Diagonal Multi-omics Integration of Heterogenous Datasets

आधुनिक जीव विज्ञान एक ऐसे युग में प्रवेश कर गया है जहाँ वैज्ञानिक एक एकल कोशिका का स्नैपशॉट ले सकते हैं और एक साथ उसके हजारों लक्षणों को माप सकते हैं। वे आनुवंशिक कोड, सक्रिय जीन, निर्मित हो रहे प्रोटीन और रासायनिक संकेतों को एक ही समय में पढ़ सकते हैं। डेटा का यह सैलाब यह प्रकट करने का वादा करता है कि जटिल रोग कैसे कार्य करते हैं और उनके उपचार के नए तरीके खोजने का मार्ग प्रशయ करता है। हालाँकि, ये विभिन्न प्रकार के मापन अलग-अलग गणितीय दुनियाओं से आते हैं। वे एक ही वस्तु का वर्णन करने वाली अलग-अलग भाषाओं की तरह हैं, और उन्हें केवल एक-दूसरे के बगल में खड़ा कर देने से अक्सर यह समझने में विफलता होती है कि वे वास्तव में कैसे परस्पर क्रिया करते हैं। चुनौती इन विभिन्न दृष्टिकोणों को एक एकल, सुसंगत चित्र में विलय करने का तरीका खोजने की है जो एक जीवित कोशिका के भीतर के जटिल, गैर-रेखीय संबंधों का सम्मान करता हो।

रशियन क्लिनिकल रिसर्च सेंटर ऑफ जेरोन्टोलॉजी और इंस्टीट्यूट ऑफ एप्लाइड मैथमेटिक्स एंड ऑटोमेशन के शोधकर्ताओं ने इस समस्या को हल करने के लिए एक नई गणितीय विधि विकसित की है। वे इसे 'डायगोनल मल्टी-ओमिक्स इंटीग्रेशन' कहते हैं। इन विभिन्न डेटासेट को एक जैसा दिखने के लिए मजबूर करने के बजाय, उनका दृष्टिकोण उनके बीच के अंतर को सूचना के स्रोत के रूप में देखता है। वे एक परिष्कृत गणितीय उपकरण का उपयोग करते हैं जिसे 'कपल्ड ग्राफ लैपलेसियन' कहा जाता है, जो विभिन्न प्रकार के डेटा के बीच एक सेतु (ब्रिज) के रूप में कार्य करता है। यह उपकरण उन्हें कोशिका के जटिल, उच्च-आयामी डेटा को एक सरल, निम्न-आयामी स्थान पर मैप करने की अनुमति देता है जहाँ पैटर्न दृश्यमान हो जाते हैं।

उनकी खोज का मूल तत्व इस डेटा को व्यवस्थित करने के दो विपरीत तरीकों की खोज करने में निहित है। पहला दृष्टिकोण, जो वर्तमान विज्ञान में प्रचलित है, एक वाइड-एंगल लेंस की तरह कार्य करता है। यह डेटा को सुचारू (स्मूथ) बनाने का प्रयास करता है, उस सामान्य आधार को खोजता है जहाँ विभिन्न मापन सहमत होते हैं। यह बड़े परिदृश्य और उन स्थिर संरचनाओं को देखने के लिए उपयोगी है जिन्हें सभी कोशिकाएं साझा करती हैं। हालाँकि, शोधकर्ताओं ने पाया कि इस स्मूथिंग प्रभाव का एक नुकसान है: यह छोटे, महत्वपूर्ण विवरणों को धुंधला कर देता है। सब कुछ समान दिखाने की प्रक्रिया में, यह दुर्लभ कोशिका प्रकारों या सूक्ष्म जैविक विसंगतियों को छिपा सकता है जो वास्तव में बहुत महत्वपूर्ण होते हैं।

इसे ठीक करने के लिए, टीम ने एक दूसरा, विपरीत दृष्टिकोण पेश किया जो एक हाई-कॉन्ट्रास्ट माइक्रोस्कोप की तरह कार्य करता है। डेटा को सुचारू करने के बजाय, यह विधि अधिकतम तनाव और अंतर के बिंदुओं की तलाश करती है। यह विशेष रूप से उन दिशाओं को खोजती है जहाँ विभिन्न प्रकार के डेटा सबसे अधिक असहमत होते हैं। जैविक संदर्भ में, यह जटिलता की छिपी हुई परतों को प्रकट करने में मदद करता है, जैसे कि कोशिकाओं के छोटे समूह जो बाकी से अलग व्यवहार कर रहे हैं, शायद इसलिए क्योंकि वे दवाओं के प्रति प्रतिरोधी हैं या विकास की एक अद्वितीय अवस्था में हैं।

पेपर की सबसे महत्वपूर्ण खोज केवल इन दो दृष्टिकोणों का अस्तित्व नहीं है, बल्कि उनके बीच के अंतर को मापने का एक नया तरीका है। शोधकर्ताओं ने एक विशिष्ट संकेतक बनाया जो "स्मूथ" दृश्य और "हाई-कॉन्ट्रास्ट" दृश्य के बीच की दूरी की गणना करता है। यदि यह दूरी कम है, तो इसका अर्थ है कि जैविक प्रणाली सभी मापों में स्थिर और सुसंगत है। यदि यह दूरी अधिक है, तो यह संकेत देता है कि डेटा के भीतर गहरा संरचनात्मक संघर्ष या स्तरीकरण मौजूद है। यह मीट्रिक (मापदंड) यह तय करने का एक कठोर, गणितीय तरीका प्रदान करता है कि क्या किसी डेटासेट में छिपे हुए, जटिल उपसमूह हैं जिन्हें मानक विधियाँ छोड़ देतीं।

टीम ने सिद्ध किया कि उनका तरीका काम करता है, जिसके लिए उन्होंने जटिल संख्याओं और 'मैनिफोल्ड्स' नामक विशिष्ट आकृतियों से जुड़ी उन्नत ज्यामिति का उपयोग किया। उन्होंने दिखाया कि उनका नया "माइक्रोस्कोप" दृष्टिकोण गणितीय रूप से सुदृढ़ है और दोनों दृश्यों के बीच का अंतर जैविक विषमता (हेटरोजेनिटी) का एक विश्वसनीय माप है। यह कार्य क्षेत्र को केवल डेटा संरेखण से आगे ले जाता है, जो कि एक जैविक प्रणाली अपनी वास्तविक जटिलता को कितनी सटीकता से छिपा रही है, इसे मापने का एक तरीका प्रदान करता है। इन छिपी हुई परतों का पता लगाने के लिए एक उपकरण प्रदान करके, यह शोध जीवित कोशिकाओं की जटिल और अक्सर विरोधाभासी प्रकृति को समझने के लिए एक नया मार्ग प्रस्तुत करता है।