Drug-Target Interaction Prediction with PIGLET
PIGLET एक नवीन ग्राफ ट्रांसफार्मर विधि है जो ड्रग-टारगेट इंटरैक्शन की भविष्यवाणी करने के लिए एक प्रोटिओम-व्यापी नॉलेज ग्राफ का लाभ उठाती है, जो कठोर ड्रग-आधारित स्प्लिट्स पर मौजूदा मॉडलों की तुलना में बेहतर प्रदर्शन प्रदर्शित करती है और वास्तविक दुनिया की ड्रग डिस्कवरी में इसकी उपयोगिता को सिद्ध 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
कल्पना कीजिए कि आप एक जासूस हैं जो एक बहुत बड़े रहस्य को सुलझाने की कोशिश कर रहे हैं: कौन सा विशिष्ट ताला (मानव शरीर में एक प्रोटीन) किस विशिष्ट चाबी (एक दवा) द्वारा खोला जा सकता है?
यही ड्रग-टारगेट इंटरैक्शन (DTI) भविष्यवाणी का मुख्य आधार है। यदि आप इसकी सटीक भविष्यवाणी कर सकते हैं, तो आप बीमारियों के इलाज बहुत तेज़ी से खोज सकते हैं।
लंबे समय से, कंप्यूटर वैज्ञानिक इसे "डीप लर्निंग" (सुपर-स्मार्ट AI) का उपयोग करके हल करने की कोशिश कर रहे हैं। लेकिन समस्या यह है कि अधिकांश AI मॉडल उन छात्रों की तरह हैं जो उत्तरों को रटकर परीक्षा पास करने में तो माहिर होते हैं, लेकिन जब उनसे थोड़ा अलग सवाल पूछा जाता है, तो वे विफल हो जाते हैं। वे परीक्षा शुरू होने से पहले ही टेस्ट के सवालों को देखकर नकल भी करते हैं (इसे "डेटा लीकेज" नामक समस्या कहा जाता है)।
यहाँ आता है PIGLET, एक नई विधि जिसे स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं द्वारा विकसित किया गया है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:
1. पुराना तरीका बनाम PIGLET का तरीका
- पुराना तरीका (एक "रिज्यूमे" वाला दृष्टिकोण): पिछले अधिकांश मॉडल एक दवा और प्रोटीन को ऐसे देखते थे जैसे वे उनका रिज्यूमे पढ़ रहे हों। उन्होंने दवा की रासायनिक संरचना (जैसे सामग्री की सूची) और प्रोटीन के अनुक्रम (जैसे अमीनो एसिड की सूची) को देखा। उन्होंने केवल उन सूचियों के आधार पर यह अनुमान लगाने की कोशिश की कि वे आपस में फिट होंगे या नहीं।
- PIGLET का तरीका (एक "सोशल नेटवर्क" वाला दृष्टिकोण): PIGLET केवल दवा और प्रोटीन को अलग-थलग नहीं देखता। यह पूरे मानव शरीर का एक विशाल सामाजिक नेटवर्क ("नॉलेज ग्राफ") बनाता है।
- यह जानता है कि कौन से प्रोटीन एक-दूसरे के साथ मेल-जोल रखते हैं (प्रोटीन-प्रोटीन इंटरेक्शन)।
- यह जानता है कि कौन सी दवाएं एक जैसी दिखती हैं।
- सबसे महत्वपूर्ण बात, यह उस "पॉकेट" के आकार को भी देखता है जहाँ दवा फिट होती है। भले ही दो प्रोटीन बाहर से बहुत अलग दिखें, लेकिन यदि उनके "पॉकेट" का आकार एक जैसा है, तो PIGLET जानता है कि वे एक ही दवा को स्वीकार कर सकते हैं।
उपमा: कल्पना कीजिए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि पार्टी में आया एक नया व्यक्ति किसका दोस्त बनेगा।
- पुराना AI उस नए व्यक्ति के कपड़ों और नाम को देखता है और उसके आधार पर अनुमान लगाता है।
- PIGLET उस नए व्यक्ति के पूरे सामाजिक दायरे को देखता है। वह देखता है कि वह किसके बगल में खड़ा है, वह किससे बात कर रहा है, और उस समूह में आमतौर पर किस तरह के लोग रहते हैं। यह "जुड़ाव के आधार पर दोष" (guilt by association) के सिद्धांत का उपयोग करता है: यदि आपका नया दोस्त उन लोगों के साथ घूमता है जिन्हें जैज़ संगीत पसंद है, तो संभवतः उसे भी जैज़ पसंद होगा।
2. "कठोर परीक्षण" (वास्तविक दुनिया की चुनौती)
शोधकर्ताओं ने महसूस किया कि अधिकांश AI मॉडल नकल कर रहे थे। उन्होंने डेटा को बेतरतीब ढंग से विभाजित करके उनका परीक्षण किया, जिसका अर्थ था कि AI ने प्रशिक्षण (training) और परीक्षण (testing) दोनों समूहों में बहुत समान दवाओं को देख लिया था। यह एक छात्र को अभ्यास टेस्ट देने जैसा था जिसमें वास्तविक परीक्षा के प्रश्न बिल्कुल वही थे।
इसलिए, टीम ने एक कठिन परीक्षण बनाया:
- उन्होंने दवाओं को उनकी समानता के आधार पर समूहों में बांटा।
- उन्होंने सभी समान दवाओं को "प्रशिक्षण" समूह में रखा और एक बिल्कुल अलग समूह को "परीक्षण" के लिए रोक कर रखा।
- यह वास्तविक दुनिया का अनुकरण करता है: क्या होता है जब एक बिल्कुल नई, पहले कभी न देखी गई दवा बनाई जाती है? क्या AI अभी भी यह अनुमान लगा सकता है कि वह क्या करती है?
परिणाम:
- पुराने मॉडल (जो "नकलची" थे) इस कठिन परीक्षण में बुरी तरह विफल रहे। क्योंकि वे नई दवाओं को नहीं संभाल सके, इसलिए उनके स्कोर गिर गए।
- PIGLET बहुत आगे निकल गया। क्योंकि इसने केवल विशिष्ट दवाओं के नामों को रटने के बजाय संबंधों और आकारों को सीखा, इसलिए यह सफलतापूर्वक भविष्यवाणी कर सका कि नई दवाएं शरीर के साथ कैसे प्रतिक्रिया करेंगी।
3. "क्रिस्टल बॉल" केस स्टडी
यह साबित करने के लिए कि PIGLET वास्तविक दुनिया में काम करता है, शोधकर्ताओं ने 11 बिल्कुल नई दवाओं का अध्ययन किया जिन्हें 2025 में (पेपर के भविष्य के टाइमलाइन के अनुसार) FDA द्वारा अनुमोदित किया गया था। ये दवाएं AI द्वारा पहले कभी नहीं देखी गई थीं।
PIGLET ने कई नई दवाओं के लक्ष्यों की सफलतापूर्वक भविष्यवाणी की। उदाहरण के लिए, इसने सही ढंग से पहचाना कि एक नई दवा जिसका नाम Aceclidine है, वह शरीर के विशिष्ट रिसेप्टर्स के साथ कैसे इंटरैक्ट करेगी, भले ही AI ने पहले कभी Aceclidine को "देखा" न हो। यह ऐसा था जैसे AI ने "सामाजिक नेटवर्क" की अपनी समझ का उपयोग करके नए व्यक्ति के शौक का सही अनुमान लगा लिया हो।
4. यह क्यों मायने रखता है
- गति: PIGLET अविश्वसनीय रूप से तेज़ है। जबकि अन्य जटिल मॉडलों को प्रशिक्षित करने में घंटों लगते थे, PIGLET मिनटों में पूरा हो गया।
- विश्वसनीयता: यह केवल नकल करके उच्च स्कोर नहीं देता; यह वास्तव में जीव विज्ञान को समझता है।
- वास्तविक दुनिया का उपयोग: यह केवल गणित का खेल नहीं है। यह वैज्ञानिकों को "ऑफ-टारगेट" प्रभावों (दुष्प्रभावों) को खोजने या नई बीमारियों के लिए पुरानी दवाओं के पुन: उपयोग करने में बहुत तेज़ी से मदद करता है।
निष्कर्ष
PIGLET को एक ऐसे जासूस के रूप में सोचें जो केवल संदिग्धों और अपराधों की सूची को रटता नहीं है। इसके बजाय, यह पूरे शहर के सामाजिक जाल को समझता है। जब कोई नया अपराधी (दवा) आता है, तो PIGLET घबराता नहीं है; वह उस इलाके और उन लोगों को देखता है जिनके साथ वह जुड़ा हुआ है ताकि यह पता लगाया जा सके कि वह वास्तव में क्या करने वाला है।
यह दृष्टिकोण हमें "याददाश्त के आधार पर अनुमान लगाने" से "समझ के आधार से भविष्यवाणी करने" की ओर ले जाता है, जो नई दवाओं की खोज के लिए एक बहुत बड़ा कदम 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।