स (scGPT और scFoundation) को पछाड़ दिया। यह सुझाव देता है कि विकसित होते नियामक ढांचे को स्पष्ट रूप से मॉडल करना वह भविष्यवाणात्मक जानकारी प्रदान करता है जिसे केवल स्टैटिक, प्री-ट्रेन्ड रिप्रजेंटेशन कैप्चर नहीं कर सकते।
स्पेक्ट्रल आर्किटेक्चर की प्रभावशीलता: स्पेक्ट्रल ग्राफ कन्वोल्यूशन आर्किटेक्चर, विशेष रूप से ChebNet और GCRN-GRU, सभी कार्यों में सबसे मजबूत प्रदर्शन करने वाले के रूप में उभरे। लेखक परिकल्पना करते हैं कि ये आर्किटेक्चर GRNs की हेटरोफिलस (heterophilous) और हब-केंद्रित टोपोलॉजी के लिए विशेष रूप से उपयुक्त हैं, जहाँ ट्रांसक्रिप्शन फैक्टर्स कई लक्ष्यों से जुड़े केंद्रीय नियामक के रूप में कार्य करते हैं। स्पेक्ट्रल कन्वोल्यूशन इन स्टार-लाइक टोपोलॉजी में मल्टी-हॉप पड़ोसियों के माध्यम से सूचना को प्रभावी ढंग से प्रसारित कर सकते हैं।
लिंक प्रेडिक्शन में टेम्पोरल डायनेमिक्स: लिंक प्रेडिक्शन के लिए, टेम्पोरल मॉडल्स (विशेष रूप से GCRN-GRU) ने स्टैटिक बेसलाइन्स (GCN, GAT) और सरल मेमोराइजेशन रणनीतियों (EdgeBank) की तुलना में काफी बेहतर प्रदर्शन किया। यह इंगित करता है कि डेटासेट्स में साधारण एज पर्सिस्टेंस से परे गैर-तुच्छ (non-trivial) टेम्पोरल डायनेमिक्स मौजूद हैं, जिन्हें TGNNs सफलतापूर्वक कैप्चर करते हैं।
हब फोरकास्टिंग की जैविक प्रासंगिकता: मॉडल ने टेम्पोरल रूप से महत्वपूर्ण रेगुलेटरी हब्स की सफलतापूर्वक पहचान की। एरिथ्रॉइड गैस्ट्रुलेशन डेटासेट में, अनुमानित सेंट्रालिटी प्रक्षेप पथ ज्ञात जैविक कार्यक्रमों के अनुरूप थे: प्रारंभिक चरणों में प्रसार नियामकों (जैसे E2f8, Ran) का प्रभुत्व था, जबकि बाद के चरणों में कैनोनिकल एरिथ्रॉइड नियामकों (जैसे Klf1, Spi1, Erg) के लिए बढ़ती सेंट्रालिटी देखी गई।

महत्व और दावे
यह शोध पत्र टेम्पोरल ग्राफ लर्निंग को सिंगल-सेल बायोलॉजी में वर्तमान फाउंडेशन-मॉडल दृष्टिकोणों के एक सक्षम और पूरक प्रतिमान (paradigm) के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि:

डायनेमिक्स का स्पष्ट मॉडलिंग: विकासात्मक प्रणालियों को विकसित होते ग्राफ के रूप में पुनर्गठित करने से नियामक संरचना परिवर्तनों का स्पष्ट मॉडलिंग संभव होता है, जो स्टैटिक रिप्रजेंटेशन लर्निंग की तुलना में एक विशिष्ट लाभ प्रदान करता है।
पूरकता: फाउंडेशन मॉडल्स को बदलने के बजाय, टेम्पोरल ग्राफ लर्निंग उन कार्यों के लिए एक आवश्यक विस्तार प्रदान करता है जिनमें डायनेमिक सिस्टम इवोल्यूशन (जैसे विकासात्मक प्रगति और रोग प्रक्षेप पथ) की भविष्यवाणी की आवश्यकता होती है।
व्यवहार्यता: सिंगल-सेल आरएनए सीक्वेंसिंग की विनाशकारी प्रकृति के बावजूद (जो व्यक्तिगत कोशिकाओं को सीधे ट्रैक करने से रोकती है), साइकोडटाइम बिनिंग के माध्यम से टेम्पोरल ग्राफ्स का कम्प्यूटेशनल पुनर्निर्माण, डायनेमिक जैविक प्रणालियों पर डीप लर्निंग लागू करने के लिए एक व्यवहार्य रणनीति है।

यह कार्य एक "वर्क-इन-प्रोग्रेस" के रूप में प्रस्तुत किया गया है, जिसमें लेखक भविष्य के कार्य में अतिरिक्त डेटासेट्स, नए फाउंडेशन मॉडल्स और हाल के टेम्पोरल अटेंशन-आधारित आर्किटेक्चर (जैसे DyGFormer) पर अपने बेंचमार्क को विस्तारित करने की योजना का उल्लेख करते हैं।

इसी तरह के और पेपर