🤖 machine learning

Pepti-drift: Toxicity-Repulsive Drifting for Antigen-Conditioned Discrete Peptide Generation

यह शोध पत्र Pepti-drift को प्रस्तुत करता है, जो एक विषाक्तता-जागरूक (toxicity-aware) लेटेंट रिफाइनमेंट फ्रेमवर्क है जो एम्बेडिंग स्पेस में उम्मीदवारों को बाइंडिंग क्षेत्रों की ओर आकर्षित करने और उन्हें विषाक्तता-संबंधित क्षेत्रों से दूर धकेलने को सीखकर एंटीजन-विशिष्ट चिकित्सीय पेप्टाइड्स उत्पन्न करता है, जिसमें इन प्रतिस्पर्धी उद्देश्यों को स्थिर करने के लिए एक वार्म-अप रणनीति का उपयोग किया गया है।

मूल लेखक: Takashi Fujiwara, Hikaru Shindo, Kaushalya Madhawa, Jun Jin Choong, Keisuke Ozawa

प्रकाशित 2026-06-29

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Takashi Fujiwara, Hikaru Shindo, Kaushalya Madhawa, Jun Jin Choong, Keisuke Ozawa

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 विशेष कस्टम चाबी (एक पेप्टाइड) डिजाइन करने की कोशिश कर रहे हैं जो एक विशिष्ट ताले (एक लक्षित प्रोटीन या एंटीजन) में पूरी तरह फिट बैठती है ताकि एक दरवाजा खोला जा सके। यह इस तरह से काम करता है जैसे कई नई दवाएं काम करती हैं। हालाँकि, इसमें एक पेंच है: वे विशेषताएं जो चाबी को ताले में फिट होने के लिए उपयुक्त बनाती हैं, वे अक्सर उसे खतरनाक भी बना देती हैं। उदाहरण के लिए, एक ऐसी चाबी जो ताले को अच्छी तरह पकड़ तो लेती है लेकिन साथ ही ताले के छेद को नष्ट कर देती है (स्वस्थ कोशिकाओं को नुकसान पहुँचाती है) या ताले को ही पूरी तरह से घोल देती है (विषाक्तता पैदा करती है)।

अतीत में, वैज्ञानिकों को "अनुमान और जांच" करना पड़ता था, या उन चाबियों को खोजने के लिए धीमे, जटिल कंप्यूटर प्रोग्रामों का उपयोग करना पड़ता था जो चीजों को तोड़े बिना फिट बैठ सकें।

Pepti-drift एक नया, सुपर-फास्ट कंप्यूटर तरीका है जो इस समस्या को "मैग्नेटिक नेविगेशन" (चुंबकीय नेविगेशन) के खेल की तरह हल करता है।

समस्या: ओवरलैप ज़ोन (Overlap Zone)

एक मानचित्र की कल्पना करें जहाँ "अच्छी चाबियाँ" (वे चाबियाँ जो ताले में फिट होती हैं) और "बुरी चाबियाँ" (वे चाबियाँ जो विषाक्त हैं) एक ही पड़ोस में रह रही हैं। वे इतनी करीब हैं कि यदि आप केवल "अच्छे" पड़ोस की ओर निशाना लगाते हैं, तो आप गलती से एक "बुरा" वाला भी चुन लेते हैं।

पुराने तरीके एक अंधे व्यक्ति की तरह थे जो "अच्छे" संकेत की ओर बढ़ रहा है। वह ताले के करीब तो पहुँच जाता था, लेकिन वह "बुरे" सामान से टकरा जाता था क्योंकि उसे खतरे वाले क्षेत्रों के बारे में पता नहीं था।
चुनौती: आपको चाबी को ताले की ओर खींचना भी है और साथ ही उसे खतरे से दूर भी धकेलना है।

समाधान: मैग्नेटिक ड्रिफ्ट (Magnetic Drift)

Pepti-drift एक चतुर तकनीक "टॉक्सिसिटी-रिपल्सिव ड्रिफ्टिंग" (Toxicity-Repulsive Drifting) का उपयोग करता है। इसे दो विपरीत बलों वाले जीपीएस नेविगेशन सिस्टम की तरह समझें:

चुंबक (आकर्षण - Attraction): एक मजबूत चुंबक डिज़ाइन को "अच्छी चाबियों" (जो लक्ष्य से जुड़ती हैं) की ओर खींचता है।
रिपल्सर (विकर्षण - Repulsion): एक मजबूत रिपल्सर डिज़ाइन को "बुरी चाबियों" (जो विषाक्त हैं) से दूर धकेलता है।

यह प्रणाली केवल अनुमान नहीं लगाती है; यह एक एकल, सटीक पथ की गणना करती है जो डिज़ाइन को सीधे "सेफ ज़ोन" (सुरक्षित क्षेत्र) में ले जाता है—एक संकीकर पट्टी जहाँ चाबी ताले में पूरी तरह फिट बैठती है लेकिन खतरे से दूर रहती है।

"वॉर्म-अप" रणनीति (The "Warm-Up" Strategy)

यहाँ सबसे पेचीदा हिस्सा है: यदि आप शुरुआत में ही चुंबक और रिपल्सर दोनों को चालू कर देते हैं, तो कंप्यूटर भ्रमित हो जाता है। यह एक कुत्ते को बैठने के लिए सिखाने और साथ ही कूदने के लिए कहने के बीच में फंस जाने जैसा है; विरोधाभासी निर्देश उसे गोल-गोल घुमाते हैं।

पेपर एक "वॉर्म-अप" रणनीति पेश करता है:

चरण 1: पहले, कंप्यूटर केवल चुंबक के पीछे भागकर "अच्छी चाबियों" की ओर बढ़ना सीखता है। वह ताले के बुनियादी आकार को सीखता है।
चरण 2: एक बार जब वह जान जाता है कि "अच्छा" कहाँ है, तो वह धीरे-धीरे रिपल्सर को चालू करता है ताकि "बुरे" को दूर धकेला जा सके।
यह चरण-दर-चरण दृष्टिकोण यह सुनिश्चित करता है कि कंप्यूटर भ्रमित न हो और एक स्थिर, सुरक्षित पथ खोज सके।

यह क्यों एक बड़ी बात है: गति और सुरक्षा

पेपर का दावा है कि Pepti-drift दो तरीकों से एक बड़ी छलांग है:

यह बिजली की तरह तेज़ है:
- पिछले सर्वश्रेष्ठ तरीके (PepMLM) की तुलना में, Pepti-drift 16 गुना तेज़ है।
- दूसरे तरीके (PepTune) की तुलना में, यह 1,000 गुना से अधिक तेज़ है।
- उपमा: यदि पुराने तरीके शहर में चाबी खोजने के लिए पैदल चलने जैसे थे, तो Pepti-drift वहां तुरंत टेलीपोर्ट होने जैसा है। यह कुछ अन्यों को बनाने के समय में हजारों उम्मीदवारों को उत्पन्न कर सकता है।
यह सुरक्षित और स्मार्ट है:
- कोई विषाक्तता नहीं: उत्पन्न की गई चाबियाँ "विषाक्त" (कोशिकाओं के लिए हानिकारक) या "हेमोलिसिस" (लाल रक्त कोशिकाओं के फटने) के प्रति बहुत कम संवेदनशील हैं।
- अद्वितीय डिज़ाइन: यह केवल पुराने डिज़ाइनों की नकल नहीं करता है। यह अत्यधिक अद्वितीय डिज़ाइन बनाता है जो लक्ष्य के लिए विशिष्ट होते हैं, जिससे "कॉपीकैट" समस्या से बचा जा सके जहाँ अलग-अलग ताले एक ही जेनेरिक चाबी प्राप्त करते हैं।
- वैध (Valid): इसके द्वारा बनाई गई हर एक चाबी एक वास्तविक, उपयोग योग्य अमीनो एसिड अनुक्रम (100% वैध) है।

निचोड़ (The Bottom Line)

Pepti-drift एक ऐसा नया टूल है जो एक ही चरण में लक्ष्य की ओर खींचने और खतरे से दूर धकेलने को सीखकर दवा के उम्मीदवारों को डिजाइन करता है। यह इतना तेज़ और सुरक्षित है कि यह वैज्ञानिकों को उन लाखों संभावित दवाओं की स्क्रीनिंग करने में मदद कर सकता है जिन्हें स्क्रीन करने में पहले बहुत समय लगता था, और यह भी सुनिश्चित करता है कि उम्मीदवार मानव शरीर के लिए हानिकारक होने की संभावना कम हो।

तकनीकी सारांश: Pepti-drift

समस्या विवरण (Problem Statement)

चिकित्सकीय पेप्टाइड डिजाइन एक मौलिक ट्रेड-ऑफ (trade-off) का सामना करता है: वे भौतिक-रासायनिक विशेषताएं जो मजबूत एंटीजन बाइंडिंग (जैसे उच्च धनात्मक आवेश, झिल्ली आत्मीयता) को बढ़ावा देती हैं, अक्सर उन विशेषताओं के साथ ओवरलैप होती हैं जो विषाक्तता (जैसे साइटोटॉक्सिसिटी और हेमोलिसिस) का कारण बनती हैं। सीखे गए रिप्रजेंटेशन स्पेस (learned representation spaces) में, बाइंडिंग पेप्टाइड्स और विषाक्त पेप्टाइड्स अक्सर ओवरलैपिंग क्षेत्रों में स्थित होते हैं। फलस्वरूप, जनरेटिव मॉडल जो केवल बाइंडिंग के लिए अनुकूलन करते हैं, वे इस "ओवरलैप ज़ोन" के भीतर उम्मीदवार उत्पन्न करते हैं, जिसके परिणामस्वरूप ऐसे अनुक्रम (sequences) प्राप्त होते हैं जो प्रभावी बाइंडर्स तो हैं लेकिन उनमें महत्वपूर्ण सुरक्षा जोखिम भी शामिल हैं। मौजूदा तरीके जैसे PepMLM (मास्क्ड लैंग्वेज मॉडलिंग) में विषाक्तता से बचने के लिए स्पष्ट तंत्र की कमी है, जबकि PepTune (मोंटे कार्लो ट्री गाइडेंस के साथ डिस्क्रीट डिफ्यूजन) जैसे दृष्टिकोण सुरक्षा बाधाओं को शामिल करते हैं लेकिन बड़े पैमाने पर एंटीजन स्क्रीनिंग के लिए उनकी कम्प्यूटेशनल लागत अधिक होती है, जिससे स्केलेबिलिटी सीमित हो जाती है।

कार्यप्रणाली (Methodology)

Pepti-drift एक विषाक्तता-जागरूक, एंटीजन-कंडीशनड लेटेंट रिफाइनमेंट फ्रेमवर्क है जिसे एक सिंगल फॉरवर्ड पास में पेप्टाइड उम्मीदवारों को उत्पन्न करने के लिए डिज़ाइन किया गया है। यह एक साझा, नॉर्मलाइज्ड लेटेंट स्पेस के भीतर काम करता है जो एक फ्रोजन ESM-2 प्रोटीन लैंग्वेज मॉडल से प्राप्त होता है।

1. रिप्रजेंटेशन और आर्किटेक्चर (Representation and Architecture)

लेटेंट स्पेस (Latent Space): एंटीजन और पेप्टाइड अनुक्रमों को ESM-2 द्वारा एनकोड किया जाता है और एक कॉम्पैक्ट, $\ell_2$ -नॉर्मलाइज्ड एम्बेडिंग स्पेस ( $d_z = 1024$ ) में प्रोजेक्ट किया जाता है। यह नॉर्मलाइजेशन सुनिश्चित करता है कि दूरियां कोसाइन सिमिलरिटी (cosine similarity) द्वारा नियंत्रित हों, जिससे ओरिजिन की ओर झुकाव (collapse) को रोका जा सके।
एक-चरणीय पीढ़ी (One-Step Generation): इटरेटिव डिफ्यूजन मॉडल के विपरीत, Pepti-drift एक ही चरण में पेप्टाइड्स उत्पन्न करता है। एक एंटीजन-कंडीशनड जनरेटर गाऊसी शोर (Gaussian noise) को एक प्रारंभिक लेटेंट $z_0$ में मैप करता है। एक सीखा गया ड्रिफ्ट मॉड्यूल फिर $z_0$ को एक सिंगल वेक्टर फील्ड अपडेट के माध्यम से अंतिम लेटेंट $z_1$ में परिष्कृत करता है: $z_1 = z_0 + \eta \Delta$ ।
डिकोडिंग (Decoding): एक नॉन-ऑटोरिग्रेसिव ट्रांसफॉर्मर डिकोडर $z_1$ से पूरे पेप्टाइड अनुक्रम की समानांतर (parallel) भविष्यवाणी करता है, जिससे ऑटोरिग्रेसिव डिकोडिंग की विलंबता समाप्त हो जाती है।

2. ड्रिफ्ट मैकेनिज्म: आकर्षण और प्रतिकर्षण (The Drift Mechanism: Attraction and Repulsion)

मुख्य नवाचार एक वेक्टर फील्ड $V$ का निर्माण है जिसमें दो विपरीत घटक होते हैं:

आकर्षण ( $V_{att}$ ): उत्पन्न लेटेंट को ज्ञात एंटीजन-मैच्ड बाइंडिंग पेप्टाइड्स (पॉजिटिव टीचर) के एम्बेडिंग की ओर खींचता है।
प्रतिकर्षण ( $V_{rep}$ ): लेटेंट को साइटोटॉक्सिसिटी और हेमोलिसिस से जुड़े "हार्ड नेगेटिव" पेप्टाइड्स के स्थानीय पड़ोस से दूर धकेलता है।
ड्रिफ्ट फील्ड को $V = V_{att} + V_{rep}$ के रूप में परिभाषित किया गया है। प्रतिकर्षण शब्द को एक कर्नेल टेम्परेचर और एक समय-निर्भर गुणांक $\alpha^-(e)$ द्वारा भारित (weighted) किया गया है।

3. प्रशिक्षण रणनीति: वार्म-अप नेगेटिव रिपल्शन (Training Strategy: Warm-Up Negative Repulsion)

एक महत्वपूर्ण चुनौती यह है कि जब मॉडल ने अभी तक एक स्थिर लेटेंट संरचना नहीं सीखी होती है, तो आकर्षण और प्रतिकर्षण सिग्नल प्रतिस्पर्धी ग्रेडिएंट्स उत्पन्न कर सकते हैं, विशेष रूप से बाइंडिंग और विषाक्तता वितरण के बीच ओवरलैप को देखते हुए। इसे हल करने के लिए, Pepti-drift एक वार्म-अप शेड्यूल का उपयोग करता है:

चरण 1: प्रतिकर्षण गुणांक $\alpha^-$ को शून्य पर सेट किया जाता है। मॉडल एंटीजन-अनुकूल बाइंडिंग क्षेत्रों की ओर एक स्थिर प्रक्षेपवक्र (trajectory) सीखता है।
चरण 2: एक बार बाइंडिंग-ओरिएंटेड प्रक्षेपवक्र स्थापित हो जाने के बाद, $\alpha^-$ को धीरे-धीरे बढ़ाया जाता है, जिससे विषाक्तता प्रतिकर्षण सिग्नल पेश किया जाता है। यह मॉडल को पहले यह सीखने में मदद करता है कि "कहाँ जाना है" और फिर "किससे बचना है।"

मुख्य योगदान (Key Contributions)

लेटेंट ड्रिफ्ट फ्रेमवर्क: एक एक-चरणीय जनरेटिव मॉडल जो सीखे गए वेक्टर फील्ड को आकर्षक (बाइंडिंग) और प्रतिकर्षक (विषाक्तता) घटकों में विभाजित करता है, जिससे इटरेटिव सैंपलिंग के बिना लक्ष्य-अनुकूल और सुरक्षा-जागरूक पेप्टाइड्स उत्पन्न होते हैं।
वार्म-अप नेगेटिव रिपल्शन: एक प्रशिक्षण रणनीति जो बाइंडिंग और विषाक्तता वितरण के ओवरलैप होने पर सीखने की प्रक्रिया को स्थिर करती है, जिससे मॉडल प्रतिस्पर्धी उद्देश्यों के बीच एक सुसंगत ड्रिफ्ट सीख पाता है।
कुशल, स्केलेबल पीढ़ी: एक फ्रेमवर्क जो पीढ़ी प्रक्रिया के भीतर ज्यामितीय रूप से सुरक्षा बाधाओं को एनकोड करता है, मौजूदा बेसलाइन की तुलना में आदेश-दर-आदेश (orders-of-magnitude) की गति प्राप्त करता है।

परिणाम (Results)

एंटीजन-लेवल स्प्लिट-कंट्रोल्ड बेंचमार्क पर मूल्यांकन करने पर (यह सुनिश्चित करने के लिए कि टेस्ट सेट्स में एंटीजन क्लस्टर प्रशिक्षण के दौरान अनदेखे थे, CD-HIT का उपयोग करके), Pepti-drift ने निम्नलिखित प्रदर्शित किया:

कंप्यूटेशनल दक्षता: Pepti-drift, PepMLM की तुलना में 16.2 $\times$ तेज़ और PepTune की तुलना में 1,092.0 $\times$ तेज़ है। यह PepTune के ~3 पेप्टाइड्स प्रति सेकंड की तुलना में ~3,312 पेप्टाइड्स प्रति सेकंड उत्पन्न करता है।
अनुक्रम गुणवत्ता: उत्पन्न पेप्टाइड्स ने 100% वैधता, 98.1% विशिष्टता (uniqueness) और तुलना किए गए मॉडलों में उच्चतम शैनन एंट्रॉपी (Shannon entropy) प्राप्त की। महत्वपूर्ण रूप से, इसने लगभग शून्य क्रॉस-एंटीजन पुनरुपयोग (0.27) दिखाया, जो PepTune (252.30) और PepMLM (12.36) की तुलना में उच्च एंटीजन विशिष्टता को दर्शाता है।
बाइंडिंग प्रवृत्ति: हालांकि Pepti-drift के अनुमानित बाइंडिंग एफिनिटी स्कोर PepMLM की तुलना में थोड़े कम थे, फिर भी वे PepTune की तुलना में काफी अधिक थे, जो यह दर्शाता है कि विषाक्तता प्रतिकर्षण ने लक्ष्य-संबंधी बाइंडिंग संकेतों को मिटाया नहीं है।
सुरक्षा प्रोफाइल:
- हेमोलिसिस: Pepti-drift ने अधिकांश पेप्टाइड लंबाई बिन (length bin) में कम या तुलनीय अनुमानित हेमोलिसिस जोखिम दिखाया। 1–5 aa बिन में, इसने PepMLM (0.169) और PepTune (0.185) की तुलना में सबसे कम स्कोर (0.102) प्राप्त किया।
- विषाक्तता: इसने सभी लंबाई बिनों में PepMLM की तुलना में लगातार कम अनुमानित विषाक्तता स्कोर प्राप्त किया, जिसमें लंबे पेप्टाइड्स (जैसे, 21–40 aa के लिए 0.239 बनाम 0.352) में महत्वपूर्ण कमी देखी गई।
- सत्यापन: HemoPI2 का उपयोग करके स्वतंत्र मूल्यांकन ने इस रुझान की पुष्टि की, जो PepMLM की तुलना में Pepti-drift के लिए कम औसत हेमोलिसिस स्कोर और कम हेमोलिटिक-पॉजिटिव अंश दिखाता है।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि Pepti-drift एंटीजन-विशिष्ट पेप्टाइड डिजाइन के लिए एक तेज़, स्केलेबल और नियंत्रणीय फ्रेमवर्क प्रदान करता है। पेप्टाइड पीढ़ी को एक-चरणीय लेटेंट ड्रिफ्ट के रूप में स्वरूपित करके, यह पोस्ट-हॉक फ़िल्टरिंग या कम्प्यूटेशनल रूप से महंगे इटरेटिव ऑप्टिमाइजेशन पर निर्भर रहने के बजाय सीधे "सुरक्षित-और-सक्रिय" गुणों को जनरेटिव प्रक्षेपवक्र में एनकोड करता है।

लेखक इस बात पर जोर देते हैं कि वार्म-अप नेगेटिव रिपल्शन विषाक्तता वितरण के ओवरलैप होने पर प्रशिक्षण को स्थिर करने के लिए आवश्यक है। परिणाम बताते हैं कि एंटीजन-कंडीशनड लेटेंट ड्रिफ्ट सफलतापूर्वक बाइंडिंग-विषाक्तता ट्रेड-ऑफ को नेविगेट कर सकता है, जो लक्ष्य-बाइंडिंग क्षमता बनाए रखते हुए विविध, वैध और एंटीजन-विशिष्ट उम्मीदवारों को कम अनुमानित विषाक्तता और हेमोलिसिस जोखिम के साथ उत्पन्न करता है। पेपर निष्कर्ष निकालता है कि यह दृष्टिकोण स्केलेबल चिकित्सीय पेप्टाइड खोज की दिशा में एक आशाजनक कदम है, हालांकि यह नोट करता है कि बाइंडिंग गतिविधि और जैविक सुरक्षा के प्रयोगात्मक सत्यापन की आवश्यकता बनी हुई है।