scDblFinder in Python with GPU support

आधुनिक जीव विज्ञान की सूक्ष्म दुनिया में, वैज्ञानिकों ने व्यक्तिगत कोशिकाओं के भीतर आनुवंशिक निर्देशों को एक-एक करके पढ़ने का एक तरीका विकसित किया है। सिंगल-सेल सीक्वेंसिंग के रूप में जानी जाने वाली यह तकनीक, शोधकर्ताओं को यह देखने की अनुमति देती है कि हजारों या लाखों अद्वितीय कोशिकाएं कैसे कार्य करती हैं, जिससे ऊतकों और अंगों की छिपी हुई विविधता का पता चलता है। हालाँकि, इन कोशिकाओं को पकड़ने वाली मशीनियां पूर्ण नहीं हैं। कभी-कभी, प्रक्रिया एक ही छोटे कंटेनर में दो या दो से अधिक कोशिकाओं को फँसा लेती है, जो केवल एक कोशिका के लिए बनाया गया होता है। जब मशीन इस मिश्रित बैग से आनुवंशिक सामग्री को पढ़ती है, तो यह एक भ्रमित करने वाला संकेत बनाती है जो एक एकल, अजीब नई प्रकार की कोशिका जैसा दिखता है। वैज्ञानिक इन त्रुटियों को "डबलेट्स" (doublets) कहते हैं, और यदि उन्हें खोजा और हटाया नहीं गया, तो वे शोधकर्ताओं को यह निष्कर्ष निकालने की ओर ले जा सकते हैं कि शरीर कैसे काम करता है।

इस समस्या को हल करने के लिए, शोधकर्ताओं की एक टीम ने एक नया डिजिटल टूल बनाया है जिसे इन त्रुटियों का शिकार करने के लिए डिज़ाइन किया गया है। यह टूल एक सफल प्रोग्राम का एक संस्करण है जिसे मूल रूप से एक अलग प्रकार की कंप्यूटर भाषा के लिए बनाया गया था, जिसे अब उस भाषा में फिर से लिखा गया है जो आज डेटा वैज्ञानिकों द्वारा सबसे अधिक उपयोग की जाती है। इस बदलाव को करके, शोधकर्ताओं ने इस टूल को तेज़ और अधिक सुलभ बना दिया है, साथ ही इसमें एक विशेष विशेषता भी जोड़ी है जो इसे शक्तिशाली ग्राफिक्स प्रोसेसर पर चलने की अनुमति देती है—वही चिप्स जो हाई-एंड गेमिंग कंप्यूटरों में पाए जाते हैं—ताकि अत्यधिक गति के साथ भारी मात्रा में डेटा को संभाला जा सके।

मूल टूल, जिसे scDblFinder के रूप में जाना जाता है, पहले से ही जीव विज्ञान के क्षेत्र में एक शीर्ष प्रदर्शन करने वाला माना जाता था, लेकिन यह R नामक एक सॉफ्टवेयर वातावरण के लिए बनाया गया था, जो सांख्यिकीविदों के बीच लोकप्रिय है लेकिन डेटा विज्ञान की व्यापक दुनिया में कम सामान्य है। कई शोधकर्ता जो बड़े जैविक डेटासेट के साथ काम करते हैं, एक अलग वातावरण पसंद करते हैं जिसे पायथन (Python) कहा जाता है। क्योंकि मूल टूल पायथन नहीं बोलता था, इसलिए कई वैज्ञानिकों को कम सटीक तरीकों का उपयोग करने के लिए मजबूर होना पड़ा या अनुकूलता संबंधी समस्याओं से जूझना पड़ा। यहाँ प्रस्तुत नया कार्य scDblFinderPy के निर्माण का वर्णन करता है, जो मूल टूल का पायथन में एक निष्ठावान अनुवाद है। लक्ष्य एक नया तरीका खोजना नहीं था, बल्कि उसी तर्क को एक नई भाषा में फिर से बनाना था ताकि अधिक लोग उच्च गुणवत्ता वाले परिणामों को खोए बिना इसका उपयोग कर सकें।

यह सुनिश्चित करने के लिए कि नया टूल बिल्कुल इच्छानुसार काम करे, शोधकर्ताओं ने इसके आंतरिक चरणों को मूल प्रोग्राम के अनुरूप चरण-दर-चरण पुनर्गठित किया। उन्हें कोड को अनुवादित करते समय सावधानीपूर्वक विकल्प चुनने पड़े, जैसे कि विशिष्ट गणितीय विधियों का चयन करना जो दोनों भाषाओं में एक ही तरह से व्यवहार करती हों। उदाहरण के लिए, उन्हें समान कोशिकाओं को एक साथ समूहबद्ध करने का एक विशिष्ट तरीका चुनना था जो मूल तर्क से मेल खाता हो, भले ही इसके लिए नए सॉफ़्टवेयर में उपलब्ध थोड़े अलग मानक तरीके का उपयोग करना पड़ा हो। उन्होंने यह भी सुनिश्चित किया कि टूल कोशिकाओं की तुलना करने के लिए आवश्यक जटिल गणित को संभाल सके, जिसके लिए पायथन समुदाय में अच्छी तरह से ज्ञात और विश्वसनीय लाइब्रेरी का उपयोग किया गया।

इस नए संस्करण में एक प्रमुख नवाचार ग्राफिक्स प्रोसेसिंग यूनिट्स, या जीपीयू (GPUs) का उपयोग करने की क्षमता है। जबकि मूल टूल मानक कंप्यूटर प्रोसेसरों पर चलता था, यह नया संस्करण काम को तेज करने के लिए जीपीयू का उपयोग करने के लिए स्विच किया जा सकता है। शोधकर्ताओं ने सिस्टम को इस तरह से डिज़ाइन किया है कि भारी काम, जैसे कि हजारों कोशिकाओं के आनुवंशिक प्रोफाइल की तुलना करना, जीपीयू पर होता है, जबकि छोटे, कम गहन कार्य मानक प्रोसेसर पर रहते हैं। यह सेटअप टूल को पहले की तुलना में बहुत तेजी से डेटा संसाधित करने की अनुमति देता है, विशेष रूप से लाखों कोशिकाओं वाले बहुत बड़े डेटासेट के मामले में। सिस्टम लचीला है; यदि किसी कंप्यूटर में संगत ग्राफिक्स कार्ड नहीं है, तो यह स्वचालित रूप से मानक प्रोसेसर पर वापस चला जाता है, जिससे यह लगभग किसी भी मशीन पर काम करना सुनिश्चित करता है।

टीम ने अपने नए टूल का परीक्षण मूल संस्करण और त्रुटियों को खोजने के लिए उपयोग किए जाने वाले कई अन्य तरीकों के विरुद्ध किया। उन्होंने सोलह अलग-अलग डेटासेट के संग्रह का उपयोग किया जिन्हें इन टूल्स की कार्यक्षमता का परीक्षण करने के लिए सावधानीपूर्वक तैयार किया गया था। इन परीक्षणों में, नया पायथन संस्करण मूल R संस्करण के समान प्रदर्शन करता है, सफलतापूर्वक मिश्रित कोशिकाओं की पहचान करता है और सटीकता का वही उच्च स्तर बनाए रखता है। इसने एक अन्य समूह द्वारा बनाए गए एक अलग पायथन टूल को भी पीछे छोड़ दिया, हालांकि अंतर छोटा था। परिणामों ने दिखाया कि हर एक डेटासेट के लिए कोई भी विधि पूर्ण नहीं थी, लेकिन नया टूल लगातार सर्वश्रेष्ठ में से एक रहा, जिससे सिद्ध हुआ कि नई भाषा में अनुवाद ने डेटा में सत्य खोजने की इसकी क्षमता को कमजोर नहीं किया।

सटीकता के अलावा, शोधकर्ताओं ने विश्लेषण चलाने में लगने वाले समय को भी मापा। एक मानक कंप्यूटर प्रोसेसर पर, नया पायथन संस्करण मूल R संस्करण की तुलना में लगभग दोगुना तेज़ था। जब उन्होंने ग्राफिक्स प्रोसेसर को चालू किया, तो गति और भी बढ़ गई, जिससे बड़े पैमाने के अध्ययनों के लिए प्रक्रिया काफी तेज हो गई। यह गति वृद्धि महत्वपूर्ण है क्योंकि जैविक डेटासेट का आकार तेजी से बढ़ रहा है, और शोधकर्ताओं को ऐसे उपकरणों की आवश्यकता है जो उनके द्वारा उत्पन्न सूचना की मात्रा के साथ तालमेल बिठा सकें। नया टूल यह भी दिखाता है कि विश्लेषण को कई बार चलाने और परिणामों का औसत निकालने से सटीकता में केवल बहुत मामूली सुधार होता है, जिससे पता चलता है कि अधिकांश उद्देश्यों के लिए एक बार चलाना ही पर्याप्त है।

शोधकर्ताओं ने निष्कर्ष निकाला कि उनका कार्य सफलतापूर्वक जैविक डेटा को साफ करने के लिए एक अत्याधुनिक पद्धति को पायथन समुदाय में लाता है। मूल तर्क को संरक्षित करते हुए आधुनिक गति और सुलभता जोड़कर, उन्होंने वैज्ञानिकों को एक मजबूत समाधान प्रदान किया है जिन्हें यह सुनिश्चित करने की आवश्यकता है कि उनका डेटा डबलेट्स के भ्रम से मुक्त है। यह टूल उपयोग में आसान बना हुआ है, जिसमें स्कोर को संभावनाओं (probabilities) के रूप में समझा जा सकता है, जिससे शोधकर्ता यह तय कर सकते हैं कि वास्तविक कोशिका और गलती के बीच रेखा कहाँ खींची जाए। जैसे-जैसे सिंगल-सेल जीव विज्ञान का क्षेत्र विस्तार कर रहा है, इस तरह के उपकरण यह सुनिश्चित करते हैं कि एकत्र किए जा रहे विशाल डेटा को स्पष्ट रूप से और सही ढंग से समझा जा सके, जो आकस्मिक मिश्रणों के शोर से मुक्त हो।