Deep Mechanistic Models reveal pathway-extrinsic drivers of mammary MAPK signalling heterogeneity
यह शोध पत्र डीप मैकेनिस्टिक मॉडल्स (DMMs) को प्रस्तुत करता है, जो एक ऐसा ढांचा है जो सेमी-सुपरवाइज्ड रिप्रेजेंटेशन लर्निंग को ऑर्डिनरी डिफरेंशियल इक्वेशन मॉडल्स के साथ एकीकृत करता है ताकि यह प्रकट किया जा सके कि स्तन ग्रंथि (मैमरी) MAPK सिग्नलिंग विषमता मुख्य रूप से कोर पाथवे विविधताओं के बजाय पाथवे-एक्सट्रिंसिक कारकों द्वारा संचालित होती है, और साथ ही मॉडल विसंगतियों का उपयोग करके नवीन जैविक तंत्रों की पहचान 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
अपने शरीर की कल्पना एक हलचल भरे शहर के रूप में करें जहाँ प्रत्येक कोशिका एक छोटा, व्यस्त कार्यालय है। इन कार्यालयों को एक-दूसरे से बात करने की आवश्यकता होती है ताकि वे निर्णय ले सकें कि क्या करना है: बढ़ना, विभाजित होना या आराम करना। वे संदेश भेजने के लिए "सिग्नलिंग पाथवे" (signaling pathways) का उपयोग करते हैं, जो कोशिका के भीतर तारों और स्विचों के जटिल नेटवर्क की तरह होते हैं। सबसे महत्वपूर्ण नेटवर्कों में से एक MAPK पाथवे है, जो कमांड की एक श्रृंखला है जो तब शुरू होती है जब एक विकास संकेत (जैसे मेयर का एक पत्र) कोशिका के सामने वाले दरवाजे से टकराता है। जब दरवाजा खुलता है, तो संदेशों की एक श्रृंखला लाइन में नीचे दौड़ती है, नोट को तब तक आगे बढ़ाती है जब तक कि वह केंद्रक (nucleus) तक नहीं पहुँच जाता, जो कोशिका का बॉस है, उसे काम शुरू करने के लिए कहता है।
लेकिन यहाँ एक रहस्य है: भले ही आपके पास कोशिकाओं का एक समूह हो जो आनुवंशिक रूप से जुड़वा (identical twins) हैं, फिर भी वे एक ही संदेश पर एक जैसा व्यवहार नहीं करते हैं। कुछ बहुत उत्साहित हो जाते हैं और तेजी से बढ़ने लगते हैं; अन्य शांत रहते हैं। वैज्ञानिक इस पहेली को सुलझाने के लिए लंबे समय से दो अलग-अलग उपकरणों का उपयोग कर रहे हैं। एक उपकरण वायरिंग के विस्तृत ब्लूप्रिंट (mechanistic models) की तरह है, जो यह समझने के लिए तो बेहतरीन है कि स्विच कैसे काम करते हैं, लेकिन यह समझाने में अक्षम है कि एक कार्यालय दूसरे से अधिक अव्यवस्थित क्यों है। दूसरा उपकरण एक हाई-टेक कैमरे की तरह है जो कार्यालय की हर चीज़ का स्नैपशॉट लेता है और पैटर्न ढूंढता है (machine learning), लेकिन यह नहीं बताता कि वह अव्यवस्था काम को कैसे प्रभावित करती है। लंबे समय तक, वैज्ञानिक इस पूरी तस्वीर को पाने के लिए इन दोनों दृष्टिकोणों को आसानी से संयोजित नहीं कर सके।
यहीं पर शोधकर्ताओं की एक नई टीम एक चतुर आविष्कार के साथ आती है जिसे "डीप मैकेनिस्टिक मॉडल्स" (DMMs) कहा जाता है। इसे "ब्लूप्रिंट" और "स्नैपशॉट" दोनों बोलने वाला एक सुपर-स्मार्ट अनुवादक समझें। उन्होंने एक कंप्यूटर मॉडल बनाया जो 63 अलग-अलग स्तन कैंसर सेल लाइनों से भारी मात्रा में डेटा लेता है—जैसे कि 63 अलग-अलग कार्यालयों में से प्रत्येक वस्तु की फोटो लेना—और इसका उपयोग MAPK पाथवे के छिपे हुए नियमों को सीखने के लिए करता है। केवल अनुमान लगाने के बजाय, मॉडल यह सीखता है कि कोशिकाएं विभिन्न दवाओं और विकास संकेतों के प्रति कैसे प्रतिक्रिया देंगी, और अपने आंतरिक "नॉब्स" (knobs) को तब तक समायोजित करता है जब तक कि भविष्यवाणियां वास्तविकता से मेल न खा जाएं।
उन्होंने जो बड़ा आश्चर्यजनक तथ्य पाया वह यह है कि इन कोशिकाओं के बीच के अंतर मुख्य रूप से इसलिए नहीं हैं क्योंकि MAPK पाथवे के भीतर के तार टूटे हुए या अलग हैं। इसके बजाय, मॉडल सुझाव देता है कि वास्तविक चालक "पाथवे-एक्सट्रिंसिक" (pathway-extrinsic) कारक हैं—वे चीजें जो मुख्य कमांड श्रृंखला के बाहर हो रही हैं। यह ऐसा है जैसे यह महसूस करना कि दो कार्यालय अलग तरह से प्रतिक्रिया इसलिए नहीं देते क्योंकि उनकी आंतरिक वायरिंग अलग है, बल्कि इसलिए क्योंकि एक का मैनेजर बहुत शोर करने वाला और सक्रिय है (उच्च बेसलाइन ERBB2 एक्टिवेशन) और दूसरे के बगल में एक निर्माण कार्य चल रहा है जो फर्श को हिला रहा है (Ca²⁺/p38 सिग्नलिंग एक्सिस)। मॉडल ने पहचाना कि ये बाहरी प्रभाव ही हैं जो इन कोशिकाओं को इतना अद्वितीय बनाते हैं।
शोधकर्ताओं ने यह भी दिखाया कि जब उनका मॉडल कुछ गलत करता है, तो यह वास्तव में एक अच्छी बात होती है। ये "गलतियाँ" एक स्पॉटलाइट की तरह काम करती हैं, जो सीधे उन दुर्लभ उत्परिवर्तन (mutations) या छिपे हुए जैविक प्रोग्रामों की ओर इशारा करती हैं जिनके बारे में मॉडल नहीं जानता था। उदाहरण के लिए, मॉडल BRAFV600E नामक एक विशिष्ट उत्परिवर्तन वाली कोशिकाओं के व्यवहार की भविष्यवाणी करने में संघर्ष कर रहा था, जिससे यह पुष्टि करने में मदद मिली कि यह उत्परिवर्तन कोशिकाओं के दवाओं के प्रति व्यवहार को बदल देता है। इसी तरह, इसने कोशिकाओं के एक समूह को चिह्नित किया जो एक विशिष्ट "साइटोस्केलेटल" (कोशिका के कंकाल से संबंधित) प्रोग्राम और एक प्रोटीन जिसे AMPK कहा जाता है, से जुड़े संभावित प्रतिरोध तंत्र को दर्शाते थे।
संक्षेप में, यह पेपर केवल एक बेहतर भविष्यवाणी उपकरण नहीं देता है; यह जीव विज्ञान को देखने का एक नया तरीका प्रदान करता है। रसायन विज्ञान के कठोर नियमों को AI की पैटर्न खोजने की शक्ति के साथ जोड़कर, लेखक सुझाव देते हैं कि कोशिकाओं में दिखने वाली विविधता इस बात से कम आती है कि मुख्य मशीनरी अलग है, बल्कि इस बात से आती है कि प्रत्येक कोशिका का अनूठा वातावरण और अतिरिक्त संकेत क्या हैं। उन्होंने यह भी पाया कि यदि आप मॉडल को कोशिका के "सामने वाले दरवाजे" (EGFR स्तर) के बारे में विशिष्ट जानकारी खिलाते हैं, तो मॉडल का आंतरिक मानचित्र पूरी तरह से बदल जाता है, जो यह दर्शाता है कि एक ही डेटा को एक आणविक कहानी या एक सिस्टम-स्तरीय कहानी के रूप में समझा जा सकता है, यह इस पर निर्भर करता है कि आप प्रश्न कैसे पूछते हैं। हालांकि मॉडल में अभी भी कुछ कमियां हैं—जैसे कि कुछ दवाओं के संयोजन के प्रति कोशिकाओं की प्रतिक्रिया को पूरी तरह से न पकड़ पाना—यह सफलतापूर्वक उन अंतरालों को नई जीव विज्ञान की खोज के लिए एक रोडमैप में बदल देता है, जो यह सिद्ध करता है कि कभी-कभी, यह जानना कि आप क्या नहीं समझते हैं, उतना ही मूल्यवान होता है जितना कि यह जानना कि आप क्या जानते 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।