🤖 machine learning

Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs

यह शोध पत्र AP-REASONER को प्रस्तुत करता है, जो एक फैक्टर-ग्राफ-आधारित अनुकूलन ढांचा है जो MSA सबसैंपलिंग को एक नियंत्रणीय समस्या के रूप में मानता है ताकि क्वेरी पहचान और विविधता जैसे विकासवादी संकेतों को स्पष्ट रूप से संतुलित किया जा सके, जिससे यह प्रोटीन संरचना भविष्यवाणी और कन्फर्मेशनल एनसेंबल रिकवरी में ह्यूरिस्टिक विधियों से बेहतर प्रदर्शन करता है।

मूल लेखक: Zhangzhi Xiong, Minzhang Li, Haotian Yu, Sixian Shen, Kexin Zhang, Mingrui Li, Jie Zheng, Kewei Tu, Jingyi Yu

प्रकाशित 2026-07-27

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Zhangzhi Xiong, Minzhang Li, Haotian Yu, Sixian Shen, Kexin Zhang, Mingrui Li, Jie Zheng, Kewei Tu, Jingyi Yu

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

जीवन की भाषा की कल्पना करें जो प्रोटीन नामक एक कोड में लिखी गई है। ये केवल स्थिर ब्लॉक नहीं हैं; ये नन्हे, मुड़ने वाले (folding) यंत्र हैं जो आपकी मांसपेशियों के निर्माण से लेकर वायरस से लड़ने तक सब कुछ करते हैं। एक प्रोटीन कैसे काम करता है, इसे समझने के लिए वैज्ञानिक अक्सर इसके "वंश वृक्ष" (family tree) को देखते हैं—संबंधित अनुक्रमों (sequences) का एक विशाल संग्रह जिसे मल्टीपल सीक्वेंस अलाइनमेंट (MSA) कहा जाता है। इस वंश वृक्ष को एक विशाल, शोर-शराबे वाली लाइब्रेरी की तरह समझें, जहाँ हर किताब एक ही कहानी का थोड़ा अलग संस्करण है, जिसे लाखों साल पहले रहने वाले पूर्वजों द्वारा लिखा गया था। इन किताबों को एक साथ पढ़कर, कंप्यूटर प्रोटीन के 3D आकार और इसके हिलने-डुलने के तरीके को समझ सकते हैं।

हालाँकि, एक समस्या है: लाइब्रेरी बहुत बड़ी है। आधुनिक सुपर-स्मार्ट कंप्यूटर प्रोग्राम (जिन्हें प्रोटीन लैंग्वेज मॉडल कहा जाता है) उन प्रतिभाशाली छात्रों की तरह हैं जो अपने दिमाग भरने से पहले एक बार में केवल कुछ सौ पन्ने ही पढ़ सकते हैं। यदि वे पूरी लाइब्रेरी पढ़ने की कोशिश करते हैं, तो वे क्रैश हो जाते हैं। इसलिए, वैज्ञानिकों को अध्ययन करने के लिए किताबों का एक छोटा, प्रतिनिधि नमूना चुनना पड़ता है। लंबे समय से, उन्होंने यह अनुमान लगाकर किया है—या तो रैंडम किताबें चुनकर, या सबसे अलग किताबों को खोजने की कोशिश करके, या डुप्लिकेट्स को हटाकर। यह पार्टी के लिए बेहतरीन 100 गाने चुनने की कोशिश करने जैसा है, जिसमें आप बस ढेर के ऊपर से एक मुट्ठी भर लेते हैं या केवल उन्हीं को चुनते हैं जिन्हें आपने पहले सुना है। यह ठीक-ठाक काम करता है, लेकिन आप उन छिपे हुए रत्नों को मिस कर सकते हैं जो यह समझाते हैं कि प्रोटीन वास्तव में कैसे नाचता है।

यह शोध पत्र उन गानों को चुनने का एक नया तरीका पेश करता है, जिसे AP-REASONER कहा जाता है। केवल अनुमान लगाने या सरल फिल्टरों का उपयोग करने के बजाय, लेखक इस चयन प्रक्रिया को गणित के साथ हल किए जाने वाले एक जटिल पहेली की तरह मानते हैं। उन्होंने एक प्रणाली बनाई है जो एक स्मार्ट कमेटी मीटिंग की तरह काम करती है। कल्पना करें कि प्रोटीन अनुक्रमों से भरा एक कमरा है, और लक्ष्य पूरे समूह का प्रतिनिधित्व करने के लिए एक विशिष्ट संख्या में उन्हें चुनना है। यह प्रणाली एक "फैक्टर ग्राफ" (factor graph) का उपयोग करती है, जो कनेक्शन के एक विशाल जाल की तरह है, ताकि विकल्पों पर तर्क किया जा सके। यह सवाल पूछता है जैसे, "यदि मैं इस अनुक्रम को चुनता हूँ, तो क्या यह पर्याप्त क्षेत्र को कवर करता है?" और "क्या यह उस चीज़ जैसा दिखता है जिसे हमने पहले ही चुन लिया है?"

इस नई विधि का जादू इसके दो "कंट्रोल नॉब्स" (control knobs) में है जिन्हें वैज्ञानिक परिणाम बदलने के लिए घुमा सकते हैं। एक नॉब, जिसे $\alpha$ कहा जाता है, यह नियंत्रित करता है कि समूह कितना विविध होना चाहिए। इसे बढ़ाने पर, सिस्टम ऐसे अनुक्रम चुनता है जो एक-दूसरे से बहुत अलग होते हैं, जिससे यह सुनिश्चित होता है कि विकास की कई विविध कहानियाँ सुनाई जाएँ। दूसरा नॉब, $\beta$ , यह नियंत्रित करता है कि चयनित अनुक्रम मूल "क्वेरी" (query) प्रोटीन के कितने करीब होने चाहिए। इसे घुमाने पर, सिस्टम लक्ष्य के बहुत समान अनुक्रमों को खोजने पर ध्यान केंद्रित करता है, जो प्रोटीन द्वारा लिए जाने वाले विशिष्ट आकारों या अवस्थाओं को खोजने में मदद करता है।

शोधकर्ताओं ने इस नए "तर्क करने वाले" (reasoning) सिस्टम का परीक्षण पुराने अनुमान लगाने वाले तरीकों के विरुद्ध किया। उन्होंने पाया कि जब उन्होंने AP-REASONER का उपयोग किया, तो कंप्यूटर मॉडल प्रोटीन के मुड़ने (fold होने) और अधिक प्रभावशाली रूप से, उनके आकार बदलने के तरीके की भविष्यवाणी करने में बेहतर थे। कुछ परीक्षणों में, पुराने तरीकों ने कुछ आकारों को पूरी तरह से मिस कर दिया जिन्हें नए तरीके ने आसानी से खोज लिया। उदाहरण के लिए, KaiB नामक प्रोटीन के साथ, नया तरीका पुराने तरीकों की तुलना में बहुत कम प्रयासों में एक दुर्लभ, छिपे हुए आकार को खोज सका, जिन्हें बेतहाशा अनुमान लगाने और बहुत अधिक कंप्यूटर शक्ति बर्बाद करने की आवश्यकता थी। यह शोध पत्र सुझाव देता है कि प्रोटीन अनुक्रमों के चयन को एक रैंडम अनुमान के बजाय एक सावधानीपूर्वक, नियंत्रणीय अनुकूलन (optimization) समस्या के रूप में मानकर, हम जीवन के निर्माण खंडों के हिलने-डुलने और कार्य करने की एक बहुत स्पष्ट तस्वीर प्राप्त कर सकते हैं। यह केवल कुछ किताबें चुनने के बारे में नहीं है; यह चरित्र को समझने के लिए एकदम सही कहानी को क्यूरेट करने के बारे में है।

तकनीकी सारांश: फैक्टर ग्राफ के माध्यम से सबसैंपलिंग के लिए इवोल्यूशन-अवेयर MSA रीजनिंग

समस्या विवरण

मल्टीपल सीक्वेंस एलाइनमेंट्स (MSAs) प्रोटीन लैंग्वेज मॉडल्स (PLMs) को स्पष्ट विकासवादी संदर्भ (evolutionary context) प्रदान करते हैं, जो कॉन्टैक्ट प्रेडिक्शन और कन्फर्मेशनल एनालिसिस जैसे कार्यों के लिए महत्वपूर्ण है। हालांकि, जीनोमिक डेटाबेस से प्राप्त MSAs की गहराई अक्सर हजारों अनुक्रमों (sequences) तक पहुँच जाती है, जो अटेंशन-आधारित PLMs (जैसे, MSA Transformer, AlphaFold2) के टोकन बजट से बहुत अधिक है, जो आमतौर पर केवल कुछ सौ अनुक्रमों को प्रोसेस करते हैं। फलस्वरूप, सबसैंपलिंग एक अनिवार्य कदम बन जाता है।

मौजूदा सबसैंपलिंग रणनीतियाँ रैंडम सिलेक्शन, आइडेंटिटी-आधारित फ़िल्टरिंग (जैसे, HHfilter), या डायवर्सिटी-ड्रिवन ग्रीडी सैंपलिंग (जैसे, divMax, divMin) जैसी ह्यूरिस्टिक्स (heuristics) पर निर्भर करती हैं। जबकि ये विधियाँ निकट-डुप्लिकेट को हटाने या विशिष्ट पूर्वाग्रहों को लागू करने में प्रभावी हैं, वे स्थानीय समानता संबंधों पर कार्य करती हैं और दो पूरक विकासवादी मापों के बीच संतुलन के लिए स्पष्ट नियंत्रण का अभाव रखती हैं: क्वेरी आइडेंटिटी (लक्ष्य के कितने समान अनुक्रम हैं) और सीक्वेंस डायवर्सिटी (विकासवादी भिन्नता की व्यापकता)। यह सीमा इन कारकों के स्पष्ट संतुलन को रोकने की क्षमता रखती है, जिससे संभावित रूप से डाउनस्ट्रीम कार्यों के लिए उप-इष्टतम (suboptimal) विकासवादी सिग्नल रिटेन हो सकते हैं।

कार्यप्रणाली: AP-REASONER

लेखक AP-REASONER प्रस्तावित करते हैं, जो एक विधि है जो MSA सबसैंपलिंग को एक ह्यूरिस्टिक फ़िल्टरिंग प्रक्रिया से बदलकर एक स्पष्ट ऑप्टिमाइज़ेशन समस्या में बदल देती है, जिसे एफिनिटी प्रोपेगेशन (AP) के माध्यम से एक फैक्टर ग्राफ पर हल किया जाता है।

फैक्टर ग्राफ फॉर्मूलेशन

समस्या को एक फैक्टर ग्राफ पर मैक्सिमम ए पोस्टीरियर (MAP) एस्टीमेशन के रूप में मॉडल किया गया है जहाँ:

वेरिएबल्स (Variables): MSA में प्रत्येक पंक्ति $i$ के लिए, एक डिस्क्रीट वेरिएबल $s_i$ यह दर्शाता है कि कौन सी पंक्ति $k$ इसका प्रतिनिधित्व करती है। एक पंक्ति $k$ एक "एक्सेम्पलर" (exemplar) है (सेट के लिए चुनी गई) यदि और केवल यदि $s_k = k$ है।
यूनरी फैक्टर्स ( $L_i$ ): ये इस संभावना को मापते हैं कि पंक्ति $i$ $i$ को एक्सेम्पलर $k$ $k$ द्वारा दर्शाया जाना कितना उचित है। समानता मैट्रिक्स $S$ $S$ का निर्माण एक नॉर्मलाइज्ड, गैप-अवेयर हैमिंग डिस्टेंस ( $d_{H}^{gap}$ $d_{H}^{g a p}$ ) का उपयोग करके किया गया है ताकि अनुक्रम रिडंडेंसी और डाइवर्जेंस को मापा जा सके।
- ऑफ-डायगोनल एंट्रीज़ ( $S_{ik}, i \neq k$ ): इन्हें $-\left(\frac{d_{H}^{gap}(i, k)}{L}\right)^\alpha$ के रूप में परिभाषित किया गया है। एक्सपोनेंट $\alpha$ ग्लोबल डायवर्सिटी के लिए एक कंट्रोल नॉब के रूप में कार्य करता है। एक बड़ा $\alpha$ छोटे दूरियों के दंड (penalty) को कम करता है, जिससे अधिक वैश्विक रूप से वितरित एक्सेम्पलर्स के चयन को प्रोत्साहन मिलता है।
- डायगोनल एंट्रीज़ ( $S_{kk}$ ): इन्हें $p + \beta \frac{d_{H}^{gap}(k, 0)}{L}$ के रूप में परिभाषित किया गया है, जहाँ $0 $क्वेरी सीक्वेंस है। गुणांक$ \beta $**क्वेरी आइडेंटिटी** के लिए एक कंट्रोल नॉब के रूप में कार्य करता है। एक सकारात्मक$ \beta $क्वेरी से दूर स्थित एक्सेम्पलर्स को चुनने के लिए प्रोत्साहित करता है, जबकि एक नकारात्मक$ \beta$ समान अनुक्रमों की ओर चयन को बायस करता है। क्वेरी रो को एक बड़े फिक्स्ड प्रेफरेंस के साथ एंकर किया गया है ताकि यह सुनिश्चित हो सके कि इसे हमेशा रिटेन किया जाए।
एक्सेम्पलर-कंसिस्टेंसी फैक्टर्स ( $f_k$ ): ये इस बाधा (constraint) को लागू करते हैं कि यदि कोई पंक्ति $k$ को एक्सेम्पलर के रूप में चुनती है, तो $k$ को भी स्वयं को चुनना होगा ( $s_k = k$ )।

ऑप्टिमाइज़ेशन और कंट्रोल

सिस्टम मैसेज-पासिंग रीजनिंग (लॉग-डोमेन मैक्स-प्रोडक्ट) को इन्फर करने के लिए परफॉर्म करता है। एक निश्चित कार्डिनैलिटी बजट $N_B(L)$ का सख्ती से पालन करने के लिए, लेखक एक फिक्स्ड-कार्डिनैलिटी रैपर का उपयोग करते हैं। इसमें लक्षित बजट तक इन्फर्ड एक्सेम्पलर्स की संख्या को ट्यून करने के लिए ग्लोबल प्रेफरेंस ऑफसेट $p$ पर एक बाइसैक्शन सर्च शामिल है, जिसके बाद डायगोनल बिलीफ के आधार पर टॉप- $N$ ट्रंकेशन या पैडिंग किया जाता है।

मुख्य योगदान

ऑप्टिमाइज़ेशन रिफॉर्मुलेशन: यह कार्य पहली बार MSA सबसैंपलिंग को एक ह्यूरिस्टिक सैंपलिंग प्रक्रिया के बजाय एक स्पष्ट ऑप्टिमाइज़ेशन समस्या के रूप में पुनर्गठित करता है, जो जैविक मापों (डायवर्सिटी और क्वेरी आइडेंटिटी) को स्पष्ट उद्देश्यों के रूप में ऊपर उठाता है।
AP-REASONER: एफिनिटी-प्रोपेगेशन-आधारित फैक्टर-ग्राफ दृष्टिकोण का परिचय, जो सबसैंपलिंग उद्देश्यों को फैक्टर्स में एनकोड करता है और मैसेज पासिंग के माध्यम से उन्हें हल करता है। इसमें दो व्याख्या योग्य कंट्रोल नॉब्स ( $\alpha$ और $\beta$ ) हैं जो क्रमशः सीक्वेंस डायवर्सिटी और क्वेरी आइडेंटिटी को स्पष्ट रूप से नियंत्रित करते हैं।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक मूल्यांकन जो यह प्रदर्शित करता है कि AP-REASONER संरचना-संवेदनशील डाउनस्ट्रीम कार्यों पर बेसलाइन सबसैंपलर्स (रैंडम, divMin, divMax, HHfilter, K-medians) को पछाड़ देता है और वैकल्पिक प्रोटीन कन्फर्मेशन्स की नियंत्रणीय रिकवरी को सक्षम बनाता है।

प्रयोगात्मक परिणाम

लेखकों ने प्रोटीन लैंग्वेज मॉडल प्रीट्रेनिंग, लॉन्ग-रेंज कॉन्टैक्ट प्रेडिक्शन (LRCP), और प्रोटीन मल्टीपल कन्फर्मेशन प्रेडिक्शन पर AP-REASONER का मूल्यांकन किया।

प्रीट्रेनिंग (MLM): मास्कड लैंग्वेज मॉडलिंग कार्यों पर, AP-REASONER ने रैंडम सबसैंपलिंग और K-mediadians के साथ प्रतिस्पर्धी प्रदर्शन किया, और divMin तथा divMax को पीछे छोड़ दिया। हालांकि, लेखक नोट करते हैं कि MLM प्रदर्शन हमेशा डाउनस्ट्रीम स्ट्रक्चरल प्रदर्शन के साथ सह-संबंधित नहीं होता है।
लॉन्ग-रेंज कॉन्टैक्ट प्रेडिक्शन (LRCP): CASP15 लक्ष्यों पर, AP-REASONER के साथ प्रशिक्षित मॉडल उन मॉडल्स की तुलना में लगातार उच्च Top-L कॉन्टैक्ट प्रिसिजन प्राप्त करते हैं जो बेसलाइन सैंपलर्स के साथ प्रशिक्षित थे। प्रदर्शन का अंतर "इंफॉर्मेटिव सबसेट" वाले लक्ष्यों पर और बढ़ गया। इसके अलावा, इन्फरेंस के दौरान डायवर्सिटी नॉब $\alpha$ को बदलने से LRCP प्रदर्शन में $\alpha$ बढ़ने के साथ एक मोनोटोनिक सुधार देखा गया, जो विविध सबसेट्स को बढ़ावा देने में नॉब की उपयोगिता की पुष्टि करता है।
कन्फर्मेशनल एन्सेम्बल प्रेडिक्शन: फोल्ड-स्विचिंग प्रोटीन्स (KaiB, RfaH, MAD2) पर, AP-REASONER ने ब्रूट-फोर्स रैंडम सैंपलिंग और AF-Cluster की तुलना में बेहतर दक्षता और सटीकता प्रदर्शित की।
- इसने उन दुर्लभ कार्यात्मक अवस्थाओं (जैसे, KaiB की Fold-switch अवस्था) को सफलतापूर्वक रिकवर किया जिन्हें रैंडम सैंपलिंग द्वारा मिस कर दिया गया था।
- इसने बहुत कम सैंपल्स (जैसे, AF-Cluster के 1008 बनाम KaiB के लिए 56 सैंपल्स) के साथ तुलनीय स्ट्रक्चरल एक्यूरेसी (RMSD) प्राप्त की।
- $\beta$ नॉब ने अनुमानित एन्सेम्बल को अलग-अलग कन्फर्मेशनल बेसिनों (जैसे, ग्राउंड स्टेट बनाम फोल्ड-स्विच स्टेट) के बीच नियंत्रित स्टीयरिंग करने की अनुमति दी, जिससे विशिष्ट कार्यात्मक अवस्थाओं की लक्षित रिकवरी संभव हुई।

महत्व और दावे

पेपर का दावा है कि MSA सबसैंपलिंग को फैक्टर-ग्राफ रीजनिंग के माध्यम से हल की जाने वाली एक नियंत्रणीय ऑप्टिमाइज़ेशन समस्या के रूप में मॉडल करना, ह्यूरिस्टिक चयन के लिए एक सिद्धांत आधारित विकल्प प्रदान करता है। क्वेरी आइडेंटिटी और डायवर्सिटी को स्पष्ट रूप से संतुलित करके, AP-REASONER न केवल स्ट्रक्चर प्रेडिक्शन पर डाउनस्ट्रीम प्रदर्शन में सुधार करता है, बल्कि प्रोटीन कन्फर्मेशनल लैंडस्केप्स को एक्सप्लोर करने के लिए एक संसाधन-कुशल तंत्र भी प्रदान करता है। $\alpha$ और $\beta$ के माध्यम से सैंपलिंग को स्टीयर करने की क्षमता वैकल्पिक कार्यात्मक अवस्थाओं की अनुमानित रिकवरी को सक्षम करती है, जो ब्रूट-फोर्स सैंपलिंग की अत्यधिक कम्प्यूटेशनल लागत के बिना प्रोटीन डायनेमिक्स और एलोस्टेरिक मैकेनिज्म को समझने के लिए महत्वपूर्ण है।

लेखक सीमाओं को स्वीकार करते हैं, जिसमें उल्लेख किया गया है कि मैसेज पासिंग और बाइसैक्शन रैपर के कारण AP-REASONER हल्के ह्यूरिस्टिक सैंपलर्स की तुलना में लगभग 2–3 $\times$ धीमा है। इसके अतिरिक्त, प्रीट्रेनिंग प्रयोग 26M-स्केल कॉर्पस के बजाय 260K-स्केल डेटासेट पर किए गए थे, जिससे बड़े रेगिम्स में इस पद्धति की स्केलेबिलिटी भविष्य के अन्वेषण के लिए एक खुला प्रश्न बना हुआ है।