A method for comparing inferred evolutionary accumulation dynamics across covariates and model structures
यह शोध पत्र विभिन्न एल्गोरिदम, डेटासेट और सहचरों (covariates) के बीच अनुमानित विकासवादी संचय गतिकी (evolutionary accumulation dynamics) की तुलना करने के लिए एक नवीन विधि प्रस्तुत करता है, जो विशेषता प्राप्ति संभावनाओं को पकड़ने के लिए ऑर्डरिंग मैट्रिसेस का उपयोग करता है, जिससे कैंसर के विकास से लेकर जीवाणु दवा प्रतिरोध तक के अनुप्रयोगों में प्रतिवर्ती स्टोकेस्टिसिटी (reversible stochasticity), विशेषता अंतःक्रियाओं और अवस्था-फ्रेमशिफ्ट अंतर जैसी चुनौतियों का समाधान होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, अराजक निर्माण स्थल को देख रहे हैं। ईंटों और क्रेन के बजाय, यहाँ काम करने वाले श्रमिक सूक्ष्म जैविक परिवर्तन हैं—जैसे कि कोई वायरस किसी दवा से बचना सीख रहा हो, या कोई कोशिका एक ऐसा उत्परिवर्तन (mutation) प्राप्त कर रही हो जो उसे जीवित रहने में मदद करता है। विकासवादी जीव विज्ञान (evolutionary biology) और चिकित्सा की दुनिया में, वैज्ञानिक इन परिवर्तनों को "विशेषताएं" (features) कहते हैं। कभी-कभी, ये विशेषताएं एक सख्त क्रम में दिखाई देती हैं, जैसे जूते पहनने से पहले मोजे पहनना। अन्य समय में, यह क्रम अव्यवस्थित होता है, या कोई विशेषता बाद में गायब भी हो सकती है और फिर से प्रकट भी हो सकती है।
लंबे समय से, वैज्ञानिक इन विशेषताओं के संचय होने का अनुमान लगाने के लिए "मानचित्र" (maps) बनाते रहे हैं। वे सवाल पूछते हैं जैसे: "क्या उत्परिवर्तन A हमेशा उत्परिवर्तन B से पहले होता है?" या "यदि बैक्टीरिया में दवा Y के प्रति प्रतिरोध क्षमता है, तो दवा X के प्रति प्रतिरोध विकसित करने की कितनी संभावना है?" लेकिन पेच यहाँ है: अलग-अलग वैज्ञानिक इन मानचित्रों को बनाने के लिए अलग-अलग उपकरणों का उपयोग करते हैं। एक उपकरण कह सकता है कि क्रम A फिर B है, जबकि दूसरा कह सकता है कि B फिर A है। इससे भी बुरा यह है कि कभी-कभी मानचित्र सतह पर पूरी तरह से अलग दिखते हैं, लेकिन गहराई में, वे वास्तव में एक ही कहानी बता रहे होते हैं। यह एक सड़क यात्रा का वर्णन करने वाले दो लोगों जैसा है: एक कहता है, "हम लाल घर के पास से गुजरे, फिर नीले घर के पास से," और दूसरा कहता है, "हम नीले घर के पास से गुजरे, फिर लाल घर के पास से।" यदि वे एक ही यात्रा का वर्णन कर रहे हैं लेकिन अलग-अलग शुरुआती बिंदुओं से गिनती कर रहे हैं, तो वे अलग सुनाई देंगे, लेकिन यात्रा वही है। वैज्ञानिकों को इन मानचित्रों की तुलना करने के लिए एक नया, निष्पक्ष तरीका चाहिए था ताकि यह देखा जा सके कि क्या वे वास्तव में अलग कहानियाँ बता रहे हैं या केवल अलग शुरुआती रेखाओं का उपयोग कर रहे हैं।
यहीं से नया शोध सामने आता है। लेखकों ने, जो गणितज्ञों और जीवविज्ञानियों की एक टीम है, इन 'फ्रेमशिफ्ट' समस्याओं (जहाँ शुरुआती बिंदु अलग होने के कारण क्रम अलग दिखता है) से भ्रमित हुए बिना इन विकासवादी मानचित्रों की तुलना करने के लिए एक चतुर नई विधि का आविष्कार किया है। केवल विशेषताओं की अंतिम सूची को देखने के बजाय, उन्होंने "ऑर्डरिंग मैट्रिसेस" (ordering matrices) की एक प्रणाली बनाई। इन मैट्रिसेस को एक विशाल स्कोरबोर्ड के रूप में सोचें जो न केवल यह बताता है कि "कौन जीता," बल्कि हर संभावित परिदृश्य की संभावना (probability) की गणना भी करता है।
कल्पना कीजिए कि आप चार धावकों (विशेषता 1, 2, 3 और 4) के बीच एक दौड़ पर दांव लगा रहे हैं। पुराने तरीके केवल फिनिश लाइन को देखते और कहते, "धावक 1 पहले आया।" लेकिन यह नया तरीका पूछता है: "इस बात की क्या संभावना है कि धावक 2 के शुरू होने पर धावक 1 पहले से ही दौड़ रहा था?" या "इस बात की क्या संभावना है कि धावक 4 फिनिश लाइन को केवल तभी पार करता है जब तीन अन्य धावक पहले से ही वहाँ मौजूद थे?" इन संभावनाओं को देखकर, यह विधि उन अव्यवस्थित स्थितियों को संभाल सकती है जहाँ विशेषताएं प्रकट होती हैं और गायब हो जाती हैं (reversibility), या जहाँ विशेषताओं का एक समूह दूसरे को प्रभावित करता है, न कि केवल कारण और प्रभाव की एक सरल रेखा।
टीम ने इस विचार का परीक्षण दो तरीकों से किया। पहले, उन्होंने नकली डेटा (सिमुलेशन) बनाया जहाँ वे दौड़ के सटीक नियमों को जानते थे। उन्होंने दिखाया कि उनकी विधि यह पहचान सकती है कि दो डेटासेट वास्तव में अलग-अलग पथों का अनुसरण कर रहे थे, भले ही डेटा शोर-शराबे वाला या छोटा क्यों न हो। उन्होंने यह भी दिखाया कि यदि वे विधि को अधिक डेटा देते हैं, तो यह अपने निष्कर्षों में बहुत अधिक आश्वस्त हो जाती है, जिससे अनिश्चितता एक पहाड़ से छंटते कोहरे की तरह कम हो जाती है।
फिर, उन्होंने अपने तरीके को वास्तविक दुनिया के रहस्यों पर लागू किया। उन्होंने देखा कि कैसे एक खतरनाक बैक्टीरिया, क्लेबसिएला न्यूमोनिया (Klebsiella pneumoniae), दो अलग-अलग देशों में दवा प्रतिरोध विकसित करता है: गाम्बिया और दक्षिण कोरिया। अपने नए स्कोरबोर्ड का उपयोग करते हुए, उन्होंने पाया कि इन दोनों स्थानों में बैक्टीरिया के प्रतिरोध विकसित करने के तरीके में विशिष्ट अंतर थे। उदाहरण के लिए, वे सटीक रूप से बता सके कि एक देश में दूसरे देश की तुलना में कुछ उत्परिवर्तन पहले हुए थे। उन्होंने कैंसर को भी देखा, और तुलना की कि कैसे गुणसूत्र संबंधी त्रुटियां (कोशिका के निर्देश मैनुअल में बड़ी गलतियाँ) विभिन्न प्रकार के ट्यूमर में जमा होती हैं। उन्होंने पाया कि यहाँ तक कि एक ही अंग के ट्यूमर, या अलग-अलग अंगों में एक ही प्रकार के कैंसर, अक्सर आश्चर्यजनक रूप से भिन्न विकासवादी पथों का पालन करते हैं।
लेखक यह दावा नहीं कर रहे हैं कि उन्होंने विकास के रहस्य को हमेशा के लिए सुलझा लिया है। इसके बजाय, वे सुझाव देते हैं कि मानचित्रों की तुलना करने का यह नया तरीका एक शक्तिशाली उपकरण है। यह वैज्ञानिकों को यह बताने में मदद करता है कि किसी बीमारी के विकसित होने के वास्तविक, वैज्ञानिक अंतर और केवल एक सांख्यिकीय संयोग के बीच क्या अंतर है। केवल एक निश्चित क्रम के बजाय घटनाओं की संभावना पर ध्यान केंद्रित करके, यह विधि शोधकर्ताओं को 'एप्पल टू एप्पल' (समान चीज़ों की समान रूप से) तुलना करने की अनुमति देती है, भले ही वे सेब अलग-अलग दिशाओं में बढ़ रहे हों। यह एक नया लेंस है जो हमें विकास के वास्तविक आकार को देखने में मदद करता है, चाहे हम सुपरबग्स के प्रसार को ट्रैक कर रहे हों या कैंसर कोशिकाओं की अराजक वृद्धि को।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।