Mol-JEPA: A multimodal Joint Embedding Predictive Architecture for Molecules
Mol-JEPA एक स्केलेबल मल्टीमॉडल फ्रेमवर्क है जो विविध ड्रग डिस्कवरी डेटा में मोडैलिटी मास्किंगिंग को नियोजित करके आणविक विश्व मॉडल (molecular world models) सीखता है ताकि रासायनिक रूप से अमान्य ऑगमेंटेशन और मोडैलिटी कोलैप्स जैसी सीमाओं को दूर किया जा सके, जिससे लेटेंट स्पेस प्रेडिक्शन के माध्यम से मजबूत प्रतिनिधित्व उत्पन्न किया जा सके।
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 की खोज एक धीमी, महंगी और अक्सर निराशाजनक यात्रा है। वैज्ञानिकों को ऐसे सूक्ष्म अणुओं (molecules) को खोजना होता है जो बीमारी को रोकने के लिए शरीर में विशिष्ट लक्ष्यों (targets) से जुड़ सकें, लेकिन इन अणुओं को रक्तप्रवाह के सफर में जीवित भी रहना चाहिए, लीवर द्वारा नष्ट होने से बचना चाहिए, और स्वस्थ कोशिकाओं को जहरीला भी नहीं बनाना चाहिए। दशकों से, शोधकर्ताओं ने कंप्यूटर को अणुओं की तस्वीरें दिखाकर उनके परिणामों की भविष्यवाणी करना सिखाने का प्रयास किया है, जिन्हें आमतौर पर टेक्स्ट के रूप में स्ट्रिंग्स या जुड़े हुए परमाणुओं के आरेखों (diagrams) के रूप में दर्शाया जाता है। हालाँकि, एक अणु शून्य में अस्तित्व में नहीं रहता है; उसका व्यवहार पूरी तरह से इस बात पर निर्भर करता है कि वह अपने आस-पास की जटिल, जीवित प्रणालियों के साथ कैसे अंतःक्रिया करता है। एक मॉडल जो केवल एक अणु के आकार को देखता है, वह एक ऐसे मानचित्र की तरह है जो भूभाग तो दिखाता है लेकिन मौसम, यातायात और स्थानीय कानूनों को अनदेखा कर देता है। वह आपको बता सकता है कि सड़क कहाँ जाती है, लेकिन यह नहीं कि क्या कोई कार वास्तव में उस पर चल सकती है।
इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने एक नए प्रकार का आर्टिफिशियल इंटेलिजेंस विकसित किया है जिसे Mol-JEPA कहा जाता है। अणु के भविष्य का अनुमान लगाने के लिए उसके आकार में थोड़ा बदलाव करने के बजाय—एक ऐसी विधि जो अक्सर निरर्थक परिणामों की ओर ले जाती है क्योंकि रसायन विज्ञान में छोटे बदलाव व्यवहार में बड़े बदलाव ला सकते हैं—यह प्रणाली एक ही समय में अणु को कई अलग-अलग कोणों से देखकर सीखती है। कल्पना कीजिए कि आप किसी व्यक्ति को केवल उसके चेहरे से नहीं, बल्कि उसकी आवाज़ सुनकर, उसके चलने के तरीके को देखकर, उसके मेडिकल इतिहास को पढ़कर और विभिन्न खाद्य पदार्थों के प्रति उसकी प्रतिक्रिया को देखकर समझने की कोशिश कर रहे हैं। Mol-JEPA रसायनों के लिए बिल्कुल यही करता है। यह लगभग पचास लाख अणुओं के बारे में भारी मात्रा में जानकारी एकत्र करता है, जिसमें उनकी परमाणु संरचना, प्रोटीन के साथ उनके जुड़ने का तरीका, कोशिकाओं पर उनका प्रभाव और उनके भौतिक गुण शामिल हैं। इसके बाद सिस्टम भविष्यवाणी के एक खेल का अभ्यास करता है: यह इस जानकारी के एक हिस्से को छिपा देता है और बाकी के आधार पर अनुमान लगाने की कोशिश करता है कि वह क्या है। इन लुप्त हिस्सों को बार-बार भरकर, कंप्यूटर यह सीखता है कि वास्तविक दुनिया में अणु कैसे व्यवहार करते हैं, न कि केवल उनके स्थिर आकारों को याद करता है।
शोधकर्ताओं ने सार्वजनिक डेटाबेस और नई गणनाओं के विशाल संग्रह से इस मॉडल का निर्माण किया। उन्होंने मानक रासायनिक मापों को परमाणुओं के हिलने-डुलने और अंतःक्रिया करने के उन्नत सिमुलेशन के साथ-साथ उन प्रयोगों के डेटा के साथ जोड़ा जो मापते हैं कि दवाएं जीवित कोशिकाओं को कैसे प्रभावित करती हैं। कुल मिलाकर, उन्होंने लगभग पचास लाख अद्वितीय यौगिकों वाला एक डेटासेट बनाया, जिनमें से प्रत्येक का पंद्रह अलग-अलग प्रकार की जानकारी द्वारा वर्णन किया गया है। इनमें से कुछ विवरण मौजूदा कंप्यूटर मॉडलों से आए थे जिन्होंने पहले ही रसायन विज्ञान में पैटर्न पहचानना सीख लिया था, जबकि अन्य को क्वांटम भौतिकी का उपयोग करके शून्य से गणना किया गया था। टीम ने अपने AI को एक "वर्ल्ड मॉडल" (world model) के रूप में प्रशिक्षित किया, जो रासायनिक ब्रह्मांड के नियमों को समझता है। प्रशिक्षण के दौरान, कंप्यूटर अणु की संरचना और उसके कोशिकीय प्रभावों को देखता था, और फिर उसे एक विशिष्ट प्रोटीन के साथ बंधन की मजबूती (binding strength) की भविष्यवाणी करने के लिए कहा जाता था, या इसके विपरीत। यदि कंप्यूटर की भविष्यवाणी गलत होती थी, तो वह अपनी आंतरिक समझ को तब तक समायोजित करता था जब तक कि वह सही न हो जाए। इस प्रक्रिया ने मॉडल को यह सीखने में सक्षम बनाया कि अणु के आकार और उसके जैविक व्यवहार के बीच छिपे हुए संबंध क्या हैं, बिना यह बताए कि नियम क्या हैं।
जब टीम ने इस नए मॉडल का परीक्षण अन्य अग्रणी आर्टिफिशियल इंटेलिजेंस प्रणालियों के विरुद्ध किया, तो परिणाम आश्चर्यजनक थे। मॉडल ने कई कठिन कार्यों में अपने प्रतिस्पर्धियों से बेहतर प्रदर्शन किया, विशेष रूप से तब जब डेटा कम था। दवा खोज की वास्तविक दुनिया में, वैज्ञानिकों को अक्सर प्रयोगों के बहुत कम डेटा के आधार पर निर्णय लेने पड़ते हैं, और यहीं पर नया मॉडल चमक उठा। यह उन अणुओं के लिए अपने ज्ञान का सामान्यीकरण (generalize) करने में सक्षम था जिन्हें उसने पहले कभी नहीं देखा था, और उन परीक्षण अणुओं के लिए भी उच्च सटीकता बनाए रखी जो प्रशिक्षण के दौरान अध्ययन किए गए अणुओं से रासायनिक रूप से बहुत भिन्न थे। शोधकर्ताओं ने पाया कि मॉडल की सफलता उसके सभी अलग-अलग प्रकार की जानकारी का उपयोग करने की क्षमता से आई। जब उन्होंने कुछ प्रकार के डेटा को हटाया, जैसे कि अणु की विस्तृत 3D संरचना या उसके कोशिकीय प्रभाव, तो मॉडल के प्रदर्शन में केवल मामूली अंतर आया, जिससे पता चलता है कि सीखी गई प्रस्तुतियों (representations) में एक प्रकार की अतिरेक (redundancy) है जहाँ जानकारी कई माध्यमों (modalities) में एनकोड की जाती है। सिस्टम ने केवल डेटा को याद नहीं किया; इसने विभिन्न रासायनिक गुणों के बीच संबंधों के बारे में तर्क करना सीखा।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि मॉडल को उपयोगी होने के लिए हर एक कार्य में पूर्ण होने की आवश्यकता नहीं थी। इसके बजाय, इसने अणुओं का एक लचीला प्रतिनिधित्व सीखा जिसे कई अलग-अलग समस्याओं के लिए अनुकूलित किया जा सकता है। शोधकर्ताओं ने मॉडल का परीक्षण कई चुनौतीपूर्ण बेंचमार्क पर किया, जिसमें यह अनुमान लगाना शामिल था कि एक दवा शरीर द्वारा कितनी अच्छी तरह अवशोषित की जाएगी या वह कितनी विषाक्त हो सकती है। लगभग हर मामले में, नया मॉडल पिछले सर्वोत्तम तरीकों से बेहतर रहा। यह "आउट-ऑफ-डिस्ट्रीब्यूशन" (out-of-distribution) समस्या को संभालने में विशेष रूप से अच्छा था, जो कि यह अनुमान लगाने की कठिनाई है कि एक नया, अनदेखा अणु कैसा व्यवहार करेगा जब वह प्रशिक्षण डेटा में मौजूद किसी भी चीज़ से रासायनिक रूप से भिन्न हो। जैविक और भौतिक संदर्भों के एक विस्तृत स्पेक्ट्रम से सीखकर, मॉडल ने एक मजबूत समझ बनाई जिसने उसे नवीन यौगिकों के बारे में विश्वसनीय अनुमान लगाने की अनुमति दी। यह सुझाव देता है कि दवा खोज का भविष्य केवल अधिक डेटा को याद रखने वाले बड़े मॉडल बनाने में नहीं है, बल्कि ऐसे स्मार्ट मॉडल बनाने में है जो जटिल वास्तविकता को समझने के लिए सूचना के विविध स्रोतों को एकीकृत कर सकें।
अध्ययन ने यह भी प्रकट किया कि सभी प्रकार की जानकारी समान रूप से महत्वपूर्ण नहीं थी, हालांकि सिस्टम को उन सभी के होने से लाभ हुआ। शोधकर्ताओं ने पाया कि 'ग्राफ मोडैलिटी' (graph modality), जो अणु की कनेक्टिविटी और संरचना का प्रतिनिधित्व करती है, डाउनस्ट्रीम प्रदर्शन के लिए सबसे महत्वपूर्ण जानकारी थी, लेकिन रासायनिक फिंगरप्रिंट्स और यह डेटा कि अणु कोशिकाओं के साथ कैसे अंतःक्रिया करते हैं, भी अत्यंत महत्वपूर्ण थे। दिलचस्प बात यह है कि मॉडल कुछ डेटा के गायब या विरल (sparse) होने पर भी प्रभावी ढंग से सीखने में सक्षम था, जो वैज्ञानिक अनुसंधान में एक आम समस्या है। यह लचीलापन बताता है कि इस दृष्टिकोण को अन्य क्षेत्रों में भी लागू किया जा सकता है जहाँ डेटा अधूरा या प्राप्त करना कठिन है, जैसे कि सामग्री विज्ञान (materials science) या जीव विज्ञान। टीम ने उल्लेख किया कि मॉडल शक्तिशाली है, लेकिन यह कोई जादुई समाधान नहीं है; इसे अभी भी उस डेटा के सावधानीपूर्वक चयन की आवश्यकता है जिससे यह सीखता है, और उन अणुओं के परिणामों की भविष्यवाणी करने की भी सीमाएँ हैं जो पूरी तरह से उससे भिन्न हैं जिन्हें उसने पहले कभी नहीं देखा है। हालाँकि, इस दृष्टिकोण की सफलता एक ऐसे आर्टिफिशियल इंटेलिजेंस बनाने की दिशा में एक महत्वपूर्ण कदम है जो वास्तव में रासायनिक दुनिया को समझ सकता है, जो सरल पैटर्न मिलान से आगे बढ़कर एक गहरी, अधिक प्रासंगिक तर्क शक्ति की ओर बढ़ता है जो जीवन की जटिलता को प्रतिबिंबित करती है।
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।