PerturbLDM: conditional latent diffusion for modelling single-cell perturbation responses

आधुनिक जीव विज्ञान के विशाल परिदृश्य में, वैज्ञानिकों ने जीवन को देखने का एक शक्तिशाली तरीका विकसित किया है: व्यक्तिगत कोशिकाओं का परीक्षण करके। एक पूरे अंग या ऊतक का एक एकल, मिश्रित मिश्रण के रूप में अध्ययन करने के बजाय, शोधकर्ता अब एक एकल कोशिका के भीतर झाँक सकते हैं ताकि उसके आनुवंशिक निर्देशों को पढ़ा जा सके, जिसे उसका ट्रांसक्रिप्शनल प्रोफाइल (transcriptional profile) कहा जाता है। यह विस्तृत दृश्य यह प्रकट करता है कि एक कोशिका कैसे व्यवहार कर रही है, वह क्या कर रही है, और अपने वातावरण के प्रति कैसे प्रतिक्रिया दे रही है। इस क्षेत्र में एक प्रमुख लक्ष्य यह समझना है कि जब कोशिकाओं को बाधित किया जाता है, तो वे कैसे प्रतिक्रिया करती हैं। ये व्यवधान या गड़बड़ियाँ (perturbations), दवाएं, तापमान में परिवर्तन, या रासायनिक संकेतों में बदलाव हो सकते हैं। इन प्रतिक्रियाओं का मानचित्रण करके, वैज्ञानिक यह अनुमान लगाने की आशा करते हैं कि एक विशिष्ट कोशिका एक विशिष्ट स्थिति के तहत कैसा व्यवहार करेगी। हालाँकि, संभावित संयोजनों की विशाल संख्या अत्यधिक है। कोशिकाओं के अनगिनत प्रकार हैं, हजारों संभावित दवाएं हैं, और खुराक एवं समय के अनंत रूपांतर हैं। प्रयोगशाला में हर एक संयोजन का परीक्षण करना भौतिक रूप से असंभव है। यह ज्ञान में एक बड़ा अंतराल छोड़ देता है: हमारे पास कुछ परिदृश्यों के लिए डेटा है, लेकिन हम अधिकांश अन्य परिदृश्यों के लिए अंधे हैं। चुनौती यह है कि हमारे द्वारा किए गए प्रयोगों से सीखने और उस ज्ञान का उपयोग यह सटीक रूप से अनुमान लगाने के लिए करने का एक तरीका खोजा जाए कि उन लाखों स्थितियों में क्या होगा जिनका हमने अभी तक परीक्षण नहीं किया है।

इस अंतर को पाटने के लिए, शोधकर्ताओं की एक टीम ने 'PerturbLDM' नामक एक नया कम्प्यूटेशनल टूल विकसित किया है। यह प्रणाली कोशिकीय प्रतिक्रियाओं के एक परिष्कृत सिम्युलेटर के रूप में कार्य करने के लिए डिज़ाइन की गई है। यह केवल अनुमान नहीं लगाती; यह उन अंतर्निहित पैटर्न को सीखती है कि जब कोशिकाओं को धकेला (परेशान किया) जाता है, तो वे कैसे बदलती हैं। शोधकर्ताओं ने 'Tahoe-100M' डेटासेट पर प्रीट्रेनिंग चरण का उपयोग करके इस प्रणाली को प्रशिक्षित किया। एक बार जब इस प्रणाली ने इस विस्तृत लाइब्रेरी से कोशिकीय व्यवहार के सामान्य नियमों को सीख लिया, तो उन्होंने इसके द्वारा उन परिणामों की भविष्यवाणी करने की क्षमता का परीक्षण किया जिन्हें इसने पहले कभी नहीं देखा था। परिणाम आश्चर्यजनक थे। दवाओं, खुराकों और सेल लाइन्स के 13,942 विभिन्न संयोजनों के प्रभावों की भविष्यवाणी करने के लिए कहा गया, जिन्हें इसके प्रशिक्षण से अलग रखा गया था, PerturbLDM ने मौजूदा किसी भी पद्धति की तुलना में अधिक सटीकता से प्रदर्शन किया। 95 प्रतिशत से अधिक स्थितियों में, सिस्टम के अनुमान वास्तविक दुनिया के नियंत्रण समूहों (control groups) से एक सरल गणितीय आधार रेखा (baseline) की तुलना में बेहतर थे, जो केवल व्यक्तिगत कारकों के प्रभावों को जोड़ता है। यह सुझाव देता है कि यह प्रणाली जटिल, संदर्भ-निर्भर अंतःक्रियाओं को पकड़ती है जिन्हें सरल मॉडल छोड़ देते हैं।

इस दृष्टिकोण की शक्ति केवल दवा प्रतिक्रियाओं की भविष्यवाणी करने तक ही सीमित नहीं है। शोधकर्ताओं ने प्रशिक्षित प्रणाली का उपयोग 'PANACEA' नामक यौगिकों के संग्रह को व्यवस्थित करने के लिए किया। यह विश्लेषण करके कि अनुमानित कोशिकीय प्रतिक्रियाएं कितनी समान थीं, सिस्टम ने सफलतापूर्वक उन यौगिकों को एक साथ समूहबद्ध किया जो एक ही जैविक तंत्र साझा करते हैं। यौगिकों को उनके रासायनिक संरचना के बजाय कोशिका पर उनके वास्तविक प्रभाव के आधार पर वर्गीकृत करने की यह क्षमता दर्शाती है कि मॉडल जीव विज्ञान के कार्यात्मक तर्क (functional logic) को समझता है। यह टूल छोटे, अधिक विशिष्ट डेटासेट में भी प्रभावी साबित हुआ। एक उदाहरण में, इसने गर्भावस्था के मध्य के दौरान भ्रूण के कोलन (fetal colon) की एक सिम्युलेटेड अवस्था उत्पन्न की। इस परीक्षण में, सिस्टम ने पिछले अग्रणी पद्धति की तुलना में जीन गतिविधि की भविष्यवाणी करने में कम त्रुटियां कीं, और इसने विभिन्न प्रकार के ऊतक कोशिकाओं के बीच नाजुक संतुलन को सही ढंग से बनाए रखा। प्रतिरक्षा कोशिकाओं से जुड़े एक अन्य परीक्षण में, इसने सात विशिष्ट एंटीवायरल और इंटरफेरॉन कार्यक्रमों में से छह को सटीक रूप से कैप्चर किया, जिसमें एक जटिल मेटाबॉलिक पाथवे भी शामिल है जो प्रतिरक्षा रक्षा को ऊर्जा उत्पादन से जोड़ता है, और इन विशिष्ट जैविक सेटिंग्स में स्थापित अन्य उपकरणों से बेहतर प्रदर्शन किया।

जो इस कार्य को महत्वपूर्ण बनाता है वह केवल यह नहीं है कि यह संख्याओं की भविष्यवाणी करता है, बल्कि यह कि यह यथार्थवादी, पूर्ण-कोशिका प्रतिक्रियाएं उत्पन्न करता है। यह एक पूर्ण चित्र बनाता है कि व्यवधान के बाद एक कोशिका कैसी दिखती है और कैसे कार्य करती है, जो हजारों अलग-अलग जीनों के बीच जटिल संबंधों को सुरक्षित रखता है। शोधकर्ताओं ने पाया कि यह पद्धति विभिन्न पैमानों पर, जैसे कि विशाल डेटासेट से लेकर छोटे, विशिष्ट अध्ययनों तक, और विभिन्न जैविक सेटिंग्स में काम करती है। परिवर्तन के प्रति कोशिकाओं की प्रतिक्रिया की गहरी संरचना को सीखकर, PerturbLDM कोशिकीय जीव विज्ञान के विशाल, अनछुए क्षेत्र का पता लगाने का एक तरीका प्रदान करता है। यह यह देखने का एक विश्वसनीय तरीका प्रदान करता है कि क्या होगा जब एक कोशिका को प्रेरित किया जाता है, जिससे वैज्ञानिकों को प्रयोगशाला में हर एक प्रयोग चलाने की आवश्यकता के बिना संभावित उपचारों और जैविक प्रतिक्रियाओं के जटिल स्थान में नेविगेट करने में मदद मिलती है।