⚛️ biophysics

Coordinated gene expression variability encodes the regulatory state of cells

मशीन लर्निंग, सैद्धांतिक मॉडलिंग और सिंगल-सेल आरएनए अनुक्रमण (RNA sequencing) डेटा को संयोजित करके, यह अध्ययन प्रकट करता है कि जीन अभिव्यक्ति में समन्वित कोशिका-व्यापी परिवर्तनशीलता कोशिकीय पहचान और नियामक संगठन के एक विशिष्ट हस्ताक्षर के रूप में कार्य करती है, जो विशेष रूप से स्टेम और प्रोजेनिटर कोशिकाओं को विषम आबादी से अलग करती है।

मूल लेखक: Olmeda, F., Dang, Y., Rost, F., Schimmenti, V. M., Di Terlizzi, I., Rulands, S.

प्रकाशित 2026-03-10

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Olmeda, F., Dang, Y., Rost, F., Schimmenti, V. M., Di Terlizzi, I., Rulands, S.

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

मुख्य विचार: यह केवल आवाज़ के बारे में नहीं है, यह एक समूह गान (Chorus) के बारे में है

एक ऐसे शहर की कल्पना करें जहाँ हर इमारत (एक कोशिका/cell) में एक लाउडस्पीकर सिस्टम लगा है जो एक गाना (जीन्स/genes) बजा रहा है।

लंबे समय तक, वैज्ञानिकों ने सोचा कि किसी इमारत को समझने के लिए आपको बस संगीत के औसत वॉल्यूम (average volume) को सुनने की ज़रूरत है। यदि इमारत तेज़ आवाज़ वाली है, तो वह एक फैक्ट्री है; यदि शांत है, तो वह एक लाइब्रेरी है।

लेकिन यह शोध पत्र तर्क देता है कि औसत वॉल्यूम केवल आधी कहानी है। असली रहस्य शोर (noise) और स्पीकर के उतार-चढ़ाव (fluctuations) में छिपा है। क्या एक ही इमारत के सभी स्पीकर बिल्कुल एक ही समय पर अटकते हैं? क्या वे एक तालबद्ध नृत्य की तरह एक साथ तेज़ और धीमे होते हैं, या वे बस बेतरतीब ढंग से बजते हैं?

लेखकों ने खोजा कि कोशिकाएं कैसे एक साथ "अटकती" (stutter) हैं, इससे हमें ठीक-ठीक पता चल जाता है कि वह किस प्रकार की कोशिका है और वह क्या करने में सक्षम है।

उपमा: ऑर्केस्ट्रा बनाम भीड़

एक स्टेम सेल (Stem Cell) (एक बहुमुखी, "सुपर-पावर" कोशिका) और एक डिफरेंशियेटेड सेल (Differentiated Cell) (एक विशिष्ट, "पूर्ण" कोशिका) के बीच के अंतर को समझने के लिए, दो अलग-अलग संगीत समूहों की कल्पना करें:

1. स्टेम सेल: एक इम्प्रोवाइज़ेशनल जैज़ बैंड (Improvisational Jazz Band)

एक स्टेम सेल को एक ऐसे जैज़ बैंड के रूप में सोचें जहाँ प्रत्येक संगीतकार दूसरे संगीतकार को बहुत ध्यान से सुन रहा है।

माहौल: यदि ड्रमर एक रिम-शॉट मारता है, तो बेस वादक तुरंत अपनी लय को समायोजित करता है, और सैक्सोफोन वादक अपनी धुन को मिलाने के लिए अपना नोट बदल देता है।
परिणाम: संगीत अत्यधिक समन्वित (coordinated) है। भले ही शोर और सुधार (improvisation) हो रहा हो, लेकिन उतार-चढ़ाव आपस में जुड़े हुए हैं। वे "तालमेल" में हैं।
अर्थ: समन्वय का यह उच्च स्तर बताता है कि कोशिका लचीली है। वह आसानी से शैली (genre) बदल सकती है (जैसे त्वचा कोशिका या हृदय कोशिका में बदलना) क्योंकि पूरा नेटवर्क एक-दूसरे से बात कर रहा है।

2. डिफरेंशियेटेड सेल: एक कॉन्सर्ट में भीड़

अब, एक विशिष्ट कोशिका (जैसे त्वचा कोशिका) को एक कॉन्सर्ट में मौजूद लोगों की भीड़ के रूप में सोचें।

माहौल: हर कोई अपना काम कर रहा है। कोई ताली बजा रहा है, कोई शोर मचा रहा है, तो कोई अपना फोन देख रहा है। उनकी गतिविधियाँ यादृच्छिक (random) और स्वतंत्र हैं।
परिणाम: उतार-चढ़ाव असहसंबंधित (uncorrelated) हैं। यदि एक व्यक्ति कूदता है, तो इसका मतलब यह नहीं है कि उसके बगल वाला व्यक्ति भी कूदेगा।
अर्थ: यह कोशिका अपने ढर्रे पर सेट है। वह जानती है कि वह क्या है (एक त्वचा कोशिका) और उसके बदलने की संभावना कम है। शोर केवल यादृच्छिक स्टेटिक (static) है, कोई समन्वित संकेत नहीं।

खोज: "स्टेटिक" को सुनना

शोधकर्ताओं ने सिंगल-सेल डेटा (scRNA-seq) में इस "स्टेटिक" को सुनने का एक नया तरीका विकसित किया। आमतौर पर, वैज्ञानिक स्पष्ट सिग्नल खोजने के लिए शोर को फ़िल्टर करने की कोशिश करते हैं। इन वैज्ञानिकों ने कहा, "रुको, शोर ही सिग्नल है!"

उन्होंने एक गणितीय स्कोर बनाया (जिसे $\omega_{max}$ कहा जाता है) जो यह मापता है कि उतार-चढ़ाव कितने "साथ मिलकर" चलते हैं।

उच्च स्कोर: जीन्स एक समन्वित, सिंक्रोनाइज्ड तरीके से उतार-चढ़ाव कर रहे हैं। इसका अर्थ है कि कोशिका संभवतः एक स्टेम सेल या प्रोजेनिटर सेल (Progenitor Cell) (वह कोशिका जो अभी भी अपने भाग्य का निर्णय ले रही है) है।
निम्न स्कोर: जीन्स यादृच्छिक और स्वतंत्र रूप से उतार-चढ़ाव कर रहे हैं। इसका अर्थ है कि कोशिका डिफरेंशियेटेड (Differentiated) (विशिष्ट) है।

यह क्यों महत्वपूर्ण है: "सुपरपावर" डिटेक्टर

यह शोध पत्र दिखाता है कि यह "समन्वय स्कोर" एक सुपरपावर डिटेक्टर है।

छिपी हुई क्षमता खोजना: उन्होंने उन कोशिकाओं को देखा जो "पूर्ण" (डिफरेंशियेटेड) मानी जाती थीं। उनमें से कुछ का समन्वय स्कोर उच्च था। जब उन्होंने गहराई से जांच की, तो पाया कि ये कोशिकाएं वास्तव में पुनर्जीवित (regenerating) या ठीक (healing) हो रही थीं। उदाहरण के लिए, एक क्षतिग्रस्त आंत में, कुछ परिपक्व कोशिकाएं चोट को ठीक करने के लिए अचानक स्टेम सेल की तरह व्यवहार करने लगीं। उनके "शोर" के पैटर्न ने उनके स्वरूप बदलने से पहले ही संकेत दे दिया था।
बीमारी का पता लगाना: उन्होंने मछलियों में हृदय पुनर्जनन और मनुष्यों में फेफड़ों के रोग का अध्ययन किया। उन्होंने पाया कि जब किसी ऊतक (tissue) में चोट लगती है या वह बीमार होता है, तो कोशिकाएं फिर से "जैज़" करने लगती हैं। समस्या को ठीक करने के लिए उनके जीन्स समन्वित तरीके से उतार-चढ़ाव करने लगते हैं।
मशीन में "भूत" (Ghost in the Machine): कभी-कभी, कोशिकाओं का एक समूह एक प्रकार का दिखता है, लेकिन "शोर" का पैटर्न एक छिपे हुए उपसमूह (subgroup) को प्रकट करता है जो वास्तव में अलग है। यह एक ऐसे गायक दल (choir) को सुनने जैसा है जहाँ एक खंड अचानक अलग गाना गाने लगता है; गणित उस छिपे हुए समूह को पहचान सकता है भले ही आप उसे अभी देख न सकें।

निष्कर्ष

यह शोध पत्र कोशिकाओं को देखने के हमारे नज़रिए को बदल देता है।

पुराना दृष्टिकोण: एक कोशिका इस बात से परिभाषित होती है कि कौन से जीन्स चालू (ON) हैं (औसत वॉल्यूम)।
नया दृष्टिकोण: एक कोशिका इस बात से भी परिभाषित होती है कि उसके जीन्स एक साथ कैसे हिलते-डुलते हैं (wiggle together) (समन्वित शोर)।

जिस तरह एक जैज़ बैंड की एक साथ सुधार (improvise) करने की क्षमता दिखाती है कि वे किसी भी चीज़ के लिए तैयार हैं, उसी तरह एक कोशिका की तालबद्ध उतार-चढ़ाव करने की क्षमता दर्शाती है कि उसमें बदलने, ठीक होने या पुनर्जीवित होने की क्षमता (potential) है। "अराजकता" (chaos) को सुनकर, हम व्यवस्था (order) को समझ सकते हैं।

यहाँ शोध पत्र "Coordinated gene expression variability encodes the regulatory state of cells" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

जीन अभिव्यक्ति स्वाभाविक रूप से स्टोकेस्टिक (stochastic) होती है, जिससे mRNA और प्रोटीन की प्रचुरता में कोशिका-से-कोशिका भिन्नता आती है। हालांकि सिंगल-सेल आरएनए सीक्वेंसिंग (scRNA-seq) ने इस भिन्नता को उजागर किया है, लेकिन एक बड़ी चुनौती अभी भी बनी हुई है कि इनके बीच अंतर कैसे किया जाए:

जैविक शोर (Biological noise): कार्यात्मक अनिश्चितता जो तनाव प्रतिक्रियाओं या विभेदन (differentiation) को सुगम बना सकती है।
तकनीकी शोर (Technical noise): अनुक्रमण तकनीकों (sequencing technologies) के कारण होने वाली त्रुटियाँ।
जनसंख्या विषमता (Population heterogeneity): एकल अवस्था के भीतर अंतर्निहित स्टोकैस्टिसिटी के बजाय अलग-अलग कोशिका प्रकारों के मिश्रण से उत्पन्न होने वाली भिन्नता।

वर्तमान मेट्रिक्स अक्सर व्यक्तिगत कोशिकाओं के भीतर औसत अभिव्यक्ति स्तरों या ट्रांसक्रिप्शनल विविधता (एन्ट्रॉपी) पर ध्यान केंद्रित करते हैं। हालाँकि, यह स्पष्ट नहीं है कि क्या पूरे ट्रांसक्रिप्टोम में समन्वित उतार-चढ़ाव (coordinated fluctuations)—यानी सेल-वाइड समन्वय—मौजूद होते हैं और क्या वे विशिष्ट नियामक अवस्थाओं (जैसे स्टेमनेस बनाम डिफरेंशिएशन) को एनकोड करते हैं जो माध्य-आधारित विश्लेषणों में अदृश्य रहती हैं।

2. कार्यप्रणाली (Methodology)

लेखकों ने scRNA-seq डेटा का विश्लेषण करने के लिए सांख्यिकीय भौतिकी (statistical physics), सैद्धांतिक मॉडलिंग, और मशीन लर्निंग को संयोजित करने वाला एक हाइब्रिड ढांचा विकसित किया।

अ. सैद्धान्तिक ढांचा (Statistical Physics)

न्यूनतम मॉडल (Minimal Model): लेखकों ने जीन रेगुलेटरी नेटवर्क (GRNs) को $N$ जीनों की एक प्रणाली के रूप में मॉडल किया जहाँ mRNA और प्रोटीन स्तर स्थिर अवस्थाओं (steady states) के आसपास उतार-चढ़ाव करते हैं।
हैमिल्टनियन फॉर्मूलेशन (Hamiltonian Formulation): उन्होंने उतार-चढ़ाव ( $\epsilon$ mRNA के लिए, $\vartheta$ प्रोटीनों के लिए) के संयुक्त संभाव्यता वितरण को प्राप्त किया, जो एक बाइपार्टाइट स्पिन-ग्लास मॉडल (bipartite spin-glass model) का रूप लेता है:
$H = \sum V(\epsilon) + \sum V(\vartheta) + \sum K \epsilon \vartheta + \sum J_{ij} \epsilon_i \vartheta_j$
यहाँ, $J_{ij}$ प्रभावी जीन-जीन इंटरेक्शन स्ट्रेंथ्स को दर्शाता है।
फेज ट्रांजिशन हाइपोथीसिस (Phase Transition Hypothesis): सिद्धांत दो व्यवस्थाओं (regimes) के बीच फेज ट्रांजिशन की भविष्यवाणी करता है:
1. अनकोरिलेटेड रिजीम (Uncorrelated Regime): उतार-चढ़ाव स्वतंत्र होते हैं; ओवरलैप डिस्ट्रीब्यूशन $N^{-1/2}$ स्केलिंग का पालन करते हैं (सेंट्रल लिमिट थ्योरम)।
2. कोरिलेटेड रिजीम (Correlated Regime): उतार-चढ़ाव पूरी कोशिका में समन्वित होते हैं; ओवरलैप डिस्ट्रीब्यूशन $N^{-1/2}$ स्केलिंग से व्यापक विचलन दिखाते हैं, जो दीर्घकालिक स्मृति (long-lived memory) और सामूहिक गतिशीलता का संकेत देते हैं।

ब. सांख्यिकीय मेट्रिक्स (Statistical Metrics)

ओवरलैप ( $Q$ ): इसे "रेप्लिका" (एक ही एंनोटेटेड स्टेट के भीतर कोशिकाएं) के बीच उतार-चढ़ाव के सहसंबंध के रूप में परिभाषित किया गया है। ओवरलैप डिस्ट्रीब्यूशन की चौड़ाई समन्वय की डिग्री को मापती है।
स्केलिंग एनालिसिस (Scaling Analysis): लेखकों ने परीक्षण किया कि क्या ओवरलैप का मानक विचलन $N^{-1/2}$ (अनकोरिलेटेड) के रूप में स्केल होता है या बढ़ता हुआ संख्या ( $N$ ) बढ़ने पर धीमा (कोरिलेटेड) होता है।
लीडिंग आइगेनवैल्यू ( $\omega_{max}$ ): उन्होंने जीन फ्लक्चुएशन के एम्पिरिकल कोवेरियेंस मैट्रिक्स के सबसे बड़े आइगेनवैल्यू का उपयोग डोमिनेंट कलेक्टिव फ्लक्चुएशन मोड की मजबूती के प्रॉक्सी के रूप में किया।

स. मशीन लर्निंग (प्रतिबंधित बोल्ट्ज़मैन मशीन - RBMs)

फिजिक्स-इन्फॉर्म्ड एमएल (Physics-Informed ML): लेखकों ने अपने सैद्धांतिक हैमिल्टनियन को एक गौसियन-गौसियन प्रतिबंधित बोल्ट्ज़मैन मशीन (Gaussian-Gaussian RBM) में मैप किया:
- विसिबल यूनिट्स ( $v$ ) = mRNA उतार-चढ़ाव।
- हिडन यूनिट्स ( $h$ ) = प्रोटीन उतार-चढ़ाव।
- वेट्स ( $W_{ij}$ ) = प्रभावी जीन-जीन इंटरैक्शन ( $J_{ij}$ )।
अनुमान (Inference): उन्होंने इंटरेक्शन स्ट्रेंथ्स के वितरण का अनुमान लगाने के लिए scRNA-seq डेटा पर RBM प्रशिक्षित किए। उन्होंने सिस्टम की फेज ट्रांजिशन से निकटता का अनुमान लगाने के लिए एक प्रॉक्सी पैरामीटर $\hat{\varpi} = N^{1/2} \cdot \text{SD}(W_{ij})$ की गणना की।

द. डेटा विश्लेषण पाइपलाइन (Data Analysis Pipeline)

डेटासेट: निम्नलिखित का विश्लेषण किया गया:
- विकसित और वयस्क माउस ब्रेन।
- ह्यूमन पैन-जीआई सेल एटलस (पाचन तंत्र)।
- जेब्राफिश हार्ट रिजनरेशन।
- मानव पल्मोनरी रोग।
प्रीप्रोसेसिंग: तकनीकी शोर को कम करने के लिए पूर्ण वेरिएंस के बजाय स्केलिंग एक्सपोनेंट्स (डायमेंशनलेस) पर ध्यान केंद्रित किया गया, और क्लस्टर-साइज़ आर्टिफैक्ट्स को खारिज करने के लिए सब-सैंपलिंग और k-नेरेस्ट नेबर (kNN) नियंत्रणों का उपयोग किया गया।

3. प्रमुख योगदान (Key Contributions)

समन्वित परिवर्तनशीलता की परिभाषा: सेल-वाइड समन्वय को मापने के लिए एक सांख्यिकीय स्कोर ( $\omega_{max}$ और ओवरलैप स्केलिंग) पेश किया, जो औसत अभिव्यक्ति या सिंगल-सेल एन्ट्रॉपी से अलग है।
सैद्धांतिक-प्रायोगिक सेतु: वास्तविक scRNA-seq डेटा के विरुद्ध उनके स्पिन-ग्लास मॉडल को मान्य किया, यह प्रदर्शित करते हुए कि जैविक प्रणालियां एक महत्वपूर्ण चरण संक्रमण (critical phase transition) के पास काम करती हैं।
GRNs के लिए RBM फ्रेमवर्क: पूर्व ज्ञान के बिना नेटवर्किंग टोपोलॉजी से प्रभावकारी जीन-जीन इंटरेक्शन संरचनाओं को निकालने के लिए एक फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग दृष्टिकोण विकसित किया।
क्षमता (Potency) के लिए नया बायोमार्कर: स्थापित किया कि उच्च समन्वित उतार-चढ़ाव (high coordination of fluctuations) स्टेम और प्रोजेनिटर कोशिकाओं की पहचान है, जबकि कम समन्वय विभेदित (differentiated) कोशिकाओं की विशेषता है।

4. मुख्य परिणाम (Key Results)

स्टेम बनाम विभेदित अवस्थाएँ (Stem vs. Differentiated States):
- स्टेम/प्रोजेनिटर सेल्स: इनमें दृढ़ रूप से सहसंबंधित उतार-चढ़ाव देखे जाते हैं। ओवरलैप डिस्ट्रीब्यूशन $N^{-1/2}$ से धीमी दर से स्केल होता है, और लीडिंग आइगेनवैल्यू ( $\omega_{max}$ ) उच्च होता है। यह एक "परमिसिव" रेगुलेटरी लैंडस्केप का सुझाव देता है जिसमें मजबूत सामूहिक गतिशीलता होती है।
- विभेदित कोशिकाएं (Differentiated Cells): इनमें कमजोर रूप से सहसंबंधित, स्वतंत्र उतार-चढ़ाव होते हैं। ओवरलैप स्केलिंग सेंट्रल लिमिट थ्योरम ( $N^{-1/2}$ ) का अनुसरण करती है, और $\omega_{max}$ कम होता है, जो एक "कन्स्ट्रेंड" (constrained) नियामक स्थिति का संकेत देता है।
डिडिफरेंशिएशन और प्लास्टिसिटी (Dedifferentiation and Plasticity):
- मानव आंत में, परिपक्व कोलोनोसाइट्स (विभेदित) जिनमें चोट लगने पर डिडिफरेंशिएट करने की क्षमता बरकरार थी, उनमें स्टेम जैसी फ्लक्चुएशन पैटर्न (उच्च $\omega_{max}$ और उच्च समन्वय) देखी गईं।
- यह बताता है कि समन्वित परिवर्तनशीलता कोशिकाओं की पहचान बदलने की अंतर्निहित क्षमता (latent potential) को कैप्चर करती है।
रोग और चोट का पता लगाना (Disease and Injury Detection):
- जेब्राफिश हृदय पुनरुत्थान: इंजरी-इंड्यूस्ड रिजेनरेटिव स्टेट्स (प्रोलिफेरेटिव मैक्रोफेज, रिजेनरेटिव फाइब्रोब्लास्ट) में $\omega_{max}$ में वृद्धि देखी गई, जिसने होमियोस्टैटिक अवस्थाओं से उन्हें अलग किया, इसके लिए किसी कैनोनिकल मार्कर जीन की आवश्यकता नहीं पड़ी।
- मानव फुफ्फुसीय रोग: ढांचे ने केवल कोवेरियेंस स्ट्रक्चर के आधार पर कंट्रोल वर्सेज डिजीज स्थितियों में फंक्शनल स्टेट परिवर्तनों का पता लगाया।
उप-जनसंख्या खोज (Subpopulation Discovery):
- आइगेनवैल्यू विश्लेषण ने छिपे हुए उप-वर्गों को प्रकट किया। उदाहरण के लिए, जेब्राफिश डेटा में, एक "मैक्रोफेज" क्लस्टर में हाई $\omega_{max}$ को ईजेंस्कोर प्रोजेक्शन द्वारा टी-सेल (संदेशण/गलत वर्गीकरण) तक ट्रैक किया गया, जो विषम तत्वों का पता लगाने की विधि की क्षमता को दर्शाता है।

5. महत्व (Significance)

परिवर्तनशीलता का पुनर्निर्धारण (Reframing Variability): यह पेपर जीन एक्सप्रेशन नॉइज़ की व्याख्या को एक बाधा या रैंडम एरर से बदलकर एक कार्यात्मक नियामक हस्ताक्षर (functional regulatory signature) के रूप में करता है। यह तर्क देता है कि परिवर्तनशीलता की संरचना (कैसे उतार-चढ़ाव प्रसारित होते हैं) औसत अभिव्यक्ति स्तर जितना ही महत्वपूर्ण है।
तकनीकी शोर के प्रति मजबूती: स्केलिंग लॉ और कोवेरियेंस स्ट्रक्चर पर निर्भर रहने के कारण, यह पद्धति सामान्य scRNA-seq तकनीकी कलाकृतियों के प्रति मजबूत है।
भविष्यवाणी शक्ति (Predictive Power): यह ढांचा ज्ञात मार्कर जीन की अनुपस्थिति में भी स्टैटिक स्नैपशॉट डेटा से कोशिकीय क्षमता (cellular potency) और नियामक अवस्थाओं का अनुमान लगाने की अनुमति देता है।
बायोफिजिकल इनसाइट: यह माइक्रोस्कोपिक जीन रेगुलेटरी नेटवर्क की गतिकी और मैक्रोस्कोपिक सेल स्टेट्स के बीच एक मात्रात्मक लिंक प्रदान करता है, जो यह सुझाव देता है कि स्टेम कोशिकाएं अपनी प्लास्टिसिटी बनाए रखने के लिए क्रिटिकल पॉइंट के करीब संचालित होती हैं।

संक्षेप में, लेखक सिद्ध करते हैं कि समन्वित जीन-अभिव्यक्ति परिवर्तनशीलता (coordinated gene-expression variability) कोशिकीय संगठन की एक मौलिक परत है जो नियामक अवस्थाओं को एनकोड करती है, जो कोशिका की पहचान, प्लास्टिसिटी और रोग अवस्थाओं के विश्लेषण के लिए एक शक्तिशाली नया उपकरण प्रदान करती है।