🤖 machine learning

DynImmune-BERT: Dynamic Immune Repertoire Modeling with Neural ODE Driven Continuous Transformers

यह शोध पत्र DynImmune-BERT प्रस्तुत करता है, जो एक नवीन निरंतर-समय (continuous-time) मॉडल है जो रोगी की प्रतिरक्षा स्थिति के बेहतर पूर्वानुमान के लिए अनुदैर्ध्य (longitudinal) टी सेल रिसेप्टर रिपरटॉय डायनेमिक्स को प्रभावी ढंग से कैप्चर करने हेतु न्यूरल ODEs और विशिष्ट अटेंशन मैकेनिज्म का लाभ उठाता है, जो टेम्पोरल इम्यून परिवर्तनों को दर्शाने में स्थिर भाषा मॉडलों की सीमाओं को संबोधित करता है।

मूल लेखक: Rong Fu, Yongtai Liu, Xiaowen Ma, Haoyu Zhao, Shuo Yin, Yiqing Lyu, Long Zhang, Wangyu Wu

प्रकाशित 2026-07-21

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Rong Fu, Yongtai Liu, Xiaowen Ma, Haoyu Zhao, Shuo Yin, Yiqing Lyu, Long Zhang, Wangyu Wu

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

अपने शरीर की कल्पना एक हलचल भरी, उच्च-तकनीकी शहर के रूप में करें जिसमें एक विशाल, निरंतर बदलती सुरक्षा सेना है: आपकी प्रतिरक्षा प्रणाली (इम्यून सिस्टम)। यह सेना लाखों अद्वितीय सैनिकों से बनी है जिन्हें टी-सेल (T-cells) कहा जाता है, जिनमें से प्रत्येक के पास एक विशिष्ट पहचान पत्र (एक टी-सेल रिसेप्टर) होता है जो वायरस या कैंसर जैसे विभिन्न खतरों को पहचानने के लिए डिज़ाइन किया गया है। जब शहर को किसी आक्रमणकार का सामना करना पड़ता है, तो सही पहचान पत्र वाले सैनिक युद्ध लड़ने के लिए तेजी से अपनी संख्या बढ़ाते हैं, जबकि अन्य शांत हो जाते हैं। सैनिकों और उनके पहचान पत्रों के इस पूरे संग्रह को आपका "इम्यून रिपर्टोइर" (immune repertoire) कहा जाता है।

वैज्ञानिक लंबे समय से इन पहचान पत्रों को पढ़ने की कोशिश कर रहे हैं ताकि यह समझा जा सके कि किसी व्यक्ति के भीतर क्या हो रहा है। यदि वे देखते हैं कि एक विशिष्ट पहचान पत्र अचानक बड़ी संख्या में दिखाई देने लगा है, तो इसका मतलब हो सकता है कि कोई संक्रमण पनप रहा है। यदि कोई पहचान पत्र गायब हो जाता है, तो इसका मतलब हो सकता है कि खतरा टल गया है। हालाँकि, अधिकांश पिछले कंप्यूटर प्रोग्राम इन प्रतिरक्षा सेनाओं को एक स्थिर फोटो एल्बम की तरह मानते थे। वे रोगी के रक्त का एक एकल स्नैपशॉट लेते थे, पहचान पत्रों को गिनते थे, और एक अनुमान लगाते थे। समस्या यह है कि जीवन एक फोटो नहीं है; यह एक फिल्म है। प्रतिरक्षा प्रणालियाँ लगातार बदलती रहती हैं, जहाँ सैनिक आते हैं, जाते हैं और अनियमित समय पर फिर से प्रकट होते हैं। बीमारी की कहानी को वास्तव में समझने के लिए, आपको केवल एक फ्रेम नहीं, बल्कि पूरी फिल्म देखनी होगी।

यहीं पर DynImmune-BERT नामक एक नया अध्ययन आता है। शोधकर्ताओं ने एक स्मार्ट कंप्यूटर मॉडल बनाया है जो केवल आपकी प्रतिरक्षा सेना के एक एकल स्नैपशॉट को नहीं देखता; यह समय के साथ पूरी फिल्म को देखता है। आपकी प्रतिरक्षा प्रणाली को केवल भागों के एक स्थिर बैग के रूप में मानने के बजाय, उन्होंने इसे एक जीवित, सांस लेते हुए सफर के रूप में मॉडल किया जो अनियमित जांच के बीच विकसित होता है।

उन्होंने इसे कैसे किया और उन्हें क्या मिला, यहाँ दिया गया है:

"स्थिर" (Static) तस्वीरों के साथ समस्या

कल्पना कीजिए कि आप केवल अंतिम स्कोर देखकर एक फुटबॉल मैच को समझने की कोशिश कर रहे हैं। आप जानेंगे कि कौन जीता, लेकिन आप उस ड्रामे को मिस कर देंगे: पहले मिनट में किया गया गोल, दूसरे मिनट में घायल हुआ खिलाड़ी, और आखिरी समय में की गई वापसी। पिछले मॉडलों ने ऐसा ही किया। वे रोगी के रक्त के नमूने को "अनुक्रमों के बैग" (bag of sequences) के रूप में सारांशित करते थे, यह अनदेखा करते हुए कि नमूने कब लिए गए थे या दौरों के बीच विशिष्ट प्रतिरक्षा कोशिकाएं कैसे बदलीं। इससे कैंसर जैसी बीमारियों के प्रति शरीर की प्रतिक्रिया के बारे में महत्वपूर्ण सुराग छूट गए।

समाधान: एक समय-यात्रा करने वाला जासूस

लेखकों ने DynImmune-BERT बनाया, एक ऐसी प्रणाली जो रोगी के प्रतिरक्षा इतिहास को एक निरंतर, बहती हुई कहानी के रूप में मानती है। इसे काम करने के लिए उन्होंने निम्नलिखित चतुर तरीके अपनाए:

समय का "स्मूदी" (Neural ODEs):
वास्तविक दुनिया में, रोगी सटीक, नियमित अंतराल पर रक्त के नमूने नहीं देते हैं। कभी-कभी दो सप्ताह बीत चुके होते हैं; अन्य समय में, तीन महीने बीत चुके होते हैं। पारंपरिक कंप्यूटर इस "ऊबड़-खाबड़" टाइमलाइन के साथ संघर्ष करते हैं। DynImmune-BERT एक गणितीय उपकरण का उपयोग करता है जिसे न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशन (Neural ODE) कहा जाता है। इसे एक समय-यात्रा करने वाले जासूस के रूप में समझें जो दो रक्त परीक्षणों के बीच के अंतराल को सुचारू रूप से भर सकता है। यह केवल अनुमान नहीं लगाता; यह गणितीय रूप से प्रतिरक्षा कहानी को आगे बढ़ाता है, यह भविष्यवाणी करता है कि उन हफ्तों के दौरान सेना कैसे बदली होगी जब कोई डेटा एकत्र नहीं किया गया था।
"गायब होने का खेल" (Event-Aware Restarts):
कभी-कभी, एक विशिष्ट प्रतिरक्षा सैनिक (क्लोन) रक्त के नमूने से गायब हो जाता है। पुराने मॉडलों में, कंप्यूटर भ्रमित हो सकता था, यह सोचकर कि सैनिक केवल छोटा हो गया है। लेकिन वास्तव वास्तविकता में, सैनिक पूरी तरह से गायब हो गया होगा और बाद में फिर से प्रकट हुआ होगा। DynImmune-BERT "इवेंट-अवेयर" (घटना-जागरूक) है। यदि एक सैनिक गायब हो जाता है और फिर अचानक वापस आ जाता है, तो मॉडल एक "रीसेट बटन" दबाता है। यह एक विशेष लो-रैंक मेटा-अडेप्टर (एक छोटा, कुशल सहायक) का उपयोग करता है ताकि उस सैनिक की स्थिति को तुरंत पुन: आरंभ किया जा सके, यह स्वीकार करते हुए कि एक नया अध्याय शुरू हुआ है। यह मॉडल को गणित में खो जाने से रोकता है।
"वीआईपी और भीड़" (Hybrid Supervision):
किसी भी प्रतिरक्षा सेना में, कुछ "वीआईपी" सैनिक (प्रमुख क्लोन) बहुत मुखर और संख्या में अधिक होते हैं, जबकि हजारों अन्य दुर्लभ होते हैं लेकिन शायद किसी विशिष्ट बीमारी का रहस्य रखते हैं। पुराने मॉडल अक्सर केवल वीआईपी पर ध्यान केंद्रित करते थे या शोर से अभिभूत हो जाते थे। DynImmune-BERT एक हाइब्रिड ट्रांसपोर्ट ऑब्जेक्टिव का उपयोग करता है। यह दो अलग-अलग प्रकार के माइक्रोफोन रखने जैसा है: एक जो शोर वाले वीआईपी को स्पष्ट रूप से सुनने के लिए ट्यून किया गया है, और दूसरा जो दुर्लभ सैनिकों की फुसफुसाहट को पकड़ने के लिए संवेदनशील है। यह सुनिश्चित करता है कि मॉडल सभी से सीखता है, न कि केवल सबसे लोकप्रिय कोशिकाओं से।
"पड़ोस की निगरानी" (Bounded Attention):
हजारों प्रतिरक्षा कोशिकाओं के साथ, कंप्यूटर के लिए हर एक कोशिका की तुलना हर दूसरी कोशिका से करना असंभव है (यह बहुत धीमा होगा)। इसके बजाय, मॉडल एक "बाउंडेड नेबरहुड" (सीमित पड़ोस) बनाता है। किसी भी दी गई कोशिका के लिए, यह केवल उसके निकटतम पड़ोसियों को देखता है—वे जो अनुक्रम या प्रचुरता में समान हैं। यह गणना को तेज़ और कुशल रखता है, जैसे कि एक पड़ोस की निगरानी जो पूरे शहर को कॉल करने के बजाय केवल अपने ठीक बगल वाले घरों से बात करती है।

उन्हें क्या मिला

शोधकर्ताओं ने फेफड़ों के कैंसर और थायराइड कैंसर (THCA) के रोगियों के डेटा पर अपने नए मॉडल का परीक्षण किया। उन्होंने कई मौजूदा "स्थिर" मॉडलों और सरल समय-आधारित मॉडलों के मुकाबले DynImmune-BERT की तुलना की।

परिणाम: अपने आंतरिक परीक्षणों में (जहाँ उन्होंने समान डेटा का उपयोग करके अपने ही मॉडल के विभिन्न संस्करणों की तुलना की), DynImmune-BERT ने फेफड़ों के कैंसर के लिए 0.982 का AUC और थायरॉयड कैंसर के लिए 0.984 का AUC प्राप्त किया। (एक पूर्ण स्कोर के लिए AUC 1.0 होता है, इसलिए ये बहुत उच्च हैं)।
तुलना: साहित्य में मौजूद DeepTCR या BertTCR जैसे प्रसिद्ध मॉडलों की तुलना में, DynImmune-BERT ने उच्च स्कोर दिखाया। हालांकि, लेखक सावधानी बरतते हुए कहते हैं कि इन तुलनाओं में पेच है क्योंकि अन्य अध्ययनों ने अलग-अलग डेटा सेट और नियमों का उपयोग किया था। वे इस बात पर जोर देते हैं कि वास्तविक प्रमाण उनके आंतरिक परीक्षणों से आता है, जिसने दिखाया कि "समय" और "घटना" (event) विशेषताओं को जोड़ने से केवल अंतिम नमूने को देखने वाले या सब कुछ औसत निकालने वाले मॉडलों की तुलना में सटीकता में काफी सुधार हुआ।
सीमाएँ (Caveats): यह मॉडल तब सबसे अच्छा काम करता है जब आपके पास समय के साथ रोगी के बार-बार लिए गए रक्त के नमूने हों। जब उन्होंने दुर्लभ कैंसर वाले रोगियों के बहुत छोटे समूहों पर परीक्षण किया (कुछ समूहों में 20 से कम लोग थे), तो परिणामों में "व्यापक अनिश्चितता" देखी गई। इसका मतलब है कि हालांकि मॉडल आशाजनक दिखता है, हमें यह सुनिश्चित करने के लिए कि यह हर प्रकार के कैंसर के लिए काम करता है, और अधिक डेटा की आवश्यकता है।

यह क्यों मायने रखता है

DynImmune-BERT सुझाव देता है कि हमारी प्रतिरक्षा प्रणाली को बीमारी से लड़ते हुए समझने के लिए, हमें स्नैपशॉट लेना बंद करके फिल्में देखना शुरू करना होगा। वास्तविक दुनिया के चिकित्सा दौरों के अनियमित समय का सम्मान करके और प्रतिरक्षा कोशिकाओं की "गायब होने और फिर से प्रकट होने" वाली प्रकृति को संभालकर, यह मॉडल कैंसर की स्थिति की भविष्यवाणी करने का अधिक सटीक तरीका प्रदान करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह मॉडल एक शक्तिशाली नया उपकरण है, लेकिन यह अभी तक कोई जादुई छड़ी नहीं है। इसके लिए सावधानीपूर्वक व्याख्या की आवश्यकता है, विशेष रूप से दुर्लभ बीमारियों के लिए, और अस्पतालों में उपयोग करने से पहले बड़े समूहों पर अधिक परीक्षण की आवश्यकता है। लेकिन फिलहाल, यह साबित करता है कि जब हम अपने कंप्यूटरों को समय के प्रवाह को समझने देते हैं, तो वे प्रतिरक्षा प्रणाली की कहानी को पहले की तुलना में बहुत अधिक स्पष्टता से देख सकते हैं।

तकनीकी सारांश: DynImmune-BERT

1. समस्या विवरण (Problem Statement)

अनुकूली प्रतिरक्षा रिपर्टोइरी (Adaptive immune repertoires), विशेष रूप से टी सेल रिसेप्टर (TCR) अनुक्रम, प्रतिरक्षा परिवर्तनों के बाद क्लोनल विस्तार (clonal expansion), संकुचन (contraction), विलोपन (disappearance), और पुन: प्रकट होने (reappearance) के संबंध में टेम्पोरल सिग्नल (temporal signals) रखते हैं। जबकि स्टैटिक रिपर्टोइरी लैंग्वेज मॉडल्स नमूनों को "अनुक्रमों के बैग" (bags of sequences) के रूप में प्रभावी ढंग से सारांशित करते हैं, वे अनुदैर्ध्य डेटा (longitudinal data) में निहित अनियमित सैंपलिंग अंतराल, सीक्वेंसिंग डेप्थ भिन्नता और डायनेमिक क्लोन उपस्थिति पैटर्नों को पर्याप्त रूप से दर्शाने में विफल रहते हैं।

रिपर्टोइरी विश्लेषण के लिए मौजूदा डीप लर्निंग दृष्टिकोण (जैसे, DeepTCR, BertTCR) आम तौर पर एक एकल नमूने के भीतर क्लोनोटाइप्स को एकत्रित करते हैं या नमूनों की स्वतंत्र रूप से तुलना करते हैं। यह जैविक वास्तविकता—जो स्पार्स (sparse), हेवी-टेल्ड (heavy-tailed) और इवेंट-ड्रिवन है—और उन कम्प्यूटेशनल निरूपणों के बीच एक विसंगति पैदा करता है जो आमतौर पर समय-स्वतंत्र होते हैं। इसके अलावा, TCR डेटा विशिष्ट चुनौतियाँ प्रस्तुत करता है:

कंपोजिशनल प्रकृति (Compositional Nature): क्लोन फ्रीक्वेंसी सीक्वेंसिंग डेप्थ द्वारा सीमित होती है।
जीरो इन्फ्लेशन (Zero Inflation): जैविक विलोपन, सीमित सैंपलिंग डेप्थ, या तकनीकी सेंसरिंग के कारण कई क्लोन अधिकांश समय बिंदुओं पर अनुपस्थित होते हैं।
अनियमितता (Irregularity): अनुदैर्ध्य अध्ययन अक्सर असमान समय अंतरालों के साथ हफ्तों या महीनों तक चलते हैं।
इवेंट डिस्कंटीन्यूटी (Event Discontinuity): क्लोन का जन्म और मृत्यु एक ही निरंतर वेक्टर फील्ड के तहत सुचारू रूप से विकसित होने की धारणा का उल्लंघन करते हैं।

मूल समस्या यह है कि रोगी-स्तर की प्रतिरक्षा स्थिति (विशेष रूप से कैंसर का पता लगाना) की भविष्यवाणी करने के लिए किसी व्यक्ति के अनियमित TCR प्रक्षेपवक्र (trajectory) को कैसे एनकोड किया जाए, जबकि क्लोन उपस्थिति घटनाओं, कंपोजिशनल स्थिरता और उच्च-एबंडेंस एवं निम्न-एबंडेंस क्लोन दोनों से पर्यवेक्षण (supervision) को संरक्षित किया जा सके।

2. कार्यप्रणाली: DynImmune-BERT (Methodology: DynImmune-BERT)

DynImmune-BERT एक निरंतर-समय रिपर्टोइरी मॉडल है जो न्यूरल ऑर्डिनरी डिफरेंशियल इक्वेशंस (Neural ODEs) और निरंतर ट्रांसफॉर्मर्स द्वारा संचालित है। यह इम्यून रिपर्टोइरी को एक विकसित होते रोगी प्रक्षेपवक्र (patient trajectory) के रूप में मानता है।

2.1 डेप्थ-एडाप्टिव कंपोजिशनल स्टेट इनिशियलाइजेशन (Depth-Adaptive Compositional State Initialization)

सीक्वेंसिंग डेटा की कंपोजिशनल प्रकृति और जीरो-काउंट अस्थिरता को संभालने के लिए, मॉडल एक डेप्थ-एडाप्टिव सेंटर्ड लॉग-रेशियो (CLR) इनिशियलाइजेशन का उपयोग करता है:

स्यूडोकाउंट्स (Pseudocounts): एक डेप्थ-एडाप्टिव स्यूडोकाउंट $\epsilon(t) = \kappa / (N(t) + \kappa)$ का उपयोग किया जाता है, जहाँ $N(t)$ सीक्वेंसिंग डेप्थ है। यह कम-डेप्थ अवलोकनों को अधिक मजबूती से नियमित करता है।
स्थिरीकरण (Stabilization): प्रारंभिक अवस्था $y_c(t)$ को सपोर्ट सेट पर केंद्रित सापेक्ष फ्रीक्वेंसी के लॉग-रेशियो के रूप में कंप्यूट किया जाता है। यह एबंडेंस को स्थिर करता है और निरंतर-समय गतिकी (continuous-time dynamics) को सक्षम बनाता है।
प्रेजेंस गेट्स (Presence Gates): एक बाइनरी इंडिकेटर $I_c(t)$ ट्रैक करता है कि कोई क्लोन देखा गया है ( $>0$ रीड्स) या अनुपस्थित है।

2.2 बाउंडेड नेबरहुड कंस्ट्रक्शन (Bounded Neighborhood Construction)

हजारों क्लोन वाले रिपर्टोइरी में कम्प्यूटेशनल जटिलता को प्रबंधित करने के लिए, मॉडल प्रत्येक क्लोन $c$ के लिए एक बाउंडेड अटेंशन नेबरहुड $N_c(t)$ का निर्माण करता है। यह नेबरहुड आकार $B$ तक सीमित है और इसमें तीन घटक शामिल हैं:

उच्च-एबंडेंस पड़ोसी (High-abundance neighbors): उच्च रीड काउंट वाले क्लोन।
एम्बेडिंग पड़ोसी (Embedding neighbors): फोकल क्लोन के निकटतम अनुक्रम एम्बेडिंग वाले क्लोन।
रेयर-क्लोन टेल (Rare-clone tail): दुर्लभ क्लोनोटाइप्स को अनदेखा न किया जाए, यह सुनिश्चित करने के लिए सैम्पल किए गए निम्न-एबंडेंस उम्मीदवार।
यह पूर्ण पेयरवाइज तुलना से अटेंशन को स्थानीय एकत्रीकरण (local aggregation) में बदल देता है, जबकि एबंडेंस, अनुक्रम समानता और दुर्लभ अन्वेषण से संदर्भ को सुरक्षित रखता है।

2.3 इवेंट-अवेयर कंटीन्यूअस डायनेमिक्स (Event-Aware Continuous Dynamics)

मॉडल का मुख्य भाग एक Neural ODE है जो अनियमित अवलोकनों के बीच लेटेंट स्टेट्स को प्रसारित करता है:
$\frac{dy_c(t)}{dt} = I_c(t) \cdot F_\theta(y_c(t), e_c, N_c(t), s(t), t)$

गेटेड डायनेमिक्स (Gated Dynamics): प्रेजेंस गेट $I_c(t)$ अनुपस्थित क्लोन को वेक्टर फील्ड $F_\theta$ (एक निरंतर ट्रांसफॉर्मर) के तहत ड्रिफ्ट होने से रोकता है।
इवेंट-अवेयर स्टेट रीस्टार्ट (Event-Aware State Restart): जब कोई क्लोन अनुपस्थित से उपस्थित अवस्था में संक्रमण करता है (पुन: प्रकट होता है), तो निरंतर विकास बाधित हो जाता है। एक लो-रैंक मेटा-एडाप्टर $\Delta_\phi$ अपने अनुक्रम एम्बेडिंग और समय के आधार पर पुन: प्रकट होने वाले क्लोनोटाइप की अवस्था को इनिशियलाइज़ करता है, जिसके बाद CLR बाधा को बहाल करने के लिए एक री-सेंटरिंग स्टेप किया जाता है। यह स्मूथ इंटरपोलेशन को मजबूर किए बिना क्लोन के जन्म/पुन: प्रकट होने की विच्छिन्नता (discontinuity) को संभालता है।

2.4 हाइब्रिड ट्रांसपोर्ट सुपरविजन (Hybrid Transport Supervision)

प्रमुख और दुर्लभ क्लोन दोनों को सुपरवाइज करने के लिए, मॉडल एक हाइब्रिड ट्रांसपोर्ट ऑब्जेक्टिव का उपयोग करता है:

डोमिनेंट क्लोन (Dominant Clones): प्रायिकता वितरणों (probability distributions) को मिलाने के लिए शीर्ष क्लोनों पर एंट्रोपिक ऑप्टिमल ट्रांसपोर्ट ( $S_\lambda$ ) का उपयोग करता है।
रेयर क्लोन (Rare Clones): विसरित वितरणों (diffuse distributions) को संभालने के लिए टेल क्लोनों पर स्लाइसड वासरस्टीन डिस्टेंस ( $SW_L$ ) का उपयोग करता है।
टोटल लॉस (Total Loss): क्रॉस-एन्ट्रॉपी, हाइब्रिड ट्रांसपोर्ट लॉस, टेम्पोरल रेगुलराइजेशन और स्पेक्ट्रल रेगुलराइजेशन को जोड़ता है।

3. प्रमुख योगदान (Key Contributions)

ट्रैजेक्टरी फॉर्मूलेशन (Trajectory Formulation): यह पेपर इम्यून रिपर्टोइरी वर्गीकरण को एक पेशेंट-लेवल ट्रैजेक्टरी समस्या के रूप में तैयार करता है जहाँ अवलोकन समय, रीड काउंट, सीक्वेंसिंग डेप्थ और क्लोन उपस्थिति स्पष्ट चर (variables) हैं।
इवेंट-अवेयर कंटीन्यूअस ट्रांसफॉर्मर (Event-Aware Continuous Transformer): यह एक नवीन आर्किटेक्चर पेश करता है जो स्टेबलाइज्ड कंपोजिशनल स्टेट्स, बाउंडेड नेबरहुड अटेंशन, न्यूरल ODEs के माध्यम से इम्प्लिसिट इंटीग्रेशन और पुन: प्रकट होने वाले क्लोनोटाइप्स को रीस्टार्ट करने के लिए लो-रैंक एडेप्टर्स को जोड़ता है।
व्यापक मूल्यांकन ढांचा (Comprehensive Evaluation Framework): अध्ययन साहित्य-रिपोर्ट किए गए बेसलाइन्स को आंतरिक रूप से नियंत्रित टेम्पोरल तुलनाओं से अलग करता है। यह छोटे बाहरी कोहॉर्ट्स के लिए अनिश्चितता (uncertainity) रिपोर्ट करता है, कैलिब्रेशन और थ्रेशोल्ड डायग्नोस्टिक्स जोड़ता है, और लेटेंट क्लोन ट्रैजेक्ट्री और अटेंशन नेबरहुड्स को विज़ुअलाइज़ करता है।

4. परिणाम (Results)

मूल्यांकन फेफड़ों के कैंसर (lung cancer) और थायराइड कैंसर (THCA) के डेटासेट पर किया गया था, साथ ही 17 कैंसर प्रकारों पर बाहरी सत्यापन (external validation) भी किया गया।

आंतरिक टेम्पोरल तुलनाएं (Internal Temporal Comparisons): मैच किए गए पेशेंट-लेवल स्प्लिट्स में, DynImmune-BERT ने उच्चतम प्रदर्शन प्राप्त किया।
- फेफड़ों का कैंसर AUC: 0.982 (Latent ODE कंट्रोल के 0.963 और Time-aware Transformer के 0.949 के मुकाबले)।
- THCA AUC: 0.984 (Latent ODE कंट्रोल के 0.969 के मुकाबले)।
- एब्लेशन अध्ययनों से संकेत मिला कि Neural ODE कोर सटीकता लाभ का प्राथमिक चालक था, जबकि इवेंट हैंडलिंग और एडेप्टिव स्यूडोकाउंट्स ने रैंडम सीड्स केAcross मजबूती में सुधार किया।
बाहरी सत्यापन (External Validation): बाहरी कोहॉर्ट्स (जैसे, THCA, GBM, Lung) पर, मॉडल ने उच्च सटीकता दिखाई (जैसे, Lung के लिए 0.957), लेकिन 20 मामलों से कम वाले उपसमूहों के लिए व्यापक अनिश्चितता अंतराल प्रदर्शित किया, जो बड़े सत्यापन सेटों की आवश्यकता को रेखांकित करता है।
साहित्य से तुलना (Comparison to Literature): हालांकि DynImmune-BERT ने दिए गए तालिकाओं में स्टैटिक बेसलाइन्स (जैसे, BertTCR, DeepLION2) की तुलना में उच्च AUC रिपोर्ट किया, लेखक नोट करते हैं कि ये अलग-अलग प्रोटोकॉल वाले क्रॉस-स्टडी तुलनाएं हैं और इन्हें प्रत्यक्ष हेड-टू-हेड श्रेष्ठता के बजाय पूर्व प्रदर्शन रेंज के संदर्भ के रूप में व्याख्या किया जाना चाहिए।
कम्प्यूटेशनल लागत (Computational Cost): पूर्ण मॉडल के लिए सिंगल GPU पर लगभग 122.4M पैरामीटर्स और प्रति एपोक 3.8 मिनट की आवश्यकता होती है, जिसमें प्रति सब्जेक्ट 13.5 ms का इन्फरेंस लेटेंसी (inference latency) है।

5. महत्व और दावे (Significance and Claims)

पेपर का दावा है कि इवेंट-अवेयर टेम्पोरल मॉडलिंग मजबूत स्टैटिक एनकोडर्स की पूरक हो सकती है जब अनुदैर्ध्य रिपर्टोइरी संरचना उपलब्ध हो। DynImmune-BERT का महत्व इस बात में है कि यह:

स्पार्स, अनियमित जैविक डेटा और निरंतर गणितीय मॉडलिंग के बीच के अंतर को क्लोनल डायनेमिक्स में मैकेनिकल स्मूथनेस (mechanistic smoothness) की धारणा बनाए बिना पाट सकता है।
एक ऐसा फ्रेमवर्क प्रदान करता है जो स्पष्ट रूप से क्लोन के "गायब होने और पुन: प्रकट होने" को संभालता है, जिसे स्टैटिक मॉडल्स अक्सर मिस कर देते हैं।
एक डायग्नोस्टिक सूट (ट्रैजेक्टरी विज़ुअलाइज़ेशन, कैलिब्रेशन प्लॉट्स, थ्रेशोल्ड स्टेबिलिटी) प्रदान करता है जो शोधकर्ताओं को एग्रीगेट क्लासिफिकेशन मेट्रिक्स के साथ-साथ डायनेमिक व्यवहार की जांच करने की अनुमति देता है।

लेखक एक मध्यम रुख बनाए रखते हैं, यह स्वीकार करते हुए कि छोटे बाहरी कोहॉर्ट्स और प्रोटोकॉल में अंतर सावधानीपूर्वक व्याख्या की मांग करते हैं। वे इस बात पर जोर देते हैं कि यह विधि तब सबसे उपयोगी है जब बार-बार रिपर्टोइरी माप उपलब्ध हों और इनके द्वारा सीखे गए प्रक्षेपवक्रों को क्लिनिकल मेटाडेटा (जैसे, HLA, उपचार) के साथ भविष्योन्मुखी सत्यापन (prospective validation) की आवश्यकता होती है ताकि उनके व्याख्या योग्य इम्यून इवेंट्स के साथ सहसंबंध की पुष्टि की जा सके।