← नवीनतम पेपर
📄 molecular biology

FlexRibbon: Joint Sequence and Structure Pretraining for Protein Modeling

FlexRibbon एक नवीन प्रोटीन फाउंडेशन मॉडल है जो मास्क किए गए लैंग्वेज मॉडलिंग और डिफ्यूजन-आधारित डिनोइजिंग के संयोजन का उपयोग करके अमीनो एसिड अनुक्रमों और 3D संरचनाओं पर संयुक्त रूप से प्रीट्रेन करता है, जिससे विविध कार्यों में अत्याधुनिक प्रदर्शन प्राप्त होता है—विशेष रूप से उन म्यूटेशन-समृद्ध परिदृश्यों में जहाँ पारंपरिक MSA-आधारित विधियाँ संघर्ष करती हैं—बिना मल्टीपल सीक्वेंस एलाइनमेंट (MSA) पर निर्भर हुए।

मूल लेखक: Zhu, J., Shi, Y., Bi, R., Jin, P., Liu, C., Zhang, Z., Huang, H., Guo, Z., Hu, P., Ju, F., Huang, L., Tai, X., Li, C., Gao, K., Wei, X., Xia, H., Zhang, J., Min, Y., Wang, Z., Wang, Y., He, L., Liu, H
प्रकाशित 2026-07-09
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Zhu, J., Shi, Y., Bi, R., Jin, P., Liu, C., Zhang, Z., Huang, H., Guo, Z., Hu, P., Ju, F., Huang, L., Tai, X., Li, C., Gao, K., Wei, X., Xia, H., Zhang, J., Min, Y., Wang, Z., Wang, Y., He, L., Liu, H., Qin, T.

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 प्रोटीन की दुनिया एक विशाल, हलचल भरे शहर की तरह है। लंबे समय तक, इस शहर को समझने की कोशिश कर रहे वैज्ञानिकों को दो बहुत अलग तरह के मानचित्रों (मैप्स) में से किसी एक को चुनना पड़ता था।

पहला मानचित्र एक व्याकरण की पाठ्यपुस्तक जैसा था। यह केवल अक्षरों (अमीनो एसिड) के अनुक्रम (सीक्वेंस) को देखता था जो एक प्रोटीन बनाते हैं, और यह अनदेखा कर देता था कि शहर वास्तव में कैसा दिखता है। यह जीवन की "भाषा" को समझने में तो बहुत अच्छा था, लेकिन अक्सर इमारतों के 3D आकार को समझने में भटक जाता था।

दूसरा मानचित्र एक क्राउडसोर्स्ड सर्वे (भीड़-आधारित सर्वेक्षण) जैसा था। यह हजारों समान शहरों (विकासवादी चचेरे भाइयों/evolutionary cousins) को देखने पर निर्भर करता था ताकि यह अनुमान लगाया जा सके कि एक नया शहर कैसा दिखेगा। यह मानक इमारतों के लिए अविश्वसनीय रूप से सटीक था, लेकिन यदि आप किसी बिल्कुल नए, अजीब आकार के गगनचुंबी इमारत या ऐसे शहर का मानचित्र बनाने की कोशिश करते जिसका लेआउट बहुत अधिक बदल गया हो, तो वह सर्वेक्षण विफल हो जाता था क्योंकि तुलना करने के लिए वहां कोई समान उदाहरण नहीं होता था।

यहाँ प्रवेश होता है FlexRibbon का, एक नए प्रकार के मानचित्रकार का, जिसने व्याकरण की पाठ्यपुस्तक और सर्वेक्षण के बीच चुनाव करना बंद करने का निर्णय लिया। इसके बजाय, इसने सीखा कि व्याकरण को पढ़ना और ब्लूप्रिंट को एक साथ देखना क्या होता है।

गुप्त नुस्खा: एक दो-तरफा रास्ता

अधिकांश पिछले मॉडल एक एक-तरफा सड़क की तरह थे: वे अक्षरों का एक अनुक्रम लेते थे और आकार का अनुमान लगाने की कोशिश करते थे। FlexRibbon ने एक दो-तरफा रास्ता बनाया। इसने सीखा कि अक्षर आकार निर्धारित करते हैं, लेकिन आकार भी यह बताता है कि अक्षर क्या होने चाहिए।

इसे सिखाने के लिए, शोधकर्ताओं ने एक चतुर प्रशिक्षण खेल का उपयोग किया। उन्होंने एक प्रोटीन लिया, उसके 3D आकार को शोर (noise) के साथ बिखेर दिया (जैसे स्नो ग्लोब को हिलाना), और मॉडल से इसे साफ करने के लिए कहा। साथ ही, उन्होंने अनुक्रम में कुछ अक्षरों को छिपा दिया और मॉडल से उन्हें पहचानने के लिए कहा, लेकिन एक ट्विस्ट के साथ: उसे सही अनुमान लगाने के लिए बिखरे हुए 3D आकार का उपयोग संकेत (hint) के रूप में करना था। इसने मॉडल को यह समझने के लिए मजबूर किया कि अनुक्रम और संरचना एक साथ बंधे हुए हैं, जैसे एक ताला और चाबी जिन्हें अलग नहीं किया जा सकता।

यह क्यों मायने रखता है: "अव्यवस्थित" हिस्से

असली जादू शहर के अव्यवस्थित हिस्सों में होता है। जीव विज्ञान में, कुछ प्रोटीनों के पास लचीले, ढीले हाथ (जैसे एंटीबॉडी लूप) होते हैं या वे किसी चीज़ को पकड़ते समय अपना आकार बदल लेते हैं। पुराने "सर्वेक्षण" मॉडल (जो उनके विकासवादी चचेरे भाइयों को खोजने पर निर्भर करते हैं) अक्सर यहाँ फंस जाते हैं क्योंकि ये लचीले हिस्से बहुत अधिक बदल जाते हैं जिससे विकासवादी डेटा में कोई स्पष्ट पैटर्न नहीं रह जाता।

हालाँकि, FlexRibbon इन पेचीदा क्षेत्रों को अलग तरह से संभालता है। एक "चचेरे भाइयों की भीड़" पर पैटर्न खोजने के लिए निर्भर करने के बजाय, यह उस सर्वेक्षण की आवश्यकता को पूरी तरह से दरकिनार कर देता है। व्यक्तिगत अनुक्रम और उसकी संरचना के बीच के संबंध को सीधे मॉडल करके, यह इन लचीले, अत्यधिक उत्परिवर्तित (mutated) क्षेत्रों की आश्चर्यजनक सटीकता के साथ भविष्यवाणी कर सकता है, भले ही विकासवादी संकेत कमजोर या अनुपस्थित हों।

प्रमाण: 12 अलग-अलग चुनौतियाँ

टीम ने केवल यह नहीं कहा कि यह काम करता है; उन्होंने FlexRibnya को वास्तविक दुनिया की समस्याओं को संभालने के लिए 12 अलग-अलग कार्यों के माध्यम से एक कठिन परीक्षा (gauntlet) से गुजारा। यहाँ उन्हें क्या मिला:

  • एंटीबॉडी डिज़ाइन: वायरस से चिपकने के लिए एंटीबॉडी (शरीर के रक्षक) डिजाइन करने के लिए पूछे जाने पर, FlexRibbon मानक एंटीबॉडी के लिए 61.3% बार और नैनोबॉडी (छोटे एंटीबॉडी) के लिए 51.1% बार सफल रहा। यह पिछले सर्वश्रेष्ठ तरीकों से एक बड़ी छलांग थी, जो क्रमशः लगभग 46.7% और 44.0% पर अटके हुए थे।
  • पेप्टाइड बाइंडिंग: यह अनुमान लगाने के लिए कि छोटे प्रोटीन चेन (पेप्टाइड्स) बड़े प्रोटीनों से कैसे चिपकते हैं, FlexRibbon ने 91.4% की सफलता दर हासिल की, जो अगले सर्वश्रेष्ठ तरीके से 7.0% से 10.2% बेहतर था।
  • ड्रग डिस्कवरी (दवा खोज): यह अनुमान लगाने के लिए कि एक दवा का अणु प्रोटीन से कितनी अच्छी तरह चिपकेगा, FlexRibbon ने 0.848 का सहसंबंध स्कोर (correlation score) और 1.150 की त्रुटि दर प्राप्त की, जिसने परीक्षण किए गए अन्य सभी तरीकों को पीछे छोड़ दिया।
  • आकार बदलना (Shape-Shifting): मॉडल यह भी अनुमान लगा सका कि दवा के जुड़ने पर प्रोटीन अपना आकार कैसे बदलता है, जिसने एक परीक्षण मामले के लिए एक संरचनात्मक समानता स्कोर (TM-score) 0.985 प्राप्त किया, जो वास्तविक चीज़ के अविश्वसनीय रूप से करीब है।

यह क्या नहीं है

यह जानना महत्वपूर्ण है कि FlexRibbon क्या नहीं करता है। यह उस "क्राउडसोर्स्ड सर्वे" (Multiple Sequence Alignments) पर निर्भर नहीं करता है जिसका उपयोग पुराने मॉडल भविष्यवाणियाँ करने के लिए करते थे। यदि आप इसे एक ऐसा प्रोटीन देते हैं जिसके बहुत कम विकासवादी चचेरे भाई हैं, तो पुराने मॉडल संघर्ष कर सकते हैं क्योंकि उनके सर्वेक्षण के पास कोई डेटा नहीं है, लेकिन FlexRibbon अपने आंतरिक प्रत्यक्ष अनुक्रम-संरचना लिंक की समझ पर भरोसा करके सफल होता है, जिससे यह उन क्षेत्रों में नेविगेट कर पाता है जहाँ संरेखण (alignment) संकेत कमजोर होते हैं।

निचोड़

पेपर यह सुझाव देता है कि मॉडल को अनुक्रम और संरचना को एक के बाद एक सीखने के बजाय, दोनों को एक साथ सीखने के लिए सिखाकर, हमें एक बहुत अधिक लचीला और सटीक उपकरण मिलता है। यह केवल एक बेहतर अनुमान लगाने वाला नहीं है; यह एक बेहतर डिजाइनर है। चाहे बीमारियों से लड़ने के लिए नए एंटीबॉडी बनाना हो या यह पता लगाना हो कि दवाएं अपने लक्ष्यों में कैसे फिट होती हैं, FlexRibbon दिखाता है कि जब आप अनुक्रम और संरचना को एक-दूसरे से बात करने देते हैं, तो पूरी प्रणाली बेहतर काम करती है।

लेखकों ने इन परिणामों को CASP15 चुनौती और PoseBusters V1 डेटासेट जैसे विशिष्ट बेंचमार्क पर मापा, जिससे पता चला कि FlexRibbon लगातार नए उच्च स्कोर प्राप्त करता है, विशेष रूप से उन कठिन, उत्परिवर्तन-प्रधान क्षेत्रों में जहाँ अन्य तरीके अक्सर लड़खड़ा जाते हैं। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ हम एक वाक्य लिखने की आसानी के साथ प्रोटीनों को शून्य से डिजाइन कर सकते 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 📄 molecular biology →