Forecasting viral evolution from phylogenetic trees
यह शोध पत्र antiGen को प्रस्तुत करता है, जो एक मशीन लर्निंग मॉडल है जो SARS-CoV-2, इन्फ्लुएंजा और डेंगू सहित कई रोगजनकों में भविष्य के वायरल उत्परिवर्तनों (म्यूटेशन) का सटीक पूर्वानुमान लगाने के लिए फाइलोजेनेटिक पेड़ों (phylogenetic trees) का लाभ उठाता है, जिससे महामारी की तैयारी और चिकित्सीय विकास को बढ़ावा मिलता 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
वायरस निरंतर रूप बदलने वाले जीव हैं। जैसे-जैसे वे एक मेजबान के भीतर अपनी संख्या बढ़ाते हैं, वे अपने जेनेटिक कोड में छोटी-छोटी प्रतिलिपि त्रुटियां (copying errors) करते हैं, जिससे स्वयं के नए संस्करण बनते हैं। इनमें से अधिकांश बदलावों का कोई प्रभाव नहीं पड़ता, लेकिन कभी-कभार, एक उत्परिवर्तन (mutation) वायरस को एक नया लाभ दे देता है, जैसे कि तेजी से फैलने की क्षमता या प्रतिरक्षा प्रणाली (immune system) से बचने की क्षमता। यह निरंतर विकास ही कारण है कि पिछले वर्ष का फ्लू शॉट इस वर्ष आपकी रक्षा नहीं कर पाता है, और क्यों COVID-19 जैसी बीमारियों के नए वेरिएंट अप्रत्याशित रूप से उभर सकते हैं। इन खतरों से आगे रहने के लिए, वैज्ञानिकों को यह अनुमान लगाने की आवश्यकता है कि कौन से परिवर्तन होने की संभावना है। पारंपरिक रूप से, शोधकर्ताओं ने प्रयोगशाला में प्रोटीन के व्यवहार का अध्ययन करके या मौजूदा जेनेटिक अनुक्रमों (genetic sequences) के विशाल पुस्तकालयों को देखने वाले कंप्यूटर मॉडल का उपयोग करके इन भविष्य के उत्परिवर्तनों का अनुमान लगाने की कोशिश की है। हालाँकि, ये तरीके अक्सर इस बात की पूरी तस्वीर देखने में संघर्ष करते हैं कि एक वायरस वास्तव में समय और आबादी के माध्यम से कैसे आगे बढ़ता है।
स्टैनफोर्ड यूनिवर्सिटी और आर्क इंस्टीट्यूट के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो वायरस के भविष्य की भविष्यवाणी करने के लिए उसके पारिवारिक इतिहास को देखता है। उन्होंने antiGen नामक एक मशीन लर्निंग मॉडल बनाया है, जो केवल वायरस के वर्तमान जेनेटिक कोड के बजाय उसके विकासवादी पथ (evolutionary path) से सीखता है। अनुक्रमों को केवल याद रखने के बजाय, यह मॉडल अध्ययन करता है कि एक वायरस एक संस्करण से दूसरे संस्करण तक पहुँचने के लिए किन विशिष्ट चरणों से गुजरा, ठीक वैसे ही जैसे एक इतिहासकार किसी प्रमुख ऐतिहासिक बदलाव के कारण बने विशिष्ट घटनाओं का अध्ययन करता है। वायरस के "फैमिली ट्री" (वंशवृक्ष) का विश्लेषण करके—एक ऐसा आरेख जो यह दर्शाता है कि विभिन्न स्ट्रेन एक-दूसरे से कैसे संबंधित हैं और वे कब अलग हुए थे—यह मॉडल उन नियमों को सीखता है जो यह निर्धारित करते हैं कि कौन से उत्परिवर्तन अगले चरण में दिखाई देने की संभावना है। यह विधि सिस्टम को उन परिवर्तनों का पूर्वानुमान लगाने की अनुमति देती है जो पहले कभी नहीं देखे गए हैं, जो कि नए वेरिएंट के फैलने से पहले ही टीके और उपचार तैयार करने के लिए एक शक्तिशाली उपकरण प्रदान करती है।
शोधकर्ताओं ने इस प्रणाली का परीक्षण सबसे पहले SARS-CoV-2 वायरस पर किया, जो COVID-19 महामारी का कारण है। उन्होंने मॉडल को महामारी के पहले वर्ष के दौरान एकत्र किए गए लाखों जेनेटिक अनुक्रम दिए और इसे महामारी के बाद के वर्षों में दिखाई देने वाले उत्परिवर्तनों की भविष्यवाणी करने के लिए कहा। मॉडल ने वायरस के स्पाइक प्रोटीन (spike protein)—वह हिस्सा जो वायरस को मानव कोशिकाओं में प्रवेश करने की अनुमति देता है—के अगले संभावित परिवर्तनों की भविष्यवाणी करने में मौजूदा किसी भी पद्धति से बेहतर प्रदर्शन किया। महत्वपूर्ण रूप से, यह उन उत्परिवर्तनों की भविष्यवाणी करने में भी सफल रहा जो प्रशिक्षण डेटा में कभी नहीं देखे गए थे, जिससे पता चलता है कि इसने केवल पिछले आयोजनों को याद करने के बजाय वायरल विकास के अंतर्निहित सिद्धांतों को सीख लिया था। इन भविष्यवाणियों की जैविक वास्तविकता की पुष्टि करने के लिए, टीम ने प्रयोगशाला में अनुमानित वायरस वेरिएंट बनाए। उन्होंने पाया कि कंप्यूटर-जनित अधिकांश उत्परिवर्तनों ने ऐसे वायरस बनाए जो अभी भी कोशिकाओं को संक्रमित कर सकते थे, जिससे यह सिद्ध हुआ कि मॉडल व्यवहार्य और कार्यात्मक परिवर्तन प्रस्तावित कर रहा था, न कि केवल यादृच्छिक त्रुटियां।
antiGen की सफलता केवल कोरोनावायरस तक सीमित नहीं थी। टीम ने इसी मॉडल को तीन अन्य सामान्य वायरसों: मौसमी इन्फ्लुएंजा, रेस्पिरेटरी सिन्सिटियल वायरस (RSV), और डेंगू वायरस पर लागू किया। इन वायरसों के लिए SARS-CoV-2 की तुलना में बहुत कम जेनेटिक डेटा उपलब्ध होने के बावजूद, मॉडल ने उनके भविष्य के उत्परिवर्तनों की भविष्यवाणी करने में पारंपरिक तरीकों से बेहतर प्रदर्शन किया। यह सुझाव देता है कि यह दृष्टिकोण वायरसों की एक विस्तृत श्रृंखला में काम करता है, चाहे कितना भी निगरानी डेटा उपलब्ध हो। शोधकर्ताओं ने यह भी पाया कि जैसे-जैसे अधिक डेटा एकत्र किया गया, मॉडल की सटीकता में सुधार हुआ, जिसका अर्थ है कि हम वायरस के विकास को ट्रैक करना जारी रखते हैं तो यह एक अधिक शक्तिशाली उपकरण बन जाता है। कुछ मामलों में, मॉडल की भविष्यवाणियों को मौजूदा सांख्यिकीय विधियों के साथ मिलाने से एक और भी मजबूत पूर्वानुमान प्रणाली बनी, जो डेटा-समृद्ध और डेटा-विहीन दोनों परिदृश्यों को संभालने में सक्षम है।
हालाँकि मॉडल इस बात की भविष्यवाणी करने में अत्यधिक सटीक है कि कौन से उत्परिवर्तन होने की संभावना है, शोधकर्ता इस बात पर जोर देते हैं कि यह खतरनाक नए रोगजनक (pathogens) नहीं बनाता है। जो परिवर्तन यह अनुमान लगाता है वे छोटे, एकल-चरणीय उत्परिवर्तन हैं जो पहले से ही प्राकृतिक विकास प्रक्रिया का हिस्सा हैं। ये भविष्यवाणियां सार्वजनिक स्वास्थ्य अधिकारियों और वैक्सीन डेवलपर्स को एक कदम आगे रहने में मदद करने के लिए हैं। यह जानकर कि कौन से उत्परिवर्तन उभरने की संभावना है, वैज्ञानिक ऐसे टीके डिजाइन कर सकते हैं जो न केवल आज प्रसारित हो रहे वायरस को लक्षित करते हैं, बल्कि उन संस्करणों को भी लक्षित करते हैं जो कल हावी होने की संभावना रखते हैं। यह सक्रिय दृष्टिकोण महामारी प्रबंधन के तरीके को बदल सकता है, जिससे ध्यान प्रकोपों के प्रति प्रतिक्रिया देने से बदलकर उन्हें पैर जमाने से पहले रोकने पर केंद्रित हो जाएगा। यह अध्ययन प्रदर्शित करता है कि वायरस के जेनेटिक कोड में लिखे इतिहास को सुनकर, हम उसके भविष्य को पढ़ना शुरू कर सकते 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।