How many crystal structures do you need to trust your docking results?
कोविड मूनशॉट प्रोजेक्ट से 403 SARS-CoV-2 मुख्य प्रोटीज क्रिस्टल संरचनाओं का विश्लेषण करने से पता चलता है कि प्रत्येक जेनेरिक स्कैफोल्ड के लिए लगभग पांच संरचनाएं एकत्र करने के बाद संरचना-आधारित पोज़ भविष्यवाणी की सटीकता स्थिर हो जाती है, जो दवा खोज अभियानों में संसाधन आवंटन को अनुकूलित करने के लिए एक व्यावहारिक दिशानिर्देश प्रदान करती है।
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
नई दवाओं की खोज की उच्च-दांव वाली दुनिया में, वैज्ञानिक अक्सर 'स्ट्रक्चर-बेस्ड ड्रग डिस्कवरी' (संरचना-आधारित औषधि खोज) नामक एक रणनीति पर भरोसा करते हैं। कल्पना कीजिए कि आप एक जटिल, त्रि-आयामी ताले में पूरी तरह से फिट होने वाली एक चाबी डिजाइन करने की कोशिश कर रहे हैं। इस मामले में, ताला मानव शरीर के भीतर एक प्रोटीन है जो बीमारी का कारण बनता है, और चाबी एक नई दवा का अणु है। चाबी को फिट होने के लिए, शोधकर्ताओं को यह जानने की आवश्यकता है कि ताले का आकार वास्तव में कैसा है और पिछले चाबियाँ इसके अंदर कैसे बैठी थीं। दशकों से, इस आकार को देखने का सबसे विश्वसनीय तरीका एक दवा के साथ प्रोटीन को जमाकर (फ्रीज करके) उसकी एक्स-रे के माध्यम से तस्वीर लेना रहा है, जो एक क्रिस्टल संरचना बनाता है। ये चित्र ब्लूप्रिंट के रूप में कार्य करते हैं, जो वैज्ञानिकों को सटीक रूप से दिखाते हैं कि दवा कहाँ जुड़ती है ताकि वे भविष्य की दवाओं के डिजाइन को और अधिक मजबूत और सटीक बनाने के लिए उनमें सुधार कर सकें। हालांकि, ये तस्वीरें लेना महंगा, धीमा और कठिन है। इसके लिए पूर्ण क्रिस्टल उगाने और उन्हें विशाल मशीनों तक भेजने की आवश्यकता होती है, जिसका अर्थ है कि वैज्ञानिकों को अक्सर एक कठिन विकल्प का सामना करना पड़ता है: उन्हें आगे बढ़ने के लिए पर्याप्त जानकारी प्राप्त करने के लिए वास्तव में कितनी महंगी तस्वीरें लेनी चाहिए?
शोधकर्ताओं की एक टीम ने इतिहास के सबसे बड़े और खुले ड्रग डिस्कवरी प्रयासों में से एक की ओर देखते हुए इस प्रश्न का उत्तर देने का निर्णय लिया: कोविड मूनशॉट (COVID Moonshot)। इस वैश्विक परियोजना का उद्देश्य वायरस के खिलाफ हजारों अलग-अलग रासायनिक डिजाइनों का परीक्षण करके कोविड-19 फैलाने वाले वायरस के उपचार की खोज करना था, जो वायरस का मुख्य प्रोटीज (main protease) है, एक महत्वपूर्ण एंजाइम जिसकी उसे जीवित रहने के लिए आवश्यकता होती है। पूरे अभियान के दौरान, टीम ने 4-0-3 क्रिस्टल संरचनाओं का एक अभूतपूर्व संग्रह तैयार किया, जिनमें से प्रत्येक एक थोड़े अलग दवा अणु को एंजाइम के साथ जुड़ा हुआ दिखाती है। इस विशाल डेटासेट ने एक सामान्य धारणा का परीक्षण करने का एक अनूठा अवसर प्रदान किया। कई वैज्ञानिकों का मानना था कि वे जितने अधिक क्रिस्टल संरचनाएं एकत्र करेंगे, उनके कंप्यूटर मॉडल नए, अनदेखे ड्रग्स के फिट होने की भविष्यवाणी करने में उतने ही बेहतर होते जाएंगे। शोधकर्ता यह देखना चाहते थे कि क्या एक ऐसा बिंदु आता है जहाँ अधिक तस्वीरें एकत्र करना मदद करना बंद कर देता है, यानी 'घटते प्रतिफल का क्षण' (moment of diminishing returns), जहाँ एक और तस्वीर लेने की लागत उसके द्वारा प्रदान की गई नई जानकारी के लाभ से अधिक हो जाती है।
इसकी जांच करने के लिए, शोधकर्ताओं ने 'क्रॉस-डॉकिंग' (cross-docking) नामक विधि का उपयोग किया। केवल पहले से मौजूद चित्रों को देखने के बजाय, उन्होंने अपने कंप्यूटरों का उपयोग संग्रह के प्रत्येक एकल दवा अणु को अन्य सभी क्रिस्टल संरचनाओं के बाइंडिंग साइट में रखने का अनुकरण (simulate) करने के लिए किया। फिर उन्होंने यह जांचा कि क्या कंप्यूटर उपलब्ध संदर्भ संरचनाओं के आधार पर दवा की स्थिति की सही भविष्यवाणी कर सकता है। उन्होंने सफलता को यह देखकर मापा कि क्या कंप्यूटर का अनुमान वास्तविक, प्रयोगात्मक रूप से देखी गई स्थिति के बहुत करीब था। विभिन्न संख्या में संदर्भ संरचनाओं के साथ इन सिमुलेशन को चलाकर, वे देख सके कि जैसे-जैसे डेटा जोड़ा जाता है, सटीकता में कैसे सुधार होता है। उन्होंने दो अलग-अलग दृष्टिकोणों की भी तुलना की: एक जो केवल प्रोटीन के आकार का उपयोग करके फिट का अनुमान लगाता है, और दूसरा जो पिछले ड्रग्स के आकारों का उपयोग एक मार्गदर्शक के रूप में करता है ताकि कंप्यूटर नए अणुओं को संरेखित (align) कर सके।
परिणामों ने एक स्पष्ट पैटर्न का खुलासा किया जो इस विचार को चुनौती देता है कि "अधिक होना हमेशा बेहतर होता है।" शोधकर्ताओं ने पाया कि भविष्यवाणियों की सटीकता इस बात पर बहुत अधिक निर्भर करती थी कि नई दवा मौजूदा डेटाबेस में मौजूद दवाओं के कितनी समान है। जब नया अणु पिछले किसी अणु के बहुत समान था, तो कंप्यूटर केवल कुछ संदर्भ संरचनाओं का उपयोग करके इसकी स्थिति की उच्च सटीकता के साथ भविष्यवाणी कर सकता था। हालांकि, सबसे आश्चर्यजनक खोज कुल संख्या के बजाय संरचनाओं की विविधता के बारे में थी। टीम ने पाया कि एक बार जब उनके पास एक विशिष्ट रासायनिक ढांचे (framework) या स्कैफोल्ड (scaffold) के लिए लगभग पांच क्रिस्टल संरचनाएं हो गईं, तो उसी प्रकार की अधिक संरचनाएं जोड़ने से लगभग कोई अतिरिक्त लाभ नहीं हुआ। सफलता की दर स्थिर हो गई, जो एक ऐसे स्तर पर पहुँच गई जहाँ केवल उसी प्रकार के अधिक अणु एकत्र करके सुधार करना लगभग असंभव था।
वास्तव में, अध्ययन ने दिखाया कि रासायनिक संरचनाओं की विविधता, डेटा के भारी मात्रा से कहीं अधिक महत्वपूर्ण थी। अभियान की सबसे सफल ड्रग सीरीज़ के लिए, एक ही बुनियादी आकार की केवल पांच क्रिस्टल संरचनाएं होना ही 95 प्रतिशत से अधिक सफलता दर प्राप्त करने के लिए पर्याप्त था। उसी आकार के दर्जनों और संरचनाएं जोड़ने से यह संख्या महत्वपूर्ण रूप से नहीं बढ़ी। इसके विपरीत, जब शोधकर्ताओं ने एक पूरी तरह से नए रासायनिक आकार की दवा की स्थिति की भविष्यवाणी करने का प्रयास किया, तो सटीकता गिर गई जब तक कि उनके पास उस नए आकार से मेल खाने वाली कोई संदर्भ संरचना न हो। यह सुझाव देता है कि संसाधनों का सबसे मूल्यवान उपयोग एक ही दवा के थोड़े अलग संस्करणों की कई तस्वीरें लेना नहीं है, बल्कि जैसे ही नए रासायनिक आकार खोजे जाते हैं, उनकी तस्वीरें लेना है।
शोधकर्ताओं ने यह भी जांचा कि क्या क्रिस्टल संरचनाओं की गुणवत्ता मायने रखती है। उन्होंने देखा कि चित्र कितने स्पष्ट थे और मॉडल में परमाणु कितने हिलते (wiggle) प्रतीत होते हैं। उन्होंने पाया कि कम गुणवत्ता वाली छवियों के साथ भी, कंप्यूटर मॉडल दवा की स्थिति की सटीक भविष्यवाणी कर सकते थे, बशर्ते रासायनिक आकार पर्याप्त समान हों। यह इंगित करता है कि प्रक्रिया में बाधा (bottleneck) एक्स-रे चित्रों की गुणवत्ता नहीं है, बल्कि कंप्यूटर की नई दवा की सही शुरुआती स्थिति उत्पन्न करने की क्षमता है। यहाँ तक कि जब कंप्यूटर को सबसे अच्छे अनुमान को स्कोर करने का एक आदर्श तरीका दिया गया, तब भी वह एक मानक स्कोरिंग पद्धति के मुकाबले सफलता दर में अधिक सुधार नहीं कर सका। यह सुझाव देता है कि मुख्य चुनौती दवा की सही स्थिति चुनने में नहीं, बल्कि उसकी प्रारंभिक स्थिति उत्पन्न करने में है।
ये निष्कर्ष भविष्य के ड्रग डिस्कवरी अभियानों के लिए एक व्यावहारिक मार्गदर्शिका प्रदान करते हैं। एक ही रासायनिक श्रृंखला के सैकड़ों क्रिस्टल संरचनाएं एकत्र करने में समय और पैसा खर्च करने के बजाय, वैज्ञानिक अब एक छोटे, अधिक रणनीतिक सेट पर ध्यान केंद्रित कर सकते हैं। कुछ अलग रासायनिक ढांचों के लिए कुछ (शायद पांच से दस) संरचनाएं एकत्र करने पर ध्यान केंद्रित करके, वे लगभग उसी स्तर की भविष्य कहने वाली शक्ति प्राप्त कर सकते हैं जो सैकड़ों संरचनाएं एकत्र करने से मिलती। यह दृष्टिकोण शोधकर्ताओं को तेजी से और अधिक कुशलता से आगे बढ़ने की अनुमति देता है, जिससे वे पुराने क्षेत्रों का पुनरीक्षण करने के बजाय नए रासायनिक क्षेत्रों का पता लगाने की ओर अपने संसाधनों को निर्देशित कर सकते हैं। यह अध्ययन औषधीय रसायन विज्ञानविदों (medicinal chemists) की एक लंबे समय से चली आ रही अंतर्दृष्टि की पुष्टि करता है: संदर्भ बिंदुओं का एक विविध सेट, समान संदर्भों के गहरे सेट की तुलना में अधिक शक्तिशाली होता है। यह समझकर कि प्रतिफल कहाँ घटते हैं, वैज्ञानिक समुदाय नई दवाओं को दुनिया तक लाने के लिए आवश्यक समय और धन के आवंटन के बारे में स्मार्ट निर्णय ले सकता 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।