A heterogeneous biomedical knowledge network framework for rare disease drug candidate prioritization: integrating Orphadata and DisGeNET via gene-bridge harmonization

दुनिया भर में तीन सौ मिलियन से अधिक लोगों के लिए, एक दुर्लभ बीमारी का निदान अक्सर बहुत कम चिकित्सा विकल्पों वाले जीवन की सजा बन जाता है। जबकि आधुनिक चिकित्सा ने सामान्य बीमारियों के उपचार में अविश्वसनीय प्रगति की है, इन दुर्लभ स्थितियों में से अधिकांश में किसी भी स्वीकृत दवा का अभाव है। इसका कारण अक्सर आर्थिक होता है: एक नई दवा विकसित करना एक महंगी और लंबी प्रक्रिया है, और फार्मास्युटिकल कंपनियों के लिए उस निवेश को उचित ठहराना कठिन होता है जब संभावित रोगियों की संख्या इतनी कम हो। यह शोधकर्ताओं और डॉक्टरों को एक अलग रास्ते की तलाश करने के लिए छोड़ देता है, जो शून्य से शुरुआत करने की आवश्यकता न रखता हो। इसके बजाय, वे मौजूदा दवाओं को खोजने के तरीके तलाशते हैं जो इन उपेक्षित स्थितियों के लिए काम कर सकती हैं, जिसे 'ड्रग रिपर्पजिंग' (दवाओं का पुनरुद्देश्य) नामक रणनीति कहा जाता है। इसे प्रभावी ढंग से करने के लिए, वैज्ञानिक रोगों, उन्हें उत्पन्न करने वाले जीन और उन जीनों को प्रभावित करने वाली दवाओं के बीच संबंधों के जटिल जाल पर भरोसा करते हैं। यदि कोई दवा किसी विशिष्ट जीन के साथ परस्पर क्रिया (interact) करती है, और एक दुर्लभ बीमारी उसी जीन में समस्या के कारण होती है, तो इस बात की प्रबल संभावना है कि वह दवा बीमारी के इलाज में मदद कर सकती है।

हालाँकि, चुनौती यह है कि इन संबंधों को बनाने के लिए आवश्यक जानकारी विभिन्न डेटाबेस में बिखरी हुई है जो एक ही भाषा नहीं बोलते हैं। एक प्रमुख डेटाबेस, ऑर्फाडाटा (Orphadata), दुर्लभ बीमारियों और उन्हें उत्पन्न करने वाले जीनों के बीच के संबंधों को सूचीबद्ध करता है, जबकि दूसरा, डिसजेनेट (DisGeNET), यह रिकॉर्ड करता है कि हजारों दवाएं जीनों के साथ कैसे परस्पर क्रिया करती हैं। समस्या यह है कि ये दोनों स्रोत एक ही जीनों के लिए अलग-अलग नामकरण प्रणालियों का उपयोग करते हैं, जिससे उनके डेटा को सीधे जोड़ना असंभव हो जाता है। दिया रमानी का एक नया अध्ययन इन दोनों दुनियाओं के बीच एक सेतु बनाकर इस बाधा को दूर करता है। शोधकर्ता ने एक कंप्यूटर ढांचा तैयार किया जो पहले दोनों डेटाबेसों में जीनों के नामों को मानकीकृत करता है, उन्हें एक एकल, सुसंगत भाषा में अनुवादित करता है। एक बार डेटा को सामंजस्यपूर्ण बना लेने के बाद, इसे एक विशाल, त्रि-आयामी नेटवर्क में बुना जाता है जहाँ रोग, जीन और दवाएं सभी आपस में जुड़े होते हैं। इस नेटवर्क में पंद्रह हजार से अधिक विशिष्ट सूचना बिंदु हैं, जो लगभग ढाई हजार दुर्लभ बीमारियों और ग्यारह हजार से अधिक दवाओं का प्रतिनिधित्व करते हैं।

इस जटिल जाल को समझने के लिए, अध्ययन एक प्रकार के कृत्रिम बुद्धिमत्ता (AI) का उपयोग करता है जिसे 'ग्राफ अटेंशन नेटवर्क' कहा जाता है। पूरी तरह से नई खोजों की भविष्यवाणी करने के बजाय, जो कि एक अत्यधिक अनिश्चित प्रयास है, सिस्टम को मौजूदा नेटवर्क की संरचना को समझने के लिए प्रशिक्षित किया जाता है। यह रोगों, जीनों और दवाओं के बीच के संबंधों के पैटर्न को पहचानना सीखता है, जो प्रभावी रूप से जैविक संबंधों का एक मानचित्र बनाता है। एक बार जब सिस्टम इन पैटर्न को सीख लेता है, तो यह एक विशिष्ट दुर्लभ बीमारी को प्रश्न (query) के रूप में ले सकता है और अपने डेटाबेस में मौजूद सभी दवाओं को उनके साझा जीनों के माध्यम से उस बीमारी से कितनी निकटता से संबंधित हैं, इसके आधार पर रैंक कर सकता है। लक्ष्य एक नया इलाज आविष्कार करना नहीं है, बल्कि आगे की जांच के लिए सबसे आशाजनक मौजूदा उम्मीदवारों को प्राथमिकता देना है, जिससे संभावनाओं की एक अराजक सूची डॉक्टरों और शोधकर्ताओं के लिए एक केंद्रित संक्षिप्त सूची में बदल जाती है।

इस दृष्टिकोण के परिणाम शोर को काटने की उनकी क्षमता में आश्चर्यजनक हैं। जब सिस्टम का परीक्षण दो सौ अलग-अलग दुर्लभ बीमारियों पर किया गया, तो इसने चालीस प्रतिशत मामलों में ज्ञात, प्रभावी उपचार को शीर्ष दस सुझावों में सफलतापूर्वक स्थान दिया। यह यादृच्छिक अनुमान (random guessing) की तुलना में एक बड़ी प्रगति है, जो इतने बड़े विकल्पों के समूह में सही दवा को लगभग कभी नहीं ढूंढ पाएगा। इसकी सफलता के पीछे के जैविक तर्क को समझाने के लिए, अध्ययन ने हॉकिन्सिनुरिया (Hawkinsinuria) नामक विकार से जुड़े एक विशिष्ट मामले को देखा। सिस्टम के पास शामिल मेटाबॉलिक मार्गों के विशिष्ट ज्ञान का कोई पूर्व ज्ञान नहीं था, फिर भी इसने निटिसोन (Nitisone) नामक दवा को चौथी सबसे संभावित उम्मीदवार के रूप में रैंक किया। यह दवा पहले से ही एक अलग स्थिति के लिए मानक उपचार है जो उसी आनुवंशिक मार्ग को साझा करती है। तथ्य यह है कि सिस्टम ने उस मार्ग के बारे में स्पष्ट रूप से बताए बिना इस संबंध की पहचान की, यह सुझाव देता है कि जो पैटर्न इसने सीखे हैं वे जैविक रूप से सुदृढ़ और सार्थक हैं।

अध्ययन अपने निष्कर्षों को अंतिम नैदानिक उत्तर के बजाय निर्णय समर्थन (decision support) उपकरण के रूप में प्रस्तुत करने में सावधानी बरतता है। सिस्टम को परिकल्पनाएं उत्पन्न करने और मानव विशेषज्ञों के लिए एक शुरुआती बिंदु प्रदान करने के लिए डिज़ाइन किया गया है, जिन्हें फिर आगे के अनुसंधान और परीक्षण के माध्यम से सुझावों को सत्यापित करना होगा। यह वर्तमान ज्ञान के एक महत्वपूर्ण अंतर को भी उजागर करता है, यह नोट करते हुए कि ऑर्फाडाटा डेटाबेस में लगभग आधे दुर्लभ रोगों को नेटवर्क में शामिल नहीं किया जा सका क्योंकि उनके संबंधित जीनों के लिए कोई संबंधित दवा डेटा उपलब्ध नहीं था। यह सीमा पद्धति की विफलता नहीं है, बल्कि चिकित्सा साहित्य की वर्तमान स्थिति का प्रतिबिंब है, जहाँ कई दुर्लभ स्थितियाँ अभी भी अल्प-अध्ययित हैं। पूरी प्रक्रिया को पुनरुत्पादक (reproducible) बनाकर और इसे एक मुफ्त, इंटरैक्टिव टूल के रूप में ऑनलाइन तैनात करके, शोधकर्ता ने वैज्ञानिक समुदाय को दुर्लभ रोग उपचारों के विशाल परिदृश्य को नेविगेट करने का एक व्यावहारिक तरीका प्रदान किया है। यह कार्य प्रदर्शित करता है कि मौजूदा डेटा के टुकड़ों को सावधानीपूर्वक जोड़कर, हम उन पैटर्न को देख सकते हैं जो पहले छिपे हुए थे, जो उन लाखों रोगियों के लिए आशा की एक किरण प्रदान करता है जिनके पास वर्तमान में उपचार के कोई विकल्प नहीं हैं।