💻 bioinformatics

Scanning transcriptomes for nonlinear, domain-level similarities using hmSEEKR

यह शोध पत्र hmSEEKR को प्रस्तुत करता है, जो एक k-mer-आधारित हिडन मार्कोव मॉडल है जो लॉन्ग नॉनकोडिंग आरएनए (lncRNA) में गैर-रेखीय, डोमेन-स्तरीय अनुक्रम समानताओं की पहचान करने के लिए ट्रांसक्रिप्टोम्स को स्कैन करता है, जिससे पूर्व अनुक्रम संरेखण (sequence alignment) के ज्ञान की आवश्यकता के बिना कार्यात्मक रूप से संबंधित आरएनए डोमेन और उनके संबद्ध प्रोटीन इंटरेक्शन नेटवर्क की खोज संभव हो पाती है।

मूल लेखक: Li, S., Sprague, D. A., Eberhard, Q. E., Boyson, S. P., Laederach, A., Calabrese, J. M.

प्रकाशित 2026-07-08

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Li, S., Sprague, D. A., Eberhard, Q. E., Boyson, S. P., Laederach, A., Calabrese, J. M.

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

बड़ी समस्या: घास के ढेर में सुई ढूँढना (जो सुई जैसी भी नहीं दिखती)

कल्पना कीजिए कि आप कुक बुक्स (रसोई की किताबों) के एक विशाल पुस्तकालय में केक की एक विशिष्ट रेसिपी ढूँढने की कोशिश कर रहे हैं। आमतौर पर, आप शीर्षक या सामग्री की सूची (यानी "लीनियर सीक्वेंस") खोजकर रेसिपी ढूँढेंगे।

लेकिन लॉन्ग नॉन-कोडिंग आरएनए (lncRNAs) अमूर्त कला (Abstract Art) की रेसिपी की तरह होते हैं। उनका कोई मानक शीर्षक नहीं होता, और उनकी सामग्री अन्य रेसिपी की तुलना में बिल्कुल अलग क्रम में सूचीबद्ध हो सकती है जो ठीक वही केक बनाती हैं। क्योंकि वे कागज पर बहुत अलग दिखते हैं, पारंपरिक खोज उपकरण उन्हें नहीं ढूँढ पाते। वैज्ञानिक जानते हैं कि ये आरएनए कोशिका के "कारखाने" को चलाने के लिए महत्वपूर्ण हैं, लेकिन वे यह नहीं समझ पाते कि उनमें से अधिकांश वास्तव में क्या करते हैं क्योंकि वे उनकी तुलना करने के लिए समान दिखने वाले अन्य आरएनए को नहीं ढूँढ पाते।

समाधान: hmSEEKR (द "सूंघने" वाला डिटेक्टर)

लेखकों ने hmSEEKR नामक एक नया टूल बनाया है। सामग्री के सटीक क्रम को खोजने के बजाय, hmSEEKR रेसिपी के समग्र "फ्लेवर प्रोफाइल" (स्वाद का स्वरूप) या "सुगंध" को देखता है।

उपमा (Analogy): कल्पना कीजिए कि आप कॉफी के एक विशिष्ट प्रकार को ढूँढने की कोशिश कर रहे हैं। एक पारंपरिक खोज बैग पर लिखे सटीक ब्रांड नाम को देखती है। हालाँकि, hmSEEKR हवा को सूंघता है। वह जानता है कि "हेज़लनट नोट्स वाली डार्क रोस्ट" कॉफी की एक विशिष्ट सुगंध होती है। भले ही कॉफी किसी दूसरे बैग में हो, अलग भाषा में लिखी हो, या अन्य बीन्स के साथ मिली हो, hmSEEKR उसे सूंघ सकता है और कह सकता है, "हे, इसकी खुशबू बिल्कुल उस हेज़लनट कॉफी जैसी है!"

यह कैसे काम करता है: "दो-अवस्था" वाला जासूस

यह टूल हिडन मार्कोव मॉडल (HMM) नामक एक सांख्यिकीय विधि का उपयोग करता है। इसे एक ऐसे जासूस के रूप में सोचें जो टेक्स्ट के एक लंबे गलियारे में चल रहा है, और हर कदम पर निर्णय ले रहा है: "क्या यह 'टारगेट' कमरे का हिस्सा है, या यह सिर्फ 'बैकग्राउंड' की दीवार है?"

क्वेरी (लक्ष्य): आप टूल को आरएनए का एक विशिष्ट टुकड़ा देते हैं जिसे आप जानते हैं कि काम करता है (जैसे प्रसिद्ध XIST आरएनए का एक विशिष्ट डोमेन)। यह आपका "टारगेट रूम" है।
नल (बैकग्राउंड): टूल यह भी जानता है कि "सामान्य" आरएनए कैसा दिखता है (यह "बैकग्राउंड वॉल" है)।
स्कैन: टूल आरएनए के पूरे पुस्तकालय को स्कैन करता है। यह टेक्स्ट को छोटे-छोटे टुकड़ों (जिन्हें k-mers कहा जाता है) में तोड़ देता है।
- यदि कोई टुकड़ा "टारगेट रूम" की तरह महकता है, तो जासूस उसे हिट (Hit) के रूप चीज़ मार्क करता है।
- यदि वह "बैकग्राउंड वॉल" की तरह महकता है, तो वह उसे अनदेखा कर देता है।
परिणाम: यह बिंदुओं को जोड़ता है। यदि इसे "टारगेट रूम" की सुगंधों का एक लंबा सिलसिला मिलता है, तो यह उस हिस्से को एक मैच के रूप में फ्लैग करता है, भले ही बाकी का आरएनए पूरी तरह से अलग दिखे।

उन्होंने क्या खोजा

टीम ने इस टूल का परीक्षण तीन प्रसिद्ध आरएनए का उपयोग करके किया: XIST, NEAT1, और MALAT1। ये आरएनए की दुनिया के "सुपरस्टार्स" की तरह हैं क्योंकि हम जानते हैं कि वे वास्तव में क्या करते हैं।

1. यह छिपी हुई कॉपियाँ ढूँढ सकता है
उन्होंने इन सुपरस्टार आरएनए के टुकड़ों को लिया, उन्हें काटकर अलग किया, और उन्हें अन्य आरएनए अनुक्रमों के भीतर बेतरतीब ढंग से छिपा दिया। hmSEEKR ने उन्हें 100% ढूँढ निकाला, तब भी जब छिपे हुए टुकड़े उत्परिवर्तित (थोड़े बदले हुए) थे। इसने साबित किया कि टूल "सामग्री" के थोड़े अलग होने पर भी "फ्लेवर" को पहचानने में बहुत कुशल है।

2. यह कार्यात्मक जुड़वाँ (Functional Twins) ढूँढता है
जब टूल को किसी दूसरे आरएनए में मैच मिला, तो उन्होंने जांचा कि क्या वह मैच मूल आरएनए की तरह ही काम करता है। उन्होंने देखा कि कौन से प्रोटीन (कोशिका के कार्यकर्ता) इन नए मैचों से चिपके।

परिणाम: जो प्रोटीन नए मैचों से चिपके, वे वही प्रोटीन थे जो मूल सुपरस्टार आरएनए से चिपके थे। यह सुझाव देता है कि नए मैच संभवतः मूल के समान ही काम कर रहे हैं।

3. "मिनिमलिस्ट" खोज
उन्होंने पूछा: "क्या हम ऐसे आरएनए पा सकते हैं जो एक पूरे XIST या NEAT1 की तरह दिखते हों, बस आवश्यक भागों को सही क्रम में रखते हुए?"

उन्हें सैकड़ों अन्य आरएनए मिले जिनमें "XIST रेसिपी" या "NEAT1 रेसिपी" सही क्रम में बिखरी हुई थी।
ट्विस्ट: इनमें से अधिकांश वास्तव में नेसेंट ट्रांसक्रिप्ट्स (nascent transcripts) (आरएनए जो अभी भी लिखा जा रहा है और अभी तक पूरा नहीं हुआ है) थे या प्रोटीन-कोडिंग जीन से आए थे, न कि केवल सामान्य lncRNA संदिग्ध। यह सुझाव देता है कि "फैक्ट्री फ्लोर" (जहाँ आरएनए बनता है) इन नियामक उपकरणों से भरा हुआ है।

4. "एक्टिवेटर" बनाम "रिप्रेशर" टेस्ट
अंत में, उन्होंने उन आरएनए को देखा जो जीन को चालू (ON) करने या बंद (OFF) करने के लिए जाने जाते हैं।

उन्होंने पाया कि जो आरएनए चीजों को बंद करने (OFF) के लिए होते हैं, उनमें ज्ञात "रिप्रेशर" डोमेन (जैसे कि HNRNP प्रोटीन से बंधने वाले) के समान "फ्लेवर" होता है।
जो आरएनए चीजों को चालू (ON) करने के लिए होते हैं, उनमें "एक्टिवेटर" डोमेन (जैसे कि Mediator या P300 कॉम्प्लेक्स से बंधने वाले) के समान "फ्लेवर" होता है।
निष्कर्ष: आप केवल आरएनए के "फ्लेवर प्रोफाइल" को सूंघकर यह अंदाजा लगा सकते हैं कि वह क्या काम करता है।

सारांश

hmSEEKR कोशिका के निर्देश मैनुअल के लिए एक नया सर्च इंजन है। इसे इस बात से फर्क नहीं पड़ता कि वाक्य किस क्रम में लिखे गए हैं; इसे इससे फर्क पड़ता है कि उनका वाइब (Vibe) एक जैसा है या नहीं। ऐसा करके, यह वैज्ञानिकों को आरएनए के उन छिपे हुए कार्यात्मक हिस्सों को खोजने में मदद करता है जो पहले अदृश्य थे, और यह दिखाता है कि कोशिका "फंक्शनल ट्विन्स" से भरी हुई है जो कागज पर अलग दिखते हैं लेकिन बिल्कुल एक जैसा काम करते हैं।

तकनीकी सारांश: hmSEEKR का उपयोग करके नॉनलीनियर, डोमेन-स्तरीय समानताओं के लिए ट्रांसक्रिप्टोम की स्कैनिंग

समस्या विवरण
लॉन्ग नॉनकोडिंग आरएनए (lncRNAs) जैविक प्रक्रियाओं के महत्वपूर्ण नियामक हैं, फिर भी बहुत सारे एनोटेटेड lncRNAs में निर्धारित कार्य (functions) का अभाव है। नए lncRNAs को कार्य सौंपने में एक प्राथमिक चुनौती यह है कि उनमें अक्सर ज्ञात कार्यात्मक आरएनए के साथ महत्वपूर्ण लीनियर (रैखिक) अनुक्रम समानता नहीं होती है, जिससे मानक एलाइनमेंट टूल्स अप्रभावी हो जाते हैं। जबकि पिछले कार्य ने स्थापित किया था कि नॉनलीनियर k-mer सामग्री (SEEKR एल्गोरिदम के माध्यम से) प्रोटीन बाइंडिंग और कोशिकीय स्थानीयकरण की भविष्यवाणी कर सकती है, मूल SEEKR फ्रेमवर्क के लिए उपयोगकर्ताओं को अपने लक्षित ट्रांसक्रिप्ट्स को डोमेन में पूर्व-विखंडित (pre-fragment) करना आवश्यक था। यह एक महत्वपूर्ण सीमा है क्योंकि अज्ञात lncRNAs में कार्यात्मक डोमेन की सीमाएं अक्सर अज्ञात होती हैं; मनमाने ढंग से विखंडन करने से कार्यात्मक डोमेन विभाजित होने का जोखिम रहता है और क्षेत्रीय समानताएं छूट सकती हैं।

कार्यप्रणाली (Methodology)
लेखक hmSEEKR पेश करते हैं, जो एक टू-स्टेट हिडन मार्कोव मॉडल (HMM) है जिसे किसी क्वेरी डोमेन के गैर-रैखिक अनुक्रम समानता वाले क्षेत्रों को स्कैन करने के लिए डिज़ाइन किया गया है, जिसमें डोमेन सीमाओं के पूर्व ज्ञान की आवश्यकता नहीं होती है।

एल्गोरिद्मिक फ्रेमवर्क: hmSEEKR एक "क्वेरी" (Q) अवस्था (जो एक रुचि के डोमेन का प्रतिनिधित्व करती है) की तुलना एक "नल" (N) अवस्था (जो अनुक्रमों के बैकग्राउंड सेट, जैसे कि ट्रांसक्रिप्टोम, का प्रतिनिधित्व करती है) से करता है। यह सिंगल-न्यूक्लियोटाइड स्टेप साइज के साथ अनुक्रमों पर टाइलिंग करके गणना की गई k-mer आवृत्तियों का उपयोग करता है।
कंडीशन्ड एमिशन (Conditioned Emission): सिंगल-न्यूक्लियोटाइड स्टेपिंग से उत्पन्न k-mers की गैर-स्वतंत्रता को हल करने के लिए, जो मानक HMM के स्वतंत्र एमिशन मान्यताओं के विपरीत है, hmSEEKR एक "कंडीशन्ड एमिशन" दृष्टिकोण अपनाता है। यह वर्तमान k-mer के आधार पर एक विशिष्ट k-mer की संभावना की गणना करता है, जो प्रभावी रूप से एमिशन मैट्रिक्स को उन चार संभावित k-mers तक सीमित कर देता है जो वर्तमान स्थिति के बाद आ सकते हैं।
पैरामीटर ऑप्टिमाइज़ेशन: चूंकि lncRNA ट्रांजिशन प्रोबेबिलिटी के लिए उपयुक्त प्रशिक्षण डेटासेट अक्सर उपलब्ध नहीं होते हैं, इसलिए लेखकों ने एक ग्रिड-सर्च फंक्शन विकसित किया है। यह एक ट्रेनिंग सेट में क्वेरी और हिट्स के बीच SEEKR-व्युत्पन्न पियर्सन के $r$ मानों को अधिकतम करके इष्टतम ट्रांजिशन प्रोबेबिलिटी ($qT $और$ nT $) को अनुभवजन्य रूप से प्राप्त करता है। व्यापक परीक्षण के आधार पर,$ k=4, 5, 6 $के लिए डिफॉल्ट पैरामीटर$ qT=0.99 $और$ nT=0.90$ स्थापित किए गए हैं।
कॉम्बिनेटोरियल सर्च: एक "seqs-to-summary" फीचर कई क्वेरी डोमेन के विरुद्ध समानांतर स्कैनिंग की अनुमति देता है, जिससे क्रमिक, डोमेन-स्तरीय समानताओं वाले ट्रांसक्रिप्ट्स की पहचान करने के लिए हिट्स को एकत्रित किया जा सके।

मुख्य परिणाम
यह अध्ययन K562 सेल क्रोमैटिन-एसोसिएटेड ट्रांसक्रिप्टोम्स के भीतर संरक्षित lncRNAs XIST, NEAT1 और MALAT1 को क्वेरी स्रोतों के रूप में उपयोग करके hmSEEKR को सत्यापित करता है।

इन्सर्टेड डोमेन की रिकवरी: जब XIST, NEAT1 और MALAL1 के ज्ञात डोमेन को ट्रांसक्रिप्टोम में रैंडमली डाला गया, तो hmSEEKR ने 100% इनसर्शन को सफलतापूर्वक रिकवर किया। एल्गोरिदम म्यूटेशन के प्रति मजबूत रहा, जिसमें म्यूटेटेड फ्रैग्मेंट्स को रिकवर करने में $k=6$ सबसे अच्छा प्रदर्शन करता है।
प्रोटीन इंटरेक्शन वैलिडेशन: ट्रांसक्रिप्टोम के भीतर पहचाने गए हिट्स ने अपने संबंधित क्वेरी डोमेन के समान ही आरबीपी (RBP) के लिए काफी उच्च संवर्धन (enrichment) प्रदर्शित किया, जैसा कि शेफल्ड कंट्रोल्स में देखा गया। यह व्यक्तिगत डोमेन और कॉम्बिनेटोरियल इंटरैक्शन (जैसे, वे डोमेन जो एक साथ कई प्रोटीनों से जुड़ते हैं) दोनों के लिए सत्य है।
ट्रांसक्रिप्टोम-वाइड समानता: कड़े थ्रेशोल्ड ( $p < 0.001$ ) पर, कई डोमेन XIST, NEAT1 और MALAT1 के भीतर अद्वितीय या दुर्लभ पाए गए (मैचिंग <200 जीन)। हालांकि, कम स्ट्रिंगेंसी ( $p < 0.05$ ) पर, प्रोटीन-कोडिंग और lncRNA दोनों जीन में व्यापक समानताएं पाई गईं, जो अक्सर दूरस्थ इंट्रॉन्स (distal introns) में स्थित थीं।
सीक्वेंशियल डोमेन डिस्कवरी:
- XIST-जैसे ट्रांसक्रिप्ट: न्यूनतम कार्यात्मक XIST डोमेन (Repeats A, F, B1/2, D, E) के क्रमिक हिट्स वाले ट्रांसक्रिप्ट्स की खोज करने पर 674 उम्मीदवार मिले ( $p < 0.05$ पर), जो मुख्य रूप से प्रोटीन-कोडिंग जीन से थे। ये उम्मीदवार प्रोटीन एसोसिएशन नेटवर्क में XIST की तुलना में काफी अधिक समानता दिखाते हैं।
- NEAT1-जैसे ट्रांसक्रिप्ट: न्यूनतम NEAT1 डोमेन के लिए समान खोजों ने $p < 0.05$ पर 2,003 उम्मीदवार पहचाने। ये उम्मीदवार "सेमी-एक्सट्रैक्टेबल" गुणों (जो NEAT1 का एक लक्षण है) के लिए महत्वपूर्ण रूप से समृद्ध थे और उनके प्रोटीन एसोसिएशन नेटवर्क NEAT1 के समान थे।
रेगुलेटरी डोमेन एनरिचमेंट: ज्ञात cis-एक्टिवेटिंग और cis-रिप्रेसिव lncRNAs के सेट की खोज करते समय, लेखकों ने विशिष्ट संवर्धन देखा। ट्रांसक्रिप्शन-प्रमोटिंग कॉम्प्लेक्स (जैसे MLL, Mediator, P300) से जुड़े डोमेन एक्टिवेटिंग lncRNAs में समृद्ध थे, जबकि HNRNP-बाइंडिंग डोमेन रिप्रेसिव lncRNAs में समृद्ध थे।

महत्व और दावे
लेखक hmSEEKR को एक हाइपोथेसिस-जेनरेटिंग टूल के रूप में देखते हैं जो lncRNA के लिए सीक्वेंस और फंक्शन के बीच के अंतर को पाटता है। प्रमुख दावे इस प्रकार हैं:

न्यूनतम प्रशिक्षण आवश्यकताएं: डीप लर्निंग मॉडल्स के विपरीत जिन्हें बड़े, क्यूरेटेड ट्रेनिंग कॉर्पोरा की आवश्यकता होती है (जो अभी तक कई lncRNA कार्यों के लिए मौजूद नहीं हैं), hmSEEKR को एक एकल lncRNA के एक एकल डोमेन का उपयोग करके मानक कंप्यूटिंग संसाधनों पर प्रशिक्षित किया जा सकता है।
नॉन-लीनियर समानताओं की खोज: यह टूल लीनियर एलाइनमेंट विफल होने पर भी साझा k-mer सामग्री के आधार पर कार्यात्मक तत्वों की अ-प्रायर (a priori) खोज को सक्षम बनाता है।
जैविक प्रासंगिकता: XIST और NEAT1 के क्रमिक डोमेन समानता वाले ट्रांसक्रिप्ट्स की पहचान, जो बाद में प्रोटीन इंटरेक्शन नेटवर्क और जैविक गुणों (जैसे सेमी-एक्सट्रैक्टेबिलिटी) को साझा करते हैं, यह सुझाव देता है कि hmSEEKR समान जैविक कार्यों वाले आरएनए की पहचान कर सकता है।
इंट्रोनिक रिज़र्वोयर्स: ये निष्कर्ष इस विचार का समर्थन करते हैं कि इंट्रोनिक तत्व, विशेष रूप से उभरते (nascent) ट्रांसक्रिप्ट्स में, स्प्लिसिंग कंट्रोल के अलावा अन्य कार्यों के साथ नियामक डोमेन के एक रिज़र्वोयर के रूप में कार्य कर सकते हैं।

निष्कर्षतः, hmSEEKR नॉनकोडिंग ट्रांसक्रिप्टोम्स के भीतर कार्यात्मक तत्वों की खोज के लिए एक सीक्वेंस-इंफॉर्म्ड दृष्टिकोण प्रदान करता है, जो lncRNA तंत्रों के भविष्य के प्रयोगात्मक सत्यापन के लिए आधार तैयार करता है।

बड़ी समस्या: घास के ढेर में सुई ढूँढना (जो सुई जैसी भी नहीं दिखती)

समाधान: hmSEEKR (द "सूंघने" वाला डिटेक्टर)

यह कैसे काम करता है: "दो-अवस्था" वाला जासूस

उन्होंने क्या खोजा

सारांश

इसी तरह के और पेपर