SELFormerMM: multimodal molecular representation learning via SELFIES, structure, text, and knowledge graph integration
यह शोध पत्र SELFormerMM को प्रस्तुत करता है, जो एक मल्टीमॉडल फ्रेमवर्क है जो ड्रग डिस्कवरी के लिए बेहतर आणविक प्रतिनिधित्व (molecular representations) उत्पन्न करने हेतु SELFIES, स्ट्रक्चरल ग्राफ्स, टेक्स्टुअल विवरण और नॉलेज ग्राफ डेटा को एकीकृत करता है, जो विभिन्न प्रॉपर्टी प्रेडिक्शन कार्यों में मौजूदा यूनिमोडल मॉडल्स से बेहतर प्रदर्शन करता 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 अपने एक दोस्त को एक जटिल रेसिपी समझाने की कोशिश कर रहे हैं ताकि वह इसे पूरी तरह से बना सके। यदि आप उन्हें केवल सामग्री की सूची (अनुक्रम) देते हैं, तो वे खाना पकाने की तकनीक को मिस कर सकते हैं। यदि आप उन्हें केवल तैयार डिश की फोटो (संरचना) देते हैं, तो उन्हें चरणों के क्रम का पता नहीं चलेगा। यदि आप उन्हें केवल एक फूड क्रिटिक का रिव्यू (टेक्स्ट) देते हैं, तो उन्हें सटीक माप का पता नहीं चलेगा। और यदि आप उन्हें इस डिश का अन्य खाद्य पदार्थों के साथ कैसे संबंध है, इसका नक्शा (नॉलेज ग्राफ) देते हैं, तो उन्हें यह नहीं पता चलेगा कि वह डिश वास्तव में क्या है।
इस रेसिपी को वास्तव में समझने के लिए, आपको इन चारों दृष्टिकोणों के संयोजन की आवश्यकता है।
यह बिल्कुल वही समस्या है जिसका सामना वैज्ञानिक तब करते हैं जब वे कंप्यूटर को मॉलिक्यूल्स (दवाओं के सूक्ष्म निर्माण खंड) को समझना सिखाने की कोशिश करते हैं। लंबे समय तक, कंप्यूटर मॉडल एक समय में केवल एक ही चीज़ देख सकते थे, जैसे कि केवल सामग्री की सूची या केवल एक फोटो। यह पेपर SELFormerMM नामक एक नया AI मॉडल पेश करता है जो एक "सुपर-शेफ" की तरह काम करता है जो मॉलिक्यूल को पहले से कहीं बेहतर समझने के लिए एक साथ चारों दृष्टिकोणों को देख सकता है।
यहाँ इसका एक सरल विवरण दिया गया है कि यह कैसे काम करता है:
1. मॉलिक्यूल्स की चार "भाषाएँ"
शोधकर्ताओं ने महसूस किया कि मॉलिक्यूल्स चार अलग-अलग "भाषाएँ" बोलते हैं, और पिछले AI मॉडल केवल एक ही बोल पाते थे। SELFormerMM इन सभी को सीखता है:
- रेसिपी की सूची (SELFIES): मॉलिक्यूल्स को अक्सर अक्षरों की स्ट्रिंग्स के रूप में लिखा जाता है (जैसे एक रासायनिक वाक्य)। पुराना तरीका (SMILES) एक ऐसी रेसिपी लिखने जैसा था जिसमें गलतियाँ थीं और जिससे कभी-कभी डिश फट सकती थी। नया तरीका (SELFIES) एक "ग्रामर-प्रूफ" भाषा है जो गारंटी देती है कि रेसिपी हमेशा सही बनेगी।
- ब्लूप्रिंट (संरचना): यह एक 2D मानचित्र है जो दिखाता है कि परमाणु आपस में कैसे जुड़े हुए हैं, जैसे कि घर का वायरिंग डायग्राम।
- रिव्यू (टेक्स्ट): मॉलिक्यूल्स के वैज्ञानिक शोध पत्रों और डेटाबेस में विवरण होते हैं। यह किसी डिश के स्वाद या बनावट के बारे में फूड क्रिटिक के लेख को पढ़ने जैसा है।
- सोशल नेटवर्क (नॉलेज ग्राफ): मॉलिक्यूल्स शून्य में अस्तित्व में नहीं होते; वे प्रोटीन, जीन और बीमारियों के साथ परस्पर क्रिया करते हैं। यह एक नक्शा है जो दिखाता है कि मॉलिक्यूल शरीर में किसके "दोस्त" है (जैसे, "यह मॉलिक्यूल प्रोटीन X से बात करता है, जो बीमारी Y को ठीक करने में मदद करता है")।
2. SELFormerMM कैसे काम करता है: "ग्रुप हग"
यह मॉडल कॉन्ट्रास्टिव लर्निंग (Contrastive Learning) नामक एक चतुर ट्रेनिंग ट्रिक का उपयोग करता है। कल्पना कीजिए कि चार अलग-अलग लोग एक ही व्यक्ति का वर्णन कर रहे हैं:
- एक फोटोग्राफर (संरचना)
- एक लेखक (टेक्स्ट)
- एक DNA टेस्टर (अनुक्रम)
- एक सोशल वर्कर (नॉलेज ग्राफ)
अतीत में, ये चार लोग अलग-अलग कमरों में काम करते थे। SELFormerMM उन्हें एक ही कमरे में रखता है और कहता है, "आप सभी एक ही मॉलिक्यूल का वर्णन कर रहे हैं! आपको इस बात पर सहमत होना होगा कि वह कैसा दिखता है।"
AI इन चार अलग-अलग दृश्यों को एक साझा मानसिक स्थान में "गले मिलने" (hug) के लिए मजबूर करता है। यदि "लेखक" कहता है कि मॉलिक्यूल "विषाक्त" है और "सोशल वर्कर" कहता है कि यह "एक विशिष्ट प्रोटीन पर हमला करता है," तो AI इन बिंदुओं को जोड़ना सीख जाता है। इन विभिन्न दृश्यों को एक साथ लाने के लिए मजबूर करके, AI मॉलिक्यूल की एक बहुत समृद्ध, 3D समझ बनाता है जो किसी भी एकल दृश्य से कहीं अधिक होती है।
3. परिणाम: एक बेहतर ड्रग डिटेक्टिव
शोधकर्ताओं ने इस नए "सुपर-शेफ" का परीक्षण 30 लाख मॉलिक्यूल्स के विशाल डेटासेट पर किया और फिर उससे वास्तविक दुनिया के ड्रग व्यवहारों की भविष्यवाणी करने के लिए कहा, जैसे कि:
- क्या यह दवा ब्लड-ब्रेन बैरियर को पार कर सकती है? (जैसे यह पूछना, "क्या यह डिलीवरी ट्रक शहर के द्वारों से गुजर सकता है?")
- क्या यह दवा विषाक्त है? (जैसे यह पूछना, "क्या यह डिश ग्राहक को बीमार कर देगी?")
- यह प्रोटीन से कितनी अच्छी तरह चिपकती है? (जैसे यह पूछना, "चुंबक कितना मजबूत है?")
फैसला: SELFormerMM ने लगभग हर उस मॉडल को हरा दिया जो केवल एक या दो भाषाओं को देखता था।
- यह साइड इफेक्ट्स और ब्रेन पेनिट्रेशन की भविष्यवाणी करने में विशेष रूप से अच्छा था।
- इसने साबित कर दिया कि जब आप "रेसिपी," "ब्लूप्रिंट," "रिव्यू," और "सोशल नेटवर्क" को मिलाते हैं, तो आपको केवल ब्लूप्रिंट देखने की तुलना में बहुत अधिक स्मार्ट भविष्यवाणी मिलती है।
4. यह क्यों मायने रखता है
ड्रग डिस्कवरी (दवा की खोज) को घास के ढेर में सुई खोजने के रूप में सोचें।
- पुराना AI: सुई को एक कोण से देखता था। यदि सुई उस विशिष्ट कोण से छिपी हुई है, तो वह उसे मिस कर सकता था।
- SELFormerMM: सुई को घुमाता है, उसे माइक्रोस्कोप के नीचे देखता है, उस पर लगे लेबल को पढ़ता है, और उसके इतिहास की जांच करता है। यह सुई को तेजी से और अधिक आत्मविश्वास के साथ ढूंढ लेता है।
मुख्य बात
यह पेपर एक नया टूल प्रस्तुत करता है जो कंप्यूटर को मॉलिक्यूल्स को उसी तरह समझने की शिक्षा देता है जैसे एक मानव विशेषज्ञ करता है: रसायन विज्ञान, संरचना, भाषा और जीव विज्ञान को एक साथ जोड़कर। यह तेज़, सस्ते और सुरक्षित ड्रग डिस्कवरी की ओर एक कदम है, जो वैज्ञानिकों को बिना समय बर्बाद किए जीवन रक्षक दवाएं खोजने में मदद करता है।
सबसे अच्छी बात क्या है? इसके रचनाकारों ने इस टूल को सभी के उपयोग के लिए मुफ्त कर दिया है, ताकि अन्य वैज्ञानिक आज ही इससे बेहतर दवाएं बनाना शुरू कर सकें।
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।