🧬 biology

$p$ -adic Bi-Filtrations for Topological Machine Learning on Genomic Sequences

यह शोध पत्र pVR को प्रस्तुत करता है, जो एक नवीन टोपोलॉजिकल मशीन लर्निंग फ्रेमवर्क है जो $p$ -adic संख्याओं और bi-filtered Vietoris–Rips कॉम्प्लेक्स का लाभ उठाकर श्रेष्ठ अलाइनमेंट-मुक्त जीनोमिक अनुक्रम वर्गीकरण प्राप्त करने के लिए, विशेष रूप से कम-नमूना व्यवस्थाओं में, पदानुक्रमित स्थिति संरचना और स्थानीय संरचनात्मक सामग्री को संयुक्त रूप से एनकोड करता है।

मूल लेखक: Tirtharaj Dash, Gunja Sachdeva

प्रकाशित 2026-06-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tirtharaj Dash, Gunja Sachdeva

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 डीएनए (DNA) की विशाल पुस्तकालय को व्यवस्थित करने की कोशिश कर रहे हैं। प्रत्येक पुस्तक अक्षरों (A, C, G, T) की एक लंबी श्रृंखला है जो किसी जीव के आनुवंशिक कोड का प्रतिनिधित्व करती है। आपका लक्ष्य यह पता लगाना है कि कौन सी पुस्तकें एक ही "परिवार" (प्रजाति, वायरस वेरिएंट, आदि) से संबंधित हैं, बिना हर पुस्तक के हर शब्द को पढ़े।

यह शोध पत्र इस छँटाई समस्या को हल करने के लिए एक नया उपकरण pVR पेश करता है। यह इन डीएनए पुस्तकों को देखने के दो बहुत अलग तरीकों को जोड़ता है ताकि एक स्मार्ट वर्गीकरण प्रणाली बनाई जा सके, विशेष रूप से तब जब आपके पास बहुत कम पुस्तकें हों।

यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ दिया गया है:

1. पुस्तक को देखने के दो तरीके

अधिकांश पारंपरिक तरीके डीएनए को केवल एक तरीके से देखते हैं: वे गिनते हैं कि कुछ छोटे वाक्यांश (जैसे "ATG" या "CGT") कितनी बार आते हैं। यह एक किताब को केवल उसकी शब्दावली से आंकने जैसा है। यदि दो पुस्तकें समान शब्दों का उपयोग करती हैं, तो उन्हें समान माना जाता है।

pVR टूल, डीएनए को एक साथ दो पूरक तरीकों से देखता है:

"वृक्ष" दृश्य (p-adic दूरी): कल्पना कीजिए कि डीएनए अनुक्रम एक वंशावली (फैमिली ट्री) है। पहले कुछ अक्षर "दादा-दादी/नाना-नानी" हैं, अगले कुछ "माता-पिता" हैं, और अंतिम अक्षर "बच्चे" हैं। यह विधि अक्षरों के क्रम और स्थान पर बहुत गहराई से ध्यान देती है। अनुक्रम की शुरुआत में एक बदलाव को एक बड़े पारिवारिक विभाजन के रूप में माना जाता है, जबकि अंत में एक बदलाव को एक मामूली विवरण माना जाता है। यह अनुक्रम की पदानुक्रमित संरचना (hierarchical structure) को पकड़ता है।
"रेसिपी" दृश्य (संरचनात्मक दूरी): यह पारंपरिक तरीका है। यह क्रम को अनदेखा कर देता है और बस पूछता है, "इस सूप में क्या-क्या सामग्री है?" यह A, C, G और T की कुल मात्रा को गिनता है। यह स्थानीय सामग्री को पकड़ता है लेकिन संरचना को अनदेखा कर देता है।

2. केवल एक दृश्य को देखने की समस्या

यह शोध पत्र एक आश्चर्यजनक गणितीय तथ्य सिद्ध करता है: यदि आप केवल "वृक्ष" दृश्य (p-adic विधि) का उपयोग करते हैं, तो गणित कहता है कि आप वास्तव में कोई दिलचस्प आकार या पैटर्न नहीं देख सकते। यह सीधे ऊपर से जंगल को देखने जैसा है; आप केवल पेड़ों का एक सपाट मानचित्र देखते हैं, लेकिन आप उनके बीच के लूप, सुरंगों और 3D संरचनाओं को नहीं देख पाते।

हालाँकि, यदि आप केवल "रेसिपी" दृश्य का उपयोग करते हैं, तो आप गहरे विकासवादी पारिवारिक संबंधों को खो देते हैं।

3. समाधान: "द्वि-फ़िल्ट्रेशन" जाल (Bi-Filtration Net)

इसे ठीक करने के लिए, pVR एक दोहरी-परत वाला जाल (जिसे द्वि-फ़िल्टर्ड कॉम्प्लेक्स कहा जाता है) बनाता है।

कल्पना कीजिए कि आप एक भीड़ भरे कमरे में दोस्तों के समूह को खोजने की कोशिश कर रहे हैं।
परत 1: आप केवल तभी लोगों को हाथ मिलाने देते हैं यदि उनका उपनाम (last name) समान हो (यह "वृक्ष" दृश्य है)।
परत 2: आप केवल तभी लोगों को हाथ मिलाने देते हैं यदि उन्होंने एक ही रंग की शर्ट पहनी हो (यह "रेसिपी" दृश्य है)।

pVR केवल दो डीएनए अनुक्रमों को तभी जोड़ता है जब वे एक ही समय में दोनों परीक्षणों को पास करते हैं। इन दोनों नियमों को जोड़कर, यह टूल छिपे हुए आकारों (लूप और छेद) को प्रकट करता है जिन्हें अकेले कोई भी नियम नहीं खोज पाता। ये आकार डीएनए अनुक्रमों के समूह के लिए एक अनूठे "फिंगरप्रिंट" के रूप में कार्य करते हैं।

4. यह कैसा प्रदर्शन करता है (परिणाम)

शोधकर्ताओं ने मानव वायरस से लेकर पशु माइटोकॉन्ड्रिया तक, 12 विभिन्न वास्तविक दुनिया के डेटासेट पर इस टूल का परीक्षण किया।

जब डेटा कम हो (एक "छोटी लाइब्रेरी"): जब विश्लेषण करने के लिए बहुत कम डीएनए अनुक्रम हों (जैसे कि एक नया, दुर्लभ वायरस), तो pVR एक सुपरस्टार की तरह उभरता है। इसने छह में से तीन छोटे डेटासेट पर चार अन्य मानक तरीकों को पछाड़ दिया। एक मामले में, इबोला वायरस वर्गीकरण में, यह अगले सर्वश्रेष्ठ तरीके की तुलना में 21 प्रतिशत अंक अधिक सटीक था। इसने छोटे कार्यों के लिए एक विशाल, 500-मिलियन-पैरामीटर वाले AI मॉडल (न्यूक्लियोटाइड ट्रांसफार्मर) को भी मात दी।
- क्यों? क्योंकि pVR "वृक्ष" संरचना का उपयोग एक स्मार्ट अनुमान (prior) के रूप में करता है कि जीवन कैसे विकसित होता है, जो इसे तब मदद करता है जब शून्य से सीखने के लिए पर्याप्त डेटा नहीं होता है।
जब डेटा प्रचुर मात्रा में हो (एक "बड़ी लाइब्रेरी"): जब हजारों अनुक्रम होते हैं, तो सभी तरीके (सरल तरीकों सहित) बहुत सटीक हो जाते हैं। pVR प्रतिस्पर्धी बना रहता है, लेकिन बड़ी जीत हासिल नहीं करता। ऐसा इसलिए है क्योंकि जब आपके पास पर्याप्त डेटा होता है, तो सरल "रेसिपी" दृश्य आमतौर पर काम पूरा करने के लिए पर्याप्त होता है।
जहाँ यह संघर्ष करता है: यह टूल SARS-CoV-2 के एक विशिष्ट डेटासेट पर खराब प्रदर्शन करता है। लेखक बताते हैं कि ऐसा इसलिए हुआ क्योंकि उन वायरस वेरिएंट्स ने एक व्यवस्थित "वृक्ष" पैटर्न में विकास नहीं किया; वे बिखरे हुए, यादृच्छिक उत्परिवर्तन (mutations) के माध्यम से बदले। चूंकि pVR उस वृक्ष जैसी संरचना पर निर्भर करता है, इसलिए यह भ्रमित हो गया।

5. मुख्य निष्कर्ष (Bottom Line)

शोध पत्र का दावा है कि pVR जीनोमिक्स में "छोटे डेटा" की समस्याओं के लिए एक विशेष उपकरण है।

उपमा: यदि आपके पास एक विशाल पुस्तकालय है, तो एक साधारण इंडेक्स कार्ड (शब्दों को गिनना) किताब खोजने के लिए पर्याप्त है। लेकिन यदि आपके पास केवल कुछ ही पुस्तकें हैं और वे बहुत समान हैं, तो आपको उन्हें अलग करने के लिए एक ऐसे उपकरण की आवश्यकता है जो पारिवारिक इतिहास और कहानी की संरचना को समझता हो। pVR वही उपकरण है।
मुख्य बात: यह इस बात को गणितीय रूप से सिद्ध करके काम करता है कि एक "पदानुक्रमित" दृश्य (पारिवारिक वृक्ष) को "संरचनात्मक" दृश्य (सामग्री सूची) के साथ जोड़ने से वर्गीकरण का एक शक्तिशाली नया तरीका बनता है, विशेष रूप से तब जब आपके पास काम करने के लिए बहुत अधिक डेटा न हो।

इस उपकरण का कोड सार्वजनिक रूप से उपलब्ध है, और लेखक इस बात पर जोर देते हैं कि यह तेज़ है (एक मानक कंप्यूटर पर सेकंडों में चलता है) और मजबूत है, जिसका अर्थ है कि परिणाम गणितीय सेटिंग्स में थोड़ा बदलाव करने से नहीं बदलते हैं।

तकनीकी सारांश: जीनोमिक अनुक्रमों के लिए टोपोलॉजिकल मशीन लर्निंग हेतु p-adic द्वि-फिल्ट्रेशन (Bi-Filtrations)

समस्या विवरण

तुलनात्मक जीनोमिक विश्लेषण के लिए जीवों का वर्गीकरण, वेरिएंट की पहचान और विकासवादी संबंधों का पुनर्निर्माण आवश्यक है। जबकि शास्त्रीय संरेखण-आधारित विधियाँ (जैसे MAFFT, MUSCLE) निकट संबंधी अनुक्रमों के लिए प्रभावी हैं, वे लंबाई और विचलन के साथ स्केलेबिलिटी में कमजोर पड़ती हैं। संरेखण-मुक्त विधियाँ (जैसे k-mer आवृत्ति, नेचुरल वेक्टर, MinHash) स्केलेबिलिटी की समस्या को संबोधित करती हैं, लेकिन वे आमतौर पर k-mers को स्वतंत्र विशेषताओं के रूप में मानती हैं, जिससे जैविक कोड में निहित संरचनात्मक और पदानुक्रमित (hierarchical) संबंधों की अनदेखी होती है। इसके विपरीत, जीनोमिक्स में हालिया टोपोलॉजिकल डेटा एनालिसिस (TDA) दृष्टिकोण मुख्य रूप से आवृत्ति-आधारित या स्केच-आधारित दूरियों पर निर्भर रहे हैं, जो जैविक अनुक्रमों की पदानुक्रमित अंकगणितीय संरचना को पकड़ने में विफल हो सकते हैं। इसके विपरीत, p-adic मॉडलों का उपयोग अल्ट्रामेट्रिक गुणों के आधार पर जैविक अनुक्रमों को एनकोड करने के लिए किया गया है, फिर भी उन्हें वर्गीकरण कार्यों के लिए सिम्पलिसियल पर्सिस्टेंट होमोलॉजी (simplicial persistent homology) के साथ संयोजित नहीं किया गया है।

कार्यप्रणाली: pVR ढांचा

लेखक pVR प्रस्तुत करते हैं, जो एक संरेखण-मुक्त ढांचा है जो p-adic संख्या सिद्धांत को टोपोलॉजिकल डेटा एनालिसिस के साथ एकीकृत करता है। मुख्य नवाचार एक द्वि-फिल्टर्ड वियेटोरिस-रिप्स (VR) कॉम्प्लेक्स है, जिसे प्रत्येक DNA अनुक्रम से प्राप्त दो पूरक दूरी मेट्रिक्स द्वारा पैरामीटराइज किया गया है:

पदानुक्रमित अक्ष (p-adic दूरी, $D_p$ ):
- न्यूक्लियोटाइड्स को $\mathbb{Z}_p$ (विशेष रूप से DNA के लिए $p=5$ ) में अंकों के रूप में मैप किया जाता है।
- k-mers को p-adic पूर्णांकों के रूप में एनकोड किया जाता है, जहाँ पहला न्यूक्लियोटाइड निम्न-क्रम का अंक होता है।
- k-mers के बीच की दूरी p-adic मीट्रिक द्वारा परिभाषित होती है, जहाँ लंबे साझा प्रिफिक्स (prefix) वाले अनुक्रम "निकट" होते हैं।
- अनुक्रम स्तर पर, $D_p$ p-adic अवशेषों के मल्टी-स्केल हिस्टोग्राम के बीच एक भारित $L_1$ दूरी है, जो पदानुक्रमित प्रिफिक्स संरचना को कैप्चर करती है।
संरचनात्मक अक्ष (Compositional Axis, $D_c$ ):
- यह सामान्यीकृत k-mer आवृत्ति वैक्टर्स के बीच मानक $L_1$ दूरी है।
- यह स्थिति या पदानुक्रम की परवाह किए बिना स्थानीय अनुक्रम सामग्री को कैप्चर करता है।

द्वि-फिल्ट्रेशन (The Bi-Filtration):
एक एकल मीट्रिक स्पेस पर पर्सिस्टेंट होमोलॉजी लागू करने के बजाय, pVR एक द्वि-फिल्टर्ड VR कॉम्प्लेक्स $VR(\epsilon_p, \epsilon_c)$ का निर्माण करता है। एक सिम्प्लेक्स इस कॉम्प्लेक्स में तभी मौजूद होता है जब उसके वर्टिक्स के बीच की युग्मवार दूरी दोनों थ्रेशोल्ड को संतुष्ट करती है: $d_p(x,y) \le \epsilon_p$ और $d_c(x,y) \le \epsilon_c$ ।

विशेषता निष्कर्षण (Feature Extraction):
द्वि-फिल्ट्रेशन ग्रिड से, ढांचा निम्नलिखित निकालता है:

डिग्री प्रोफाइल (Degree Profiles): प्रत्येक ग्रिड पॉइंट पर प्रत्येक अनुक्रम वर्टेक्स के लिए पड़ोसियों की संख्या, जो स्थानीय कनेक्टिविटी के विकास को कैप्चर करती है।
ग्लोबल बेट्टी नंबर्स (Global Betti Numbers): पूरे कॉम्प्लेक्स के लिए $\beta_0$ (कनेक्टेड कंपोनेंट्स) और $\beta_1$ (लूप्स)।
स्थिर विशेषताएं (Static Features): संयोजित p-adic हिस्टोग्राम और k-mer आवृत्ति वैक्टर्स।
इन विशेषताओं को मानक क्लासिफायर्स (XGBoost, SVM, 5-NN) में फीड किया जाता है।

प्रमुख योगदान

सैद्धांतिक योगदान

यह शोध चार संरचनात्मक परिणाम स्थापित करता है:

एकल-अक्ष अल्ट्रामेट्रिक टोपोलॉजी की तुच्छता (Triviality): लेखक सिद्ध करते हैं (थ्योरम 5) कि परिमित सख्त अल्ट्रामेट्रिक स्पेस से निर्मित वियेटोरिस-रिप्स कॉम्प्लेक्स में सभी धनात्मक आयामों में तुच्छ होमोलॉजी ( $H_k = 0$ के लिए $k \ge 1$ ) होती है। यह स्पष्ट करता है कि क्यों केवल एक p-adic अक्ष अकेले उच्च-क्रम की टोपोलॉजिकल विशेषताओं (लूप्स) को कैप्चर नहीं कर सकता।
द्वि-फिल्ट्रेशन की गैर-तुच्छता (Nontriviality): वे सिद्ध करते हैं (प्रपोजिशन 8) कि एक सख्त अल्ट्रामेट्रिक दूरी को एक कंपोजिशनल मीट्रिक के साथ जोड़ने से गैर-तुच्छ होमोलॉजी (विशेष रूप से 1-साइकिल) को पुनः प्राप्त किया जा सकता है, जो अकेले किसी भी फिल्ट्रेशन में अदृश्य रहती है।
स्थिरता (Stability): उनके द्वारा निर्मित bi-persistence मॉड्यूल को मीट्रिक परिवर्तनों के तहत स्थिर (stable) सिद्ध किया गया है (प्रपोजिशन 11), जो शोर (noise) के प्रति मजबूती सुनिश्चित करता है।
प्राइम इनवेरिएंस (Prime Invariance): इसकी विशेषताएं प्राइम $p$ के चयन के प्रति अपरिवर्तित रहती हैं (बशर्ते $p \ge |\Sigma| + 1$ ), जिससे प्राइम चयन को हाइपरपैरामीटर के रूप में उपयोग करने की आवश्यकता समाप्त हो जाती है (प्रपोजिशन 12)।

नोट: लेखक स्पष्ट करते हैं कि जबकि सैद्धांतिक प्रमाण सख्त अल्ट्रामेट्रिसिटी मानते हैं, कार्यान्वित अनुक्रम-स्तरीय दूरी $D_p$ केवल लगभग अल्ट्रामेट्रिक है। हालांकि, अनुभवजन्य परिणाम उनके अनुमानित व्यवहार की पुष्टि करते हैं जहाँ एकल-अक्ष p-adic फिल्ट्रेशन तुच्छ टोपोलॉजी देता है, जबकि द्वि-फिल्ट्रेशन संरचना को पुनः प्राप्त करता है।

अनुभवजन्य योगदान

कम-नमूना डेटा पर प्रदर्शन: छह कम-नमूना बेंचमार्क (28–150 अनुक्रम) पर, pVR तीन डेटासेट्स (Ebola, Influenza HA, Mammalian mitochondrial) पर चार स्थापित संरेखण-मुक्त बेसलाइन्स (FFP-JS, NVM, MinHash, k-mer frequency) को पछाड़ता है।
- Ebola: pVR-SVM ने 100.0% सटीकता प्राप्त की, जो सर्वश्रेष्ठ बेसलाइन (MinHash @ 78.9%) से 21.1 प्रतिशत अंक अधिक है।
- Influenza HA: pVR ने 62.2% (FFP-JS) के मुकाबले 72.5% प्राप्त किया।
- Mammalian: pVR ने 53.9% (FFP-JS) के मुकाबले 62.0% प्राप्त किया।
फाउंडेशन मॉडल्स के साथ तुलना: तीन कम-नमूना बेंचमार्क पर, pVR ने 500M-पैरामीटर वाले Nucleotide Transformer v2 के ज़ीरो-शॉट एम्बेडिंग्स से 6.7 से 11.4 प्रतिशत अंक बेहतर प्रदर्शन किया।
बड़े-नमूना शासन (Large-Sample Regime): छह बड़े-नमूना डेटासेट्स (500 अनुक्रमों तक) में, सभी विधियों का प्रदर्शन संतृप्त (saturated) हो गया (ज्यादातर 96–100%), जहाँ pVR प्रतिस्पर्धी रहा लेकिन सरल कंपोजिशनल बेसलाइन्स से महत्वपूर्ण रूप से बेहतर नहीं दिखा।
विफलता का मामला (Failure Case): pVR ने SARS-CoV-2 वेरिएंट बेंचमार्क पर खराब प्रदर्शन किया। लेखक इसका कारण यह बताते हैं कि SARS-CoV-2 वेरिएंट बिखरे हुए पॉइंट म्यूटेशन के माध्यम से अलग होते हैं, न कि गहरे पदानुक्रमित क्लाड (clade) विचलन के माध्यम से, जो p-adic अक्ष की संरचनात्मक धारणा का उल्लंघन करता है।

महत्व और दावे

यह शोध दावा करता है कि pVR जीनोमिक मशीन लर्निंग में पदानुक्रमित संरचनात्मक पूर्वग्रहों (hierarchical structural priors) को शामिल करने का एक गणितीय रूप से सुदृढ़ तरीका प्रदान करता है। इसका प्राथमिक महत्व यह प्रदर्शित करने में है कि:

संरचनात्मक पूर्वग्रह महत्वपूर्ण हैं: कम-डेटा शासन में, विकासवादी विचलन की पदानुक्रमित प्रकृति (p-adic संख्याओं के माध्यम से) को कंपोजिशनल सामग्री के साथ एनकोड करना, शुद्ध आवृत्ति-आधारित विधियों या बड़े प्री-ट्रेन्ड मॉडल्स की तुलना में बेहतर इंडक्टिव बायस (inductive bias) प्रदान करता है।
द्वि-फिल्ट्रेशन की टोपोलॉजिकल आवश्यकता: यह कार्य सैद्धांतिक औचित्य प्रदान करता है कि जैविक डेटा से गैर-तुच्छ टोपोलॉजिकल विशेषताओं को निकालने के लिए एक अल्ट्रामेट्रिक दूरी को गैर-अल्ट्रामेट्रिक दूरी के साथ जोड़ना क्यों आवश्यक है।
दक्षता: यह विधि कम्प्यूटेशनल रूप से कुशल है, जो बिना GPU त्वरण के एक मानक वर्कस्टेशन पर 30 सेकंड से कम समय में 500 अनुक्रमों तक के डेटासेट को प्रोसेस कर सकती है।

लेखक विनम्रतापूर्वक निष्कर्ष निकालते हैं कि यह विधि तब सबसे प्रभावी होती है जब डेटा दुर्लभ हो और विचलन पदानुक्रमित हो (जैसे, उभरते रोगजनक, दुर्लभ प्रजातियां)। वे अपनी सीमाओं को स्वीकार करते हैं, यह नोट करते हुए कि यह विधि उन मामलों में संघर्ष करती है जहाँ विचलन पॉइंट म्यूटेशन (SARS-CoV-2) या पुनर्संयोजन (HEV) द्वारा संचालित होता है, और बहुत बड़े डेटासेट्स ( $N > 500$ ) के लिए द्वि-फिल्ट्रेशन ग्रिड लूप की $O(N^3)$ जटिलता एक बाधा बन जाती है।