← नवीनतम पेपर
💻 bioinformatics

Generating Structurally Diverse Therapeutic Peptides with GFlowNet

यह शोध पत्र यह प्रदर्शित करता है कि GFlowNet, अनुपातिक रिवॉर्ड सैंपलिंग के माध्यम से स्वाभाविक रूप से समान अनुक्रम सैंपलिंग (uniform sequence sampling) प्राप्त करके, संरचनात्मक रूप से विविध चिकित्सीय पेप्टाइड्स उत्पन्न करने में GRPO जैसे पारंपरिक सुदृढीकरण शिक्षण (reinforcement learning) विधियों से बेहतर प्रदर्शन करता है, जिससे स्पष्ट विविधता दंड (explicit diversity penalties) की आवश्यकता समाप्त हो जाती है और मोड कोलैप्स (mode collapse) को रोका जा सकता है।

मूल लेखक: Wijaya, E.

प्रकाशित 2026-02-25
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: Wijaya, E.

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

बड़ी समस्या: ड्रग डिस्कवरी का "एक ही चीज़ पर अटक जाना" (The "One-Trick Pony")

कल्पना कीजिए कि आप एक शेफ हैं जो एक नया और स्वादिष्ट सूप बनाने की कोशिश कर रहे हैं। आपके पास एक रोबोट सहायक (एक AI) है जो सूप की रेसिपी बनाने के लिए सामग्री को मिला सकता है। आपका लक्ष्य सबसे बेहतरीन सूप खोजना है।

हालाँकि, उस रोबोट की एक बुरी आदत है। वह एक "परफेक्शनिस्ट" है जो केवल एक ही सबसे बेहतरीन स्वाद वाला सूप बनाना चाहता है। इसलिए, वह बार-बार बिल्कुल एक जैसा सूप बनाता रहता है, बस नमक की मात्रा में मामूली बदलाव करता रहता है। वह अन्य सभी स्वादिष्ट संभावनाओं (जैसे तीखा, मीठा, क्रीमी) को अनदेखा कर देता है क्योंकि वह उस एक "परफेक्ट" रेसिपी को खोजने के प्रति जुनूनी है।

ड्रग डिस्कवरी (दवा खोज) की दुनिया में, इसे मोड कोलैप्स (Mode Collapse) कहा जाता है।

  • लक्ष्य: कई अलग-अलग चिकित्सीय पेप्टाइड्स (छोटे प्रोटीन) खोजना जो भविष्य में दवा बन सकें।
  • समस्या: पारंपरिक AI तरीके (जैसे Reinforcement Learning) कुछ ही दवाओं के थोड़े-बहुत बदलाव बनाने में फंस जाते हैं। भले ही आप उनसे कहें, "हे, विविधता लाने की कोशिश करो!" वे आमतौर पर इसे अनदेखा कर देते हैं और वही चीज़ बार-बार बनाते रहते हैं। यह खतरनाक है क्योंकि यदि वह एक विशिष्ट दवा क्लिनिकल ट्रायल में विफल हो जाती है, तो आपके पास कोई बैकअप प्लान नहीं होता।

समाधान: GFlowNet ("स्वाद चखने वाला" बनाम "परफेक्शनिस्ट")

लेखक GFlowNet नामक एक नया AI तरीका प्रस्तावित करते हैं। अंतर को समझने के लिए, आइए देखते हैं कि दोनों रोबोट कैसे सोचते हैं:

1. पुराना तरीका (GRPO): "सोने का भूखा" (The "Gold Digger")

  • यह कैसे सोचता है: "मुझे वह सीक्वेंस ढूंढना है जिसका स्कोर सबसे अधिक हो। मैं बाकी सब कुछ अनदेखा कर दूँगा।"
  • उपमा: एक सोने के भूखे व्यक्ति की कल्पना करें जिसे केवल सबसे बड़े सोने के टुकड़े की परवाह है। यदि उन्हें एक बड़ी गांठ मिल जाती है, तो वे वहीं खुदाई करते रहते हैं। वे पास में मौजूद 100 छोटे टुकड़ों को भी अनदेखा कर देते हैं।
  • दोष: यदि आप उन्हें "विविधता दंड" (एक नियम जो कहता है "आपको अन्य जगहों पर भी खुदाई करनी चाहिए") देकर दूसरी जगह खुदाई करने के लिए मजबूर करने की कोशिश करते हैं, तो वे भ्रमित हो जाते हैं। वे इस नियम के खिलाफ लड़ते हैं। यदि आप नियम हटा देते हैं, तो वे तुरंत वापस एक ही जगह खुदाई करने में लग जाते हैं।

2. नया तरीका (GFlowNet): "आनुपातिक खोजकर्ता" (The "Proportional Explorer")

  • यह कैसे सोचता है: "मैं पूरे नक्शे की खोज करूँगा। यदि किसी जगह पर बड़ा सोने का टुकड़ा है, तो मैं वहां अक्सर जाऊँगा। यदि किसी जगह पर छोटा टुकड़ा है, तो मैं कभी-कभी जाऊँगा। मैं छोटे टुकड़ों को अनदेखा नहीं करूँगा।"
  • उपमा: एक खजाना खोजने वाले की कल्पना करें जो पूरे द्वीप का नक्शा बनाता है। वह केवल सोने के सबसे बड़े ढेर पर खुदाई नहीं करता; वह हर जगह खुदाई करता है, लेकिन वह उन जगहों पर अधिक समय बिताता है जहाँ सोना मिलने की संभावना अधिक होती है। वे स्वाभाविक रूप से कई अलग-अलग स्थानों पर जाते हैं क्योंकि उनकी रणनीति इनाम के आनुपातिक रूप से नमूने लेने की है, न कि केवल उसे अधिकतम करने की।
  • जादू: उन्हें विविध होने के लिए किसी नियम की आवश्यकता नहीं है। विविधता स्वाभाविक रूप से आती है क्योंकि उनकी रणनीति इनाम के आधार पर नमूने लेना है, न कि केवल उसे अधिकतम करना।

प्रयोग: उन्हें परखना

शोधकर्ताओं ने दोनों रोबलों को चिकित्सीय पेप्टाइड्स डिजाइन करने के काम पर लगाया। उन्होंने दो परिदृश्यों में उनका परीक्षण किया:

परिदृश्य A: "सख्त" शेफ (सुरक्षा नियमों के साथ)
दोनों रोबोटों को एक रिवॉर्ड सिस्टम दिया गया जिसमें एक "डाइवर्सिटी गेट" (एक नियम जो दोहराव वाली, उबाऊ रेसिपी को रोकता है) शामिल था।

  • परिणाम: दोनों रोबोट सतह पर अच्छे दिखे। दोनों ने बहुत सारे अलग-अलग सूप के नाम बनाए।
  • पेंच: जब शोधकर्ताओं ने करीब से देखा (सामग्री को देखा), तो पुराने रोबोट (GRPO) ने अभी भी बार-बार वही 3 सामग्रियां डाल दी थीं। नए रोबोट (GFlowNet) ने वास्तव में बहुत विविध सामग्रियों का उपयोग किया।

परिदृश्य B: "रिलैक्स्ड" शेफ (बिना सुरक्षा नियमों के)
शोधकर्ताओं ने यह देखने के लिए "डाइवर्सिटी गेट" हटा दिया कि क्या होता है जब नियम हटा दिए जाते हैं।

  • पुराना रोबोट (GRPO): पूरी तरह से आपदा। यह तुरंत ढह गया। इसके 100% रेसिपी बिल्कुल एक ही दोहराव वाले पैटर्न थे (जैसे एक सूप जो बस कहता है "नमक, नमक, नमक")।
  • नया रोबोट (GFlowNet): इसने पूरी तरह से काम करना जारी रखा। इसने अभी भी विविध और स्वस्थ मिश्रण तैयार किया। इसे विविध रहने के लिए सुरक्षा गेट की आवश्यकता नहीं थी; इसे इसी तरह बनाया गया था।

यह क्यों मायने रखता है? (द "स्ट्रक्चरल हेज")

दवा खोज को पैसे निवेश करने की तरह समझें।

  • पुराना तरीका: आप अपना सारा पैसा एक ही स्टॉक में लगाते हैं क्योंकि वह सबसे अच्छा प्रदर्शन करता दिख रहा है। यदि वह स्टॉक गिर जाता है, तो आप सब कुछ खो देते हैं।
  • नया तरीका (GFlowNet): आप अलग-अलग स्टॉक्स का एक पोर्टफोलियो खरीदते हैं। कुछ हाई-रिस्क/हाई-रिवॉर्ड हैं, कुछ स्थिर हैं। यदि एक विफल होता है, तो दूसरे सफल हो सकते हैं।

ड्रग डिस्कवरी में, हमें ठीक से नहीं पता कि कौन सी रासायनिक संरचना मानव शरीर में सबसे अच्छी काम करेगी। विभिन्न प्रकार के उम्मीदवारों (कुछ स्थिर, कुछ चिपचिपे, कुछ तेज़ असर वाले) का एक विविध पोर्टफोलियो बनाकर, GFlowNet यह सुनिश्चित करता है कि यदि एक प्रकार की दवा विफल हो जाती है, तो हमारे पास आज़माने के लिए पूरी तरह से अलग प्रकार की अन्य दवाएं तैयार हैं। इसे स्ट्रक्चरल हेजिंग (Structural Hedging) कहा जाता है।

निष्कर्ष

यह पेपर दिखाता है कि GFlowNet दवाओं को डिजाइन करने का एक स्मार्ट तरीका है।

  • यह केवल "परफेक्ट" उत्तर के पीछे नहीं भागता; यह पूरे परिदृश्य की खोज करता है।
  • यह जटिल नियमों की आवश्यकता के बिना स्वाभाविक रूप से विविध उम्मीदवारों का उत्पादन करता है।
  • यह अधिक मजबूत है: जब नियम बदलते हैं या हटा दिए जाते हैं, तब भी यह टूटता नहीं है।

संक्षेप में, जबकि अन्य AI एक टेनिस बॉल के पीछे भागने वाले कुत्ते की तरह हैं, GFlowNet पूरे पार्क की खोज करने वाले कुत्ते की तरह है, जो हर जगह गेंदें, छड़ें और पत्तियां ढूंढ रहा है, जिससे हमें अगले चमत्कारिक ड्रग को खोजने का बेहतर मौका मिलता 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।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 💻 bioinformatics →