💻 bioinformatics

Joint Learning of Drug-Drug Combination and Drug-DrugInteraction via Coupled Tensor-Tensor Factorization with SideInformation

यह शोध पत्र SI-ADMM का प्रस्ताव करता है, जो एक नवीन संयुक्त शिक्षण ढांचा है जो युग्मित टेंसर-टेंसर गुणनखंडन (coupled tensor-tensor factorization) पर आधारित है और जो प्रभावी ड्रग संयोजनों और ड्रग-ड्रग इंटरैक्शन की एक साथ भविष्यवाणी करने के लिए मल्टी-व्यू सहायक ड्रग सूचना को एकीकृत करता है, जो मानक पूर्णता (standard completion) और यथार्थवादी नई-ड्रग भविष्यवाणी परिदृश्यों दोनों में बेहतर सुदृढ़ता और प्रदर्शन प्रदर्शित करता है।

मूल लेखक: Zhang, X., Fang, Z., Tang, K., Chen, H., Li, J.

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhang, X., Fang, Z., Tang, K., Chen, H., Li, J.

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 आप एक शेफ हैं जो एक जटिल बीमारी से जूझ रहे मरीज के लिए एकदम सही भोजन बनाने की कोशिश कर रहे हैं। आपके पास सामग्री (दवाओं) का एक विशाल भंडार है। कभी-कभी, दो विशिष्ट सामग्रियों को मिलाने से एक जादुई व्यंजन बनता है जो बीमारी को ठीक कर देता है (एक ड्रग कॉम्बिनेशन)। लेकिन अन्य समय में, दो सामग्रियों को मिलाने से एक जहरीला घोल बन जाता है जो मरीज को और अधिक बीमार कर देता है (एक ड्रग-ड्रग इंटरेक्शन या साइड इफेक्ट)।

समस्या क्या है? रसोई का भंडार बहुत बड़ा है, रेसिपी बुक अधूरी है, और कई सामग्रियां हमारे लिए बिल्कुल नई हैं। हर संभावित संयोजन को चखकर यह अनुमान लगाना कि कौन सा मिश्रण काम करता है और कौन सा नहीं, असंभव, खतरनाक और बहुत अधिक समय लेने वाला है।

यह पेपर SI-ADMM नामक एक स्मार्ट कंप्यूटर सिस्टम पेश करता है जो इस पहेली को सुलझाने के लिए एक "सुपर शेफ के सहायक" की तरह काम करता है। यह कैसे काम करता है, इसे सरल अवधारणाओं में यहाँ समझाया गया है:

1. एक ही सिक्के के दो पहलू

आमतौर पर, वैज्ञानिक "अच्छे मिश्रणों" (इलाज) और "बुरे मिश्रणों" (साइड इफेक्ट्स) को दो पूरी तरह से अलग समस्याओं के रूप में देखते हैं। वे इलाज खोजने के लिए एक टीम का उपयोग करते हैं और खतरों को खोजने के लिए दूसरी टीम का।

लेखकों ने महसूस किया कि ये दोनों चीजें वास्तव में एक ही सिक्के के दो पहलू हैं। ये दोनों एक ही सामग्रियों (दवाओं) और एक ही जैविक नियमों पर निर्भर करते हैं। यदि आप समझते हैं कि एक "अच्छे मिश्रण" में एक दवा कैसे व्यवहार करती है, तो आप अक्सर यह भी समझ सकते हैं कि वह "बुरे मिश्रण" में कैसे व्यवहार करेगी, और इसके विपरीत भी।

उपमा: कल्पना कीजिए कि आप कार चलाना सीख रहे हैं। यदि आप कार को पूरी तरह से पार्क करना (अच्छा परिणाम) सीखते हैं, तो आप यह भी सीख जाते हैं कि कार कहाँ फिट नहीं होगी (बुरा परिणाम)। दोनों को एक साथ अध्ययन करके, आप एक बेहतर ड्राइवर तेजी से बनते हैं। यह पेपर एक साथ "पार्किंग" और "क्रैशिंग" दोनों को सीखने का निर्माण करता है।

2. "3D पहेली" (टेन्सर्स)

उनका डेटा एक विशाल, बहु-स्तरीय 3D पहेली की तरह है।

लेयर 1: ड्रग A
लेयर 2: ड्रग B
लेयर 3: बीमारी (या साइड इफेक्ट का प्रकार)

पहेली के अधिकांश हिस्से गायब हैं। हमें नहीं पता कि बीमारी X के लिए ड्रग A और ड्रग B के मिलने पर क्या होगा। कंप्यूटर का काम उन लापता हिस्सों को भरना है।

3. "साइड इंफॉर्मेशन" का उपयोग करना (सुराग)

चूंकि पहेली इतनी अधूरी है, इसलिए कंप्यूटर को सुरागों की आवश्यकता है। यहीं पर साइड इंफॉर्मेशन काम आती है। सिस्टम प्रत्येक दवा के "व्यक्तित्व" को देखता है:

रासायनिक संरचना (Chemical Structure): क्या यह एक लेगो ब्रिक की तरह है या एक चिकने संगमरमर की तरह? (समान आकार अक्सर समान रूप से कार्य करते हैं)।
साइड इफेक्ट्स: यदि ड्रग A आपको सुस्त बनाती है, और ड्रग B भी आपको सुस्त बनाती है, तो वे शायद एक गुप्त संबंध साझा करते हैं।
टारगेट्स (Targets): वे शरीर के किस हिस्से पर हमला करते हैं?

उपमा: कल्पना कीजिए कि आप एक ऐसी फिल्म का अनुमान लगाने की कोशिश कर रहे हैं जो आपने कभी नहीं देखी है। आपके पास स्क्रिप्ट (डेटा) नहीं है, लेकिन आप अभिनेताओं (दवाओं) और निर्देशक (रासायनिक संरचना) को जानते हैं। यदि आप जानते हैं कि अभिनेता आमतौर पर खलनायक की भूमिका निभाता है, तो आप अनुमान लगा सकते हैं कि फिल्म एक थ्रिलर हो सकती है। कंप्यूटर इन "अभिनेता प्रोफाइल्स" का उपयोग लापता प्लॉट पॉइंट्स का अनुमान लगाने के लिए करता है।

4. "नई दवा" की चुनौती (कोल्ड स्टार्ट)

किसी भी भविष्यवाणी प्रणाली के लिए सबसे कठिन परीक्षण एक नई दवा है। कल्पना कीजिए कि कल ही एक बिल्कुल नई दवा बनाई गई है। किसी ने भी इसे किसी और चीज़ के साथ टेस्ट नहीं किया है।

पुराने तरीके कहेंगे: "मेरे पास इस दवा का कोई डेटा नहीं है। मैं अनुमान नहीं लगा सकता।"
यह नया तरीका (SI-ADMM) कहता है: "मैंने इस विशिष्ट दवा को पहले कभी नहीं देखा है, लेकिन मुझे पता है कि इसकी रासायनिक संरचना ड्रग X जैसी है, और ड्रग X को ड्रग Y के साथ मिलाने पर आमतौर पर हृदय संबंधी समस्याएं होती हैं। इसलिए, मैं भविष्यवाणी करता हूँ कि यह नई दवा भी हृदय संबंधी समस्याएं पैदा कर सकती है।"

यह एक पार्टी में एक नए व्यक्ति से मिलने जैसा है। आप उन्हें नहीं जानते, लेकिन आप जानते हैं कि उन्होंने उसी यूनिफॉर्म को पहना है जो लोगों के एक समूह द्वारा पहनी जाती है जिसे आप पहले से जानते हैं। आप उस समूह के आधार पर उनके व्यक्तित्व के बारे में एक शिक्षित अनुमान लगा सकते हैं।

5. कंप्यूटर कैसे सीखता है (एल्गोरिदम)

इसके पीछे का गणित जटिल है, लेकिन इसे एक रस्साकशी (tug-of-war) के रूप में सोचें जो अंततः संतुलन पा लेती है।

कंप्यूटर पहेली के टुकड़ों को एक साथ फिट करने की कोशिश करता है।
यह देखने के लिए कि क्या वे पैटर्न से मेल खाते हैं, यह "रासायनिक सुरागों" और "साइड इफेक्ट सुरागों" पर खिंचाव डालता है।
यह सुनिश्चित करने के लिए कि "अच्छे मिश्रण" की पहेली और "बुरे मिश्रण" की पहेली एक ही अंतर्निहित तर्क का उपयोग करके हल की जाए, यह एक विशेष गणितीय तकनीक (Coupled Tensor Factorization) का उपयोग करता है।
यह तब तक समायोजन करता रहता है जब तक कि तस्वीर समझ में न आ जाए, यह सुनिश्चित करते हुए कि यदि ड्रग A और ड्रग B कैंसर के लिए एक साथ अच्छे हैं, तो वे गलती से एक साथ जहरीले नहीं होने चाहिए, जब तक कि सुराग ऐसा न कहें।

यह क्यों महत्वपूर्ण है

सुरक्षा: यह डॉक्टरों को मनुष्यों पर परीक्षण करने से पहले खतरनाक ड्रग संयोजनों से बचने में मदद करता है।
इलाज: यह कैंसर जैसी बीमारियों से लड़ने के लिए मौजूदा दवाओं को मिलाने के नए तरीके खोजता है।
गति: यह लैब में परीक्षण और त्रुटि (trial-and-error) के वर्षों को बचा लेता है क्योंकि यह सर्वोत्तम (और सबसे खराब) संयोजनों की तुरंत भविष्यवाणी कर सकता है।

संक्षेप में: यह पेपर एक स्मार्ट, ऑल-इन-वन सिस्टम प्रस्तुत करता है जो दवाओं, उनकी रासायनिक आकृतियों और उनके साइड इफेक्ट्स को एक साथ देखता है। यह जो कुछ भी यह जानता है उससे सीखता है ताकि जो वह नहीं जानता उसकी भविष्यवाणी कर सके, जिससे हमें जीवन रक्षक दवा मिश्रण खोजने के साथ-साथ खतरनाक संयोजनों से बचने में मदद मिलती है, यहाँ तक कि उन दवाओं के लिए भी जिन्हें हमने पहले कभी नहीं देखा है।

यहाँ शोध पत्र "Joint Learning of Drug-Drug Combination and Drug-Drug Interaction via Coupled Tensor-Tensor Factorization with Side Information" (SI-ADMM) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या की परिभाषा

यह शोध पत्र फार्माकोलॉजी (औषधि विज्ञान) की दो महत्वपूर्ण चुनौतियों का समाधान करता है:

ड्रग-ड्रग सिनर्जी (कॉम्बिनेशन): विशिष्ट रोगों के उपचार के लिए एक साथ प्रभावी ढंग से काम करने वाले ड्रग पेयर्स (दवा युग्मों) की पहचान करना।
प्रतिकूल ड्रग-ड्रग इंटरैक्शन (DDIs): दवाओं के बीच उन हानिकारक अंतःक्रियाओं की भविष्यवाणी करना जो दुष्प्रभावों का कारण बनती हैं।

मुख्य चुनौतियाँ:

डेटा स्पैरसिटी (डेटा की विरलता): वास्तविक दुनिया के डेटाबेस में ज्ञात ड्रग-ड्रग-डिजीज एसोसिएशन और DDI प्रोफाइल अत्यंत विरल (sparse) होते हैं।
संदर्भ निर्भरता (Context Dependence): अंतःक्रिया के परिणाम रोग के विशिष्ट संदर्भ और अंतःक्रिया के तंत्र पर बहुत अधिक निर्भर करते हैं।
पृथक मॉडलिंग (Isolated Modeling): मौजूदा विधियाँ आमतौर पर सिनर्जी भविष्यवाणी और DDI भविष्यवाणी को अलग-अलग समस्याओं के रूप में देखती हैं, जिससे उनके बीच के साझा जैविक तंत्रों और गुप्त कारकों (latent factors) की अनदेखी होती है।
कोल्ड-स्टार्ट (नए ड्रग्स): नए विकसित किए गए ड्रग्स, जिनके पास ऐतिहासिक अंतःक्रिया डेटा नहीं है, उनके लिए अंतःक्रियाओं की भविष्यवाणी करना कठिन है।

लेखक एक संयुक्त शिक्षण ढांचे (joint learning framework) का प्रस्ताव करते हैं जो दो युग्मित टेंसरों: एक ड्रग-ड्रग-डिजीज टेंसर ( $X$ ) और एक ड्रग-ड्रग-इंटरैक्शन टेंसर ( $Y$ ) में लुप्त प्रविष्टियों को एक साथ रिकवर करने के लिए साइड इंफॉर्मेशन (सहायक जानकारी) का लाभ उठाता है।

2. कार्यप्रणाली: SI-ADMM

प्रस्तावित विधि, SI-ADMM (Side Information - Alternating Direction Method of Multipliers), युग्मित टेंसर अपघटन (coupled tensor decomposition) को मल्टी-व्यू साइड इंफॉर्मेशन के साथ एकीकृत करती है।

A. समस्या का निरूपण (Problem Formulation)

टेंसर (Tensors):
- $\mathcal{X} \in \mathbb{R}^{n \times n \times m}$ : ड्रग-ड्रग-डिजीज टेंसर (सिनर्जी)।
- $\mathcal{Y} \in \mathbb{R}^{n \times n \times t}$ : ड्रग-ड्रग-DDI टेंसर (प्रतिकूल अंतःक्रियाएं)।
- दोनों में समान ड्रग मोड्स ( $n$ ड्रग्स) साझा हैं, जो साझा गुप्त निरूपण (shared latent representations) की अनुमति देते हैं।
लक्ष्य: अपूर्ण अवलोकनों $\mathcal{T}$ और $\mathcal{O}$ से पूर्ण टेंसर $\mathcal{X}$ और $\mathcal{Y}$ को रिकवर करना।

B. युग्मित टेंसर अपघटन (Coupled Tensor Decomposition)

लेखक INDSCAL अपघटन (CP अपघटन का एक सममित संस्करण) का उपयोग करते हैं।

साझा गुप्त कारक (Shared Latent Factors): ड्रग लेटेंट फैक्टर मैट्रिक्स $U$ दोनों टेंसरों में साझा है।
अपघटन:
- $\mathcal{X} \approx \sum_{r=1}^R u_r \circ u_r \circ v_r$
- $\mathcal{Y} \approx \sum_{r=1}^R u_r \circ u_r \circ w_r$
- जहाँ $u_r$ ड्रग फैक्टर्स, $v_r$ डिजीज फैक्टर्स, और $w_r$ DDI प्रकार के फैक्टर्स का प्रतिनिधित्व करते हैं।

C. साइड इंफॉर्मेशन का एकीकरण (Multi-View Learning)

स्पैरसिटी को संबोधित करने के लिए, मॉडल ड्रग साइड इंफॉर्मेशन के $n_a$ व्यूज (जैसे रासायनिक संरचना, दुष्प्रभाव, टारगेट प्रोफाइल, IC50 स्कोर) को शामिल करता है, जिन्हें समानता मैट्रिसेस (similarity matrices) $S^{(i)}$ के रूप में व्यवस्थित किया गया है।

गिल्ट-बाय-एसोसिएशन (Guilt-by-Association): मॉडल यह मानता है कि समान साइड इंफॉर्मेशन वाले ड्रग्स के गुप्त कारक (latent factors) समान होने चाहिए।
साइड इंफॉर्मेशन का अपघटन: प्रत्येक समानता मैट्रिक्स $S^{(i)}$ को एक लेटेंट मैट्रिक्स $U^{(i)}$ में अपघटित किया जाता है।
कपलिंग बाधा (Coupling Constraint): साइड इंफॉर्मेशन से प्राप्त लेटेंट फैक्टर्स ( $U^{(i)}$ ) को मुख्य ड्रग लेटेंट फैक्टर $U$ के करीब रहने के लिए बाधित किया जाता है (एक स्केलिंग मैट्रिक्स $Q^{(i)}$ तक)।

D. अनुकूलन उद्देश्य (Optimization Objective)

ऑब्जेक्टिव फंक्शन गैर-ऋणात्मकता बाधाओं (non-negativity constraints) के अधीन दोनों टेंसरों और साइड इंफॉर्मेशन मैट्रिसेस के पुनर्निर्माण त्रुटि (reconstruction error) को कम करता है:
$\min f = a \|\mathcal{X} - \llbracket U, U, V \rrbracket\|_F^2 + b \|\mathcal{Y} - \llbracket U, U, W \rrbracket\|_F^2 + \sum_{i=1}^{n_a} \alpha_i \left( \|A^{(i)} \circ (S^{(i)}_A - C^{(i)}U^{(i)T}\|_F^2 + \|U^{(i)}Q^{(i)} - U\|_F^2 \right)$

$a, b, \alpha_i$ : टेंसर और साइड इंफॉर्मेशन योगदान को संतुलित करने वाले वेट्स (weights) हैं।
$A^{(i)}$ : साइड इंफॉर्मेशन में लुप्त मानों के लिए बाइनरी मास्क है।

E. SI-ADMM एल्गोरिदम

इस गैर-कॉन्वेक्स (non-convex), उच्च-क्रम अनुकूलन समस्या को कुशलतापूर्वक हल करने के लिए, लेखकों ने एक संशोधित ADMM एल्गोरिदम विकसित किया है:

वेरिएबल स्प्लिटिंग (Variable Splitting): चौथे-क्रम के पदों को डीकपल करने के लिए सहायक चर $D$ और $C^{(i)}$ पेश करता है, जिससे समस्या दूसरे-क्रम (second-order) में बदल जाती है।
ऑगमेंटेड लैग्रेंजियन (Augmented Lagrangian): बाधाओं ( $D=U, C^{(i)}=U^{(i)}$ ) को संभालने के लिए एक आंशिक ऑगमेंटेड लैग्रेंजियन फंक्शन बनाता है।
अल्टरनेटिंग अपडेट्स (Alternating Updates): मैट्रिक्स डेरिवेटिव से प्राप्त क्लोज्ड-फॉर्म समाधानों का उपयोग करके लेटेंट मैट्रिसेस ( $U, V, W, U^{(i)}$ ) और लैग्रेंज मल्टीप्लायर्स को पुनरावृत्ति (iteratively) के माध्यम से अपडेट करता है।
अभिसरण (Convergence): एडेप्टिव पेनल्टी पैरामीटर अपडेट्स ( $\rho, \eta$ ) के माध्यम से अभिसरण सुनिश्चित करता है।

3. प्रमुख योगदान

एकीकृत ढांचा (Unified Framework): युग्मित टेंसर अपघटन का उपयोग करके ड्रग सिनर्जी और प्रतिकूल DDI भविष्यवाणी को संयुक्त रूप से मॉडल करने वाला पहला मॉडल, जो साझा गुप्त ड्रग फैक्टर्स का लाभ उठाता है।
SI-ADMM एल्गोरिदम: एक कुशल अनुकूलन एल्गोरिदम जो अत्यधिक डेटा स्पैरसिटी और सहायक डेटा में लुप्त मानों को संभालने के लिए मल्टी-व्यू साइड इंफॉर्मेशन को एकीकृत करता है।
मजबूत न्यू-ड्रग भविष्यवाणी: "कोल्ड-स्टार्ट" परिदृश्यों में उत्कृष्ट प्रदर्शन, जहाँ किसी विशिष्ट ड्रग के लिए सभी अंतःक्रियाएं हटा दी गई हैं—यह एक महत्वपूर्ण वास्तविक दुनिया का उपयोग मामला है।
व्यापक मूल्यांकन: DrugBank, CDCDB, SIDER और PubChem से बड़े पैमाने के डेटासेट पर मान्य, जो स्टेट-ऑफ-द-आर्ट बेसलाइन्स से बेहतर प्रदर्शन करता है।

4. प्रयोगात्मक परिणाम

डेटासेट

स्रोत: DrugBank, CDCDB, SIDER, PubChem, BindingDB।
पैमाना: 1,070 अद्वितीय ड्रग्स, 238 बीमारी के प्रकार, 81 DDI प्रकार।
स्पैरसिटी: अत्यंत उच्च ( $\mathcal{X}$ के लिए 0.0025%, $\mathcal{Y}$ के लिए 0.106%)।

बेसलाइन्स (Baselines)

इनके विरुद्ध तुलना की गई:

CP: मानक टेंसर अपघटन (बिना साइड इंफॉर्मेशन के)।
TF-AI: सहायक जानकारी के साथ टेंसर फैक्टराइजेशन।
TDRC: रिलेशनल बाधाओं के साथ टेंसर अपघटन।
CTF-DDI: DDIs के लिए कंस्ट्रेंड टेंसर फैक्टराइजेशन।

प्रदर्शन मेट्रिक्स

रैंडम प्रेडिक्शन टास्क: SI-ADMM ने दोनों टेंसरों के लिए उच्चतम AUC और AUPR प्राप्त किया।
- टेंसर X (सिनर्जी): AUPR 93.97% (सर्वश्रेष्ठ बेसलाइन के 91.49% के मुकाबले)।
- टेंसर Y (DDI): AUC 98.21% (सर्वश्रेष्ठ बेसलाइन के 97.85% के मुकाबले)।
न्यू-ड्रग प्रेडिक्शन (कोल्ड-स्टार्ट):
- SI-ADMM ने DDIs के लिए Hit Rate@100 का 55.20% प्राप्त किया, जो अगले सर्वश्रेष्ठ (CTF-DDI 33.60%) से काफी बेहतर है।
- मानक CP इस सेटिंग में पूरी तरह विफल रहा (शून्य वेक्टर लौटाया), क्योंकि इसमें साइड इंफॉर्मेशन का अभाव है।
संरचनात्मक विश्लेषण: एग्रीगेटेड टेंसरों के हीटमैप्स ने दिखाया कि SI-ADMM ने अत्यधिक स्पैरसिटी के बावजूद वैश्विक अंतःक्रिया पैटर्न (सघन ब्लॉक और बैंड) को सफलतापूर्वक रिकवर किया।
केस स्टडीज: शीर्ष भविष्यवाणियों में चिकित्सकीय रूप से तर्कसंगत संयोजन (जैसे अर्थ्रोपैथी के लिए इबुप्रोफेन/एसिटामिनोफेन) और ज्ञात प्रतिकूल अंतःक्रियाएं (जैसे वारफारिन/एसिनोकूमरोल द्वारा एंटीकोअगुलेंट गतिविधि बढ़ाना) शामिल थे।

5. महत्व और प्रभाव

नैदानिक प्रासंगिकता (Clinical Relevance): लाभकारी संयोजनों और हानिकारक अंतःक्रियाओं दोनों की भविष्यवाणी करने की क्षमता एक साथ दवा सुरक्षा और प्रभावकारिता का अधिक समग्र दृश्य प्रदान करती है, जो सीधे नैदानिक निर्णय लेने में सहायता करती है।
स्पैरसिटी को संभालना: साइड इंफॉर्मेशन (रासायनिक, जैविक और फेनोटाइपिक) का प्रभावी ढंग से लाभ उठाकर, मॉडल बायोमेडिकल डेटा माइनिंग में सामान्य "डेटा की कमी" की बाधा को दूर करता है।
नई दवा खोज (New Drug Discovery): नई ड्रग सेटिंग में मजबूत प्रदर्शन यह सुझाव देता है कि यह विधि उभरते हुए यौगिकों की स्क्रीनिंग के लिए व्यवहार्य है जहाँ ऐतिहासिक अंतःक्रिया डेटा मौजूद नहीं है।
भविष्य की दिशाएं: लेखक आणविक संरचनाओं और हेटेरोजेनियस नेटवर्क में गैर-रेखीय संबंधों को पकड़ने के लिए ग्राफ न्यूरल नेटवर्क (GNN) को एकीकृत करने की योजना बना रहे हैं, जिससे भविष्य में भविष्य कहने की शक्ति और बढ़ सकेगी।

निष्कर्षतः, SI-ADMM कम्प्यूटेशनल फार्माकोलॉजी में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो ड्रग थेरेपी और सुरक्षा प्रोफाइल के संयुक्त पूर्वानुमान के लिए एक मजबूत, व्याख्या योग्य और उच्च-प्रदर्शन समाधान प्रदान करता है।