💻 bioinformatics

Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles

यह शोध पत्र RigidSSL प्रस्तुत करता है, जो एक रिजिडिटी-अवेयर (rigidity-aware) स्व-पर्यवेक्षित शिक्षण ढांचा है जो प्रोटीन डिजाइनक्षमता, नवीनता और जैव-भौतिक रूप से यथार्थवादी विन्यास संबंधी एन्सेम्बल के मॉडलिंग को महत्वपूर्ण रूप से बढ़ाने के लिए स्थिर संरचनाओं और आणविक गतिशीलता प्रक्षेपवक्रों पर ज्यामितीय प्रीट्रेनिंग का लाभ उठाता है।

मूल लेखक: Ni, Z., Li, Y., Qiu, Z., Schölkopf, B., Guo, H., Liu, W., Liu, S.

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ni, Z., Li, Y., Qiu, Z., Schölkopf, B., Guo, H., Liu, W., Liu, S.

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 रोबोट को शून्य से बिल्कुल नए, कार्यात्मक प्रोटीन (functional proteins) डिजाइन करना सिखाने की कोशिश कर रहे हैं। प्रोटीन हमारे शरीर के भीतर मौजूद नन्हे, जटिल मशीनें हैं जो वायरस से लड़ने से लेकर मांसपेशियों के निर्माण तक सब कुछ करती हैं। काम करने के लिए, उन्हें बहुत विशिष्ट 3D आकृतियों में मुड़ने (fold होने) की आवश्यकता होती है।

लंबे समय तक, प्रोटीन डिजाइन करने वाले AI मॉडल ऐसे थे जैसे कोई नौसिखिया शेफ बिना रसोई देखे केक बनाने की कोशिश कर रहा हो। वे जानते हैं कि सामग्री (अमीनो एसिड) क्या है, लेकिन वे इस भौतिकी (physics) को समझने में संघर्ष करते हैं कि केक कैसे फूलेगा, या वे रेसिपी और बेकिंग की भौतिकी दोनों को एक साथ सीखने की कोशिश में उलझ जाते हैं।

यह पेपर एक नई विधि पेश करता है जिसे RigidSSL (रिजिडिटी-अवेयर सेल्फ-सुपरवाइज्ड लर्निंग) कहा जाता है। इसे एक दो-चरणीय "मास्टर क्लास" के रूप में समझें जो AI को कुछ भी नया डिजाइन करने के लिए कहने से पहले प्रोटीन की ज्यामिति (geometry) के मौलिक नियमों को सिखाती है।

यहाँ सरल उपमाओं (analogies) का उपयोग करके इसका विवरण दिया गया है:

वे तीन समस्याएँ जिन्हें उन्होंने ठीक किया

लेखकों ने तीन मुख्य कारणों की पहचान की जिनसे पिछले AI मॉडल संघर्ष कर रहे थे:

"स्विस आर्मी नाइफ" की समस्या: पुराने मॉडल प्रोटीन के आकार को देखने और एक नया आकार बनाने को एक साथ सीखने की कोशिश करते थे। यह कार चलाने सीखने के साथ-साथ इंजन बनाने को सीखने जैसा है। एक साथ संभालना बहुत कठिन है।
"ज़ूम-इन" की समस्या: पिछली प्रशिक्षण विधियों ने प्रोटीन को बहुत करीब से देखा, व्यक्तिगत परमाणुओं (atoms) पर ध्यान केंद्रित किया (जैसे समुद्र के तट पर रेत के हर एक कण को देखना)। वे इस बड़े चित्र को भूल गए कि पूरा प्रोटीन कैसे मुड़ता है (जैसे पूरे समुद्र तट का आकार)।
"जमी हुई फोटो" की समस्या: अधिकांश प्रशिक्षण डेटा प्रोटीन की केवल स्थिर तस्वीरें थीं। लेकिन वास्तविक जीवन में, प्रोटीन हिलते-डुलते हैं, सांस लेते हैं और चलते हैं। जमी हुई तस्वीरों पर प्रशिक्षण लेना एक खड़ी हुई कार की तस्वीर देखकर कार चलाना सीखने जैसा है; आप यह नहीं सीख पाएंगे कि मोड़ या झटकों को कैसे संभालना है।

समाधान: AI के लिए दो-चरणीय "जिम"

RigidSSL AI को एक एथलीट की तरह एक कठोर दो-चरणीय प्रशिक्षण शिविर से गुजारता है।

चरण 1: "वोबल" वर्कआउट (RigidSSL-Perturb)

सेटअप: AI को 432,000 स्थिर प्रोटीन संरचनाएं दिखाई जाती हैं (एक विशाल फोटो एल्बम की तरह)।
तरीका: AI को बताया जाता है कि कल्पना करे कि इन प्रोटीनों को हिलाया, झकझोरा और थोड़ा घुमाया जा रहा है। यह एक प्रोटीन के कठोर कार्डबोर्ड कटआउट को धीरे से हिलाने जैसा है ताकि यह देखा जा सके कि बिना टूटे यह कैसे चल सकता है।
पाठ: इन "हिलाए गए" संस्करणों और मूल के बीच के संबंध की भविष्यवाणी करना सीखकर, AI कठोरता (rigidity) के नियमों को सीखता है। वह सीखता है कि प्रोटीन के कुछ हिस्से सख्त (जैसे हड्डी) और कुछ लचीले (जैसे जोड़) होते हैं। वह एक नया प्रोटीन बनाने की चिंता किए बिना प्रोटीन के आकार की "व्याकरण" सीखता है।
परिणाम: AI प्रोटीन की बुनियादी ज्यामिति और स्थिरता को समझने में विशेषज्ञ बन जाता है।

चरण 2: "रियल-लाइफ" सिमुलेशन (RigidSSL-MD)

सेटअप: अब AI एक अधिक उन्नत जिम में जाता है। यह 1,300 उच्च-गति वाली फिल्में (मॉलिक्यूलर डायनेमिक्स ट्रेजेक्टरीज) देखता है जहाँ प्रोटीन वास्तव में समय के साथ चलते और नाचते हैं।
तरीका: केवल एक स्थिर छवि को हिलाने के बजाय, AI एक प्रोटीन को एक मुद्रा (pose) से दूसरी मुद्रा में बदलते हुए देखता है, ठीक वैसे ही जैसे एक डांसर मुद्राओं के बीच बदलता है।
पाठ: यह AI को वास्तविक दुनिया की भौतिकी के बारे में सिखाता है। वह सीखता है कि प्रोटीन कैसे हिलते हैं, सांस लेते हैं और अपना काम करने के लिए आकार बदलते हैं। वह सीखता है कि प्रोटीन केवल मूर्तियाँ नहीं हैं; वे गतिशील मशीनें हैं।
परिणाम: AI को वास्तविक दुनिया में प्रोटीन कैसे चलते हैं, इसकी गहरी समझ प्राप्त होती है।

जादुई सामग्री: "रिजिड फ्लो" (Rigid Flow)

इसे काम करने के लिए, लेखकों ने फ्लो मैचिंग (Flow Matching) नामक एक विशेष गणितीय उपकरण का उपयोग किया।

उपमा: कल्पना कीजिए कि आपके पास मिट्टी का एक गोला (शुरुआती प्रोटीन) है और आप इसे एक पक्षी (लक्ष्य प्रोटीन) में बदलना चाहते हैं। रास्ता अनुमान लगाने के बजाय, AI उस "प्रवाह" या "हवा" को सीखता है जो मिट्टी को एक आकार से दूसरे आकार में धकेलता है।
नवाचार: अधिकांश विधियाँ मिट्टी को ढीली रेत की थैली की तरह मानती हैं। RigidSSL मिट्टी को कठोर ब्लॉकों (जैसे लेगो ब्रिक्स) के रूप में मानता है जो घूम सकते हैं और फिसल सकते हैं लेकिन बिखरते नहीं हैं। यह इस बात से मेल खाता है कि वास्तविक प्रोटीन वास्तव में कैसे काम करते हैं (वे कठोर टुकड़ों में चलते हैं जिन्हें अवशेष या residues कहा जाता है)।

जब उन्होंने इसका परीक्षण किया तो क्या हुआ?

इसके परिणाम ऐसे थे जैसे किसी छात्र को मास्टरक्लास पूरा करने के बाद अंतिम परीक्षा दी गई हो:

बेहतर डिज़ाइन: जब नए प्रोटीन आविष्कार करने के लिए कहा गया, तो RigidSSL-Perturb के साथ प्रशिक्षित AI द्वारा बनाए गए ढांचे पिछले तरीकों की तुलना में काम करने योग्य आकार में बनने (fold होने) की संभावना 43% अधिक थी। यह ऐसा था जैसे शेफ ने आखिरकार एक ऐसा केक बनाया जो गिरता नहीं है।
अधिक रचनात्मक: AI ने केवल मौजूदा प्रोटीनों की नकल नहीं की; इसने अधिक विविध और नवीन आकार भी बनाए।
लंबे चेन: यह बहुत लंबे प्रोटीन (700-800 अमीनो एसिड लंबे) को सफलतापूर्वक डिजाइन कर सका बिना उनके उलझे या टूटे, जबकि पिछले मॉडल इसमें संघर्ष करते थे।
"मोटिफ" टेस्ट: एक परीक्षण में जहाँ AI को प्रोटीन के एक विशिष्ट, निश्चित हिस्से के चारों ओर एक ढांचा (scaffold) बनाना था (जैसे एक विशिष्ट चिमनी के चारों ओर घर बनाना), यह पहले की तुलना में 5.8% अधिक बार सफल हुआ।
यथार्थवादी गति: जटिल रिसेप्टर्स (GPCRs) को मॉडल करते समय, AI ने ऐसी गतियाँ उत्पन्न कीं जो पुराने मॉडलों की कठोर, रोबोटिक गतियों की तुलना में वास्तविक जैविक फिल्मों की तरह अधिक दिखती थीं।

निचोड़ (The Bottom Line)

RigidSSL एक AI को नृत्य कोरियोग्राफ करने के लिए कहने से पहले उसे गति की भौतिकी समझने की शिक्षा देने जैसा है। "कैसे चीजें चलती हैं" (प्रीट्रेनिंग) को "कैसे नई चीजें बनाई जाती हैं" (डिज़ाइन) से अलग करके, और प्रोटीनों को ढीले परमाणुओं के बजाय कठोर ब्लॉकों के रूप में मानकर, शोधकर्ताओं ने एक बहुत अधिक स्मार्ट, अधिक विश्वसनीय प्रोटीन डिजाइनर बनाया है।

यह चिकित्सा और सामग्री विज्ञान के लिए एक बड़ा कदम है, जो हमें ऐसे AI के करीब लाता है जो शून्य से नई दवाओं, टीकों और टिकाऊ सामग्रियों को डिजाइन कर सकता है।

यहाँ शोध पत्र "Rigidity-Aware Geometric Pretraining for Protein Design and Conformational Ensembles" (RigidSSL), जो ICLR 2026 में प्रकाशित हुआ है, का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र de novo प्रोटीन डिज़ाइन के लिए वर्तमान जनरेटिव मॉडल्स की तीन महत्वपूर्ण सीमाओं को संबोधित करता है:

संयुक्त शिक्षण अक्षमता (Joint Learning Inefficiency): मौजूदा एंड-टू-एंड फ्रेमवर्क मौलिक प्रोटीन ज्यामिति (geometry) और जटिल जनरेशन तंत्रों को एक साथ सीखने में संघर्ष करते हैं, जिससे अनुकूलन (optimization) अक्षम हो जाता है और नवीन कार्यों के लिए सामान्यीकरण (generalization) खराब होता है।
अपर्याप्त प्रतिनिधित्व (Inadequate Representations): अधिकांश प्रीट्रेनिंग विधियाँ स्थानीय, गैर-कठोर (non-rigid) परमाणु या फ्रैगमेंट-स्तर के प्रतिनिधित्व पर निर्भर करती हैं। ये वैश्विक फोल्डिंग ज्यामिति को पकड़ने में विफल रहती हैं, जिससे जनरेटिव डिज़ाइन कार्यों के लिए सीखे गए प्रायर्स (priors) की हस्तांतरणीयता सीमित हो जाती है।
गतिशील डेटा का अभाव (Lack of Dynamic Data): वर्तमान डेटासेट (जैसे, PDB, AlphaFold DB) स्थिर स्नैपशॉट्स द्वारा हावी हैं। केवल इन पर प्रशिक्षित मॉडल स्वाभाविक अनुरूपता लचीलापन (conformational flexibility), निकट-नेटिव उतार-चढ़ाव और मेटास्टेबल अवस्थाओं के बीच संक्रमण को पकड़ने में विफल रहते हैं, जो वास्तविक प्रोटीन गतिशीलता के लिए आवश्यक हैं।

2. कार्यप्रणाली: RigidSSL

लेखक RigidSSL (Rigidity-Aware Self-Supervised Learning) का प्रस्ताव करते हैं, जो एक दो-चरणीय ज्यामितीय प्रीट्रेनिंग फ्रेमवर्क है जो जनरेटिव फाइन-ट्यूनिंग से पहले ज्यामिति सीखने को प्राथमिकता देता है।

मुख्य प्रतिनिधित्व (Core Representation)

व्यक्तिगत परमाणुओं को मॉडल करने के बजाय, RigidSSL प्रत्येक अमीनो एसिड अवशेष (residue) को एक कठोर पिंड (rigid body) के रूप में मानता है। एक प्रोटीन संरचना को स्पेशल यूक्लिडियन ग्रुप $SE(3) $में कठोर रूपांतरणों$ g = {T_i}_{i=1}^L $के एक अनुक्रम के रूप में दर्शाया जाता है, जहाँ प्रत्येक अवशेष$ i $एक ट्रांसलेशन वेक्टर$ \vec{t}_i \in \mathbb{R}^3 $और एक रोटेशन मैट्रिक्स$ r_i \in SO(3)$ द्वारा परिभाषित होता है। यह डिग्री ऑफ फ्रीडम को कम करता है और भौतिक बाधाओं को लागू करता है।

चरण I: RigidSSL-Perturb (स्थिर ज्यामिति सीखना)

डेटा: AlphaFold Protein Structure Database (AFDB) से 432,000 स्थिर संरचनाएँ।
व्यू निर्माण (View Construction): एक कैनोनिकल संरचना $g_0$ $g_{0}$ के लिए, एक विक्षेपित व्यू (perturbed view) $g_1$ $g_{1}$ बनाया जाता है, जिसमें प्रत्येक अवशेष के रिजिड फ्रेम पर स्वतंत्र शोर (noise) लगाया जाता है:
- ट्रांसलेशन: $\mathbb{R}^3$ में गॉसियन शोर जोड़ा जाता है।
- रोटेशन: $SO(3)$ पर एक आइसोट्रोपिक गॉसियन डिस्ट्रीब्यूशन (IGSO(3)) से शोर लिया जाता है। यह रोटेशन के गैर-यूक्लिडियन मैनिफोल्ड का सम्मान करता है और थर्मल ब्राउनियन मोशन को मॉडल करता है।
उद्देश्य: एक द्वि-दिशीय फ्लो मैचिंग ऑब्जेक्टिव मूल और विक्षेपित व्यू के बीच म्यूचुअल इंफॉर्मेशन को अधिकतम करता है।

चरण II: RigidSSL-MD (गतिशील लचीलापन सीखना)

डेटा: ATLAS डेटासेट से 1,300 मॉलिक्यूलर डायनेमिक्स (MD) ट्राजेक्टरीज।
व्यू निर्माण: एक ही ट्राजेक्टरी से एक निश्चित समय अंतराल ( $\delta = 2$ ns) के साथ व्यू के जोड़े $(g_0, g_1)$ लिए जाते हैं। यह कृत्रिम शोर के बजाय भौतिक रूप से यथार्थवादी अनुरूपता संक्रमणों (conformational transitions) को कैप्चर करता है।
उद्देश्य: चरण I में सीखे गए प्रतिनिधित्वों को परिष्कृत करना ताकि वे वास्तविक गतिशील लचीलेपन और मेटास्टेबल अवस्थाओं को पकड़ सकें।

ऑब्जेक्टिव फंक्शन: रिजिडिटी-अवेयर फ्लो मैचिंग (Rigidity-Aware Flow Matching)

फ्रेमवर्क एक कंडीशनल फ्लो मैचिंग (CFM) का उपयोग करता है जो एक वेग क्षेत्र (velocity field) को सीखता है जो व्यू के बीच नमूनों को ले जाता है।

कैनोनिकलाइजेशन (Canonicalization): सुसंगत इंटरपोलेशन पथ सुनिश्चित करने के लिए संरचनाओं को एक संदर्भ जड़त्वीय फ्रेम (सेंटर ऑफ मास और प्रिंसिपल एक्सिस) के साथ संरेखित किया जाता है।
इंटरपोलेशन (Interpolation):
- ट्रांसलेशन: $\mathbb{R}^3$ में लीनियर इंटरपोलेशन (LERP)।
- रोटेशन: $SO(3)$ में क्वार्टरनियन का स्फेरिकल लीनियर इंटरपोलेशन (SLERP)।
लॉस (Loss): मॉडल सीखे गए वेग क्षेत्र और $g_0$ से $g_1$ (और इसके विपरीत) तक जाने के लिए आवश्यक आदर्श वेग क्षेत्र के बीच के अंतर को कम करता है, जो प्रभावी रूप से युग्मित विन्यासों (paired conformations) के बीच म्यूचुअल इंफॉर्मेशन को अधिकतम करता है।

3. प्रमुख योगदान

रिजिडिटी-अवेयर प्रीट्रेनिंग प्रतिमान: एक नया फ्रेमवर्क पेश करता है जो स्पष्ट रूप से प्रोटीनों को $SE(3)$ में कठोर पिंडों के अनुक्रम के रूप में मॉडल करता है, जो ज्यामितीय प्रायर लर्निंग को जनरेटिव फाइन-ट्यूनिंग से अलग करता है।
दो-चरणीय रणनीति: स्थिर ज्यामितिक रूपांकनों (motifs) और वास्तविक अनुरूपता एन्सेम्बल (conformational ensembles) दोनों को सीखने के लिए बड़े पैमाने पर स्थिर डेटा (सिम्युलेटेड विक्षेपण के माध्यम से) और उच्च-निष्ठा वाले गतिशील डेटा (MD ट्राजेक्टरीज के माध्यम से) को जोड़ता है।
द्वि-दिशीय फ्लो मैचिंग: एक विशिष्ट ऑब्जेक्टिव फंक्शन विकसित करता है जो $SE(3)$ मैनिफोल्ड पर ट्रांसलेशनल और रोटेशनल डायनेमिक्स को संयुक्त रूप से अनुकूलित करता है, जिससे इंटरपोलेशन के दौरान ज्यामितीय वैधता सुनिश्चित होती है।
व्यापक मूल्यांकन: अनकंडीशनल जनरेशन, मोटिफ स्कैफोल्डिंग और अनुरूपता एन्सेम्बल जनरेशन (विशेष रूप से GPCRs के लिए) में प्रभावशीलता प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

A. अनकंडीशनल प्रोटीन जनरेशन

FrameDiff और FoldFlow-2 बैकबोन पर मूल्यांकन:

डिज़ाइनयोग्यता (Designability): RigidSSL-Perturb ने अनप्रिट्रेन्ड मॉडल्स की तुलना में डिज़ाइनयोग्यता (scRMSD $\le$ 2.0 Å वाले संरचनाओं का अंश) को 43% तक सुधारा।
विविधता और नवीनता (Diversity & Novelty): RigidSSL-MD ने संरचनात्मक विविधता को काफी बढ़ाया (FrameDiff के लिए MaxCluster विविधता ~9.4% बढ़ी) और नवीनता बढ़ाई, जिससे बेसलाइन की तुलना में व्यापक सेकेंडरी स्ट्रक्चर वितरण (अधिक कॉइल्स और मिश्रित $\alpha/\beta$ ) वाली संरचनाएं उत्पन्न हुईं।
लंबी-श्रृंखला जनरेशन (Long-Chain Generation): RigidSSL-Perturb ने सर्वोत्तम स्टीरियोकेमिकल गुणवत्ता (सबसे कम Clashscore और MolProbity स्कोर) के साथ अल्ट्रा-लॉन्ग प्रोटीन (700–800 अवशेष) उत्पन्न करने में सक्षम बनाया, जो वैश्विक संरचनात्मक पैटर्न के मजबूत शिक्षण को दर्शाता है।

B. ज़ीरो-शॉट मोटिफ स्कैफोल्डिंग (Zero-Shot Motif Scaffolding)

बिना किसी टास्क-विशिष्ट फाइन-ट्यूनिंग के 22 लक्ष्यों के बेंचमार्क पर, RigidSSL-Perturb ने उच्चतम औसत सफलता दर (15.19%) प्राप्त की, जो अनप्रिट्रेन्ड बेसलाइन से 5.8% अधिक है।
इसने कठिन, लंबी-श्रृंखला वाले स्कैफोल्डिंग लक्ष्यों (जैसे, 5TRV_long) पर बेहतर मजबूती दिखाई।

C. GPCR अनुरूपता एन्सेम्बल जनरेशन

GPCR मॉडलिंग के लिए AlphaFlow को आधार बनाकर:

लचीलापन भविष्यवाणी (Flexibility Prediction): RigidSSL-Perturb ने ऐसे एन्सेम्बल बनाए जिनका पेयरवाइज RMSD (2.20 Å) और ऑल-एटम RMSF (1.08) ग्राउंड-ट्रुथ MD डेटा के सबसे करीब था।
वितरणात्मक सटीकता (Distributional Accuracy): RigidSSL-MD ने सर्वश्रेष्ठ Joint PCA W2-दूरी प्राप्त की, जो दर्शाता है कि उत्पन्न मोशन मोड MD ट्राजेक्टरीज के साथ निकटता से संरेखित हैं।
बायोफिजिकल ऑब्जर्वेबल्स: RigidSSL-MD ने कमजोर संपर्क गठन और क्रिप्टिक रूप से उजागर अवशेषों जैसे उच्च-क्रम सांख्यिकी को पकड़ने में सभी बेसलाइन को पछाड़ दिया, और उजागर अवशेषों के लिए उच्चतम जेकार्ड समानता (0est 0.71) प्राप्त की।

5. महत्व और चर्चा

पूरक रणनीतियाँ (Complementary Strategies): यह शोध पत्र एक ट्रेड-ऑफ को रेखांकित करता है: RigidSSL-Perturb ज्यामितीय गुणवत्ता और डिज़ाइनयोग्यता (स्थिर फोल्ड्स) के लिए अनुकूलित है, जबकि RigidSSL-MD विविधता और बायोफिजिकल फिडेलिटी (गतिशील एन्सेम्बल) के लिए अनुकूलित है। इन्हें डाउनस्ट्रीम लक्ष्य के आधार पर पूरक रणनीतियों के रूप में उपयोग किया जा सकता है।
स्केलेबिलिटी (Scalability): ज्यामिति लर्निंग को पहले करने से, यह विधि डाउनस्ट्रीम जनरेटिव मॉडल्स पर कम्प्यूटेशनल बोझ को कम करती है और आउट-ऑफ-डिस्ट्रीब्यूशन कार्यों (जैसे, लंबी श्रृंखला) के लिए सामान्यीकरण में सुधार करती है।
भौतिक यथार्थवाद (Physical Realism): रोटेशन के लिए IGSO(3) का उपयोग और MD-व्युत्पन्न व्यू यह सुनिश्चित करते हैं कि सीखा गया प्रतिनिधित्व प्रोटीन के भौतिक बाधाओं और गतिशील प्रकृति का सम्मान करता है, जो स्थिर संरचनात्मक भविष्यवाणी से आगे बढ़कर वास्तविक जनरेटिव मॉडलिंग की ओर बढ़ता है।

संक्षेप में, RigidSSL प्रोटीन विज्ञान के लिए ज्यामितीय प्रीट्रेनिंग के लिए एक नया स्टेट-ऑफ-द-आर्ट स्थापित करता है, जो स्थिर संरचनात्मक नियमितताओं और गतिशील अनुरूपता एन्सेम्बल के बीच की खाई को सफलतापूर्वक पाटता है।