Chemi-Proteome Language Attention Network Empowers Fragment-Based Ligand Interactome and Binding Sites Discovery with Evidence
यह शोध पत्र C-PLANK को प्रस्तुत करता है, जो सेलुलर केमोप्रोटिओमिक्स डेटा पर प्रशिक्षित एक डीप लर्निंग फ्रेमवर्क है, जो फ्रैगमेंट-प्रोटीन इंटरैक्शन की भविष्यवाणी करने में मौजूदा मॉडलों से बेहतर प्रदर्शन करता है और भौतिक-रासायनिक एम्बेडिंग्स को सिस्टम-स्तरीय जैविक संभाव्यता मीट्रिक के साथ एकीकृत करके एक नए SIRT3 एगोनिस्ट की सफलतापूर्वक पहचान की 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
एक नई दवा खोजना अक्सर एक ऐसी चाबी खोजने जैसा महसूस होता है जो एक विशिष्ट ताले में फिट बैठती हो, लेकिन यह खोज हजारों अन्य चाबियों और तालों से भरे एक भीड़भाड़ वाले कमरे में होती है। वैज्ञानिक लंबे समय से यह अनुमान लगाने के लिए कंप्यूटर प्रोग्रामों पर भरोसा करते आए हैं कि कौन सी रासायनिक चाबियाँ प्रोटीन तालों में फिट हो सकती हैं, इस उम्मीद में कि इससे बीमारियों के उपचार की खोज में तेजी आएगी। ये प्रोग्राम आमतौर पर उन सरल प्रयोगशाला परीक्षणों के डेटा पर प्रशिक्षित होते हैं जहाँ रसायन टेस्ट ट्यूब में अलग किए गए प्रोटीनों के साथ परस्पर क्रिया करते हैं। हालाँकि यह डेटा उपयोगी है, लेकिन यह एक महत्वपूर्ण विवरण को छोड़ देता है: मानव शरीर में, प्रोटीन अलगाव में अस्तित्व में नहीं होते हैं। वे एक जटिल, जीवित नेटवर्क का हिस्सा हैं जहाँ वे कई अन्य अणुओं के साथ परस्पर क्रिया करते हैं, और उनका व्यवहार कोशिकीय वातावरण के आधार पर बदल जाता है। क्योंकि वर्तमान कंप्यूटर मॉडल इस जीवित संदर्भ से कटे हुए हैं, इसलिए वे अक्सर यह अनुमान लगाने में संघर्ष करते हैं कि एक दवा वास्तव में कोशिका के भीतर कैसे व्यवहार करेगी, जिससे विकास प्रक्रिया के बाद के चरणों में विफलताएं होती हैं।
इस अंतर को पाटने के लिए, शोधकर्ताओं के एक दल ने C-PLKANK नामक एक नया आर्टिफिशियल इंटेलिजेंस फ्रेमवर्क विकसित किया है। पिछले मॉडलों के विपरीत जो स्थिर, अलग-थलग प्रयोगों से सीखते हैं, यह प्रणाली सीधे जीवित कोशिकाओं से उत्पन्न डेटा पर प्रशिक्षित है। शोधकर्ताओं ने 'केमोप्रोटीओमिक्स' (chemoproteomics) नामक एक तकनीक का उपयोग किया, जिसमें कोशिकाओं में छोटे रासायनिक अंशों (fragments) को पेश किया जाता है ताकि यह देखा जा सके कि वे किन प्रोटीनों से जुड़ते हैं। ये अंश अणुओं के छोटे, सरल हिस्से होते हैं जो प्रोटीनों से जुड़ सकते हैं, लेकिन क्योंकि यह बंधन अक्सर कमजोर और क्षणिक होता है, इसलिए इन अंतःक्रियाओं को पकड़ने के लिए एक विशेष दृष्टिकोण की आवश्यकता होती है। टीम ने ऐसे 'प्रोब्स' का उपयोग किया जो उन प्रोटीनों को स्थायी रूप से टैग कर सकें जिन्हें उन्होंने छुआ था, जिससे वैज्ञानिकों को यह मानचित्रित करने में मदद मिली कि इन छोटे अणुओं ने कोशिका के भीतर प्रोटीनों के विशाल नेटवर्क के साथ ठीक कहाँ और कैसे परस्पर क्रिया की। इस समृद्ध, कोशिकीय-स्तरीय डेटा को अपने AI में फीड करके, शोधकर्ताओं ने एक ऐसा मॉडल बनाया जो न केवल यह समझता है कि एक रसायन और एक प्रोटीन के बीच परस्पर क्रिया होने की संभावना है या नहीं, बल्कि यह भी समझता है कि वह अंतःक्रिया कोशिका के व्यापक परिदृश्य में कैसे फिट बैठती है।
इस नई प्रणाली का मूल आधार एक साथ बड़े चित्र (big picture) और सूक्ष्म विवरणों को देखने की इसकी क्षमता है। यह कोशिका के समग्र वातावरण का विश्लेषण करता है और साथ ही ज़ूम करके यह भी देखता है कि प्रोटीन के कौन से हिस्से और रसायन के कौन से परमाणु आपस में स्पर्श कर रहे हैं। यह दोहरा दृष्टिकोण मॉडल को प्रत्येक अंतःक्रिया के लिए एक प्रकार का 'फिंगरप्रिंट' (fingerprint) बनाने की अनुमति देता है, जो न केवल यह दिखाता है कि संबंध की संभावना है, बल्कि यह भी बताता है कि सिस्टम उस भविष्यवाणी में कितना आश्वस्त है। शोधकर्ताओं ने इस फ्रेमवर्क का परीक्षण आठ अलग-अलग अध्ययनों के डेटा के एक बड़े संग्रह के विरुद्ध किया, जिसमें सैकड़ों रसायन और हजारों प्रोटीन शामिल थे। उन्होंने पाया कि C-PLANK मौजूदा अत्याधुनिक मॉडलों की तुलना में लगातार बेहतर प्रदर्शन करता है, विशेष रूप से तब जब इसे उन प्रोटीनों के लिए अंतःक्रियाओं की भविष्यवाणी करने के लिए कहा जाता है जिन्हें इसने पहले कभी नहीं देखा है। नए लक्ष्यों के लिए सामान्यीकरण करने की यह क्षमता दवा की खोज के लिए महत्वपूर्ण है, जहाँ लक्ष्य अक्सर उन प्रोटीनों के लिए उपचार खोजना होता है जो अभी तक अच्छी तरह से समझे नहीं गए हैं।
केवल अंतःक्रियाओं की भविष्यवाणी करने से परे, यह प्रणाली आर्टिफिशियल इंटेलिजेंस में दुर्लभ स्तर की पारदर्शिता प्रदान करती है। यह सटीक रूप से बता सकता है कि रसायन की संरचना का कौन सा हिस्सा और प्रोटीन के कौन से विशिष्ट अमीनो एसिड बंधन के लिए जिम्मेदार हैं। शोधकर्ताओं ने प्रोटीन की भौतिक संरचनाओं और ज्ञात बाइंडिंग साइटों के साथ मॉडल की भविष्यवाणियों की तुलना करके इसकी पुष्टि की, जिससे AI के 'फिंगरप्रिंट' और वास्तविक जैविक वास्तविकता के बीच एक मजबूत मिलान पाया गया। यह सुझाव देता है कि मॉडल केवल डेटा में पैटर्न को याद नहीं कर रहा है, बल्कि वास्तविक जैविक नियमों को सीख रहा है। अपनी व्यावहारिक उपयोगिता को सिद्ध करने के लिए, टीम ने एक विशिष्ट प्रोटीन जिसे SIRT3 कहा जाता है (जो चयापचय और उम्र बढ़ने में भूमिका निभाता है), को सक्रिय करने का एक नया तरीका खोजने के लिए रासायनिक अंशों के एक बड़े पुस्तकालय को स्कैन करने के लिए C-PLANK का उपयोग किया। मॉडल ने एक आशाजनक उम्मीदवार की पहचान की जिसे अन्य तरीकों द्वारा अनदेखा कर दिया गया था।
इस भविष्यवाणी के बाद, शोधकर्ताओं ने उस रसायन को संश्लेषित किया और प्रयोगशाला में उसका परीक्षण किया। यौगिक ने जीवित कोशिकाओं के भीतर लक्षित प्रोटीन से सफलतापूर्वक जुड़कर उसकी गतिविधि को बढ़ाया, जो एक 'एगोनिस्ट' (agonist) के रूप में कार्य करता है। इस प्रारंभिक 'हिट' को फिर रासायनिक अनुकूलन (chemical optimization) की प्रक्रिया के माध्यम से परिष्कृत किया गया, जिससे दवा के उम्मीदवार का अधिक शक्तिशाली संस्करण प्राप्त हुआ। अंतिम अणु ने कम सांद्रता पर भी मजबूत गतिविधि दिखाई और बायोफिजिकल विधियों का उपयोग करके सीधे लक्षित प्रोटीन से जुड़ने की पुष्टि की। यह सफलता की कहानी दर्शाती है कि जीवित कोशिकाओं की वास्तविक जटिलता को दर्शाने वाले डेटा पर आर्टिफिशियल इंटेलिजेंस को प्रशिक्षित करके, वैज्ञानिक सरल भविष्यवाणियों से आगे बढ़ सकते हैं और जैविक प्रणालियों की गतिशील अवस्था का मॉडल बनाना शुरू कर सकते हैं। यह कार्य भविष्य के उन उपकरणों के लिए एक आधार स्थापित करता है जो मानव जीव विज्ञान के 'डिजिटल ट्विन्स' के रूप में कार्य कर सकते हैं, जिससे शोधकर्ताओं को एक रासायनिक विचार से एक काम करने वाली दवा तक की जटिल यात्रा को अधिक विश्वास और सटीकता के साथ तय करने में मदद मिल सके।
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।