Conditional GraphGANFed: Optimizing Graph-Structured Molecule Generation in Federated Generative Adversarial Networks
यह शोध पत्र cGraphGANFed प्रस्तुत करता है, जो GraphGANFed का एक नवीन विस्तार है जिसमें एक क्रिटिक नेटवर्क को शामिल किया गया है ताकि एक फेडरेटेड सेटिंग में उच्च-गुणवत्ता वाले, रासायनिक रूप से वैध अणुओं के निर्माण को निर्देशित किया जा सके और साथ ही QED और LogP जैसे उपयोगकर्ता-निर्धारित मेट्रिक्स को अनुकूलित किया जा सके, जिससे यह मल्टी-मैट्रिक ऑप्टिमाइज़ेशन और सिंगल-टारगेट एन्हांसमेंट दोनों में मूल मॉडल से बेहतर प्रदर्शन 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 की खोज अक्सर एक ऐसे घास के ढेर में एक विशिष्ट सुई खोजने जैसा महसूस होती है जो लगातार अपना आकार बदल रहा है। वैज्ञानिकों को पूरी तरह से नए आणविक संरचनाएं—परमाणुओं की सूक्ष्म व्यवस्था—बनाने की आवश्यकता होती है जो बीमारी को ठीक करने के लिए मानव शरीर के साथ परस्पर क्रिया कर सकें। समस्या यह है कि संभावित अणुओं का स्थान इतना विशाल और जटिल है कि यादृच्छिक संयोग से एक उपयोगी अणु खोजना लगभग असंभव है। पारंपरिक तरीकों में संभावित उम्मीदवारों की विशाल लाइब्रेरी बनाना और फिर उन्हें छानना शामिल है, लेकिन यह प्रक्रिया धीमी है और अक्सर उन संयोजनों तक सीमित होती है जो पहले से मौजूद ज्ञात लाइब्रेरी के हिस्सों से बने होते हैं। इसे तेज करने के लिए, शोधकर्ताओं ने आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है, विशेष रूप से एक प्रकार के कंप्यूटर प्रोग्राम जिसे 'जेनेरेटिव एडवरसैरियल नेटवर्क' (generative adversarial network) कहा जाता है। ये प्रोग्राम दो प्रतिस्पर्धी कलाकारों की जोड़ी की तरह काम करते हैं: एक असली दिखने वाले नकली अणु बनाने की कोशिश करता है, जबकि दूसरा नकलीों को पहचानने की कोशिश करता है। समय के साथ, निर्माता अपने काम में इतना कुशल हो जाता है कि वह पूरी तरह से नए, वैध अणु उत्पन्न करता है। हालाँकि, इसमें एक पेच है। जबकि ये प्रोग्राम ऐसे अणु बना सकते हैं जो रासायनिक रूप से सही दिखते हैं, उन्हें उन अणुओं को बनाने में संघर्ष करना पड़ता है जो विशिष्ट लक्ष्यों के लिए भी अनुकूलित हों, जैसे कि मनुष्यों के लिए सुरक्षित होना या पानी में अच्छी तरह घुलना। इसके अलावा, इन प्रोग्रामों को प्रशिक्षित करने के लिए आवश्यक डेटा अक्सर सख्त गोपनीयता कानूनों के कारण निजी फार्मास्युटिकल डेटाबेस में बंद रहता है, जिससे शोधकर्ताओं के लिए अपने ज्ञान को साझा करना और मिलकर बेहतर मॉडल प्रशिक्षित करना कठिन हो जाता है।
शोधकर्ताओं की एक टीम ने अनुकूलन (customization) और गोपनीयता की इन दोहरी समस्याओं को हल करने के लिए 'कंडीशनल ग्राफजीएनएनफेड' (conditional GraphGANFed) नामक एक नई प्रणाली विकसित की है। उनका दृष्टिकोण एक पिछले तरीके पर आधारित है जिसने ग्राफ-आधारित शिक्षण को 'फेडरेटेड लर्निंग' (federated learning) नामक एक गोपनीयता-संरक्षण तकनीक के साथ जोड़ा था। इस सेटअप में, कई फार्मास्युटिकल कंपनियां अपने वास्तविक रासायनिक डेटा को साझा किए बिना एक साझा आर्टिफिशियल इंटेलिजेंस मॉडल को प्रशिक्षित कर सकती हैं। प्रत्येक कंपनी अपने डेटा को अपने स्वयं के स्थानीय सर्वरों पर रखती है, मॉडल को स्थानीय रूप से प्रशिक्षित करती है, और केवल सीखे गए पैटर्न को एक केंद्रीय समन्वयक (central coordinator) को भेजती है। इस अध्ययन में नया नवाचार सामान्य दो-भाग वाली प्रणाली में एक तीसरे घटक को जोड़ने में है: एक 'क्रिटिक' (critic)। जबकि मूल प्रणाली में अणुओं को बनाने के लिए एक जनरेटर (generator) और यह जांचने के लिए एक डिस्क्रिमिनेटर (discriminator) था कि वे असली दिखते हैं या नहीं, नया क्रिटिक एक विशेषज्ञ न्यायाधीश के रूप में कार्य करता है जो विशिष्ट, उपयोगकर्ता-निर्धारित लक्ष्यों के आधार पर अणुओं का मूल्यांकन करता है। यदि कोई शोधकर्ता ऐसा अणु चाहता है जिसके दवा होने की उच्च संभावना हो, तो क्रिटिक उन उत्पन्न अणुओं को उस विशिष्ट गुणवत्ता पर स्कोर देता है और उस स्कोर को जनरेटर को वापस भेजता है, जिससे उसे बेहतर उम्मीदवार बनाने के लिए निर्देशित किया जाता है।
शोधकर्ताओं ने तीन अलग-अलग आणविक डेटा सेटों का उपयोग करके व्यापक कंप्यूटर सिमुलेशन के माध्यम से इस नई प्रणाली का परीक्षण किया। उन्होंने ऐसी स्थितियाँ बनाईं जहाँ सिस्टम को ऐसे डेटा से सीखना था जो या तो भाग लेने वाले कंप्यूटरों के बीच समान रूप से वितरित था या असमान रूप से वितरित था, जो फेडरेटेड लर्निंग में एक सामान्य चुनौती है। परीक्षणों के एक सेट में, सिस्टम से एक साथ सात मानक आणविक गुणवत्ता मापों के लिए अनुकूलित करने के लिए कहा गया था। परिणामों ने दिखाया कि क्रिटिक के साथ नया सिस्टम पुराने संस्करण की तुलना में काफी बेहतर प्रदर्शन करता है। इसने ऐसे अणु बनाए जो अधिक रासायनिक रूप से वैध थे और जिनमें पानी के मुकाबले वसा (fat) में घुलने के बेहतर गुण थे, जो इस बात का एक प्रमुख कारक है कि दवाएं शरीर में कैसे चलती हैं। जबकि पुराना सिस्टम वैध अणु बनाने में सक्षम था, नया सिस्टम इसे अधिक विश्वसनीयता के साथ और समग्र 'ड्रग-लाइकनेस' (drug-likeness) में मामूली बढ़त के साथ कर सका। परीक्षणों के एक अन्य सेट में, शोधकर्ताओं ने अपना ध्यान एक एकल लक्ष्य पर केंद्रित किया: ड्रग-लाइकनेस स्कोर को अधिकतम करना। यहाँ, सुधार और भी उल्लेखनीय था। नए सिस्टम ने ऐसे अणु उत्पन्न किए जो इस विशिष्ट लक्ष्य को पूरा करने में पुराने तरीके द्वारा उत्पादित अणुओं की तुलना में दस प्रतिशत से अधिक बेहतर थे।
बेहतर अणु बनाने के अलावा, नया सिस्टम अधिक स्थिर और लचीला भी साबित हुआ। आर्टिफिशियल इंटेलिजेंस में, एक सामान्य समस्या "मोड कोलैप्स" (mode collapse) है, जहाँ जनरेटर एक ही कुछ दोहराव वाले अणु बनाने में फंस जाता है क्योंकि उसने जज को मूर्ख बनाने की एक चाल ढूंढ ली है, बजाय इसके कि वह नई संभावनाओं की खोज करे। शोधकर्ताओं ने पाया कि पुराना सिस्टम इस समस्या के प्रति संवेदनशील था, विशेष रूप से जब डेटा सीमित या असमान रूप से वितरित होता था। नया सिस्टम, अपने अतिरिक्त क्रिटिक के साथ, इस कोलैप्स का बहुत अधिक प्रभावी ढंग से विरोध करता है, और अद्वितीय आणविक संरचनाओं की एक विविध श्रेणी बनाना जारी रखता है। अध्ययन ने पुष्टि की कि यह प्रणाली तब भी अच्छी तरह से काम करती है जब विभिन्न प्रतिभागियों के पास मौजूद डेटा एक समान नहीं होता है, जो एक ऐसी स्थिति है जो अक्सर अन्य गोपनीयता-संरक्षण मॉडलों को विफल कर देती है। फेडरेटेड लर्निंग प्रक्रिया में क्रिटिक नेटवर्क को एकीकृत करके, शोधकर्ताओं ने एक ऐसा ढांचा तैयार किया है जो व्यक्तिगत कंपनियों के डेटा की गोपनीयता से समझौता किए बिना नई दवाओं की सहयोगात्मक खोज की अनुमति देता है। सिमुलेशन बताते हैं कि यह दृष्टिकोण फार्मास्युटिकल शोधकर्ताओं को विशाल रासायनिक स्थान को अधिक कुशलता से नेविगेट करने में मदद कर सकता है, जिससे ऐसे नवीन उम्मीदवार उत्पन्न किए जा सकते हैं जो न केवल रासायनिक रूप से सुदृढ़ हैं बल्कि नई दवा विकास की विशिष्ट आवश्यकताओं के अनुरूप भी 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।