Assessing Codon Language Models for Context-Aware Codon Optimization in Nucleic Acid-Based Medicines

अपने शरीर की कल्पना एक विशाल, हलचल भरे कारखाने के रूप में करें जहाँ राइबोसोम नामक नन्हे मशीनें लगातार प्रोटीन का निर्माण कर रही हैं—जो वे आवश्यक उपकरण और संरचनाएँ हैं जो आपको जीवित रखती हैं। इन मशीनों को काम करने के लिए, कारखाने को डीएनए (DNA) नामक एक विशेष कोड में लिखे गए निर्देशों का एक सेट प्राप्त होता है। यह कोड "कोडोन" (codons) नामक शब्दों से बना है, जो एक वाक्य में तीन-अक्षर वाले शब्दों की तरह होते हैं। यहाँ एक मोड़ है: ठीक वैसे ही जैसे आप एक ही बात कहने के लिए "बड़ा", "विशाल" या "महाकाय" कह सकते हैं, जेनेटिक कोड में कई अलग-अलग तीन-अक्षर वाले शब्द होते हैं जिनका अर्थ बिल्कुल एक ही अमीनो एसिड (प्रोटीन का निर्माण खंड) होता है। इसे "सिनोनिमस" (synonymous) भिन्नता कहा जाता है।

वर्षों तक, इन निर्देशों से दवा बनाने की कोशिश करने वाले वैज्ञानिकों ने इन मशीनों को तेज़ी से चलाने के लिए एक सरल रणनीति अपनाई: उन्होंने दुर्लभ शब्दों को सामान्य शब्दों से बदल दिया, यह मानकर कि सामान्य शब्द जितना अधिक होगा, मशीन उसे उतनी ही तेज़ी से पढ़ेगी। यह एक रेसिपी को फिर से लिखने जैसा है ताकि उसमें केवल उन्हीं सामग्रियों का उपयोग किया जाए जो हर स्थानीय किराने की दुकान पर उपलब्ध हों। लेकिन हाल ही में, एक नए प्रकार के कंप्यूटर मस्तिष्क यानी "मास्क्ड लैंग्वेज मॉडल" (MLM) ने चर्चा में प्रवेश किया है। ये उसी तरह के एआई (AI) हैं जैसे कि वे जो आपके टेक्स्ट मैसेज पूरे करते हैं या कहानियाँ लिखते हैं क्योंकि वे समझते हैं कि शब्द एक वाक्य में एक-दूसरे के साथ कैसे फिट होते हैं, न कि केवल इस बात को कि वे कितनी बार दिखाई देते हैं। बड़ा सवाल यह है: क्या ये स्मार्ट एआई वास्तव में कुछ ऐसा जानते हैं जो साधारण "सामान्य शब्द" वाली रणनीति से छूट जाता है? यदि वे ऐसा करते हैं, तो इसका मतलब है कि हम बेहतर, अधिक प्रभावी दवाएं बना सकते हैं जिन्हें हमारा शरीर अधिक कुशलता से बना सके।

यह शोध पत्र इन तीन शानदार एआई मॉडलों—CaLM, EnCodon, और CodonTransformer—को उनकी क्षमताओं को परखने के लिए इस प्रक्रिया में डालता है ताकि यह देखा जा सके कि क्या वे वास्तव में कोडन ऑप्टिमाइज़ेशन (codon optimization) में अगली बड़ी चीज़ हैं। शोधकर्ताओं ने इन मॉडलों के साथ एक टैलेंट शो के प्रतियोगियों जैसा व्यवहार किया, और उन्हें नौ अलग-अलग चुनौतियों पर परखा, जिसमें मौजूदा जेनेटिक वाक्यों को बिना अर्थ बदले फिर से लिखना (बैकट्रांसलेशन) और यह भविष्यवाणी करना कि एक प्रोटीन कैसे व्यवहार करेगा, शामिल था। उन्होंने लैब में वास्तविक प्रयोग भी किए, जिसमें SEAP नामक एक चमकते हुए रिपोर्टर प्रोटीन का उपयोग किया गया, यह देखने के लिए कि क्या एआई द्वारा डिज़ाइन किए गए अनुक्रमों (sequences) ने पुराने तरीकों की तुलना में कोशिकाओं को अधिक प्रोटीन बनाने में मदद की।

परिणाम थोड़े मिले-जुले रहे, लेकिन एक बहुत ही आशाजनक मोड़ के साथ। तीनों एआई मॉडल एक-दूसरे से अलग थे; उन्होंने केवल एक जैसे "सामान्य शब्दों" को नहीं चुना बल्कि अद्वितीय अनुक्रम बनाए जिनमें अलग-अलग विशेषताएँ थीं। दिलचस्प बात यह है कि कोई भी एक एआई मॉडल हर परीक्षण में निर्विवाद विजेता नहीं था। कुछ मामलों में, शब्द आवृत्ति (word frequency) पर आधारित सरल, पुराने तरीकों ने भी अपनी पकड़ बनाए रखी। हालाँकि, जब शोधकर्ताओं ने गहराई से जांच की, तो उन्होंने पाया कि एआई मॉडल कुछ विशेष कर रहे थे: वे संदर्भ की एक बहुत व्यापक "विंडो" देख रहे थे, यानी यह समझ रहे थे कि एक शब्द अपने पड़ोसियों के साथ कैसे फिट बैठता है, बजाय इसके कि वे केवल यह गिनें कि एक शब्द शब्दकोश में कितनी बार आता है।

असली निर्णायक मोड़ लैब प्रयोगों से आया। एआई मॉडलों द्वारा डिज़ाइन किए गए अनुक्रमों ने पारंपरिक तरीकों और वाणिज्यिक विक्रेताओं द्वारा दिए गए अनुक्रमों, दोनों को पीछे छोड़ दिया। यह तब भी सच था जब कोशिकाएं प्रोटीन को थोड़े समय के लिए (transient) बना रही थीं या निर्देशों को स्थायी रूप से (stably integrated) रख रही थीं। यह सुझाव देता है कि एआई मॉडल वास्तव में "ट्रांसलेशनल कॉन्टेक्स्ट" (translational context) की एक गहरी परत को पकड़ रहे हैं जिसे साधारण आवृत्ति गणना (frequency counts) नहीं समझ पाती। शोध पत्र निष्कर्ष निकालता है कि हालांकि कोई भी एक मॉडल पूर्ण नहीं है, फिर भी ये एआई उपकरण प्रभावी और पूरक हैं। सबसे अच्छी रणनीति, यह सुझाव देता है, यह है कि कुछ अलग-अलग मॉडलों को समस्या को हल करने का मौका दिया जाए, जिससे एक नई दवा के लिए एकदम सही जेनेटिक अनुक्रम खोजने की संभावना बढ़ जाए।