Is Retrieval All You Need? Assessment and Emergence of Novelty in Protein Structure Generation
यह शोध पत्र डोमेन रिट्रीवल रेट (DRR) को पेश करके इस धारणा को चुनौती देता है कि कम फुल-चेन समानता (low full-chain similarity) नवीन प्रोटीन फोल्ड्स की गारंटी देती है, जिससे यह पता चलता है कि अधिकांश जनरेट किए गए बैकबोन में ज्ञात संरचनात्मक डोमेन होते हैं, और एक शून्य-प्रशिक्षण रिट्रीवल-आधारित बेसलाइन, RetFold, का प्रस्ताव करता है ताकि यह प्रदर्शित किया जा सके कि ऐसे परिणाम जटिल जनरेटिव मॉडल्स के बिना भी प्राप्त किए जा सकते हैं।
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 मास्टर शेफ हैं जो एक बिल्कुल नया व्यंजन बनाने की कोशिश कर रहे हैं। जीव विज्ञान की दुनिया में, "सामग्री" प्रोटीन हैं, जो वे आणविक मशीनें हैं जो हर जीवित चीज़ का निर्माण और संचालन करती हैं। दशकों से, वैज्ञानिक कंप्यूटरों को ऐसे नए प्रोटीन आकार बनाना सिखाने की कोशिश कर रहे हैं जो प्रकृति में पहले कभी नहीं देखे गए हैं। यदि कोई कंप्यूटर एक ऐसा प्रोटीन आकार बनाता है जो ज्ञात प्राकृतिक प्रोटीनों के विशाल पुस्तकालय में मौजूद किसी भी चीज़ से बिल्कुल अलग दिखता है, तो हम आमतौर पर खुशी मनाते हैं और कहते हैं, "वाह, यह एक पूरी तरह से नया आविष्कार है!"
लेकिन यहाँ एक पेंच है: सिर्फ इसलिए कि एक पूरा व्यंजन अजीब दिखता है, इसका मतलब यह नहीं है कि उसकी सामग्री नई है। हो सकता है कि शेफ ने एक जानी-पहलाई आलू, एक जानी-पहलाई गाजर और एक जाने-पहचाने स्टेक को लेकर उन्हें एक अजीब, पहले कभी न देखी गई ढेर में व्यवस्थित कर दिया हो। क्या यह एक नया आविष्कार है, या केवल पुराने हिस्सों का एक नया संयोजन? यह वही बड़ा सवाल है जो वैज्ञानिक कंप्यूटर-जनित प्रोटीनों के बारे में पूछ रहे हैं। वे जानना चाहते हैं कि क्या कंप्यूटर वास्तव में नए "फोल्ड्स" (वे 3D आकार जो प्रोटीन लेते हैं) की खोज कर रहे हैं या वे केवल परिचित निर्माण खंडों (building blocks) को इधर-उधर व्यवस्थित कर रहे हैं। यदि हम अंतर नहीं कर सके, तो हम "नई खोजों" का जश्न मना सकते हैं जो वास्तव में पुराने हिस्सों का एक नया क्रम मात्र हैं।
यह शोध पत्र, जिसका शीर्षक "Is Retrieval All You Need?" है, उस रसोई में जाकर सामग्री की जांच करने के लिए गहराई से उतरता है। लेखक, जो चीन, कनाडा और अमेरिका के विश्वविद्यालयों के शोधकर्ताओं की एक टीम है, ने यह परीक्षण करने का निर्णय लिया कि क्या हमारे "नयापन" को मापने का वर्तमान तरीका वास्तव में हमें मूर्ख बना रहा है। उन्होंने प्रोटीन आकार उत्पन्न करने वाले आठ अलग-अलग कंप्यूटर प्रोग्रामों का अध्ययन किया। ये प्रोग्राम "डिफ्यूजन" (जो शोर को एक स्पष्ट चित्र में धीरे-धीरे बदलने जैसा है) और "फ्लो मैचिंग" जैसे फैंसी गणितीय तरीकों का उपयोग करके नई संरचनाओं की कल्पना करते हैं।
किसी उत्पन्न प्रोटीन के "नया" होने की जाँच करने का मानक तरीका पूरे आकार की तुलना ज्ञात प्रोटीनों के एक विशाल डेटाबेस से करना है। यदि पूरा आकार डेटाबेस में किसी भी चीज़ से मेल नहीं खाता है, तो इसे "नोवेल" (novel) का बैज मिल जाता है। लेकिन लेखक तर्क देते हैं कि यह एक सैंडविच का न्याय केवल उसके कुल वजन से करने जैसा है। यदि आप दो ब्रेड के स्लाइस के साथ एक सैंडविच बनाते हैं जिन्हें आपने पहले कभी नहीं देखा है, लेकिन उसका भरावन (filling) एक मानक हैम स्लाइस है जिसे आपने लाखों बार देखा है, तो पूरा सैंडविच अद्वितीय लग सकता है, लेकिन हैम नया नहीं है।
इसे ठीक करने के लिए, शोधकर्ताओं ने डेटा को देखने का एक नया तरीका पेश किया जिसे डोमेन रिट्रीवल रेट (DRR) कहा जाता है। पूरे प्रोटीन श्रृंखला को एक विशाल ढेर के रूप में देखने के बजाय, उन्होंने इसे छोटे, स्वतंत्र टुकड़ों में तोड़ दिया जिन्हें "डोमेन" कहा जाता है। इन डोमेनों को एक महल बनाने वाले व्यक्तिगत लेगो (Lego) ब्रिक्स के रूप में सोचें। शोधकर्ताओं ने पूछा: "भले ही पूरा महल अजीब दिखे, क्या व्यक्तिगत ईंटें पहले से मौजूद मानक लेगो टुकड़ों जैसी ही हैं?"
जब उन्होंने इस नए परीक्षण को आठ कंप्यूटर प्रोग्रामों पर लागू किया, तो परिणाम आश्चर्यजनक थे। उन्होंने पाया कि भले ही कंप्यूटरों ने सिर से पैर तक पूरी तरह से नए दिखने वाले प्रोटीन बनाए, वे वास्तव में परिचित लेगो ब्रिक्स से बने थे। वास्तव में, अधिकांश प्रोग्रामों के लिए, 90% से अधिक उत्पन्न प्रोटीनों में कम से कम एक हिस्सा था जो डेटाबेस में एक ज्ञात डोमेन से मेल खाता था। "नयापन" मुख्य रूप से पुराने टुकड़ों को जोड़ने का एक नया तरीका था।
यह साबित करने के लिए कि यह केवल एक इत्तेफाक नहीं था, टीम ने अपना खुद का अति-सरल कंप्यूटर प्रोग्राम बनाया जिसे RetFold कहा जाता है। यह प्रोग्राम किसी भी फैंसी लर्निंग या AI ट्रेनिंग का उपयोग नहीं करता है। यह एक "जीरो-ट्रेनिंग" बेसलाइन है, जिसका अर्थ है कि इसने कुछ भी "सीखा" नहीं; इसने बस डेटाबेस से ज्ञात लेगो ब्रिक्स लिए और उन्हें सरल ज्यामिति नियमों का उपयोग करके जोड़ा। परिणाम क्या रहा? RetFold ने ऐसे प्रोटीन आकार बनाए जो पुराने पद्धति के तहत आश्चर्यजनक रूप से "नए" दिखाई देते थे, भले ही वह केवल ज्ञात भागों का पुनर्संयोजन कर रहा था। पुराने परीक्षण के तहत, फैंसी AI प्रोग्राम बहुत नवीन (अधिकांश के लिए पूर्ण-श्रृंखला रिट्रीवल दर 0.0% से 0.6% तक) दिखाई दिए, जबकि RetFold 20% बार रिट्रीव किया गया। इसने दिखाया कि AI प्रोग्रामों के लिए रिपोर्ट की गई "नवीनता" की सीमा बिना किसी लर्निंग के भी प्राप्त की जा सकती थी, केवल ज्ञात हिस्सों को पुनर्व्यवस्थित करके।
पेपर ने यह भी परीक्षण किया कि प्रोटीन के कितना "नया" होने को स्कोर करने के तीन अलग-अलग तरीके हैं। उन्होंने पाया कि सबसे आम स्कोर, जो पूरी श्रृंखला को देखता है, वास्तव में एक चाल है। इसमें एक छिपा हुआ दोष है: यदि आप एक बहुत लंबी प्रोटीन श्रृंखला बनाते हैं, तो स्कोर स्वतः ही गिर जाता है, जिससे यह "नया" दिखने लगता है भले ही यह केवल पुराने हिस्सों की एक लंबी कतार हो। लेखकों ने दिखाया कि यदि आप एक सख्त, अधिक ईमानदार स्कोर का उपयोग करते हैं जो यह जाँचता है कि क्या पूरा ज्ञात हिस्सा वास्तव में वहां मौजूद है, तो तस्वीर पूरी तरह बदल जाती है। इस सख्त परीक्षण के तहत, फैंसी AI प्रोग्राम बहुत कम "रचनात्मक" लगे, जबकि सरल RetFold प्रोग्राम (जिसे हम जानते हैं कि केवल पुराने हिस्सों को पुनर्संयोजित कर रहा है) 100% बार रिट्रीव किया गया। इसने पुष्टि की कि RetFold वास्तव में ज्ञात भागों का उपयोग कर रहा था, और सख्त स्कोर ने पुनर्संयोजित बेसलाइन को AI जनरेटरों से सफलतापूर्वक अलग कर दिया, जिससे पता चला कि AI प्रोग्राम उतने शुद्ध रूप से "रचनात्मक" नहीं थे जितना कि पुराने स्कोर बताते थे।
लेखक निष्कर्ष निकालते हैं कि हमें नए प्रोटीन डिजाइनों के लिए जश्न मनाने में बहुत अधिक सावधान रहने की आवश्यकता है। सिर्फ इसलिए कि एक कंप्यूटर ऐसा आकार थोंपता है जो ऊपर से नीचे तक किसी ज्ञात प्रोटीन से मेल नहीं खाता, इसका मतलब यह नहीं है कि उसने एक नया फोल्ड खोज लिया है। यह केवल पुराने हिस्सों का एक चतुर पुनर्व्यवस्था हो सकता है। वे सुझाव देते हैं कि भविष्य के अध्ययनों को यह ठीक से रिपोर्ट करना चाहिए कि वे "नयापन" को कैसे मापते हैं और यह भी जाँचना चाहिए कि क्या निर्माण खंड (building blocks) स्वयं वास्तव में नए हैं, न कि केवल अंतिम संयोजन। यह एक याद दिलाता है कि विज्ञान में, कभी-कभी सबसे रोमांचक खोजें केवल नए कपड़ों में पुराने दोस्त होती हैं।
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।