💻 bioinformatics

Towards Cross-Sample Alignment for Multi-Modal Representation Learning in Spatial Transcriptomics

यह शोध पत्र एक डीप रिप्रेजेंटेशन लर्निंग फ्रेमवर्क पेश करता है जो विविध रोगी समूहों में मल्टी-मोडल स्पेशियल ट्रांसक्रिप्टोमिक्स डेटा को मजबूती से संरेखित करने के लिए ट्रांसक्रिप्टोमिक्स और पैथोलॉजी के फाउंडेशन मॉडल्स को एकीकृत करता है, जो कोशिकाओं को डेटासेट-विशिष्ट स्थितियों के बजाय प्रकार के आधार पर क्लस्टर करने में पारंपरिक बैच-करेक्शन विधियों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Dai, J., Nonchev, K., Koelzer, V. H., Raetsch, G.

प्रकाशित 2026-03-03

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dai, J., Nonchev, K., Koelzer, V. H., Raetsch, G.

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 विशाल, जटिल जिग्सॉ पहेली (jigsaw puzzle) को सुलझाने की कोशिश कर रहे हैं। लेकिन यहाँ एक पेच है: पहेली के टुकड़े सभी एक ही डिब्बे से नहीं आए हैं। कुछ टुकड़े "मरीज A" के डिब्बे से हैं, कुछ "मरीज B" के, और उन्हें अलग-अलग लोगों द्वारा थोड़े अलग कैमरों और लाइटिंग का उपयोग करके लिया गया है।

यदि आप केवल रंगों (जो जीन एक्सप्रेशन या कोशिकाओं के भीतर रासायनिक निर्देशों का प्रतिनिधित्व करते हैं) को देखकर इन टुकड़ों को जोड़ने का प्रयास करते हैं, तो तस्वीर गड़बड़ हो जाएगी। मरीज A के टुकड़े इसलिए एक साथ जुड़ सकते हैं क्योंकि उन्हें सुबह की रोशनी में फोटो खींची गई थी, जबकि मरीज B के टुकड़े इसलिए एक साथ जुड़ सकते हैं क्योंकि उन्हें दोपहर में फोटो खींची गई थी। आप एक स्वस्थ हृदय या ट्यूमर की वास्तविक छवि के बजाय "सुबह बनाम दोपहर" की तस्वीर बना लेंगे।

यही वह समस्या है जिसका सामना वैज्ञानिक 'स्पेशियल ट्रांसक्रिप्टोमिक्स' (Spatial Transcriptomics - ST) के साथ करते हैं। उनके पास डेटा का एक खजाना है जो दिखाता है कि ऊतकों (tissues) में जीन कहाँ सक्रिय हैं, लेकिन यह डेटा तकनीकी अंतरों (जैसे विभिन्न मरीजों और प्रयोगशालाओं के बीच के अंतर) के कारण "शोर" (noisy) से भरा होता है।

इस पेपर का बड़ा विचार: तीन-भागों वाला नुस्खा (Recipe)

इस पेपर के लेखक इस गंदगी को साफ करने और एक आदर्श तस्वीर बनाने का एक नया तरीका प्रस्तावित करते हैं। वे अपने इस तरीके को AESTETIK कहते हैं (उनके फ्रेमवर्क का एक फैंसी नाम)। इसे एक रेसिपी की तरह समझें जो सबसे अच्छा परिणाम पाने के लिए तीन सामग्रियों को मिलाती है:

रासायनिक नुस्खा (Transcriptomics): यह उन जीन्स की सूची है जो चालू या बंद हो रहे हैं। यह पहेली के टुकड़ों पर लिखे गए टेक्स्ट की तरह है।
दृश्य बनावट (Morphology): यह ऊतक (tissue) की वास्तविक फोटो है। यह कोशिकाओं का आकार, त्वचा की बनावट, या ट्यूमर की संरचना दिखाती है। यह पहेली के टुकड़े पर छपी हुई तस्वीर की तरह है।
मानचित्र (Spatial Context): यह जानना है कि टुकड़ा कमरे में ठीक कहाँ फिट बैठता है। यह "पड़ोस" की जानकारी है।

यह कैसे काम करता है: "स्मार्ट ग्लू" (Smart Glue)

शोधकर्ताओं ने महसूस किया कि यदि आप केवल टेक्स्ट (जीन) को देखते हैं, तो आप "बैच इफेक्ट्स" (सुबह/दोपहर की लाइटिंग वाली समस्या) से भ्रमित हो जाते हैं। लेकिन यदि आप फोटो (मॉर्फोलॉजी) और मैप (लोकेशन) को भी देखते हैं, तो आप वास्तविक पैटर्न देख सकते हैं।

उन्होंने एक "स्मार्ट ग्लू" (एक डीप लर्निंग मॉडल) बनाया जो दो चीजें एक साथ करता है:

क्षैतिज संरेखण (Horizontal Alignment): यह अलग-अलग मरीजों के टुकड़ों को लेता है और कैमरा या लैब के कारण होने वाले अंतरों को सुचारू बनाता है। यह कहता है, "अरे, मरीज A की यह ट्यूमर कोशिका और मरीज B की यह ट्यूमर कोशिका बिल्कुल एक जैसी दिखती है और व्यवहार करती है, भले ही लाइटिंग अलग हो।"
लंबवत एकीकरण (Vertical Integration): यह जीन टेक्स्ट, टिश्यू फोटो और लोकेशन को एक ही समय में देखता है ताकि यह पता चल सके कि कोशिका वास्तव में क्या है।

उपमा: एक इंटरनेशनल पॉटलक (International Potluck)

एक पॉटलक डिनर की कल्पना करें जहाँ हर कोई एक व्यंजन लेकर आता है, लेकिन लेबल पर लिखे विवरण अलग-अलग भाषाओं में हैं और कुछ धुंधले भी हैं (बैच इफेक्ट्स)।

पुराना तरीका: आप धुंधले लेबल को पढ़कर व्यंजनों को छाँटने की कोशिश करते हैं। आप सभी "अंग्रेजी" व्यंजनों को एक साथ और सभी "फ्रेंच" व्यंजनों को एक साथ समूहबद्ध कर देते हैं, भले ही वे दोनों लासग्ना (lasagna) हों।
इस पेपर का तरीका: आप भोजन को भी देखते हैं (क्या यह पास्ता जैसा दिखता है?) और यह भी देखते हैं कि वह कहाँ रखा है (क्या यह सलाद के बगल में है?)। लेबल, रूप और स्थान को मिलाकर, आप सही ढंग से पहचान सकते हैं कि "अंग्रेजी लासग्ना" और "फ्रेंच लासग्ना" वास्तव में एक ही व्यंजन हैं। अब आप दुनिया भर के लासग्ना के विभिन्न रूपों को दिखाने वाला एक "ग्लोबल लासग्ना एटलस" बना सकते हैं, न कि केवल भाषाओं की एक सूची।

परिणाम: एक स्पष्ट तस्वीर

टीम ने तीन बहुत अलग "पहेलियों" पर इसका परीक्षण किया:

मानव मस्तिष्क: न्यूरॉन्स की विभिन्न परतों को अलग करना।
स्किन मेलानोमा (त्वचा का कैंसर): त्वचा के कैंसर के ट्यूमर के विभिन्न हिस्सों की पहचान करना।
फेफड़ों का कैंसर: फेफड़ों के ट्यूमर के भीतर विशिष्ट क्षेत्रों को खोजना।

परिणाम:
उनकी नई विधि एक बड़ी सफलता रही।

मस्तिष्क के डेटा के लिए, यह पुराने तरीकों की तुलना में सही समूहों को खोजने में 38% बेहतर था।
फेफड़ों के कैंसर के डेटा के लिए, यह 2 गुना (200%) बेहतर था।
त्वचा के कैंसर के डेटा के लिए, यह 58% बेहतर था।

फेफड़ों के कैंसर के उदाहरण में, पुराने तरीके यह अंतर नहीं कर सके कि "मरीज A का ट्यूमर" और "मरीज B का ट्यूमर" में क्या अंतर है। नया तरीका मरीज के अंतरों को सफलतापूर्वक अनदेखा करने में सफल रहा और कोशिकाओं को उनके वास्तविक स्वरूप (जैसे, "ट्यूमर कोर," "स्वस्थ किनारा," "इम्यून अटैक ज़ोन") के आधार पर समूहीकृत किया।

यह क्यों महत्वपूर्ण है

इससे पहले, वैज्ञानिकों को एक-एक करके मरीजों का अध्ययन करना पड़ता था, जैसे रात के आकाश में एक अकेले तारे को देखना। यह पेपर उन्हें एक टेलीस्कोप देता है जो उन्हें नक्षत्र (constellation) देखने की अनुमति देता है।

विभिन्न लोगों के डेटा को संरेखित करके, वे अब जीव विज्ञान के सार्वभौमिक नियम (universal rules) खोज सकते हैं। वे खोज सकते हैं:

"ओह, हर फेफड़ों के कैंसर के ट्यूमर में प्रतिरक्षा कोशिकाओं (immune cells) का यह विशिष्ट छोटा पड़ोस होता है जो उससे लड़ने की कोशिश कर रहा है।"
"यह विशिष्ट जीन पैटर्न हमेशा मस्तिष्क में उसी स्थान पर दिखाई देता है, चाहे मरीज कोई भी हो।"

संक्षेप में

यह पेपर कंप्यूटर को अलग-अलग लैब और मरीजों के "शोर" (noise) को अनदेखा करना सिखाने के बारे में है ताकि वे इस बात पर ध्यान केंद्रित कर सकें कि कोशिकाएं वास्तव में क्या कर रही हैं (signal)। जीन, फोटो और मैप को मिलाकर, उन्होंने एक ऐसा उपकरण बनाया है जो हमें विभिन्न लोगों में हमारे शरीर की वास्तविक, साझा संरचना को देखने में मदद करता है, जिससे कैंसर और मस्तिष्क संबंधी विकारों जैसी बीमारियों को समझने में मदद मिलती है।

यहाँ शोध पत्र "Towards Cross-Sample Alignment for Multi-Modal Representation Learning in Spatial Transcriptomics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

स्पेशियल ट्रांसक्रिप्टोमिक्स (ST) डेटासेट तेजी से विस्तारित हो रहे हैं, जो ऊतक आकारिकी (tissue morphology), जीन अभिव्यक्ति (gene expression) और स्थानिक संदर्भ (spatial context) का एक साथ मानचित्रण प्रदान करते हैं। हालाँकि, विभिन्न रोगियों (हॉरिजॉन्टल इंटीग्रेशन) और विभिन्न मोडैलिटीज (वर्टिकल इंटीग्रेशन) के बीच इन डेटासेट्स को एकीकृत करना महत्वपूर्ण चुनौतियों का सामना करता है:

बैच प्रभाव और परिवर्तनशीलता (Batch Effects & Variability): तकनीकी विसंगतियाँ, रोगी-विशिष्ट परिवर्तनशीलता, और स्थानीय सूक्ष्म वातावरण के अंतर अक्सर वास्तविक जैविक सिग्नल पर हावी हो जाते हैं, जिससे कोशिकाएं जैविक कोशिका प्रकार के बजाय डोनर या डेटासेट के आधार पर क्लस्टर हो जाती हैं।
मौजूदा विधियों की सीमाएँ:
- केवल ट्रांसक्रिप्टोमिक्स-आधारित बैच सुधार (जैसे Harmony, scVI, Scanorama) तकनीकी शोर को प्रभावी ढंग से हटा देता है लेकिन स्थानिक संदर्भ और आकारिकी की अनदेखी करता है, जिससे ST डेटा में इनका अनुप्रयोग सीमित हो जाता है जहाँ स्थान (location) महत्वपूर्ण है।
- प्रति-नमूना विश्लेषण (Per-sample analysis) डेटा को खंडित कर देता है, जिससे विभिन्न रोगियों में संरक्षित जैविक पैटर्न की खोज करना कठिन हो जाता है।
- आकारिकी के लिए उपयोग किए जाने वाले सामान्य इमेज मॉडल अक्सर जीव विज्ञान के लिए प्रासंगिक सूक्ष्म हिस्टोपैथोलॉजिकल संरचनाओं को पकड़ने में विफल रहते हैं।

लेखक यह परिकल्पना करते हैं कि विशेष ट्रांसक्रिप्टोमिक्स सुधार विधियों को गहन मल्टी-मोडल रिप्रेजेंटेशन लर्निंग के साथ संयोजित करके आकारिकी, ट्रांसक्रिप्टोमिक्स और स्थानिक जानकारी को कई ऊतक नमूनों में संरेखित किया जा सकता है, जिससे व्यापक, बहु-डोनर ST एटलस का निर्माण संभव हो सकेगा।

2. कार्यप्रणाली (Methodology)

प्रस्तावित ढांचा, जो AESTETIK आर्किटेक्चर पर आधारित है, दो चरणों वाली प्रक्रिया के माध्यम से डेटा को एकीकृत करता है: हॉरिजॉन्टल अलाइनमेंट के बाद वर्टिकल मल्टी-मोडल इंटीग्रेशन।

A. डेटा प्रीप्रोसेसिंग और हॉरिजॉन्टल अलाइनमेंट

इनपुट प्रतिनिधित्व (Input Representation): प्रत्येक ST स्पॉट $i$ को एक ट्रांसक्रिप्टोमिक्स वेक्टर ( $x_i$ ), एक आकारिकी वेक्टर ( $m_i$ ), और स्थानिक निर्देशांक ( $s_i$ ) द्वारा परिभाषित किया गया है।
बैच सुधार (Batch Correction): डोनर-विशिष्ट और तकनीकी भिन्नता को कम करने के लिए, ट्रांसक्रिप्टोमिक्स और आकारिकी विशेषताओं पर स्वतंत्र रूप से स्थापित बैच-सुधार एल्गोरिदम (Harmony, scVI, या Scanorama) लागू किए जाते हैं।
- ट्रांसक्रिप्टोमिक्स: $\tilde{x}_i = \text{BatchCorrect}(x_i | \text{sample}_i)$
- आकारिकी: $\tilde{m}_i = \text{BatchCorrect}(m_i | \text{sample}_i)$ (Harmony का उपयोग करके)।
फाउंडेशन मॉडल्स (Foundation Models): यह ढांचा समृद्ध एम्बेडिंग उत्पन्न करने के लिए हालिया फाउंडेशन मॉडल्स का लाभ उठाता है:
- ट्रांसक्रिप्टोमिक्स: मानक PCA के बजाय CancerFoundation (मैलिग्नेंट कोशिकाओं पर प्रशिक्षित) जैसे मॉडल्स का उपयोग करता है।
- आकारिकी: हिस्टोपैथोलॉजी डेटा पर प्रशिक्षित पैथोलॉजी फाउंडेशन मॉडल्स (जैसे UNI2-h) का उपयोग करता है, जो सामान्य-उद्देश्य वाले इमेज मॉडल्स (जैसे Inception v3) से बेहतर प्रदर्शन करते हैं।

B. वर्टिकल मल्टी-मोडल इंटीग्रेशन (AESTETIK)

सुधारित विशेषताओं को एक कनवल्शनल ऑटोएनकोडर के माध्यम से एक एकीकृत प्रतिनिधित्व में एकीकृत किया जाता है:

ग्रिड निर्माण (Grid Construction): ट्रांसक्रिप्टोमिक्स और आकारिकी के प्रिंसिपल कंपोनेंट्स को संयोजित किया जाता है और स्थानीय स्थानिक पड़ोस (local spatial neighborhoods) के साथ बढ़ाया जाता है ताकि एक टेंसर इमेज-लाइक ग्रिड बनाया जा सके ( $spot_i \in \mathbb{R}^{N_{grid} \times N_{grid} \times 2n_{PCA}}$ )।
एम्बेडिंग लर्निंग: एक कनवल्शनल ऑटोएनकोडर ( $f_{AESTETIK}$ ) स्पॉट एम्बेडिंग्स ( $z_i$ ) की गणना करता है।
लॉस फंक्शन (Loss Function): मॉडल को एक मिश्रित लॉस फंक्शन के साथ प्रशिक्षित किया जाता है जो आकारिकी और ट्रांसक्रिप्टोमिक्स योगदान को संतुलित करता है:
$L_{AESTETIK} = \alpha \cdot (L^m_{MSE} + L^m_{triplet}) + (3 - \alpha) \cdot (L^{tr}_{MSE} + L^{tr}_{triplet})$
- मल्टी-ट्रिपलेट लॉस (Multi-Triplet Loss): यह समान लेबल वाले स्पॉट्स (जो पूर्व-निर्धारित K-Means क्लस्टर्स से प्राप्त होते हैं) को एम्बेडिंग स्पेस में करीब लाता है और असमान स्पॉट्स को दूर धकेलता है। यह बिना ग्राउंड-ट्रुथ लेबल के सेल्फ-सुपरवाइज्ड लर्निंग को सक्षम बनाता है।
- हाइपरपैरामीटर $\alpha$ : आकारिकी बनाम ट्रांसक्रिप्टोमिक्स के सापेक्ष भार को नियंत्रित करता है।

C. मूल्यांकन रणनीति (Evaluation Strategy)

डेटा लीकेज को रोकने के लिए ढांचे का मूल्यांकन नेस्टेड क्रॉस-वैलिडेशन (nCV) का उपयोग करके किया जाता है:

सिंगल-डोनर इंटीग्रेशन: एक ही डोनर के आस-पास के ऊतक खंडों के संरेखण का मूल्यांकन करता है।
मल्टी-डोनर इंटीग्रेशन: विभिन्न डोनर्स के नमूनों के बीच संरेखण का मूल्यांकन करता है।
मेट्रिक्स: जैविक संरक्षण (ARI, NMI, Silhouette) और बैच मिक्सिंग (iLISI, kBET) को संतुलित करने वाला एक संयुक्त स्कोर।

3. मुख्य योगदान (Key Contributions)

एकीकृत ढांचा (Unified Framework): एक नया पाइपलाइन प्रस्तावित करता है जो मल्टी-डोनर ST डेटा को संरेखित करने के लिए हॉरिजॉन्टल बैच सुधार के साथ वर्टिकल मल्टी-मोडल डीप लर्निंग को जोड़ता है।
फाउंडेशन मॉडल एकीकरण: यह प्रदर्शित करता है कि मानक लीनियर प्रोजेक्शन के स्थान पर विशेष फाउंडेशन मॉडल्स (जीन के लिए CancerFoundation, पैथोलॉजी के लिए UNI) का उपयोग करने से प्रतिनिधित्व की गुणवत्ता में उल्लेखनीय सुधार होता है।
स्थानिक संदर्भ का संरक्षण (Spatial Context Preservation): एक ग्रिड-आधारित कनवल्शनल दृष्टिकोण पेश करता है जो स्पष्ट रूप से स्थानीय स्थानिक पड़ोस को मॉडल करता है, जिससे यह सिद्ध होता है कि जैविक निश (biological niches) को बनाए रखने के लिए स्थानिक संदर्भ अत्यंत आवश्यक है।
स्केलेबिलिटी (Scalability): इसकी वास्तुकला कुशल कनवल्शनल ऑटोएनकोडर्स और सेल्फ-सुपरवाइज्ड ट्रिपलेट लॉस का लाभ उठाकर लाखों कोशिकाओं तक स्केलेबल है।

4. परिणाम (Results)

इस ढांचे का परीक्षण 18 मेलानोमा, 12 मानव मस्तिष्क और 4 लंग कैंसर डेटासेट्स पर किया गया।

प्रदर्शन में वृद्धि: प्रस्तावित विधि ने पारंपरिक बैच-करेक्शन दृष्टिकोणों (Harmony, Scanorama, scVI) को पछाड़ दिया:
- स्किन मेलानोमा में 58%।
- मानव मस्तिष्क में 38%।
- लंग कैंसर में 2-गुना (ARI को 0.18 से बढ़ाकर 0.50 करना)।
मल्टी-मोडल सिनर्जी: आकारिकी, ट्रांसक्रिप्टोमिक्स और स्थानिक डेटा का संयुक्त एकीकरण लगातार ट्रांसक्रिप्टोमिक्स-ओनली इंटीग्रेशन की तुलना में जैविक ग्राउंड ट्रुथ के करीब क्लस्टर बनाता है।
फाउंडेशन मॉडल का प्रभाव: आकारिकी के लिए पैथोलॉजी फाउंडेशन मॉडल्स (UNI2-h) का उपयोग करने से डोमेन पहचान में सुधार हुआ। इसी तरह, ट्यूमर डेटासेट्स में संरेखण को बेहतर बनाने के लिए CancerFoundation एम्बेडिंग्स का उपयोग किया गया।
एब्लेशन स्टडी (Ablation Study):
- स्थानिक विंडो आकार (Spatial Window Size): प्रदर्शन एक स्थानिक विंडो आकार 5 पर चरम पर था; बड़े विंडो (7) स्थानीय संकेतों को कम कर देते हैं।
- मोडलिटी वेट (Modality Weight): मॉडल ने एकल मोडैलिटी पर निर्भर रहने के बजाय कई डेटा स्रोतों का प्रभावी ढंग से लाभ उठाया।
जैविक सत्यापन (Biological Validation): एकीकृत क्लस्टर्स पर डाउनस्ट्रीम पाथवे विश्लेषण (decoupleR के माध्यम से) ने जैविक रूप से सुसंगत सिग्नल प्रकट किए, जैसे कि ट्यूमर क्लस्टर्स में बढ़ी हुई PI3K/MAPK गतिविधि और रिपेयर/रीजनरेशन ज़ोन में WNT गतिविधि।

5. महत्व (Significance)

यह कार्य स्पेशियल ट्रांसक्रिप्टोमिक्स की एक महत्वपूर्ण बाधा को संबोधित करता है: विविध रोगी समूहों के बीच डेटा को व्यवस्थित रूप से एकीकृत करने में असमर्थता।

मजबूत एटलस निर्माण: यह कई डोनर्स तक फैले व्यापक, मल्टी-मोडल ST एटलस के निर्माण को सक्षम बनाता है, जिससे संरक्षित सेलुलर प्रोग्राम और स्थानिक निश की खोज सुगम होती है।
जैविक अंतर्दृष्टि: कोशिकाओं को डेटासेट-विशिष्ट स्थितियों के बजाय कोशिका प्रकार के आधार पर संरेखित करके, यह विधि वास्तविक जैविक विषमता और ऊतक संगठन को प्रकट करती है जो पहले बैच प्रभावों के कारण ओझल थे।
भविष्य की दिशा: यह शोध पत्र अलग-अलग बैच सुधार और रिप्रेजेंटेशन लर्निंग चरणों से हटकर एंड-टू-एंड फ्रेमवर्क की ओर बढ़ने की वकालत करता है जो जटिल ऊतक पैटर्न को संयुक्त रूप से सीखते हैं, जो उच्च-रिज़ॉल्यूशन तकनीकों (जैसे Visism HD) और प्रिसिजन मेडिसिन के लिए मार्ग प्रशस्त करता है।

कोड उपलब्धता: कार्यान्वयन ओपन-सोर्स है: https://github.com/ratschlab/aestetik।