Genomic Annotation Infrastructure (GAIn): Pipelines and Resource Repositories for Annotating Variants, Positions, and Regions

कल्पना कीजिए कि आपने अभी-अभी अपना खुद का डीएनए (DNA) डिकोड किया है, या शायद किसी दुर्लभ पौधे, या यहाँ तक कि किसी वायरस का। आपके पास एक "मानक" संदर्भ की तुलना में अंतरों की एक विशाल सूची है—लाखों सूक्ष्म गलतियाँ, छूटे हुए अक्षर, या अतिरिक्त शब्द। समस्या क्या है? अधिकांश गलतियाँ केवल पृष्ठभूमि के शोर (background noise) की तरह हानिरहित हैं, जैसे किराने की सूची में एक टाइपो जो आपकी खरीदारी को नहीं बदलता। लेकिन कुछ गलतियाँ बीमारी, एक सुपरपावर, या एक अजीब लक्षण का गुप्त कोड हो सकती हैं। इस घास के ढेर में सुई ढूँढना ही सबसे कठिन काम है।

यहाँ GAIn (जीनोमिक एनोटेशन इंफ्रास्ट्रक्चर) आता है। GAIn को केवल एक उपकरण के रूप में नहीं, बल्कि एक अति-व्यवस्थित, जादुई पुस्तकालय और विशेषज्ञ अनुवादकों की एक टीम के रूप में सोचें।

समस्या: एक अस्त-व्यस्त पुस्तकालय

अभी, वैज्ञानिकों को इन डीएनए गलतियों को समझने के लिए जिस जानकारी की आवश्यकता होती है, वह हर जगह बिखरी हुई है। कुछ तथ्य एक फ़ाइल प्रारूप में हैं, अन्य दूसरे में। कुछ एक पुराने मानव शरीर के मानचित्र (एक पुराना जीनोम असेंबली) पर आधारित हैं, जबकि अन्य एक बिल्कुल नए, हाई-डेफिनिशन मानचित्र का उपयोग करते हैं। उन्हें संयोजित करना तीन अलग-अलग वास्तुकारों के ब्लूप्रिंट का उपयोग करके घर बनाने जैसा है, जहाँ एक इंच का उपयोग करता है, दूसरा सेंटीमीटर का, और तीसरा एक अलग भाषा बोलता है। यह एक अव्यवस्था है, और यह जानना कठिन है कि किसी तथ्य का कौन सा संस्करण सबसे वर्तमान है।

समाधान: GAIn सिस्टम

लेखकों ने, जो तुर्की, बुल्गारिया और अमेरिका की एक टीम है, इस अव्यवस्था को ठीक करने के लिए GAIn बनाया। उन्होंने केवल एक बेहतर सर्च इंजन नहीं बनाया; उन्होंने एक ऐसा सिस्टम बनाया जो सब कुछ व्यवस्थित, वर्शन्ड (versioned) और पुनरुत्पादक (reproducible) रखता है।

यह कैसे काम करता है, इसके लिए कुछ उपमाओं का उपयोग किया गया है:

1. जीनोमिक रिसोर्स रिपॉजिटरीज (GRRs): मास्टर कैटलॉग
एक ऐसे पुस्तकालय की कल्पना करें जहाँ हर पुस्तक को पूरी तरह से सूचीबद्ध किया गया है, और आप जानते हैं कि उसका कौन सा संस्करण है। GAIn के पास ऐसे दो विशाल डिजिटल पुस्तकालय हैं:

• मुख्य GRR: यह एक विशाल संग्रह है जिसमें 272 विभिन्न प्रकार के जीनोमिक संसाधन (जैसे जीन के मानचित्र, जनसंख्या में सामान्य गलतियों की सूचियाँ, और यह स्कोर कि डीएनए के एक विशिष्ट स्थान का कितना महत्व है) शामिल हैं। यह मानव शरीर के तीन अलग-अलग "मानचित्रों" को कवर करता है: hg19, hg38, और बिल्कुल नया hs1 (जो कि एक गैप-मुक्त, हाई-डेफिनिशन मानचित्र की तरह है)।
• GRR-ENCODE: यह एक अलग, विशेष पुस्तकालय है जो ENCODE प्रोजेक्ट के 7,922 प्रयोगों को समर्पित है। यह विभिन्न ऊतकों (tissues) में डीएनए का उपयोग कैसे किया जाता है, इसके बारे में डेटा से भरा हुआ है, जैसे कि 369 ATAC-seq प्रयोग, 1,407 DNase-seq प्रयोग, 2,943 हिस्टोन ChIP-seq प्रयोग, और 3,203 TF ChIP-seq प्रयोग।

खास बात यह है कि लेखकों ने फाइलों को बस वहाँ डाल नहीं दिया। उन्होंने उन्हें "सुसंगत" (harmonized) बनाया। इसका मतलब है कि उन्होंने सुनिश्चित किया कि सभी फाइलें एक ही भाषा बोलें, ताकि आप उन्हें मिला सकें और उपयोग कर सकें बिना अपने कंप्यूटर के क्रैश हुए।

2. पाइपलाइन्स: रेसिपी कार्ड
एक बार जब आपके पास आपके सामग्रियाँ (डेटा) हों, तो आपको व्यंजन (उत्तर) पकाने के लिए एक रेसिपी की आवश्यकता होती है। GAIn में, इन रेसिपीज़ को पाइपलाइन्स कहा जाता है।

• इन्हें YAML नामक एक सरल प्रारूप में लिखा जाता है (इसे एक बहुत ही स्पष्ट, संरचित शॉपिंग लिस्ट समझें)।
• एक पाइपलाइन चरणों की एक क्रमबद्ध सूची है जिन्हें एनोटेटर्स (annotators) कहा जाता है।
• एक एनोटेटर एक विशेष कर्मचारी की तरह है। एक कर्मचारी डीएनए की गलती को देख सकता है और कह सकता है, "यह एक जीन को तोड़ रहा है।" दूसरा डेटाबेस की जांच कर सकता है और कह सकता है, "यह गलती यूरोप के लोगों में बहुत आम है।" तीसरा कह सकता है, "यह स्थान बहुत महत्वपूर्ण है क्योंकि यह लाखों वर्षों के विकास के दौरान नहीं बदला है।"
• जादू यह है कि ये कर्मचारी एक-दूसरे से बात कर सकते हैं। पहला कर्मचारी "टूटे हुए जीनों" की सूची दूसरे को दे सकता है, जो फिर यह जांचता है कि वे विशिष्ट जीन कितने महत्वपूर्ण हैं।

3. टूल्स: वेब बनाम कमांड लाइन
GAIn आपको इस सिस्टम का उपयोग करने के दो तरीके देता है:

• वेब इंटरफेस: यह एक संग्रहालय में कियोस्क की तरह है। आपको अपने स्वयं के उपकरण लाने या कुछ भी सेटअप करने की आवश्यकता नहीं है। आप बस वहां जाते हैं, एक डीएनए स्थान टाइप करते हैं, एक रेसिपी (पाइपलाइन) चुनते हैं, और तुरंत उत्तर प्राप्त करते हैं। यह त्वरित जाँच या विचारों के परीक्षण के लिए बेहतरीन है। हालाँकि, क्योंकि यह एक साझा सार्वजनिक कंप्यूटर है, इसलिए आपके काम के आकार की कुछ सीमाएँ हैं।
• कमांड लाइन: यह अपना स्वयं का पेशेवर किचन सेट अप करने जैसा है। आपको सॉफ्टवेयर इंस्टॉल करना होगा और इसे सेटअप करना होगा, लेकिन एक बार जब आप ऐसा कर लेते हैं, तो आप एक साथ करोड़ों डीएनए वेरिएंट्स को प्रोसेस कर सकते हैं। यह तेज़, पैरेलल (एक साथ कई काम करने वाला) होने के लिए बनाया गया है, और यह बड़े प्रोजेक्ट्स को संभाल सकता है। यह आपको अपनी निजी लाइब्रेरी या गुप्त रेसिपी लाने की अनुमति भी देता है।

4. "री-एनोटेशन" की महाशक्ति
यहाँ एक ऐसी विशेषता है जो बहुत समय और पैसा बचाती है। कल्पना कीजिए कि आपने एक सप्ताह तक एक बड़ा स्टू (stew) पकाया, और फिर आपको एहसास हुआ कि आप नमक डालना भूल गए। अधिकांश प्रणालियों में, आपको पूरा स्टू फेंकना होगा और फिर से शुरू करना होगा।
GAIn में, यदि किसी डेटाबेस का नया संस्करण आता है (जैसे कि सामान्य गलतियों की एक नई सूची), तो सिस्टम जानता है कि आपकी रेसिपी का कौन सा हिस्सा उस डेटाबेस का उपयोग कर रहा था। यह केवल उस विशिष्ट चरण को फिर से पकाएगा। यह उन हिस्सों को दोबारा करने में समय बर्बाद नहीं करता है जो बदले नहीं हैं। यह विज्ञान की प्रगति के साथ अपने विश्लेषण को अपडेट रखना आसान बनाता है।

5. सिस्टम का विस्तार करना
GAIn एक बंद बॉक्स नहीं है। इसमें एक प्लगइन आर्किटेक्चर है। यदि आप एक कोडर हैं और आप एक नए प्रकार के कर्मचारी (एनोटेटर) को जोड़ना चाहते हैं जो यह अनुमान लगाने के लिए एक फैंसी AI मॉडल का उपयोग करता है कि डीएनए परिवर्तन 'स्प्लिसिंग' (splicing) को कैसे प्रभावित करता है, तो आप इसे जोड़ने के लिए एक प्लगइन लिख सकते हैं। आपको पूरे पुस्तकालय को फिर से बनाने की आवश्यकता नहीं है; आप बस अपने नए कर्मचारी को असेंबली लाइन में प्लग कर सकते हैं।

GAIn क्या नहीं है

लेखक स्पष्ट हैं कि यह टूल क्या नहीं है। यह कोई जादुई छड़ी नहीं है जो तुरंत आपको बता दे कि किसी व्यक्ति को बीमारी है या नहीं। यह साक्ष्य एकत्र करने की प्रक्रिया को पारदर्शी और विश्वसनीय बनाने के लिए एक फ्रेमवर्क है। यह अंतिम परिणामों की व्याख्या करने के लिए मानव विशेषज्ञों की आवश्यकता को प्रतिस्थापित नहीं करता है; यह केवल यह सुनिश्चित करता है कि विशेषज्ञ सर्वोत्तम, सबसे अद्यतित और सबसे व्यवस्थित डेटा के साथ काम कर रहे हैं।

निष्कर्ष

पेपर यह सुझाव देता है कि जीनोमिक डेटा की अराजकता को इन व्यवस्थित रिपॉजिटरी में व्यवस्थित करके और स्पष्ट, चरण-दर-चरण पाइपलाइनों का उपयोग करके, वैज्ञानिक फ़ाइल प्रारूपों से लड़ने में अपना समय बर्बाद करना बंद कर सकते हैं और जीव विज्ञान पर ध्यान केंद्रित करना शुरू कर सकते हैं। उन्होंने दिखाया है कि यह सिस्टम वेरिएंट्स, विशिष्ट स्थितियों और डीएनए के पूरे क्षेत्रों के लिए काम करता है, और यह एकल जीन चेक से लेकर बड़े जनसंख्या अध्ययन तक सब कुछ संभाल सकता है।

यह बिखरे हुए कागजों के ढेर से एक पूरी तरह से अनुक्रमित (indexed), खोजने योग्य और अपडेट करने योग्य डिजिटल डेटाबेस में अपग्रेड करने जैसा है जहाँ आप देख सकते हैं कि प्रत्येक तथ्य कहाँ से आया, और आप बाकी काम को खोए बिना केवल उन तथ्यों को अपडेट कर सकते हैं जो बदलते हैं।