💻 bioinformatics

Bacterial protein function prediction via multimodal deep learning

यह शोध पत्र DeepEST को प्रस्तुत करता है, जो एक मल्टीमॉडल डीप लर्निंग फ्रेमवर्क है जो जीन एक्सप्रेशन, जीनोमिक लोकेशन और प्रोटीन स्ट्रक्चर को एकीकृत करके बैक्टीरियल प्रोटीन्स के लिए जीन ऑन्कोलॉजी टर्म्स की सटीक भविष्यवाणी करता है, जो मौजूदा विधियों से बेहतर प्रदर्शन करता है और मानव रोगजनकों (pathogens) में अनक्लासिफाइड हाइपोथेटिकल प्रोटीन्स के कार्यात्मक लक्षण वर्णन को सक्षम बनाता है।

मूल लेखक: Muzio, G., Adamer, M., Fernandez, L., Miklautz, L., Borgwardt, K., Avican, K.

प्रकाशित 2026-02-22

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Muzio, G., Adamer, M., Fernandez, L., Miklautz, L., Borgwardt, K., Avican, K.

मूल पेपर CC BY 4.0 (https://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

कल्पना कीजिए कि आपके पास शहर बनाने के लिए निर्देश नियमावली (instruction manuals) का एक विशाल पुस्तकालय है। इस शहर में, "इमारतें" बैक्टीरिया हैं, और "नियमावली" उनके प्रोटीन हैं। लंबे समय से, वैज्ञानिक इन नियमावलियों के टेक्स्ट (DNA अनुक्रमों) को पढ़ने में सक्षम रहे हैं, लेकिन उनमें से लगभग 60% के लिए शीर्षक पृष्ठ (title page) खाली है। हम जानते हैं कि प्रोटीन किस चीज़ से बना है, लेकिन हमें यह नहीं पता कि वह क्या करता है। क्या वह एक राजमिस्त्री है? एक प्लंबर है? या एक सुरक्षा गार्ड है?

यह एक बहुत बड़ी समस्या है क्योंकि यदि हमें यह नहीं पता कि पुर्जों का काम क्या है, तो हम शहर को ठीक नहीं कर सकते जब वह टूट जाता है (जैसे जब बैक्टीरिया बीमारी का कारण बनते हैं) या उसे बेहतर नहीं बना सकते (जैसे बेहतर बायोफ्यूल बनाना)।

यहाँ आता है DeepEST, एक नया AI टूल जिसे शोधकर्ताओं की एक टीम ने इस रहस्य को सुलझाने के लिए बनाया है। यह कैसे काम करता है, इसे कुछ सरल उपमाओं के माध्यम से समझाया गया है।

पुराना तरीका: लिखावट से अनुमान लगाना

पहले, वैज्ञानिक एक प्रोटीन के काम को समझने के लिए उसके "लिखावट" (उसके अमीनो एसिड अनुक्रम) को देखने की कोशिश करते थे। यदि कोई नई नियमावली किसी पुरानी नियमावली के बहुत समान दिखती थी जिसे हम पहले से समझते थे, तो वे मान लेते थे कि उनका काम भी बिल्कुल वैसा ही है।

समस्या: बैक्टीरिया चतुर होते हैं। उनकी लिखावट बहुत अलग हो सकती है लेकिन वे बिल्कुल एक ही काम करते हैं, या वे समान दिख सकते हैं लेकिन कुछ पूरी तरह से अलग कर सकते हैं। यह किसी व्यक्ति की लिखावट देखकर उसके काम का अनुमान लगाने जैसा है; एक डॉक्टर और एक बेकर दोनों की लिखावट बहुत समान हो सकती है, लेकिन उनके काम दुनिया से बिल्कुल अलग हो सकते हैं।

DeepEST का समाधान: "सुपर डिटेक्टिव"

DeepEST एक सुपर-डिटेक्टिव की तरह है जो केवल लिखावट को नहीं देखता। यह मामले को सुलझाने के लिए तीन अलग-अलग प्रकार के सुराग इकट्ठा करता है:

1. ब्लूप्रिंट (प्रोटीन संरचना)

कल्पना कीजिए कि आपके पास एक उपकरण का 3D मॉडल है। यदि आप देखते हैं कि एक आकार रेंच (wrench) जैसा दिखता है, तो आप जानते हैं कि यह बोल्ट घुमाने के लिए है। DeepEST प्रोटीन के 3D आकार को देखता है। भले ही "लिखावट" अजीब हो, आकार अक्सर कार्य को प्रकट कर देता है।

ट्रिक: AI को लाखों ज्ञात आकारों पर प्रशिक्षित किया गया था (जैसे एक मास्टर बढ़ई जिसने दुनिया के हर औज़ार को देखा है)। यह नए औज़ारों के काम का अनुमान लगाने के लिए इस ज्ञान का उपयोग करता है, लेकिन यह अपने मस्तिष्क को विशेष रूप से बैक्टीरिया के लिए अनुकूलित करता है।

2. पड़ोस का नक्शा (जीन स्थान)

बैक्टीरिया में, निर्देश नियमावलियाँ एक घेरे (circle) में व्यवस्थित होती हैं। यहाँ एक महत्वपूर्ण सुराग है: पड़ोसी आमतौर पर मिलकर काम करते हैं।

उपमा: बैक्टीरिया के जीनोम को एक गोलाकार पड़ोस की तरह सोचें। यदि आप देखते हैं कि एक घर पर "पिज्जा ओवन" का साइन है, और उसके ठीक बगल वाले घर पर "डिलीवरी ट्रक" का साइन है, तो आप अनुमान लगा सकते हैं कि दूसरा घर भी पिज्जा व्यवसाय का हिस्सा है।
DeepEST देखता है कि जीन इस गोलाकार मानचित्र पर कहाँ स्थित है। यदि एक रहस्यमय जीन उन जीनों के ठीक बगल में बैठा है जो संक्रमण से लड़ने के लिए जाने जाते हैं, तो DeepEST अनुमान लगाता है, "अरे, यह रहस्यमय जीन भी शायद संक्रमण से लड़ता है!"

3. मूड रिंग (जीन अभिव्यक्ति)

प्रोटीन 24/7 काम नहीं करते। वे स्थिति के आधार पर चालू और बंद होते हैं।

उपमा: कल्पना कीजिए कि एक सुरक्षा गार्ड जो केवल तभी आता है जब बारिश हो रही हो। यदि आप देखते हैं कि एक रहस्यमय कार्यकर्ता केवल तभी आता है जब "बारिश" (तनाव) हो रही होती है, तो आप अनुमान लगा सकते हैं कि वे एक "रेन रिस्पॉन्स स्पेशलिस्ट" हैं।
DeepEST तनाव (जैसे गर्मी, एसिड, या भोजन की कमी) के प्रति जीन कैसे प्रतिक्रिया करते हैं, इसका डेटाबेस चेक करता है। यदि एक रहस्यमय जीन ठीक उसी समय चमक उठता है जब बैक्टीरिया हमले के अधीन होता है, तो AI उस संदर्भ का उपयोग उसके कार्य का अनुमान लगाने के लिए करता है।

वे इन सबको एक साथ कैसे जोड़ते हैं

DeepEST एक मल्टीमॉडल (multimodal) सिस्टम है, जो एक फैंसी तरीका है यह कहने का कि यह इन सभी सुरागों को एक साथ जोड़ता है।

यह 3D आकार (औज़ार का लुक) लेता है।
यह इसमें पड़ोस का स्थान (पड़ोस में कौन रहता है) जोड़ता है।
यह इसमें तनाव प्रतिक्रिया (वे कब सामने आते हैं) जोड़ता है।

इसके बाद यह इन सुरागों को मिलाने के लिए एक विशेष गणितीय "मतदान प्रणाली" (voting system) का उपयोग करता है। यदि आकार "प्लंबर" कहता है, लेकिन पड़ोस "इलेक्ट्रीशियन" कहता है, तो AI सबसे स्मार्ट अनुमान लगाने के लिए साक्ष्यों को तौलता है।

यह क्यों मायने रखता है

शोधकर्ताओं ने 25 अलग-अलग खतरनाक बैक्टीरिया (जैसे E. coli और Salmonella) पर DeepEST का परीक्षण किया।

परिणाम: इसने सभी पुराने तरीकों को पछाड़ दिया। इसने केवल अनुमान नहीं लगाया; इसने लगभग 7,000 पहले से अज्ञात प्रोटीनों के विशिष्ट कार्यों का पता लगाया।
प्रभाव: इससे पहले, ये प्रोटीन "परिकल्पित" (hypothetical) थे (जिसका अर्थ है कि हमें नहीं पता था कि वे मौजूद हैं या वे क्या करते हैं)। अब, वैज्ञानिकों के पास एक रोडमैप है। वे कह सकते हैं, "ठीक है, यह प्रोटीन संभवतः DNA मरम्मत में शामिल है," और फिर उस परीक्षण के लिए प्रयोग डिजाइन कर सकते हैं।

निष्कर्ष

Deepest वैज्ञानिकों को ऐसे चश्मे देने जैसा है जो उन्हें अदृश्य को देखने की अनुमति देते हैं। प्रोटीन के आकार, जीनोम में इसके पते और तनाव के तहत इसके व्यवहार को जोड़कर, यह अज्ञात पुर्जों के ढेर को बैक्टीरिया के जीवित रहने और बीमारी पैदा करने के स्पष्ट निर्देश नियमावली में बदल देता है। यह हमें दुश्मन को बेहतर ढंग से समझने में मदद करता है, जो उसे हराने का पहला कदम है।

यहाँ मुज़ियो और अन्य द्वारा लिखित शोध पत्र "Bacterial protein function prediction via multimodal deep learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जीनोमिक्स में प्रगति के बावजूद, जीवाणु प्रोटीन का एक महत्वपूर्ण हिस्सा (कुछ प्रोकैरियोट्स में 60% तक) कार्यात्मक रूप से अनिश्चित ("hypothetical proteins") बना हुआ है। पारंपरिक कम्प्यूटेशनल विधियाँ मुख्य रूप से अनुक्रम समानता (जैसे, BLAST) या जीन स्थान पर निर्भर करती हैं, जो अक्सर उच्च कार्यात्मक अतिरेक (functional redundancy) और प्रोकैरियोट्स में आनुवंशिक विविधता के कारण विफल हो जाती हैं। हालाँकि DeepGOPlus और DeepFRI जैसे डीप लर्निंग मॉडल अनुक्रमों या संरचनाओं का उपयोग करके भविष्यवाणियों में सुधार कर चुके हैं, वे अक्सर:

मुख्य रूप से यूकेरियोटिक बेंचमार्क पर निर्भर रहते हैं।
जीवाणु जीनोम के अद्वितीय स्थानिक संगठन (वृत्ताकार गुणसूत्र, ओपेरॉन) का लाभ उठाने में विफल रहते हैं।
स्थिति-विशिष्ट जीन अभिव्यक्ति डेटा (condition-specific gene expression data) की अनदेखी करते हैं, जो जीवाणु तनाव प्रतिक्रियाओं (stress responses) और शरीर विज्ञान को समझने के लिए अत्यंत महत्वपूर्ण है।

लेखक इस अंतर को पाटने के लिए एक ऐसा ढांचा विकसित करने का लक्ष्य रखते हैं जो विशेष रूप से जीवाणु प्रोटीन कार्य भविष्यवाणी के लिए तैयार किया गया हो और प्रोटीन संरचना, जीन अभिव्यक्ति, और जीनोमिक स्थान को एकीकृत करता हो।

2. कार्यप्रणाली: DeepEST (Methodology: DeepEST)

लेखक DeepEST (Deep Expression STructure) का प्रस्ताव करते हैं, जो जीवाणु प्रोटीन के लिए जीन ऑन्टोलॉजी (GO) पदों की भविष्यवाणी करने के लिए डिज़ाइन किया गया एक मल्टीमॉडल डीप लर्निंग फ्रेमवर्क है।

मुख्य वास्तुकला (Core Architecture)

DeepEST दो अलग-अलग मॉड्यूल को एक सीख योग्य भारित रैखिक संयोजन (learnable weighted linear combination) के माध्यम से एकीकृत करता है:

संरचना-आधारित मॉड्यूल ( $f_s$ ):
- आधार मॉडल: यह DeepFRI पर आधारित है, जो प्रोटीन संरचनाओं (AlphaFold2 से प्राप्त) को प्रोसेस करने के लिए ग्राफ कन्वोल्यूशनल नेटवर्क (GCNs) का उपयोग करता है।
- तंत्र: यह अमीनो एसिड अनुक्रमों से विशेषताओं (features) को निकालता है और एक कॉन्टैक्ट ग्राफ (residues < 10Å दूर) बनाता है।
- ट्रांसफर लर्निंग: GCN परतों को फ्रीज (frozen) कर दिया जाता है, और केवल अंतिम रैखिक परतों को विशिष्ट जीवाणु प्रजातियों के लिए फाइन-ट्यून किया जाता है। यह मॉडल को उच्च गुणवत्ता वाले संरचनात्मक मॉडलों का लाभ उठाने और जीवाणु-विशिष्ट डेटा के अनुकूल होने की अनुमति देता है।
- आउटपुट: मूल DeepFRI प्रशिक्षण से प्राप्त GO पदों ( $S$ ) का सेट भविष्यवाणी करता है।
अभिव्यक्ति-स्थान मॉड्यूल ( $f_e$ ):
- इनपुट: एक मल्टी-लेयर परसेप्ट्रॉन (MLP) जो दो प्रकार की विशेषताओं को लेता है:
  - जीन अभिव्यक्ति: कई तनाव स्थितियों (जैसे, ऑक्सीडेटिव स्ट्रेस, लो आयरन, तापमान) में लॉग-फोल्ड चेंज मान।
  - जीनोमिक स्थान: इसे वृत्ताकार गुणसूत्र/प्लाज्मिड पर जीन की स्थिति के आधार पर ध्रुवीय निर्देशांकों (polar coordinates) के रूप में एनकोड किया गया है। यह "ओपेरॉन प्रभाव" को कैप्चर करता है, जहाँ कार्यात्मक रूप से संबंधित जीन सह-स्थित (co-localized) और सह-ट्रांसक्राइब होते हैं।
- प्रशिक्षण: प्रत्येक प्रजाति के लिए ab initio (शून्य से) प्रशिक्षित किया जाता है।
- आउटपुट: डेटासेट के लिए विशिष्ट GO पदों ( $T$ ) का सेट भविष्यवाणी करता है।
एकीकरण तंत्र (Integration Mechanism):
- दोनों मॉड्यूल के आउटपुट को एक मास्क्ड लीनियर कॉम्बिनेशन का उपयोग करके संयोजित किया जाता है:
  $\hat{Y} = \sigma(\beta_s f_s(X_s) + \beta_e f_e(X_e))$
- मास्किंग: चूंकि $f_s$ सेट $S$ के पदों की भविष्यवाणी करता है और $f_e$ सेट $T$ के पदों की, इसलिए एकीकरण $S \cup T$ का प्रबंधन करता है। योग से पहले एक मॉड्यूल के अद्वितीय पदों को शून्य से पैड (pad) किया जाता है।
- लॉस फंक्शन: डेटासेट में मौजूद जीवाणु-विशिष्ट GO पदों के लिए स्ट्रक्चर मॉड्यूल को विशेष रूप से फाइन-ट्यून करने के लिए एक नवीन मास्क्ड लॉस फंक्शन का उपयोग किया जाता है, जो अप्रासंगिक यूकेरियोटिक पदों से होने वाले नकारात्मक प्रभाव (negative transfer) को रोकता है।
- पोस्ट-प्रोसेसिंग: भविष्यवाणियों को GO पदों के निर्देशित अचक्रीय ग्राफ (Directed Acyclic Graph - DAG) पदानुक्रम का सम्मान करने के लिए अपडेट किया जाता है (यदि एक चाइल्ड टर्म की भविष्यवाणी की जाती है, तो पैरेंट टर्म की भी भविष्यवाणी की जाती है)।

3. प्रमुख योगदान (Key Contributions)

मल्टीमॉडल एकीकरण: जीवाणु प्रोटीन कार्य भविष्यवाणी के लिए प्रोटीन संरचना, बहु-स्थिति जीन अभिव्यक्ति और जीनोमिक लोकस जानकारी को स्पष्ट रूप से संयोजित करने वाला पहला फ्रेमवर्क।
जीवाणु-विशिष्ट डिज़ाइन: यह वास्तुकला जीवाणु जीनोम की वृत्ताकार प्रकृति और ओपेरॉन संरचना का लाभ उठाती है, जो महत्वपूर्ण नियामक संकेत हैं जिन्हें अक्सर सामान्य प्रोटीन फंक्शन मॉडल द्वारा अनदेखा किया जाता है।
ट्रांसफर लर्निंग रणनीति: जीवाणु-विशिष्ट एनोटेशन अंतराल के अनुकूल होने के लिए एक मास्क्ड लॉस का उपयोग करके स्ट्रक्चर-आधारित मॉडल (DeepFRI) को फाइन-ट्यून करने का एक नवीन दृष्टिकोण।
व्यापक बेंचमार्किंग: 25 विविध मानव रोगजनकों (ग्राम-पॉजिटिव और ग्राम-नेगेटिव) पर मूल्यांकन, जो एक विस्तृत फाइлоनेटिक रेंज को कवर करते हैं।

4. परिणाम (Results)

मॉडल का मूल्यांकन 32,573 लेबल किए गए प्रोटीनों के डेटासेट पर किया गया और 25 प्रजातियों के 6,997 काल्पनिक (hypothetical) प्रोटीनों पर लागू किया गया।

बेसलाइन के विरुद्ध प्रदर्शन:
- DeepEST ने अनुक्रम-मात्र विधियों (BLAST, Diamond, DeepGOCNN, DeepGOPlus) और संरचना-मात्र विधियों (DeepFRI) की तुलना में काफी बेहतर प्रदर्शन किया।
- इसने ProstT5 को भी पीछे छोड़ दिया, जो एक अत्याधुनिक प्रोटीन लैंग्वेज मॉडल है जो अनुक्रम और संरचना को जोड़ता है, जिससे यह सिद्ध होता है कि अभिव्यक्ति और स्थान डेटा जोड़ने का महत्व क्या है।
- मेट्रिक्स: लगभग सभी प्रजातियों में उच्च प्रोटीन-सेंट्रिक Fmax और टर्म-सेंट्रिक micro-AUPRC स्कोर प्राप्त किए।
एब्लेशन अध्ययन (Ablation Studies):
- स्ट्रक्चर मॉड्यूल को हटाने से प्रदर्शन में भारी गिरावट आई, जो संरचना को प्रमुख विशेषता के रूप में पुष्टि करता है।
- अभिव्यक्ति-स्थान मॉड्यूल को हटाने से प्रदर्शन कम हो गया, विशेष रूप से micro-AUPRC में, जो यह सिद्ध करता है कि अभिव्यक्ति और स्थान पूरक, गैर-अतिरेक (non-redundant) जानकारी प्रदान करते हैं।
- ट्रांसफर लर्निंग ने सभी मेट्रिक्स में लगातार प्रदर्शन में सुधार किया।
हाइपोथेटिकल प्रोटीन भविष्यवाणी:
- DeepEST ने ~7,000 अनिश्चित प्रोटीनों को GO पद सफलतापूर्वक सौंप दिए।
- इसने अज्ञात डोमेन वाले प्रोटीनों के लिए विशिष्ट, गहरे-स्तर के GO पदों (जैसे, "DNA repair," "tRNA processing") की भविष्यवाणी की, जो जैविक प्रासंगिकता का सुझाव देते हैं।
- केस स्टडीज ने दिखाया कि भविष्यवाणियाँ ज्ञात जैविक तंत्रों (जैसे, एक काल्पनिक प्रोटीन को TusA डोमेन के माध्यम से tRNA संशोधन से जोड़ना) के साथ संरेखित हैं।
सामान्यीकरण (Generalizability): मॉडल ने एक स्वतंत्र ट्रांसक्रिप्टोमिक डेटासेट का उपयोग करके एक संबंधित स्ट्रेन (Salmonella LT2) पर परीक्षण किए जाने पर भी प्रदर्शन बनाए रखा, जो डेटा स्रोत विविधताओं के प्रति मजबूती को दर्शाता है।

5. महत्व (Significance)

फंक्शनल जीनोमिक्स: DeepEST जीवाणु प्रोटिओम के "डार्क मैटर" को एनोटेट करने के लिए एक स्केलेबल समाधान प्रदान करता है, जिससे ड्रग टारगेट और विरुलेंस कारकों की खोज में तेजी आती है।
पद्धतिगत प्रगति: यह प्रदर्शित करता है कि बैक्टीरिया के लिए, संदर्भगत डेटा (अभिवरण और स्थान) संरचनात्मक डेटा के समान ही महत्वपूर्ण है। यह केवल अनुक्रम या संरचना पर निर्भर रहने के प्रतिमान को चुनौती देता है।
प्रायोगिक मार्गदर्शन: हाइपोथेटिकल प्रोटीनों के लिए विशिष्ट कार्यों की भविष्यवाणी करके, DeepEST टेस्ट करने योग्य परिकल्पनाएं प्रदान करता है, जो लक्षण वर्णन अध्ययनों के डिजाइन को निर्देशित करता है।
उपलब्धता: कोड और डेटा ओपन-सोर्स हैं, जो जीवाणु सिस्टम बायोलॉजी में आगे के अनुसंधान को सुगम बनाते हैं।

निष्कर्षतः, DeepEST एक एकीकृत डीप लर्निंग फ्रेमवर्क के भीतर स्ट्रक्चरल बायोलॉजी को सिस्टम्स बायोलॉजी (अभिव्यक्ति और जीनोमिक्स) के साथ जोड़कर जीवाणु प्रोटीन एनोटेशन में एक महत्वपूर्ण छलांग का प्रतिनिधित्व करता है।