PGFS++: Molecular Property Improvement under Synthesis and Diversity Constraints
यह शोध पत्र PGFS++ प्रस्तुत करता है, जो एक संश्लेषण-जागरूक (synthesis-aware) सुदृढीकरण शिक्षण ढांचा है जो अपने पूर्ववर्ती PGFS+ में पाई जाने वाली अभिकारक चयन सीमाओं और रिवॉर्ड-हैकिंग विविधता पतन (reward-hacking diversity collapse) को संबोधित करते हुए, आउटपुट विविधता को बनाए रखते हुए और स्पष्ट संश्लेषण मार्ग प्रदान करते हुए आणविक गुणों में सुधार करता है।
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
नई दवाओं के निर्माण के शुरुआती चरणों में, वैज्ञानिक एक निरंतर संतुलन बनाने की चुनौती का सामना करते हैं। उन्हें ऐसे अणु (molecules) डिजाइन करने की आवश्यकता होती है जो बीमारी से लड़ने के लिए पर्याप्त शक्तिशाली हों, लेकिन उन्हें यह भी सुनिश्चित करना होता है कि उन अणुओं को प्रयोगशाला में वास्तव में बनाया जा सके। वर्षों से, आर्टिफिशियल इंटेलिजेंस ने नए आणविक संरचनाओं को उत्पन्न करने में मदद की है, जो अक्सर विशिष्ट गुणों जैसे कि वे वायरस से कितनी अच्छी तरह जुड़ सकते हैं या मानव शरीर के लिए कितने सुरक्षित हैं, के लिए अनुकूलित होते हैं। हालांकि, एक महत्वपूर्ण अंतर बना हुआ है: इनमें से कई कंप्यूटर-जनित डिजाइन कागज पर तो रासायनिक रूप से वैध होते हैं, लेकिन वास्तविक दुनिया की प्रयोगशालाओं में उपलब्ध उपकरणों और सामग्रियों के साथ उनका निर्माण करना असंभव होता है। इस अंतर को पाटने के लिए, शोधकर्ताओं ने 'फॉरवर्ड सिंथेसिस' नामक एक विधि की ओर रुख किया है, जो दवा निर्माण को एक चरण-दर-चरण निर्माण परियोजना की तरह मानती है, जिसमें एक ज्ञात अणु से शुरुआत की जाती है और स्थापित रासायनिक प्रतिक्रियाओं का उपयोग करके एक-एक करके टुकड़े जोड़े जाते हैं। लक्ष्य कंप्यूटर को न केवल एक बेहतर अणु बनाने के लिए निर्देशित करना है, बल्कि एक ऐसा बेहतर अणु बनाना है जिसके साथ इसे बनाने के लिए एक स्पष्ट और व्यवहार्य निर्देश पुस्तिका भी हो।
कैम्ब्रिज विश्वविद्यालय और ग्राफकोर (Graphcore) के शोधकर्ताओं की एक टीम ने PGFS++ नामक एक नई प्रणाली विकसित की है ताकि इस प्रक्रिया को स्वचालित करने के प्रयास में उत्पन्न हुई एक विशिष्ट समस्या को हल किया जा सके। उनका कार्य एक पूर्ववर्ती पद्धति पर आधारित है जिसे PGFS कहा जाता है, जिसने 'रीइन्फोर्समेंट लर्निंग' (reinforcement learning) नामक एक प्रकार की आर्टिफिशियल इंटेलिजेंस लर्निंग का उपयोग किया था। इस सेटअप में, कंप्यूटर एक 'एजेंट' के रूप में कार्य करता है जो रासायनिक प्रतिक्रियाओं और बिल्डिंग ब्लॉक्स (building blocks) का चयन करके एक शुरुआती अणु को बेहतर बनाने का प्रयास करता है। इस प्रणाली का पिछला संस्करण, जिसे उन्होंने PGFS+ कहा था, बेहतर गुणों वाले अणु खोजने में अच्छा काम करता था, लेकिन इसमें एक अजीब दोष था। सिस्टम एक एकल, अत्यधिक पुरस्कृत समाधान खोजने में बहुत अधिक कुशल हो गया। विभिन्न शुरुआती सामग्रियों के लिए विविध प्रकार के बेहतर संस्करण बनाने के बजाय, यह सैकड़ों अलग-अलग इनपुट अणुओं को ठीक उसी एक अंतिम उत्पाद में समाहित कर देता था। शोधकर्ता इसे "मैग्नेट" (magnet) प्रभाव कहते हैं, जहाँ सिस्टम एक उच्च-स्कोर वाले परिणाम की ओर खिंचा चला जाता है, जिससे परिणामों की विविधता समाप्त हो जाती है और यह उपकरण विशिष्ट दवाओं के लिए अनुकूलित सुधार करने के लिए बेकार हो जाता है।
इसे ठीक करने के लिए, टीम ने PGFS++ पेश किया, जो एक परिष्कृत ढांचा है जो कंप्यूटर को शुरुआती सामग्री और अंतिम परिणाम के बीच संबंध बनाए रखने के लिए मजबूर करता है। यह प्रणाली अभी भी 1,18,000 से अधिक उपलब्ध रासायनिक सामग्रियों की एक विशाल लाइब्रेरी से रिएक्शन टेम्पलेट्स और संगत बिल्डिंग ब्लॉक्स का चयन करके काम करती है। यह एक पूर्व-निर्धारित मानचित्र (pre-computed map) का उपयोग करती है ताकि तेजी से यह पहचाना जा सके कि कौन से बिल्डिंग ब्लॉक्स अणु के एक विशिष्ट हिस्से के साथ कानूनी रूप से प्रतिक्रिया कर सकते हैं, जिससे लाखों संभावनाओं को एक प्रबंधनीय सूची तक सीमित किया जा सके। मुख्य नवाचार यह है कि यह प्रणाली खुद को कैसे पुरस्कृत करती है। पिछले संस्करण में, कंप्यूटर को केवल तभी पुरस्कृत किया जाता था जब अंतिम अणु के गुण बेहतर होते थे, जिसने इसे शुरुआती बिंदु को पूरी तरह से अनदेखा करने के लिए प्रोत्साहित किया। PGFS++ में, रिवॉर्ड सिस्टम में मूल इनपुट के साथ संरचनात्मक समानता बनाए रखने के लिए एक बोनस शामिल है। इसका अर्थ है कि यदि कंप्यूटर शुरुआती अणु से बहुत दूर भटकता है, तो उसे दंडित किया जाता है, जिससे यह सुनिश्चित होता है कि सुधार उस विशिष्ट दवा उम्मीदवार के लिए विशिष्ट हैं, न कि एक सामान्य, 'एक-आकार-सभी-के-लिए-उपयुक्त' (one-size-fits-all) समाधान।
इस नए दृष्टिकोण के परिणामों का परीक्षण दवा की गुणवत्ता के दो सामान्य पैमानों पर किया गया: एक स्कोर कि अणु कितना "ड्रग-लाइक" (drug-like) है और दूसरा स्कोर कि इसे बनाना कितना आसान है। जब शोधकर्ताओं ने हजारों अलग-अलग शुरुआती अणुओं के साथ सिमुलेशन चलाए, तो नई प्रणाली ने लक्षित गुणों में सुधार करने में सफलता प्राप्त की और साथ ही आउटपुट की विविधता को भी बनाए रखा। पिछले संस्करण के विपरीत, जो लगभग हर इनपुट के लिए लगभग समान अणु बनाता था, PGFS++ ने अद्वितीय, बेहतर संरचनाओं की एक विस्तृत श्रृंखला उत्पन्न की। प्रणाली ने उच्च 'सिंथेटिक एक्सेसिबिलिटी' (synthetic accessibility) स्कोर भी बनाए रखा, जिसका अर्थ है कि जो मार्ग इसने खोजे वे रसायन विज्ञानियों के अनुसरण के लिए व्यावहारिक थे। एक एकल "मैग्नेट" समाधान में ढलने से रोककर, शोधकर्ताओं ने प्रदर्शित किया कि यह संभव है कि विशिष्ट आवश्यकताओं के लिए दवा उम्मीदवारों को अनुकूलित किया जाए और साथ ही उन विभिन्न रासायनिक संभावनाओं की खोज के लिए आवश्यक विविधता का भी सम्मान किया जाए। यह कार्य सुझाव देता है कि भविष्य के दवा खोज उपकरण विशिष्ट आवश्यकताओं के लिए अत्यधिक प्रभावी होने के साथ-साथ वास्तविक दुनिया के अनुसंधान को परिभाषित करने वाले अद्वितीय शुरुआती बिंदुओं के प्रति भी सम्मानजनक हो सकते 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।