A vision foundation model for single-cell biology via spatial gene cartography

जीव विज्ञान की कल्पना एक विशाल, हलचल भरी लाइब्रेरी के रूप में करें जहाँ हर एक किताब एक जीवित कोशिका (सेल) है। लंबे समय तक, वैज्ञानिक केवल किताबों के एक पूरे शेल्फ की "औसत" कहानी ही पढ़ पाते थे क्योंकि वे आपस में मिली हुई किताबों का मिश्रण देखते थे, जिसका अर्थ था कि वे व्यक्तिगत खंडों के अनूठे, सूक्ष्म विवरणों को चूक जाते थे। लेकिन सिंगल-सेल सीक्वेंसिंग नामक तकनीक की मदद से, अब हम लाइब्रेरी की हर एक किताब को पढ़ सकते हैं, जो हमारे शरीर के काम करने के तरीके, बीमारियों के शुरू होने और कोशिकाओं के बदलने के बारे में लाखों अनूठी कहानियाँ उजागर करती है। हालाँकि, एक समस्या है: ये लाइब्रेरी इतनी तेज़ी से बढ़ रही हैं कि इनमें अरबों पन्ने हैं, और उन सभी को पढ़ने की कोशिश करना एक तेज़ धार वाली पानी की बौछार (फायरहोस) से पानी पीने जैसा है। इसे समझने के लिए, वैज्ञानिक "फाउंडेशन मॉडल्स" बना रहे हैं—सुपर-स्मार्ट कंप्यूटर दिमाग जो जीव विज्ञान के सामान्य नियमों को सीखते हैं ताकि वे हर बार शून्य से सिखाए बिना नए सेल्स को समझने में मदद कर सकें। बड़ा सवाल यह है कि: हम इन कंप्यूटरों को एक कोशिका की कहानी पढ़ना सबसे प्रभावी ढंग से कैसे सिखाएं?

आप जिस पेपर को पढ़ने जा रहे हैं, वह इन कंप्यूटर दिमागों को सिखाने का एक नया तरीका पेश करता है, जिसे scVision कहा जाता है। एक कोशिका को शब्दों से बने वाक्य की तरह मानने के बजाय (जैसा कि अधिकांश वर्तमान मॉडल करते हैं), शोधकर्ताओं ने एक कोशिका को एक तस्वीर की तरह मानने का निर्णय लिया। उन्होंने महसूस किया कि जीन (एक कोशिका के भीतर के "शब्द") अकेले काम नहीं करते; वे टीमों में काम करते हैं, जैसे किसी दृश्य में पात्र। इन जीनों को एक विशिष्ट, संगठित ग्रिड में व्यवस्थित करके—जैसे संबंधित पात्रों को एक मंच पर एक साथ रखना—उन्होंने कोशिका के डेटा को एक निरंतर छवि (इमेज) में बदल दिया। इसके बाद उन्होंने एक कंप्यूटर विजन मॉडल (वह प्रकार का AI जो आमतौर पर बिल्लियों और कुत्तों को पहचानता है) को इन "सेल पिक्चर्स" को समझने के लिए प्रशिक्षित किया। इसका परिणाम एक ऐसा मॉडल है जो अविश्वसनीय रूप से तेज़ है, जिसे नई चीजें सीखने के लिए बहुत कम उदाहरणों की आवश्यकता है, और जो अन्य मॉडलों द्वारा छोड़े गए छिपे हुए जैविक पैटर्न को पहचान सकता है। यह एक टेक्स्ट-आधारित अनुवादक से एक विजुअल आर्टिस्ट (दृश्य कलाकार) में अपग्रेड करने जैसा है जो तुरंत देख सकता है कि एक कोशिका क्या कर रही है।

कोशिकाओं को तस्वीरों में बदलना

कल्पना कीजिए कि आपके पास लेगो ब्रिक्स (Lego bricks) का एक बड़ा बैग है, और प्रत्येक ईंट एक जीन का प्रतिनिधित्व करती है। अधिकांश कंप्यूटर मॉडलों में, वैज्ञानिक इन ईंटों को एक ढेर में डाल देते हैं और कंप्यूटर से पूछते हैं कि संरचना कैसी दिखती है। कंप्यूटर को यह पता लगाना पड़ता है कि कौन सी ईंटें आपस में जुड़ी हुई हैं। यह फर्श पर बिखरे हुए टुकड़ों के साथ एक पहेली सुलझाने जैसा है।

इस पेपर के लेखकों ने, जिनका नेतृत्व स्टैनफोर्ड के शोधकर्ताओं ने किया, कुछ अलग करने का निर्णय लिया। उन्होंने पूछा: क्या होगा अगर हम पहेली को पहले ही बना लें?

उन्होंने कोशिका के सबसे महत्वपूर्ण जीनों को एक निश्चित ग्रिड पर व्यवस्थित किया, जैसे कि एक 104-बाय-104 पिक्सेल की इमेज। उन्होंने यह तय करने के लिए कि प्रत्येक जीन कहाँ जाएगा, "ऑप्टिमल ट्रांसपोर्ट" नामक एक चतुर गणितीय ट्रिक का उपयोग किया। नियम सरल था: जीन जो आमतौर पर एक साथ काम करते हैं (जैसे अग्निशमन दल की एक टीम), उन्हें ग्रिड पर एक-दूसरे के ठीक बगल में रखा जाता है। जो जीन आपस में बात नहीं करते, उन्हें दूर रखा जाता है। जब वे इस ग्रिड पर कोशिका की गतिविधि को "पेंट" करते हैं, तो परिणाम हर कोशिका के लिए एक अनूठी छवि होती है। यदि कोई कोशिका संक्रमण से लड़ने में व्यस्त है, तो छवि का एक विशिष्ट क्षेत्र चमकीले रंगों के साथ चमक उठता है। यदि कोशिका आराम कर रही है, तो एक अलग पैटर्न उभरता है।

यह कोशिका को समझने की समस्या को टेक्स्ट-पढ़ने के कार्य से बदलकर एक विज़न टास्क (दृष्टि संबंधी कार्य) में बदल देता है। एक शब्द की सूची पढ़ने के बजाय, अब कंप्यूटर एक तस्वीर देख रहा है। यह उन्हें जीव विज्ञान को समझने के लिए शक्तिशाली "विज़न ट्रांसफॉर्मर" का उपयोग करने की अनुमति देता है—वही प्रकार का AI जो सेल्फ-ड्राइविंग कारों को सड़क देखने में मदद करता है या आपके फोन को आपका चेहरा पहचानने में मदद करता है।

सुपर-स्टूडेंट: scVision

शोधकर्ताओं ने एक मॉडल बनाया जिसे वे scVision कहते हैं। उन्होंने इसे शरीर के विभिन्न हिस्सों से 72 मिलियन मानव कोशिकाओं के विशाल डेटासेट पर प्रशिक्षित किया। उन्होंने मॉडल को यह नहीं बताया कि उसे किस विशिष्ट कोशिका प्रकार को खोजना है; इसके बजाय, उन्होंने "मास्क्ड इमेज मॉडलिंग" नामक एक तकनीक का उपयोग किया। कल्पना कीजिए कि आप मॉडल को एक कोशिका की तस्वीर दिखा रहे हैं लेकिन उसके 75% हिस्से को एक काले बॉक्स से ढक रहे हैं। मॉडल का काम यह अनुमान लगाना है कि दृश्य भागों के आधार पर छिपे हुए हिस्से कैसे दिखेंगे। इसे अरबों बार करने से, मॉडल ने गहराई से सीखा कि कोशिकाएं कैसे बनी होती हैं और वे कैसे व्यवहार करती हैं।

प्रशिक्षित होने के बाद, मॉडल "फ्रोजन" (जमा हुआ) हो गया। इसका मतलब है कि उन्हें हर नए प्रयोग के लिए इसे फिर से सिखाने की आवश्यकता नहीं थी। वे बस एक नई कोशिका ले सकते थे, उसे एक छवि में बदल सकते थे, और मॉडल से पूछ सकते थे, "यह किस प्रकार की कोशिका है?" बिना किसी अतिरिक्त प्रशिक्षण के।

यह क्यों मायने रखता है: द ज़ीरो-शॉट मैजिक

एक फाउंडेशन मॉडल का असली परीक्षण यह है कि वह उन चीजों पर कितनी अच्छी तरह काम करता है जिन्हें उसने पहले कभी नहीं देखा है। शोधकर्ताओं ने scVision का परीक्षण छह पूरी तरह से अलग डेटासेट्स पर किया जो उसके प्रशिक्षण का हिस्सा कभी नहीं थे। इनमें किडनी, अंडाशय, मस्तिष्क, आंत और यहाँ तक कि कई अंगों के एक जटिल मिश्रण से जुड़ी कोशिकाएं शामिल थीं।

यहाँ जादू होता है:

• यह लेबल-कुशल जादूगर है: AI की दुनिया में, आमतौर पर, आपको इसे नया कार्य सिखाने के लिए हजारों लेबल किए गए उदाहरणों (जैसे कंप्यूटर को 1,000 बिल्लियों की तस्वीरें दिखाकर कहना "यह एक बिल्ली है") की आवश्यकता होती है। scVision अलग है। कई परीक्षणों में, मॉडल केवल एक लेबल किए गए उदाहरण के साथ नए सेल प्रकारों की पहचान कर सकता था। एक प्रयोग में, scVision जिसने प्रति सेल प्रकार केवल एक उदाहरण का उपयोग किया, उस मॉडल से बेहतर प्रदर्शन किया जिसके पास 50 उदाहरण थे। यह एक ऐसे छात्र की तरह है जो केवल पाठ्यपुस्तक का एक पन्ना पढ़कर नया विषय सीख सकता है, जबकि दूसरों को पूरा अध्याय पढ़ने की आवश्यकता होती है।
• यह बड़ी तस्वीर देखता है: जब शोधकर्ताओं ने देखा कि मॉडल कोशिकाओं को कैसे व्यवस्थित करता है, तो उन्होंने पाया कि scVision ने सबसे स्पष्ट और विशिष्ट समूह बनाए। अन्य मॉडल कभी-कभी भ्रमित हो जाते थे, जिससे समान सेल प्रकार आपस में मिल जाते थे। scVision ने उन्हें सफाई से अलग रखा, जिससे उन्हें पहचानना बहुत आसान हो गया।
• यह तेज़ है: क्योंकि यह कोशिकाओं को छवियों के रूप में मानता है, scVision अविश्वसनीय रूप से कुशल है। यह एक मानक कंप्यूटर चिप पर प्रति सेकंड 528 कोशिकाओं को प्रोसेस कर सकता है। इसकी तुलना अन्य मॉडलों से करें, जो शायद प्रति सेकंड केवल 1 से 14 कोशिकाएं ही मैनेज कर पाते हैं। यह एक धावक और एक घोंघे के बीच का अंतर है।

कोशिका के मन को पढ़ना

scVision की सबसे शानदार विशेषताओं में से एक यह है कि यह केवल एक "ब्लैक बॉक्स" नहीं है जो उत्तर देता है; यह समझा सकता है कि इसने निर्णय क्यों लिया। क्योंकि जीन एक तस्वीर के रूप में व्यवस्थित हैं, मॉडल का "अटेंशन" (जिस पर वह ध्यान केंद्रित करता है) को छवि के विशिष्ट क्षेत्रों में मैप किया जा सकता है।

शोधकर्ताओं ने पाया कि जब मॉडल एक विशिष्ट कोशिका प्रकार को देखता था, तो वह छवि के एक छोटे, स्थानीय पैच पर ध्यान केंद्रित करता था। जब उन्होंने उस पैच को वापस जीनों में अनुवादित किया, तो उन्होंने पाया कि यह वास्तविक जैविक प्रोग्रामों के अनुरूप था। उदाहरण के लिए:

• किडनी की कोशिकाओं में, मॉडल ने चोट और तनाव से संबंधित जीनों पर ध्यान केंद्रित किया।
• ओवेरियन (अंडाशय) कोशिकाओं में, इसने तनाव प्रतिक्रियाओं में शामिल जीनों को हाइलाइट किया।
• मस्तिष्क की कोशिकाओं में, इसने जीनों का एक विशिष्ट सेट पाया जो स्वस्थ और रोगग्रस्त दोनों मस्तिष्क में सक्रिय था, जिससे पता चला कि मॉडल ने एक सार्वभौमिक "इम्यून सेल" पहचान सीख ली है जो विभिन्न अंगों में काम करती है।

यह सुझाव देता है कि scVision केवल डेटा को याद नहीं कर रहा है; यह वास्तव में जीनों के एक साथ काम करने के गहरे जैविक "व्याकरण" को सीख रहा है।

यह क्या नहीं है (और यह क्या खारिज करता है)

पेपर सावधानी से यह भी बताता है कि यह मॉडल क्या नहीं है।

• यह केवल एक बेहतर क्लासिफायर नहीं है: शोधकर्ताओं ने परीक्षण किया कि क्या मॉडल की सफलता केवल इसलिए थी क्योंकि उन्होंने उत्तरों का अनुमान लगाने के लिए एक विशिष्ट प्रकार के गणित का उपयोग किया था। उन्होंने कई अलग-अलग तरीकों को आजमाया, और फिर भी scVision जीत गया। लाभ इमेज रिप्रेजेंटेशन (छवि प्रतिनिधित्व) से आता है, न कि केवल अनुमान लगाने के खेल से।
• यह हर चीज़ के लिए जादुई नहीं है: हालांकि scVision सेल प्रकारों की पहचान करने और पैटर्न खोजने में उत्कृष्ट है, लेकिन इसकी सीमाएं भी हैं। उदाहरण के लिए, यदि डेटा बहुत "नॉइज़ी" (शोर वाला) है (जैसे कि यदि सीक्वेंसिंग बहुत उथली थी), तो मॉडल का प्रदर्शन अन्य मॉडलों की तुलना में थोड़ा गिर जाता है। हालाँकि, यह गायब जीनों के प्रति बहुत मजबूत है, जो वास्तविक दुनिया के डेटा में एक आम समस्या है।
• यह अभी तक हर चीज़ का समाधान नहीं है: मॉडल को मानव डेटा पर प्रशिक्षित किया गया था, इसलिए हमें अभी तक यह नहीं पता कि यह अन्य जानवरों पर कितनी अच्छी तरह काम करता है। साथ ही, जबकि यह पैटर्न खोज सकता है, यह वैज्ञानिकों द्वारा प्रयोग करने की आवश्यकता को प्रतिस्थापित नहीं करता है कि उन पैटर्न का वास्तव में क्या अर्थ है।

मुख्य निष्कर्ष

यह पेपर सुझाव देता है कि हमारे डेटा का प्रतिनिधित्व करने का तरीका मॉडल के आकार जितना ही महत्वपूर्ण है। कोशिका के जेनेटिक कोड को एक तस्वीर में बदलकर और जीनों को उनके प्राकृतिक संबंधों के सम्मान में व्यवस्थित करके, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो पिछले तरीकों की तुलना में तेज़, अधिक सटीक और समझने में आसान है।

यह एक कोशिका को सामग्री की सूची के रूप में देखने के बजाय एक जटिल, संगठित परिदृश्य के रूप में देखने की ओर एक बदलाव है। और जिस तरह एक अच्छा मानचित्र आपको नए शहर में नेविगेट करने में मदद करता है, उसी तरह scVision वैज्ञानिकों को मानव जीव विज्ञान के विशाल, अनछुए क्षेत्र में नेविगेट करने में मदद करता है, उन छिपी हुई गलियों और लैंडमार्क को खोजता है जो सेलुलर स्तर पर हमें परिभाषित करते हैं। लेखक सुझाव देते हैं कि यह "विज़न-आधारित" दृष्टिकोण चिकित्सा और जीव विज्ञान की अगली पीढ़ी की खोजों को अनलॉक करने की कुंजी हो सकता है, जो डेटा के इस भारी प्रवाह को एक स्पष्ट, सुंदर तस्वीर में बदल सकता है।