Massively parallel characterization and predictive modelling of neuronal regulatory variation
यह अध्ययन मानव उत्तेजक न्यूरॉन्स (excitatory neurons) में एक बड़े पैमाने के lentiMPRA का उपयोग करके 46,000 से अधिक गैर-कोडिंग वेरिएंट्स का कार्यात्मक लक्षण वर्णन करता है, जिससे यह पता चलता है कि नियामक प्रभाव जनसंख्या आवृत्ति के बजाय स्थानीय अनुक्रम संदर्भ और आधारभूत तत्व गतिविधि द्वारा संचालित होता है, साथ ही यह न्यूरोनल नियामक भिन्नता के भविष्य कहने वाले मॉडलों को सुधारने के लिए एक महत्वपूर्ण संसाधन स्थापित 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
अपनी डीएनए की कल्पना एक विशाल, प्राचीन निर्देश पुस्तिका के रूप में करें जो एक इंसान बनाने के लिए है। इस पुस्तिका का अधिकांश भाग ईंट और गारे (वे जीन जो आपकी आँखों को नीला बनाते हैं या आपके हृदय को धड़कने में मदद करते हैं) के बारे में नहीं है; इसके बजाय, यह हाशिये में बिखरे हुए स्टिकी नोट्स, हाइलाइटर्स और छोटे स्विचों से भरा हुआ है। ये "नियामक तत्व" (regulatory elements) हैं। वे स्वयं कुछ भी निर्माण नहीं करते, लेकिन वे कोशिका को बताते हैं कि किसी विशिष्ट जीन को कब पढ़ना है, उसके निर्देशों को कितनी जोर से चिल्लाना है, और उसे कब बंद करना है। उन्हें जीनों के लिए वॉल्यूम नॉब और ऑन/ऑफ स्विच के रूप में समझें।
लंबे समय तक, वैज्ञानिक जानते थे कि ये स्विच मौजूद हैं, लेकिन यह दीवार पर लगे 10,000 बिना लेबल वाले बटनों को देखकर यह अनुमान लगाने जैसा था कि कौन सा बटन रसोई की लाइट को नियंत्रित करता है। हम जानते थे कि कुछ बटन महत्वपूर्ण थे क्योंकि वे विकासवाद की "साझा भाषा" (यानी वे शायद ही कभी बदलते हैं) में लिखे गए थे, जबकि अन्य रैंडम लिखावट की तरह लग रहे थे। एक बड़ा सवाल यह रहा है: क्या वे दुर्लभ, अजीब लिखावट (म्यूटेशन जो लगभग किसी के पास नहीं हैं) सामान्य बटनों की तुलना में स्विच को अधिक बार खराब करती हैं? या यह एक मिश्रण है? इन स्विचों को समझना महत्वपूर्ण है क्योंकि कई बीमारियाँ, हृदय की स्थितियों से लेकर तंत्रिका संबंधी विकारों तक, टूटे हुए जीनों के कारण नहीं, बल्कि टूटे हुए स्विचों के कारण होती हैं जो जीनों को गलत समय पर चालू या बंद कर देते हैं।
अब, कल्पना करें कि वैज्ञानिकों की एक टीम ने केवल अनुमान लगाना बंद करने और एक साथ हर एक बटन का परीक्षण करने का निर्णय लिया। यह शोध बिल्कुल वही करता है। शोधकर्ताओं ने एक विशाल, उच्च-तकनीकी परीक्षण मशीन बनाई जिसे "lentiMPRA" (एक फैंसी नाम जो डीएनए के टुकड़ों का परीक्षण करने के लिए सूक्ष्म वायरसों का उपयोग करने वाली प्रणाली है) कहा जाता है। उन्होंने मानव मस्तिष्क कोशिकाओं पर ध्यान केंद्रित किया—विशेष रूप से, वे कोशिकाएं जो आपको सोचने और हिलने-डुलने में मदद करने के लिए विद्युत संकेत भेजती हैं। उन्होंने मानव जीनोम से 27,000 से अधिक अलग-अलग "स्विच" क्षेत्रों को लिया और उन क्षेत्रों के भीतर, उन्होंने 46,000 से अधिक स्वाभाविक रूप से होने वाले विविधताओं (डीएनए कोड में छोटी गलतियाँ) का परीक्षण किया। इनमें से कुछ गलतियाँ बहुत आम हैं (जैसे किसी लोकप्रिय मीम में टाइपो), जबकि अन्य इतनी दुर्लभ हैं कि वे पूरी मानव आबादी में केवल एक बार देखी गई हैं।
टीम ने इन डीएनए के टुकड़ों को लैब में उगाए गए मानव न्यूरॉन्स में डाला और यह देखा कि क्या गलतियों ने "स्विच" के चालू होने की मात्रा को बदल दिया। उन्होंने कुछ आश्चर्यजनक पाया: एक गलती कितनी "दुर्लभ" है, इससे उन्हें यह पता नहीं चला कि स्विच कितना खराब हो गया है। चाहे कोई गलती आम हो या एक-इन-ए-मिलियन की दुर्लभता, उसके पास स्विच को बिगाड़ने की लगभग समान संभावना थी। शोध पत्र बताता है कि जनसंख्या में म्यूटेशन की आवृत्ति (frequency) यह भविष्यवाणी करने के लिए एक अच्छा भविष्यवक्ता नहीं है कि क्या वह समस्या पैदा करेगा। इसके बजाय, सबसे महत्वपूर्ण कारक स्विच का अपना "व्यक्तित्व" था। यदि कोई स्विच पहले से ही बहुत सक्रिय था, तो एक गलती उसे कम करने की अधिक संभावना रखती थी। यदि कोई स्विच शांत था, तो एक गलती उसे तेज करने की अधिक संभावना रखती थी। यह एक वॉल्यूम नॉब को शून्य पर लाने की कोशिश करने जैसा है; आप इसे और धीमा नहीं कर सकते, लेकिन आप एक शांत कमरे को निश्चित रूप से शोर वाला बना सकते हैं।
शोधकर्ताओं ने यह भी जांचा कि क्या उनके कंप्यूटर मॉडल (AI प्रोग्राम जिनका उपयोग वैज्ञानिक डीएनए व्यवहार की भविष्यवाणी करने के लिए करते हैं) इन परिणामों का अनुमान लगा सकते थे। मॉडल ठीक थे, लेकिन बहुत अच्छे नहीं थे। वे कुछ बड़े बदलावों को पहचान सकते थे, लेकिन वे कई सूक्ष्म बदलावों को चूक गए। हालांकि, जब वैज्ञानिकों ने एक शक्तिशाली AI मॉडल लिया और उसे विशेष रूप से अपने नए लैब डेटा का उपयोग करके "सिखाया", तो AI बहुत बेहतर हो गया। यह सुझाव देता है कि जबकि कंप्यूटर स्मार्ट हो रहे हैं, उन्हें वास्तविक दुनिया के प्रयोगों की आवश्यकता होती है ताकि वे खेल के असली नियमों को सीख सकें।
अंत में, यह अध्ययन हमें एक विशाल नया कैटलॉग देता है कि हमारे डीएनए स्विच वास्तव में मस्तिष्क कोशिकाओं में कैसे काम करते हैं। यह हमें दिखाता है कि आनुवंशिक बीमारी की कहानी केवल "दुर्लभ बराबर बुरा" (rare equals bad) से कहीं अधिक जटिल है। यह प्रकट करता है कि डीएनए का संदर्भ (context) इस बात से अधिक मायने रखता है कि म्यूटेशन कितना सामान्य है। इन प्रभावों का मानचित्र बनाकर, वैज्ञानिकों ने शोधकर्ताओं के लिए एक खजाना मानचित्र प्रदान किया है ताकि वे तंत्रिका संबंधी रोगों के सटीक कारणों को खोज सकें, जिससे हम यह समझने के करीब पहुँच सकें कि हमारे मस्तिष्क कभी-कभी बीमार क्यों होते हैं और हम उन स्विचों को कैसे ठीक कर सकते हैं जो गलत हो जाते हैं।
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।