Lossless Reductions and Hybrid Sampling for Phylogeny Using the Maximum Compatibility Criterion
यह शोध पत्र लॉसलेस ग्राफ रिडक्शन और हाइब्रिड क्वांटम-क्लासिकल सैंपलिंग तकनीकों को पेश करके मैक्सिमम कम्पैटिबिलिटी फाइलोजेनी पुनर्निर्माण को उन्नत करता है ताकि सभी इष्टतम कैरेक्टर सेटों को कुशलतापूर्वक सूचीबद्ध किया जा सके, जो शोर वाले क्वांटम उपकरणों पर पारंपरिक लैग्रेंज मल्टीप्लायर्स की सीमाओं को संबोधित करते हुए SARS-CoV-2 डेटा पर अपनी प्रभावशीलता प्रदर्शित करता है।
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
पृथ्वी पर जीवन हर जीवित प्राणी के जेनेटिक कोड में लिखी गई एक कहानी है, जो इस बात का इतिहास है कि कैसे आबादी विभाजित हुई, प्रवास किया और लाखों वर्षों में बदली। इस इतिहास को पढ़ने के लिए, वैज्ञानिक वंशावली (phylogenies) के रूप में जाने जाने वाले पारिवारिक वृक्ष बनाते हैं, जो विभिन्न जीवों के बीच संबंधों को दर्शाते हैं। ये वृक्ष केवल अकादमिक जिज्ञासा मात्र नहीं हैं; वे शोधकर्ताओं को यह समझने में मदद करते हैं कि एक ही शरीर के भीतर कैंसर कैसे विकसित होता है, विशिष्ट रोगजनकों को लक्षित करने वाली दवाओं को कैसे डिजाइन किया जाए, और SARS-CoV-2 जैसे नए वायरल वेरिएंट के प्रसार को कैसे ट्रैक किया जाए। हालाँकि, इन वृक्षों का पुनर्निर्माण करना कठिन है क्योंकि हमारे पास केवल आज के जीवित जीवों के जेनेटिक स्नैपशॉट उपलब्ध हैं, अतीत का पूर्ण रिकॉर्ड नहीं। वैज्ञानिकों को उपलब्ध डेटा से विकास के सबसे संभावित पथ का अनुमान लगाना होता है, उन पैटर्न की तलाश करनी होती है जो यह संकेत देते हों कि लक्षण कैसे विरासत में मिले या बदले।
यह करने का एक शक्तिशाली तरीका यह पता लगाना है कि जेनेटिक लक्षणों का सबसे बड़ा समूह कौन सा है जो बिना किसी विरोधाभास के एक ही पेड़ पर पूरी तरह फिट बैठता है। कल्पना कीजिए कि एक पहेली है जहाँ अधिकांश टुकड़े आसानी से फिट हो जाते हैं, लेकिन कुछ विकृत हैं या 'कन्वर्जेंट इवोल्यूशन' (convergent evolution) के कारण आकार बदल चुके हैं—जहाँ असंबंधित प्रजातियाँ स्वतंत्र रूप रूप से समान लक्षण विकसित करती हैं। लक्ष्य ऐसे टुकड़ों का सबसे बड़ा सेट खोजना है जो एक सुसंगत चित्र बनाते हों, और उन टुकड़ों को छोड़ देना है जो पैटर्न को तोड़ते हैं। इसे 'मैक्सिमम कम्पैटिबिलिटी प्रॉब्लम' (maximum compatibility problem) के रूप में जाना जाता है। केवल एक अच्छा समाधान खोजना कठिन है, लेकिन प्रत्येक संभावित सर्वोत्तम समाधान को खोजना और भी कठिन है, फिर भी एक पूर्ण और सटीक वंशावली बनाने के लिए यह अत्यंत महत्वपूर्ण है। यदि वैज्ञानिक केवल एक समाधान पाते हैं, तो वे उन महत्वपूर्ण वैकल्पिक इतिहासों को खो सकते हैं जिनका डेटा समर्थन करता है।
शोधकर्ताओं की एक टीम ने इस कठिन पहेली को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जो सभी सर्वोत्तम संभावित विकासवादी पेड़ों को खोजने के लिए शास्त्रीय कंप्यूटर तकनीकों को उभरते हुए क्वांटम तरीकों के साथ जोड़ता है। उनका कार्य एक विशिष्ट प्रक्रिया पर केंद्रित है जहाँ कंप्यूटर को लाखों संभावनाओं में से योग्य लक्षणों के सबसे बड़े समूहों को खोजने के लिए छंटनी करनी होती है। शोधकर्ताओं ने पाया कि जबकि पारंपरिक तरीके एक एकल उत्तर खोजने में अच्छे होते हैं, वे अक्सर समान रूप से अच्छे समाधानों की पूरी विविधता को पकड़ने में संघर्ष करते हैं। इसे ठीक करने के लिए, उन्होंने एक दो-चरणीय रणनीति पेश की: पहले, उन्होंने एक विशाल पहेली को बिना किसी संभावित उत्तर को खोए, एक प्रबंधनीय आकार तक सिकोड़ने के लिए नियमों का एक सेट बनाया; दूसरा, उन्होंने इन समाधानों को नमूना (sample) लेने के लिए क्वांटम कंप्यूटरों का उपयोग करने का एक नया तरीका परीक्षण किया, जिसमें क्वांटम मशीन को एक जादुई समाधानकर्ता के रूप में नहीं, बल्कि विविध उम्मीदवारों का एक सेट उत्पन्न करने वाले उपकरण के रूप में देखा गया, जिन्हें बाद में क्लासिकल कंप्यूटर द्वारा साफ और सत्यापित किया जा सके।
शोधकर्ताओं ने सैकड़ों हजार SARS-CoV-2 वायरस अनुक्रमों (sequences) के डेटा का परीक्षण करके शुरुआत की, जो वर्तमान तकनीक की सीमाओं का परीक्षण करने के लिए पर्याप्त बड़ा डेटासेट है। उन्होंने पाया कि इस समस्या को हल करने के लिए क्वांटम कंप्यूटरों का उपयोग करने का मानक तरीका इष्टतम नहीं था। आमतौर पर, क्वांटम एल्गोरिदम नियमों को सख्ती से लागू करने के लिए ट्यून किए जाते हैं, यह सुनिश्चित करने के लिए कि प्रत्येक उम्मीदवार समाधान पहेली के नियमों का पूरी तरह पालन करता है। हालाँकि, टीम ने पाया कि शोर वाले (noisy), वास्तविक दुनिया के क्वांटм उपकरणों पर, यह सख्ती एक बाधा थी। इसके बजाय, उन्होंने पाया कि क्वांटम कंप्यूटर को "अव्यवस्थित" (messy) उम्मीदवार बनाने की अनुमति देना बेहतर था जो कुछ नियमों को तोड़ सकते हैं, और फिर एक तेज़, क्लासिकल कंप्यूटर प्रोग्राम का उपयोग उन्हें ठीक करने के लिए करना बेहतर था। यह मरम्मत प्रक्रिया एक कुशल संपादक की तरह है जो एक कच्चे मसौदे को लेकर उसे अंतिम, पूर्ण संस्करण में पॉलिश करता है। क्वांटम मशीन को अधिक विस्तृत संभावनाओं को खोजने की अनुमति देकर और परिणामों को साफ करके, वे पारंपरिक अनुमान लगाने के बजाय अधिक विशिष्ट समाधान पा सकते थे।
इस प्रक्रिया को वर्तमान तकनीक के लिए कुशल बनाने के लिए, टीम ने क्वांटम कंप्यूटर को भेजने से पहले समस्या को संपीड़ित (compress) करने का एक तरीका भी विकसित किया। उन्होंने महसूस किया कि जेनेटिक डेटा के कई हिस्से इतने अनुमानित थे कि उन्हें गणना से पूरी तरह हटाया जा सकता था, बशर्ते शोधकर्ता उन्हें बाद में वापस जोड़ने का रिकॉर्ड रखें। यह पेंटिंग के फ्रेम को हटाने के समान है ताकि नीचे कैनवास देखा जा सके, यह जानते हुए कि उसे बाद में बिल्कुल सही तरीके से फिर से कैसे लगाया जाना है। इन 'लॉसलेस रिडक्शन' (lossless reduction) नियमों को लागू करके, वे जेनेटिक डेटा का प्रतिनिधित्व करने वाले एक जटिल ग्राफ को सैकड़ों नोड्स से घटाकर केवल कुछ ही नोड्स तक सिकोड़ सके। 350 वायरस नमूनों वाले एक विशिष्ट परीक्षण मामले में, उनके तरीके ने समस्या को 64 बिंदुओं वाले ग्राफ से घटाकर केवल पांच बिंदुओं वाले एक छोटे, सरल ग्राफ में बदल दिया। इसका अर्थ था कि उत्तर खोजने का अंतिम चरण बहुत सरल हो गया, जिससे वे पूर्ण निश्चितता के साथ संपूर्ण अनुकूलतम विकासवादी पेड़ों को पुनः प्राप्त करने में सक्षम हुए।
उनके प्रयोगों के परिणाम दिखाते हैं कि एक उत्तर खोजने और उन सभी को खोजने के बीच स्पष्ट अंतर है। जब उन्होंने एक सर्वोत्तम समाधान खोजने के लिए मानक क्लासिकल टूल्स का उपयोग किया, तो वे अक्सर एक एकल शीर्ष परिणाम खोजने में सफल रहे। हालाँकि, जब उन्होंने डेटा को व्यवस्थित करने के सभी अलग-अलग तरीकों को खोजने का प्रयास किया, तो उन्हीं टूल्स ने हजारों बार चलाने के बाद भी कई वैध समाधानों को छोड़ दिया। उनका हाइब्रिड दृष्टिकोण, जिसने ग्राफ संपीड़न के साथ संशोधित क्वांटम सैंपलिंग पद्धति को जोड़ा, इस छिपी हुई विविधता को उजागर करने में बहुत बेहतर साबित हुआ। 64 बिंदुओं वाले एक परीक्षण ग्राफ पर, उनके संशोधित क्वांटम तरीके ने रैंडम गेसिंग (random guessing) पद्धति की तुलना में हर परीक्षण में अधिक विशिष्ट, सत्यापित समाधान खोजे। हालांकि इसने अभी तक यह साबित नहीं किया है कि क्वांट क्वांटम कंप्यूटर इस कार्य के लिए क्लासिकल कंप्यूटरों से श्रेष्ठ हैं, लेकिन इसने प्रदर्शित किया कि स्मार्ट डेटा रिडक्शन और क्वांटम सैंपलिंग का संयोजन एक शक्तिशाली तरीका है जिससे उन समस्याओं से निपटा जा सकता है जो पहले पूरी तरह से हल करने के लिए बहुत बड़ी या जटिल थीं।
अंततः, यह कार्य विकासवादी जीव विज्ञान (evolutionary biology) के लिए एक नया मार्ग सुझाता है। समस्या को एक मॉड्यूलर सिस्टम के रूप में मानकर—जहाँ डेटा को पहले सरल बनाया जाता है, फिर नमूना लिया जाता है, और अंत में पुनर्गठित किया जाता है—वैज्ञानिक अब पहले की तुलना में बहुत बड़े डेटासेट को संभाल सकते हैं। शोधकर्ताओं ने दिखाया कि वे वायरस के एक विशाल सेट को ले सकते हैं, अनुमानित हिस्सों को हटा सकते हैं, शेष जटिल कोर को खोजने के लिए एक क्वांटम डिवाइस का उपयोग कर सकते हैं, और फिर पूर्ण सटीकता के साथ पूरी तस्वीर को फिर से बना सकते हैं। यह दृष्टिकोण इस बात पर निर्भर नहीं करता कि क्वांटम कंप्यूटर पूर्ण या त्रुटि-मुक्त हैं; इसके बजाय, यह उन्हें विविध विचारों के स्रोत के रूप में उपयोग करता है जिन्हें क्लासिकल लॉजिक द्वारा परिष्कृत किया जाता है। जैसे-जैसे क्वांटम तकनीक में सुधार हो रहा है, क्लासिकल और क्वांटम कंप्यूटिंग की शक्तियों को मिलाने का यह तरीका वैज्ञानिकों को जीवन के इतिहास को उस स्तर की विस्तृत और पूर्णता के साथ पुनर्निर्मित करने की अनुमति दे सकता है जो पहले पहुंच से बाहर था।
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।