🧬 biology

The Geometry of Activity Cliffs: Representation Dependence and Multi-Scale Characterization of Activity Landscapes

यह शोध पत्र यह तर्क देता है कि एक्टिविटी क्लिफ्स (activity cliffs) आणविक गुणों के बजाय मुख्य रूप से चुने गए आणविक प्रतिनिधित्व और मीट्रिक के कृत्रिम परिणाम हैं, जो पंद्रह विन्यासों में छह-चरणीय बेंचमार्क के माध्यम से यह प्रदर्शित करता है कि विभिन्न एम्बेडिंग आणविक पहचान के विशिष्ट पहलुओं को कूटबद्ध करते हैं, जिससे वे अप्रत्यक्ष रूप से यह परिभाषित करते हैं कि एक एक्टिविटी क्लिफ क्या है।

मूल लेखक: Pawel Dabrowski-Tumanski, Bartosz Topolski, Dariusz Plewczynski, Tomasz Jetka

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pawel Dabrowski-Tumanski, Bartosz Topolski, Dariusz Plewczynski, Tomasz Jetka

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

यहाँ इस शोध पत्र का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

मुख्य विचार: यह पहाड़ नहीं है, यह नक्शा है

कल्पना कीजिए कि आप एक हाइकर (पर्वतारोही) हैं जो एक पर्वत श्रृंखला (जिसे "एक्टिविटी लैंडस्केप" कहा जाता है) के इलाके का पूर्वानुमान लगाने की कोशिश कर रहे हैं। आप जानते हैं कि कभी-कभी, एक-दूसरे के बहुत करीब खड़े दो हाइकर बहुत अलग ऊंचाइयों पर हो सकते हैं—एक धूप वाली चोटी पर है, तो दूसरा एक गहरे, अंधेरे गड्ढे में। रसायन विज्ञान (chemistry) में, इसे एक्टिविटी क्लिफ (Activity Cliff) कहा जाता है: दो अणु (molecules) जो लगभग एक जैसे दिखते हैं लेकिन उनके जैविक प्रभाव बहुत अलग होते हैं।

लंबे समय तक, वैज्ञानिकों ने सोचा कि ये 'क्लिफ' (खड़ी ढलानें) अणुओं की अपनी एक स्वाभाविक विशेषता हैं।

यह शोध पत्र तर्क देता है कि यह गलत है। लेखक दावा करते हैं कि आपको एक क्लिफ दिखाई देगा या एक चिकनी ढलान, यह पूरी तरह से इस बात पर निर्भर करता है कि आप नक्शा कैसे बनाते हैं।

यदि आप एक ऐसा नक्शा उपयोग करते हैं जो दूरी को "दीवारों के माध्यम से चलकर" (एक विशिष्ट गणितीय विधि) मापता है, तो दो हाइकर एक-दूसरे से दूर लग सकते हैं। यदि आप एक ऐसा नक्शा उपयोग करते हैं जो दूरी को "सीधी रेखा में उड़कर" मापता है, तो वे वही हाइकर एक-दूसरे के बिल्कुल बगल में लग सकते हैं। यह शोध सिद्ध करता है कि "क्लिफ" हमेशा अणु में नहीं होता; कभी-कभी, यह उस पैमाने (रूलर) का भ्रम होता जिसे आपने मापने के लिए चुना है।

प्रयोग: छह-चरणीय जासूसी पाइपलाइन (Six-Step Detective Pipeline)

इसे सिद्ध करने के लिए, शोधकर्ताओं ने तीन अलग-अलग जैविक लक्ष्यों (जैसे कि ताले जिनके लिए अणु चाबी का काम करते हैं) पर 15 विभिन्न प्रकार के नक्शों (प्रतिनिधित्व/representations) और पैमाने (metrics) का परीक्षण करने के लिए एक "छह-चरणीय जासूसी पाइपलाइन" बनाई।

उन्होंने प्रत्येक चरण में क्या पाया, जिसका अनुवाद यहाँ रूपकों (analogies) में किया गया है:

1. "शून्य-दूरी" का जाल (ज्यामिति - Geometry)

परीक्षण: क्या अलग-अलग अणु नक्शे पर बिल्कुल एक जैसे दिखते हैं?
निष्कर्ष: कुछ नक्शे (जैसे "ChemBERTa") इतने धुंधले हैं कि लगभग हर अणु बिल्कुल एक ही स्थान पर खड़ा दिखाई देता है। यह एक ऐसे नक्शे की तरह है जहाँ हर शहर एक ही बिंदु पर बना दिया गया है। अन्य नक्शे (जैसे "Morgan fingerprints") स्पष्ट और अलग हैं, लेकिन वे 3D जुड़वाओं (stereoisomers) को एक जैसा मानते हैं, भले ही एक बाएं हाथ के दस्ताने जैसा हो और दूसरा दाएं हाथ के दस्ताने जैसा।

2. "क्लिफ की खोज" (संवर्धन - Enrichment)

परीक्षण: यदि आप सबसे समान दिखने वाले अणुओं के 100 जोड़ों को देखते हैं, तो उनमें से कितने वास्तव में 'क्लिफ' हैं?
निष्कर्ष: यहीं पर नक्शे आपस में बुरी तरह असहमत होते हैं। एक ही डेटासेट पर, एक नक्शे ने 142 क्लिफ पाए, जबकि दूसरे ने 7,903 क्लिफ पाए।
रूपक: यह सड़क पर गड्ढों को खोजने जैसा है। एक नक्शा कहता है, "यहाँ कोई गड्ढा नहीं है, बस एक चिकनी सड़क है।" दूसरा कहता है, "यह तो बारूद के ढेर जैसा है!" सड़क नहीं बदली; नक्शा बदल गया।

3. "तीखापन" की जाँच (ग्रेडिएंट्स - Gradients)

परीक्षण: परिदृश्य में गिरावट कितनी अचानक होती है?
निष्कर्ष: कुछ नक्शे एक ऐसा परिदृश्य दिखाते हैं जो ज्यादातर चिकना और हल्की ढलानों वाला है। अन्य नक्शे अचानक और भयानक गिरावटों से भरे परिदृश्य दिखाते हैं। दिलचस्प बात यह है कि "Dopamine D2" लक्ष्य (एक विशिष्ट प्रोटीन) का परिदृश्य स्वाभाविक रूप से अधिक ऊबड़-खाबड़ था, चाहे आप कोई भी नक्शा उपयोग करें।

4. "द्वीप" का परीक्षण (टोपोलॉजी - Topology)

परीक्षण: क्या क्लिफ अलग-अलग द्वीपों के रूप में बनते हैं, या वे सब एक बड़े ढेर में मिल जाते हैं?
निष्कर्ष: अच्छे नक्शे क्लिफ को अलग-अलग द्वीपों के रूप में दिखाते हैं, जिससे वैज्ञानिकों को यह समझने में मदद मिलती है कि क्लिफ क्यों मौजूद है (जैसे, "ओह, इन अणुओं का यह पूरा समूह इसलिए विफल हुआ क्योंकि इनका आकार ऐसा है")। खराब नक्शे सब कुछ एक ही भ्रमित करने वाले ढेर में मिला देते हैं जहाँ आप किसी भी चीज़ के बीच अंतर नहीं कर सकते।

5. "भविष्यवाणी" का खेल (मशीन लर्निंग - Machine Learning)

परीक्षण: क्या एक कंप्यूटर केवल नक्शे को देखकर क्लिफ की भविष्यवाणी करना सीख सकता है?
निष्कर्ष: यदि नक्शा धुंधला है (जैसे "ChemBERTa" नक्शा), तो कंप्यूटर भ्रमित हो जाता है और तुक्का मारता है। यदि नक्शे में स्पष्ट संरचना है, तो कंप्यूटर पैटर्न सीख सकता है। इसने पुष्टि की कि "क्लिफ" नक्शे की ज्यामिति का गुण है, न कि केवल जीव विज्ञान का।

6. "वास्तविक दुनिया" की जाँच (स्टीरियोआइसोमर्स और जोड़े - Stereoisomers & Pairs)

परीक्षण: उन्होंने दो विशिष्ट, वास्तविक दुनिया के परिदृश्यों को देखा:
- स्टीरियोआइसोमर्स (Stereoisomers): ऐसे अणु जो एक-दूसरे के दर्पण प्रतिबिंब हैं (जैसे बाएं और दाएं हाथ)।
- मैच्ड पेयर्स (Matched Pairs): ऐसे अणु जिनमें केवल एक छोटा सा रासायनिक बदलाव किया गया है।
निष्कर्ष:
- फिंगरप्रिंट्स (पुराने ज़माने के नक्शे) दर्पण प्रतिबिंबों को देखने में बहुत खराब हैं (वे बाएं और दाएं हाथ को एक जैसा समझते हैं) लेकिन छोटे रासायनिक बदलावों को देखने में बहुत अच्छे हैं।
- लर्नड एम्बेडिंग्स (AI नक्शे) दर्पण प्रतिबिंबों को देखने में बहुत अच्छे हैं लेकिन कभी-कभी छोटे बदलावों को मिस कर देते हैं।
- निष्कर्ष: कोई भी एक नक्शा हर चीज़ में परफेक्ट नहीं है।

मुख्य निष्कर्ष

1. कोई भी "सर्वश्रेष्ठ" नक्शा नहीं है
शोध पत्र निष्कर्ष निकालता है कि आप अणुओं को मापने के लिए केवल एक "सर्वश्रेष्ठ" तरीका नहीं चुन सकते।

यदि आप उन अणुओं के बीच क्लिफ खोजना चाहते हैं जो दिखने में बहुत समान हैं (उच्च समानता), तो Morgan fingerprints सबसे अच्छे हैं।
यदि आपको बाएं हाथ और दाएं हाथ के अणुओं के बीच अंतर करने की आवश्यकता है (स्टीरियोकेमिस्ट्री), तो MolFormer ही एकमात्र ऐसा है जो अच्छा काम करता है।
यदि आप छोटे रासायनिक बदलावों को देख रहे हैं, तो MACCS या RDKit fingerprints सबसे अच्छे हैं।

2. "क्लिफ" एक चुनाव है
जब एक वैज्ञानिक कहता है, "ये दो अणु एक एक्टिविटी क्लिफ हैं," तो वे वास्तव में कह रहे होते हैं कि, "ये दो अणु एक एक्टिविटी क्लिफ हैं उस विशिष्ट नक्शे और पैमाने के अनुसार जिसे मैंने चुना है।" यदि आप नक्शा बदलते हैं, तो क्लिफ गायब हो सकता है या अचानक प्रकट हो सकता है।

3. "नो फ्री लंच" (कोई मुफ्त भोजन नहीं) का नियम
ठीक अर्थशास्त्र की तरह, रसायन विज्ञान में भी कोई "मुफ्त भोजन" नहीं है। आप ऐसा नक्शा नहीं रख सकते जो दर्पण प्रतिबिंबों को देखने में परफेक्ट हो, छोटे बदलावों को देखने में परफेक्ट हो, और एक साथ सभी क्लिफ की भविष्यवाणी करने में भी परफेक्ट हो। अलग-अलग नक्शे आणविक दुनिया की अलग-अलग विशेषताओं को उजागर करते हैं।

सारांश

यह शोध पत्र वैज्ञानिकों के लिए एक चेतावनी है: नक्शे पर आँख बंद करके भरोसा न करें। जिस तरह से आप अणुओं को देखते और मापते हैं, वह मौलिक रूप से उस कहानी को बदल देता है जो आप उनके कार्य करने के तरीके के बारे में बताते हैं। किसी दवा की वास्तविक प्रकृति को समझने के लिए, आपको यह जानना आवश्यक है कि आप किस "लेंस" से देख रहे हैं, क्योंकि वह लेंस ही उन क्लिफों को बनाता है जिन्हें आप देखते हैं।

तकनीकी सारांश: एक्टिविटी क्लिफ्स की ज्यामिति (The Geometry of Activity Cliffs)

समस्या विवरण (Problem Statement)

एक्टिविटी क्लिफ्स (Activity cliffs)—संरचनात्मक रूप से समान यौगिकों के जोड़े जो जैविक क्षमता (biological potency) में बड़े अंतर प्रदर्शित करते हैं—को व्यापक रूप से रासायनिक डेटासेट की अंतर्निगत विशेषताओं के रूप में माना जाता है जो संरचना-गतिविधि संबंधों (SAR) की पूर्वानुमान क्षमता की सीमाओं को परिभाषित करते हैं। हालाँकि, एक एक्टिविटी क्लिफ की परिभाषा परिचालन (operational) है, जो दो उपयोगकर्ता-निर्धारित थ्रेशोल्ड पर निर्भर करती है: एक क्षमता अंतराल (आमतौर पर $\ge$ 1 log unit) और एक संरचनात्मक समानता कट-ऑफ।

इस कार्य में संबोधित केंद्रीय समस्या यह है कि संरचनात्मक समानता अणु युग्म का एक अंतर्निहित गुण नहीं है, बल्कि उस मीट्रिक स्पेस का गुण है जिसमें अणु एम्बेड (embed) किए गए हैं। फलस्वरूप, आणविक प्रतिनिधित्व (embedding) और समानता मीट्रिक (similarity metric) का चयन यह मौलिक रूप से निर्धारित करता है कि कौन से युग्म 'क्लिफ' के रूप में योग्य हैं, कितने मौजूद हैं, और क्या वे पूर्वानुमान योग्य हैं। लेखक तर्क देते हैं कि क्षेत्र मॉर्गन फिंगरप्रिंट्स (Morgan fingerprints) और टैनिटोमो समानता (Tanimoto similarity) को एक डिफ़ॉल्ट के रूप में अपनाकर एक ऐसे बिंदु पर पहुँच गया है जहाँ यह व्यवस्थित रूप से अध्ययन नहीं किया गया है कि विभिन्न प्रतिनिधित्व गतिविधि परिदृश्य (activity landscape) को कैसे व्यवस्थित करते हैं। अध्ययन की यह कमी यह निष्कर्ष निकाल सकती है कि गतिविधि परिदृश्य के बारे में निष्कर्ष मीट्रिक के चुनाव को दर्शाते हैं, न कि अंतर्निहित जीव विज्ञान (biology) को।

कार्यप्रणाली (Methodology)

लेखक एक छह-चरणीय विश्लेषण पाइपलाइन का प्रस्ताव करते हैं जिसे इस परिकल्पना का व्यवस्थित रूप से परीक्षण करने के लिए डिज़ाइन किया गया है कि एक्टिविटी क्लिफ्स, प्रतिनिधित्व की ज्यामिति (representation geometry) और लक्ष्य जीव विज्ञान (target biology) का एक संयोजन (convolution) हैं। यह पाइपलाइन पैमाने और तार्किक निर्भरता के क्रम में व्यवस्थित, ज्यामितीय रूप से विशिष्ट गुणों की जांच करती है। यदि किसी प्रारंभिक चरण में विफलता होती है, तो बाद के चरण व्याख्या करने योग्य नहीं रह जाते।

इस पाइपलाइन को पंद्रह (एम्बेडिंग, मीट्रिक) कॉन्फ़िगरेशन पर तीन बायोएक्टिविटी डेटासेट्स (SARS-CoV-2 मेन प्रोटीज, फैक्टर Xa, और डोपामाइन D2 रिसेप्टर) पर लागू किया गया, जो अपनी एक्टिविटी क्लिफ चुनौतियों के लिए जाने जाते हैं। कॉन्फ़िगरेशन में शामिल थे:

शास्त्रीय फिंगरप्रिंट्स (Classical Fingerprints): मॉर्गन (त्रिज्या 2, 1024 बिट्स), RDKit टोपोलॉजिकल, और MACCS कीज़ (166 बिट्स)।
लर्नड एम्बेडिंग्स (Learned Embeddings): MolFormer, ChemBERTa, और Chemeleon (Mordred डिस्क्रिप्टर्स पर प्रशिक्षित MPNN)।
मीट्रिक्स (Metrics): टैनिटोमो (Tanimoto), डाइस (Dice), कोसाइन (Cosine), L1, और L2 दूरियाँ।

छह-चरणीय पाइपलाइन (The Six-Step Pipeline)

पेयरवाइज डिस्टेंस ज्योमेट्री (Pairwise Distance Geometry): मौलिक सीमाओं की पहचान करने के लिए पेयरवाइज दूरियों के वितरण का विश्लेषण करता है। इसमें शून्य-दूरी वाले युग्मों का अंश ( $p_0$ ), विभेदक रेंज के लिए गुणांक भिन्नता (CV), सापेक्ष कंट्रास्ट (RC), और पड़ोस विश्वसनीयता संबंधी मुद्दों का पता लगाने के लिए हबनेस स्क्यूनेस ( $S_{Nk}$ ) जैसे मीट्रिक शामिल हैं।
एक्टिविटी क्लिफ एनरिचमेंट (Activity Cliff Enrichment): शीर्ष $n\%$ सबसे समान युग्मों में क्लिफ के संचयी अंश ( $F(n)$ ) का मूल्यांकन करता है। एक निचला वक्र बेहतर प्रदर्शन (समान युग्मों में कम क्लिफ) को दर्शाता है। एनरिचमेंट गुणांक $G$ , क्लिफ रिक्तीकरण (cliff depletion) की मात्रा को मापता है।
एक्टिविटी ग्रेडिएंट डिस्ट्रीब्यूशन (Activity Gradient Distribution): सभी युग्मों के लिए स्ट्रक्चर-एक्टिविटी लैंडस्केप इंडेक्स (SALI), $L(i,j) = |\Delta pK_i| / d(x_i, x_j)$ की गणना करता है। इन ग्रेडिएंट्स के वितरण को KWW सर्वाइवल फंक्शन के साथ फिट किया जाता है ताकि आकार पैरामीटर $b$ निर्धारित किया जा सके। $b=2$ एक सुचारू, लाइट-टेल्ड लैंडस्केप (रेले सीलिंग) को इंगित करता है, जबकि $b<2$ भारी पूंछ (heavy tails) और बार-बार होने वाले चरम ग्रेडिएंट्स को दर्शाता है।
क्लिफ सबस्पेस की पर्सिस्टेंट होमोलॉजी (Persistent Homology of the Cliff Subspace): क्लिफ-शामिल अणुओं पर विक्टोरिस-रिप्स फिल्ट्रेशन (Vietoris–Rips filtration) का उपयोग करके जुड़े घटकों ( $H_0$ ) को ट्रैक करता है। औसत पर्सिस्टेंस ( $\mu_{pers}$ ) और अधिकतम पर्सिस्टेंस ( $p_{max}$ ), क्लिफ-प्रवण क्लस्टरों के टोपोलॉजिकल अलगाव को मापते हैं।
प्रतिनिधित्व संरचना के ज्यामितीय प्रोब्स (Geometric Probes of Representational Structure): क्लिफ के अस्तित्व की भविष्यवाणी करने के लिए एब्सोल्यूट एम्बेडिंग अंतर $|e_i - e_j|$ पर क्लासिफायर (लॉजिस्टिक्स रिग्रेशन, XGBoost, सियामी नेटवर्क) को प्रशिक्षित करता है। गैप सांख्यिकी ( $\Delta_{lin}$ और $\Delta_{arch}$ ) एम्बेडिंग स्पेस की रैखिक बनाम गैर-रैखिक और फीचर-इंटरैक्शन समृद्धि को स्पष्ट करती है।
केमिकल ग्राउंड ट्रुथ बेंचमार्किंग (Chemical Ground Truth Benchmarking): पाइपलाइन के अपने समानता मीट्रिक से स्वतंत्र, दो संरचनात्मक रूप से परिभाषित उप-जनसंख्याओं के विरुद्ध प्रतिनिधित्वों को मान्य करता है:
- स्टीरियोआइसोमर्स (Stereoisomers): वे युग्म जिनका ग्राफ समान है लेकिन 3D विन्यास अलग है।
- मैच्ड मॉलिक्यूलर पेयर्स (MMPs): वे युग्म जो एक एकल रासायनिक परिवर्तन द्वारा संबंधित हैं।
- प्रदर्शन को इन उप-जनसंख्याओं के भीतर दूरी वितरण के गुणांक भिन्नता (CV) द्वारा रैंक किया जाता है।

मुख्य परिणाम (Key Results)

1. क्लिफ काउंट की प्रतिनिधित्व निर्भरता (Representation Dependence of Cliff Counts)

प्रतिनिधित्व का चुनाव देखे गए एक्टिविटी क्लिफ्स की संख्या को नाटकीय रूप से बदल देता है। SARS-CoV-2 डेटासेट पर 90% समानता पर, पहचाने गए क्लिफ युग्मों की संख्या विभिन्न कॉन्फ़िगरेशन में 55 गुना तक भिन्न हुई:

Morgan Tanimoto: 142 युग्म।
Chemeleon Cosine: 752 युग्म।
RDKit Dice: 7,903 युग्म।
यह दर्शाता है कि डेटासेट की "क्लिफिनेस" काफी हद तक चुने गए प्रतिनिधित्व का एक ज्यामितीय आर्टिफैक्ट है।

2. प्रतिनिधित्व प्रकार के आधार पर प्रदर्शन (Performance by Representation Type)

Morgan Tanimoto: सबसे मजबूत क्लिफ एनरिचमेंट ( $G$ ) और क्रॉस-स्कैफोल्ड सामान्यीकरण प्रदर्शित करता है। इसकी ज्यामिति द्वि-मोडल (बीटा-वितरित) है, जो स्थान को स्कैफोल्ड पहचान के इर्द-गिर्द व्यवस्थित करती है। हालाँकि, यह पूर्ण स्टीरियोकेमिकल अंधापन ( $p_{0,stereo} = 100\%$ ) से ग्रस्त है।
MolFormer Cosine: एकमात्र कॉन्फ़िगरेशन जो सार्थक स्टीरियोकेमिकल संवेदनशीलता (स्टीरियोआइसोमर्स के लिए उच्च CV, $p_{0,stereo} = 0$ ) प्रदर्शित करता है। यह स्टीरियोसेंटर जानकारी को दिशात्मक भिन्नता के रूप में एनकोड करता है, जिससे कोसाइन दूरी (जो कोणीय अंतर के प्रति संवेदनशील है) L1/L2 से बेहतर हो जाती है।
MACCS और RDKit Dice: मैच्ड-मॉलिक्यूलर-पेयर (MMP) परिवर्तनों के प्रति सबसे अधिक संवेदनशील हैं, जो MMPs के लिए उच्चतम CV प्राप्त करते हैं। ये फ्रैगमेंट-लेवल पैटर्न को प्रभावी ढंग से एनकोड करते हैं लेकिन अन्य फिंगरप्रिंट्स की तरह ही स्टीरियोकेमिकल अंधापन साझा करते हैं।
ChemBERTa: "एम्बेडिंग कोलैप्स" के कारण सभी मानदंडों पर विफल रहता है। यह गंभीर रूप से केंद्रित दूरियाँ (कम CV, उच्च हबनेस) उत्पन्न करता है, जिसके परिणामस्वरूप एक ज्यामितीय रूप से क्षीण (degenerate) स्थान बनता है जहाँ अधिकांश अणु सक्रियता की परवाह किए बिना समान दिखाई देते हैं।
Chemeleon: सबसे समृद्ध टोपोलॉजिकल क्लिफ संरचना (उच्च पर्सिस्टेंस) उत्पन्न करता है लेकिन अत्यधिक मीट्रिक निर्भरता दिखाता है; L1/L2 दूरियाँ डोपामाइन D2 लक्ष्य पर टोपोलॉजिकल रूप से ढह जाती हैं, जबकि कोसाइन संरचना बनाए रखता है।

3. लक्ष्य-स्तरीय लैंडस्केप रफनेस (Target-Level Landscape Roughness)

विश्लेषण प्रतिनिधित्व से स्वतंत्र अंतर्निहित अंतरों को प्रकट करता है:

SARS-CoV-2: सबसे सुचारू लैंडस्केप (उच्चतम $b$ मान, रेले सीलिंग $b=2$ के करीब)।
Factor Xa: मध्यम रफनेस।
Dopamine D2: सबसे रफ (खुरदरा) लैंडस्केप। कोई भी कॉन्फ़िगरेशन इस लक्ष्य पर $b=2$ तक नहीं पहुँच सका, जो दर्शाता है कि संरचित विच्छेदन (discontinuities) प्रतिनिधित्व के बावजूद बने रहते हैं। लेखक इसका श्रेय GPCRs की कन्फर्मेशनल फ्लेक्सिबिलिटी और ChEMBL में विषम अससे (assay) डेटा के एकत्रीकरण को देते हैं।

4. पाइपलाइन चरणों की गैर-अतिरेकता (Non-Redundancy of Pipeline Steps)

प्रत्येक चरण ने ऐसी विफलता मोड प्रकट किए जो दूसरों के लिए अदृश्य थे। उदाहरण के लिए, RDKit ने उच्च विभेदक रेंज (चरण 1) दिखाई, लेकिन खराब क्लिफ एनरिचमेंट (चरण 2) और भारी ग्रेडिएंट टेल्स (चरण 3) प्रदर्शित किए। पर्सिस्टेंट होमोलॉजी (चरण 4) ने RDKit और Chemeleon में टोपोलॉजिकल कोलैप्स को उजागर किया जिसे पेयरवाइज सांख्यिकी द्वारा पूरी तरह से नहीं पकड़ा जा सका था।

महत्व और दावे (Significance and Claims)

यह शोध पत्र दावा करता है कि एक्टिविटी क्लिफ्स अणु युग्मों के अंतर्निहित गुण नहीं हैं, बल्कि चुने गए (एम्बेडिंग, मीट्रिक) युग्म के उभरते हुए गुण हैं। लेखक किसी एक "सर्वश्रेष्ठ" प्रतिनिधित्व का प्रस्ताव नहीं करते हैं; बल्कि, वे तर्क देते हैं कि विभिन्न प्रतिनिधित्व आणविक पहचान के विभिन्न, आंशिक रूप से गैर-अतिव्यापी पहलुओं को एनकोड करते हैं:

फिंगरप्रिंट्स स्कैफोल्ड और फ्रैगमेंट-लेवल परिवर्तनों में उत्कृष्ट हैं लेकिन स्टीरियोकेमिस्ट्री में विफल रहते हैं।
लर्नड एम्बेडिंग्स (विशेष रूप से कोसाइन दूरी के साथ) स्टीरियोकेमिकल संवेदनशीलता में उत्कृष्ट हैं लेकिन MMPs के लिए फिंगरप्रिंट्स की फ्रैगमेंट-लेवल विशिष्टता की कमी हो सकती है।
"कोई फ्री लंच नहीं" (No Free Lunch): कोई भी एकल कॉन्फ़िगरेशन सभी मानदंडों पर एक साथ उत्कृष्ट नहीं है।

इस कार्य का महत्व गतिविधि परिदृश्यों के ज्यामितीय गुणों को निदान करने के लिए एक ढांचा प्रदान करने में निहित है। यह सुझाव देता है कि प्रतिनिधित्व के ज्यामिति को लक्षणबद्ध किए बिना चयन करना ऐसे निष्कर्षों की ओर ले जाता है जो जीव विज्ञान के बजाय मीट्रिक को दर्शाते हैं। लेखक एक सार्वभौमिक डिफ़ॉल्ट (Morgan/Tanimoto) से हटकर कार्य-विशिष्ट चयन की ओर बढ़ने का प्रस्ताव करते हैं:

संरचनात्मक श्रृंखलाओं के भीतर SAR विश्लेषण के लिए Morgan Tanimot का उपयोग करें।
स्टीरियोकेमिस्ट्री-संवेदनशील कार्यों के लिए MolFormer Cosine का उपयोग करें।
MMP रूपांतरण एनोटेशन के लिए MACCS/RDKit Dice का उपयोग करें।
वैश्विक टोपोलॉजिकल अन्वेषण के लिए Chemeleon Cosine का उपयोग करें।

अंत में, पेपर यह सुझाव देता है कि किसी लक्ष्य के गतिविधि परिदृश्य की "रफनेस" (जैसे, डोपामाइन D2 गतिविधि की भविष्यवाणी करने की अंतर्निहित कठिनाई) को कई प्रतिनिधित्वों के बीच आम सहमति (consensus) के माध्यम से पहचाना जा सकता है, जो प्रतिनिधित्व के आर्टिफैक्ट से जैविक जटिलता को अलग करता है।