Gene Ontology-Guided Hierarchical Spatial Gene Expression Prediction from Histopathology Images

कल्पना कीजिए कि आप एक विशाल, जटिल जिग्सॉ पहेली (jigsaw puzzle) को सुलझाने की कोशिश कर रहे हैं, लेकिन चित्र के टुकड़ों के बजाय, आप उन गुप्त निर्देशों (जीन) को समझने की कोशिश कर रहे हैं जो एक कोशिका को यह बताते हैं कि उसे कैसे व्यवहार करना है, और यह सब केवल कोशिका के पड़ोस की एक तस्वीर (टिशू स्लाइड) को देखकर। दशकों से, वैज्ञानिक इन तस्वीरों को लेने में सक्षम रहे हैं, जिन्हें हिस्टोपैथोलॉजी इमेज कहा जाता है, और बीमारियों का निदान करने के लिए इनका उपयोग करते आए हैं। हालाँकि, वास्तविक आनुवंशिक निर्देशों को देखने के लिए, उन्हें आमतौर पर ऊतक (tissue) पर महंगे, समय लेने वाले रासायनिक परीक्षण करने पड़ते हैं। यह शोध पत्र एक चतुर शॉर्टकट की खोज करता है: क्या हम एक कंप्यूटर का उपयोग करके मानक, सस्ते फोटो से सीधे जीन को "पढ़" सकते हैं?

चुनौती यह है कि जीन अकेले काम नहीं करते; वे एक विशाल, आपस में जुड़े हुए परिवार के सदस्यों की तरह हैं। कुछ जीन चचेरे भाई-बहन हैं, कुछ सगे भाई-बहन हैं, और वे सभी विशिष्ट क्लबों या "कार्यात्मक समूहों" (functional groups) से संबंधित हैं जो समान कार्य करते हैं। पुराने कंप्यूटर तरीकों ने इन सभी जीनों का अनुमान एक साथ लगाने की कोशिश की, जैसे कि वे बिना किसी संबंध के एक रैंडम सूची हों। यह एक फिल्म के कथानक का अनुमान लगाने की कोशिश करने जैसा है, जहाँ आप कहानी की संरचना जाने बिना हर एक संवाद का अनुमान लगाने की कोशिश करते हैं। यह एक बहुत बड़ा, अस्त-व्यस्त काम है क्योंकि अक्सर गलतियाँ होती हैं क्योंकि कंप्यूटर को सीमित डेटा का उपयोग करके इन पारिवारिक संबंधों को खुद ही समझना पड़ता है।

यहाँ MSGR नामक एक नया दृष्टिकोण आता है, जो एक स्मार्ट गाइड की तरह काम करता है जिसे 'फैमिली ट्री' (वंशवृक्ष) का ज्ञान है। पूरे लिस्ट का एक साथ अनुमान लगाने के बजाय, यह तरीका जैविक ज्ञान के एक पूर्व-मौजूद मानचित्र, "जीन ऑन्टोलॉजी" (Gene Ontology) का उपयोग करता है। इस मानचित्र को एक विशाल, व्यवस्थित पुस्तकालय के रूप में सोचें जहाँ किताबों (जीन) को पहले उनके व्यापक जॉनर (genre), फिर उनके विशिष्ट विषय, और अंत में व्यक्तिगत शीर्षक के आधार पर वर्गीकृत किया गया है। इस मानचित्र का अनुसरण करके, कंप्यूटर पहले व्यापक कहानी का अनुमान लगा सकता है, फिर अध्यायों को भर सकता है, और अंत में विशिष्ट वाक्यों को लिख सकता है। यह शोध पत्र दिखाता है कि इस जैविक "फैमिली ट्री" का उपयोग करके अनुमान लगाने की प्रक्रिया को निर्देशित करने से, कंप्यूटर ऊतक की तस्वीरों से आनुवंशिक निर्देशों की भविष्यवाणी करने में बहुत बेहतर हो जाता है, और उन उन्नत तरीकों से भी बेहतर प्रदर्शन करता है जो एक ही बड़ी छलांग में सब कुछ बताने की कोशिश करते हैं।

मुख्य विचार: सपाट अनुमान से लेकर एक निर्देशित यात्रा तक

लेखक जिस मुख्य समस्या का समाधान कर रहे हैं वह है स्पेशियल जीन एक्सप्रेशन (spatial gene expression) की भविष्यवाणी करना—यानी ऊतक के एक विशिष्ट स्थान पर कौन से जीन सक्रिय हैं—केवल उस ऊतक की एक मानक माइक्रोस्कोप इमेज का उपयोग करके। वर्तमान में, इस आनुवंशिक डेटा को प्राप्त करने के लिए विशेष, महंगे लैब उपकरणों की आवश्यकता होती है। लक्ष्य एक ऐसा कंप्यूटर मॉडल बनाना है जो एक सामान्य टिश्यू स्लाइड (जैसे कि वे जिनका उपयोग डॉक्टर रोज़ाना करते हैं) को देख सके और सटीक रूप से भविष्यवाणी कर सके कि उस स्लाइड के हर छोटे हिस्से में कौन से जीन चालू या बंद हैं।

पिछले तरीकों ने जीनों की सूची को एक "फ्लैट" वेक्टर के रूप में मानने की कोशिश की। कल्पना कीजिए कि आप दुनिया के हर शहर में मौसम का अनुमान एक ही सैटेलाइट फोटो देखकर लगाने की कोशिश कर रहे हैं, बिना यह जाने कि एक ही देश के शहरों में आमतौर पर समान मौसम पैटर्न होता है। कंप्यूटर को दिए गए डेटा से ही जीनों के बीच के जटिल संबंधों को पूरी तरह से सीखना पड़ता था। क्योंकि डेटा सीमित था, कंप्यूटर अक्सर भ्रमित हो जाता था, उन सूक्ष्म संबंधों को मिस कर देता था जो एक ही जैविक पथ (pathway) में मिलकर काम करते हैं।

लेखक एक अलग रणनीति प्रस्तावित करते हैं: MSGR (मल्टी-स्केल जीन रिफाइनर)। पूरे लिस्ट का एक साथ अनुमान लगाने के बजाय, MSGR इसे जीन ऑन्टोलॉजी (GO) द्वारा निर्देशित एक चरण-दर-चरण यात्रा में तोड़ देता है। GO एक विशाल, क्यूरेटेड डिक्शनरी है जो जीनों को उनके कार्यों के आधार पर एक पदानुक्रम (hierarchy) में व्यवस्थित करती है। यह उन्हें व्यापक श्रेणियों (जैसे "जैविक प्रक्रिया" या "आणविक कार्य") में समूहित करती है, फिर विशिष्ट उप-समूहों में, और अंत में व्यक्तिगत जीन तक ले जाती है।

इसे एक जासूस द्वारा रहस्य सुलझाने जैसा समझें। एक "फ्लैट" तरीका अपराधी, मकसद, हथियार और समय का नाम एक साथ देने की कोशिश करता है। हालाँकि, MSGR एक ऐसे जासूस की तरह काम करता है जो पहले अपराध के प्रकार (एक पदानुक्रम स्तर) को समझता है, फिर विशिष्ट स्थान (एक निचला स्तर) को पहचानता है, और अंत में सटीक व्यक्ति (व्यक्तिगत जीन) की पहचान करता है। GO को एक मानचित्र के रूप में उपयोग करके, मॉडल को जीनों के बीच के संबंधों को खुद से आविष्कार करने की आवश्यकता नहीं है; इसे बस जैविक फैमिली ट्री का पालन करना है ताकि अपने अनुमानों को और बेहतर (refine) बनाया जा सके।

MSGR कैसे काम करता है: "कोर्स-टू-फाइन" (स्थूल से सूक्ष्म) परिशोधन

MSGR का जादू इसके पदानुक्रमित डिकोडर (hierarchical decoder) में है। यहाँ प्रक्रिया कैसे चलती है, इसके लिए एक मनोरंजक उपमा दी गई है:

1. मानचित्र (GO पदानुक्रम): सबसे पहले, शोधकर्ता लक्षित जीनों की सूची लेते हैं और उन्हें चार-स्तरीय पेड़ (tree) में व्यवस्थित करते हैं।

   • स्तर 0 (रूट): एक "वर्चुअल रूट" जो जीनों के पूरे समूह का प्रतिनिधित्व करता है।
   • स्तर 1 (बड़े विभाग): जीव विज्ञान की तीन मुख्य शाखाएँ: जैविक प्रक्रिया (Biological Process), आणविक कार्य (Molecular Function), और कोशिकीय घटक (Cellular Component)।
   • स्तर 2 (विशिष्ट विषय): उन विभागों के भीतर अधिक विस्तृत समूह।
   • स्तर 3 (व्यक्तिगत): वास्तविक जीन स्वयं।

2. अनुमान लगाने का खेल (रेसिड्यूअल करेक्शन): मॉडल शीर्ष (स्तर 0) से शुरू होता है और समग्र गतिविधि के बारे में एक बहुत ही मोटा अनुमान लगाता है। फिर, यह एक स्तर नीचे जाता है। अगले स्तर का अनुमान शून्य से लगाने के बजाय, यह पूछता है: "मेरे वर्तमान अनुमान और अगले स्तर के बीच का अंतर क्या है?" यह एक "रेसिड्यूअल करेक्शन" (residual correction) की गणना करता है—पिछले अनुमान को ठीक करने के लिए एक छोटा सा समायोजन।

   • उपमा: कल्पना कीजिए कि आप एक पोर्ट्रेट (चित्र) बनाने की कोशिश कर रहे हैं। पहले, आप सिर के लिए एक मोटा गोला बनाते हैं (स्तर 0)। फिर, आप पूरा चेहरा दोबारा नहीं बनाते; आप बस आँखें और नाक जोड़ते हैं (स्तर 1 सुधार)। फिर आप पुतलियाँ और पलकें जोड़ते हैं (स्तर 2 सुधार)। अंत में, आप तिल जैसे बारीक विवरण जोड़ते हैं (स्तर 3 सुधार)। प्रत्येक चरण पिछले चरण को परिष्कृत करता है, जिससे चित्र स्पष्ट होता जाता है बिना दोबारा शुरू किए।

3. "लेटेंट हाईवे" (Latent Highway): यह सुनिश्चित करने के लिए कि मॉडल सूक्ष्म विवरणों पर ध्यान केंद्रित करते समय बड़े चित्र को न खो दे, MSGR एक "लेटेंट हाईवे" का उपयोग करता है। यह एक विशेष कनेक्शन है जो व्यापक स्तरों से संदर्भ (context) को निचले स्तरों तक ले जाता है। यह एक शिक्षक की तरह है जो छात्र को प्रत्येक वाक्य लिखते समय कहानी का मुख्य विषय फुसफुसाता है, यह सुनिश्चित करता है कि वाक्य समग्र कथानक के अनुकूल हो।

आंकड़े क्या कहते हैं: क्या यह वास्तव में काम करता है?

लेखकों ने विभिन्न प्रकार के कैंसर ऊतकों जैसे किडनी, फेफड़े और त्वचा के कैंसर सहित HEST-1k बेंचमार्क के नौ अलग-अलग डेटासेट्स पर MSGR का परीक्षण किया। उन्होंने इसकी तुलना सात अन्य शीर्ष-स्तरीय कंप्यूटर मॉडलों से की, जिनमें कुछ जटिल "जेनरेटिव" तकनीकें (जो शून्य से नया डेटा बनाने की कोशिश करती हैं) और अन्य मानक रिग्रेशन का उपयोग करने वाले मॉडल शामिल हैं।

परिणाम स्पष्ट थे:

• MSGR दौड़ जीत गया। औसतन, MSGR ने 0.517 का स्कोर (PCC-200) प्राप्त किया, जिसने अगले सर्वश्रेष्ठ मॉडल, एक जेनेरेटिव मॉडल STFlow को पीछे छोड़ दिया, जिसका स्कोर 0.503 था।
• यह कठिन मामलों में भी काम करता है। सुधार विशेष रूप से HCC (लीवर कैंसर) और READ (रेक्टल कैंसर) जैसे कठिन डेटासेट्स में दिखाई दिया, जहाँ MSGR ने प्रतिस्पर्धा से महत्वपूर्ण अंतर (जैसे HCC पर +0.021) से बेहतर प्रदर्शन किया।
• यह एक "प्लग-एंड-प्ले" अपग्रेड है। सबसे रोमांचक निष्कर्षों में से एक यह है कि MSGR केवल एक नया मॉडल नहीं है; यह मौजूदा मॉडलों के अंतिम चरण के लिए एक प्रतिस्थापन (replacement) है। लेखकों ने अन्य लोकप्रिय मॉडलों (जैसे ST-Net और EGN) को लिया और बस उनके "फ्लैट" जीन-डिकोडिंग भाग को MSGR के पदानुक्रमित डिकोडर के साथ बदल दिया। लगभग हर मामले में, प्रदर्शन बढ़ गया। उदाहरण के लिए, ST-Net मॉडल में MSGR जोड़ने से इसका औसत स्कोर 0.414 से बढ़कर 0.432 हो गया।

"सिर्फ एक पदानुक्रम" के सिद्धांत को खारिज करना

एक महत्वपूर्ण प्रश्न जो लेखकों ने पूछा था: क्या MSGR इसलिए अच्छा है क्योंकि यह जीन ऑन्टोलॉजी (जैविक मानचित्र) का उपयोग करता है, या यह इसलिए अच्छा है क्योंकि यह किसी भी पदानुक्रम का उपयोग करता है?

इसका उत्तर देने के लिए, उन्होंने MSGR का एक संस्करण बनाया जिसे MSGR-Random कहा गया। इस संस्करण में, उन्होंने बिल्कुल वही वृक्ष संरचना रखी लेकिन सभी जैविक ज्ञान को अनदेखा करते हुए जीनों को रैंडम तरीके से इधर-उधर कर दिया।

• परिणाम: MSGR-Random ने 0.490 स्कोर किया, जबकि वास्तविक MSGR ने 0.517 स्कोर किया।
• निष्कर्ष: +0.027 का अंतर यह साबित करता है कि सुधार विशेष रूप से जीन ऑन्टोलॉजी की जैविक संरचना से आया है, न कि केवल इस तथ्य से कि मॉडल एक पदानुक्रम का उपयोग कर रहा है। कंप्यूटर को अपना सर्वश्रेष्ठ काम करने के लिए यह जानने की आवश्यकता है कि जीन विशिष्ट, वास्तविक दुनिया के तरीकों से कैसे संबंधित हैं।

सफलता का दृश्य चित्रण

यह देखने के लिए कि क्या भविष्यवाणियां जैविक रूप से सही थीं, लेखकों ने MLANA नामक एक विशिष्ट जीन को देखा, जो मेलानोमा (त्वचा कैंसर) के लिए एक मार्कर है। उन्होंने विभिन्न मॉडलों द्वारा उत्पन्न जीन गतिविधि के "हीट मैप्स" की तुलना वास्तविक ग्राउंड ट्रुथ (वास्तविक डेटा) से की।

• पुराने मॉडलों ने धुंधले, बिखरे हुए मैप बनाए जिन्होंने उस जगह की तीखी सीमाओं को मिस कर दिया जहाँ जीन सक्रिय था।
• MSGR ने एक ऐसा मैप बनाया जो वास्तविक डेटा के लगभग समान था, जिसमें गतिविधि के व्यापक क्षेत्रों और तीखे, स्थानीय विवरणों दोनों को कैप्चर किया गया। जब उन्होंने MSGR को STFlow मॉडल के साथ जोड़ा, तो इस विशिष्ट जीन भविष्यवाणी के लिए स्कोर बढ़कर 0.940 हो गया, जो अविश्वसनीय रूप से उच्च सटीकता दर्शाता है।

निष्कर्ष

यह शोध पत्र सुझाव देता है कि ऊतक छवियों से जीन अभिव्यक्ति की भविष्यवाणी करने का भविष्य निर्देशित, पदानुक्रमित सोच (guided, hierarchical thinking) में निहित है। जीनों के प्राकृतिक "फैमिली ट्री" का सम्मान करके और चरण-दर-चरण परिशोधन प्रक्रिया का उपयोग करके, कंप्यूटर सब कुछ एक साथ अनुमान लगाने की तुलना में बहुत तेज़ी से और अधिक सटीक रूप से सीख सकते हैं। MSGR केवल जटिलता की एक नई परत नहीं जोड़ता है; यह समस्या को प्रबंधनीय, जैविक रूप से सार्थक चरणों में तोड़कर इसे सरल बनाता है।

लेखक दिखाते हैं कि यह दृष्टिकोण मजबूत है, नौ अलग-अलग डेटासेट्स पर काम करता है और छवियों को संसाधित करने के तरीके को बदले बिना विभिन्न मौजूदा मॉडलों में सुधार करता है। हालांकि यह शोध पत्र यह दावा नहीं करता है कि इसने स्पेशियल ट्रांसक्रिप्टोमिक्स की पूरी समस्या को हल कर दिया है, लेकिन यह इस बात के पुख्ता प्रमाण प्रदान करता है कि जैविक ज्ञान को एक संरचनात्मक मार्गदर्शक के रूप में उपयोग करना, इस बात के बीच के अंतर को पाटने का एक शक्तिशाली तरीका है कि एक ऊतक कैसा दिखता है और उसके जीन क्या कर रहे हैं।