Interpretable Machine Learning Reveals Complementary Age-Related Signatures in the Oral and Gut Microbiome
युग्मित मौखिक और आंत माइक्रोबायोम डेटा पर SHAP-आधारित व्याख्यात्मकता (interpretability) का उपयोग करते हुए, यह अध्ययन प्रकट करता है कि जबकि संयुक्त मॉडल नवजात शिशुओं को वयस्कों से अलग करने के लिए केवल आंत के डेटा की पूर्ण भविष्य कहने वाली सटीकता (predictive accuracy) से आगे नहीं बढ़ते हैं, वे मौखिक गुहा से पूरक, गैर-अतिरेक (non-redundant) जैविक हस्ताक्षरों को उजागर करते हैं जिन्हें अन्यथा पारंपरिक सटीकता मेट्रिक्स द्वारा छोड़ दिया जाता।
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
मानव शरीर एक एकल, समान वातावरण नहीं है, बल्कि विशिष्ट पड़ोसों का एक संग्रह है, जिनमें से प्रत्येक सूक्ष्म जीवन के अपने अनूठे समुदाय को आश्रय देता है। त्वचा से लेकर मुँह और आंत तक, ये सूक्ष्मजीवी शहर स्थानीय स्थितियों, प्रतिरक्षा रक्षाओं और बाहरी दुनिया के संपर्क से आकार लेते हैं। दशकों से, वैज्ञानिक यह जानने के लिए उत्सुक रहे हैं कि एक नवजात शिशु से वयस्क बनने तक एक व्यक्ति के विकास के साथ ये सूक्ष्मजीव कैसे बदलते हैं। क्या आंत और मुँह के सूक्ष्मजीव एक साथ, एक समन्वित लय में परिपक्व होते हैं, या वे अपनी अलग-अलग समय-सीमाओं का पालन करते हैं? इस प्रश्न का उत्तर देना मानव विकास को समझने के लिए अत्यंत महत्वपूर्ण है, फिर भी यह उन शोधकर्ताओं के लिए एक जटिल पहेली पेश करता है जो मशीन लर्निंग पर निर्भर हैं। जब कंप्यूटर को सूक्ष्मजीवों के आधार पर किसी व्यक्ति की आयु का अनुमान लगाने के लिए प्रशिक्षित किया जाता है, तो वे अक्सर सटीकता का एक एकल स्कोर प्रदान करते हैं। यदि दूसरे शरीर स्थल (body site) से डेटा जोड़ने से वह स्कोर बेहतर नहीं होता है, तो मानक निष्कर्ष यह होता है कि दूसरा स्थल कोई नई जानकारी प्रदान नहीं करता है। हालांकि, यह दृष्टिकोण एक सूक्ष्म सत्य को अनदेखा कर सकता है: एक कंप्यूटर निर्णय लेने के लिए दोनों स्थलों की जानकारी का उपयोग कर सकता है, भले ही अकेले एक स्थल ही पूर्ण स्कोर प्राप्त करने के लिए पर्याप्त क्यों न रहा हो।
ढाका, बांग्लादेश के बीआरएसी (BRAC) विश्वविद्यालय के शोधकर्ताओं की एक टीम ने केवल अंतिम स्कोर को देखने के बजाय मशीन के तर्क के भीतर झाँककर इस पहेली को सुलझाने का प्रयास किया। उन्होंने एक डेटासेट का उपयोग किया जिसमें सैंतालीस व्यक्तियों के मेल खाते हुए मल (stool) और मुँह के नमूने शामिल थे, जिन्हें स्वस्थ वयस्कों और नवजात शिशुओं के बीच समान रूप से विभाजित किया गया था। इन दोनों समूहों के बीच जैविक अंतर बहुत स्पष्ट है; एक नवजात शिशु की सूक्ष्मजीवी दुनिया एक वयस्क की तुलना में बहुत भिन्न होती है। शोधकर्ताओं ने पहले उस बात की पुष्टि की जो कई लोग उम्मीद कर सकते थे: केवल आंत के बैक्टीरिया पर प्रशिक्षित एक मॉडल इन दोनों आयु समूहों के बीच स्पष्ट अंतर कर सकता था। जब उन्होंने आंत के डेटा को मुँह के डेटा के साथ जोड़ा, तो कंप्यूटर की सटीकता का स्कोर और अधिक नहीं बढ़ा। इसने पहले ही पूर्णता की सीमा को छू लिया था। एक पारंपरिक अध्ययन में, यह सपाट परिणाम यह सुझाव देगा कि मुँह का डेटा अनावश्यक और बेकार था। लेकिन शोधकर्ताओं को संदेह था कि कहानी में कुछ और भी है।
छिपी हुई जानकारी की परत को खोजने के लिए, टीम ने SHAP नामक एक विधि का उपयोग किया, जो एक स्पॉटलाइट की तरह काम करती है और यह दिखाती है कि कंप्यूटर ने निर्णय लेने के लिए डेटा के किन हिस्सों पर भरोसा किया। उन्होंने इसे उस मॉडल पर लागू किया जिसमें आंत और मुँह दोनों का डेटा था। परिणामों ने एक आश्चर्यजनक पैटर्न का खुलासा किया। भले ही अकेले आंत के बैक्टीरिया समस्या को हल करने के लिए पर्याप्त थे, लेकिन जब दोनों उपलब्ध थे, तो कंप्यूटर वास्तव में मुँह के बैक्टीरिया पर अधिक झुकाव रखता था। वास्तव में, मॉडल की निर्णय लेने की प्रक्रिया में मुँह के फीचर्स (features) का योगदान कुल महत्व के आधे से अधिक था। इसका अर्थ यह है कि दोनों शारीरिक स्थल एक ही जानकारी को दोहरा नहीं रहे थे; वे पूरक संकेत (complementary clues) दे रहे थे। कंप्यूटर अपनी समझ को परिष्कृत करने के लिए मुँह के अद्वितीय संकेतों का उपयोग कर रहा था, भले ही उसे पूर्ण स्कोर प्राप्त करने के लिए उन संकेतों की आवश्यकता नहीं थी।
अध्ययन फिर उन विशिष्ट सूक्ष्मजीवों की ओर मुड़ा जो इस व्यवहार को संचालित कर रहे थे। कंप्यूटर ने कई प्रजातियों की पहचान की जो वयस्कों से नवजात शिशुओं को अलग करने के लिए प्रमुख थीं। उनमें मैलासेज़िया रिस्ट्रिक्टा (Malassezia restricta), स्टैफिलोकोकस एपिडर्मिडिस (Staphylococcus epidermidis) और प्रिवोटेला मेलानोजेनिका (Prevotella melaninogenica) शामिल थे। पहली नज़र में, इन सूक्ष्मजीवों की भूमिका संदिग्ध लग सकती थी क्योंकि कुछ को वयस्कों और बच्चों दोनों में मौजूद रहने के लिए जाना जाता है। हालाँकि, जब शोधकर्ताओं ने सीधे अपने नमूनों में इन प्रजातियों की प्रचुरता को देखा, तो एक स्पष्ट तस्वीर उभर कर आई। इन विशिष्ट सूक्ष्मजीवों का उच्च स्तर लगातार नवजात शिशुओं के नमulों की ओर इशारा करता था। यह व्यवहार प्रारंभिक उपनिवेशण (early colonization) के स्थापित जैविक ज्ञान से मेल खाता है, जहाँ ये प्रजातियाँ एक बच्चे के शरीर में बसने वाली पहली प्रजातियों में से हैं। कंप्यूटर ने सफलतापूर्वक इन शुरुआती उपनिवेशकों को युवावस्था के सबसे मजबूत मार्कर के रूप में पहचाना, जिससे पुष्टि हुई कि इसका आंतरिक तर्क यादृच्छिक शोर (random noise) के बजाय वास्तविक जैविक पैटर्न पर आधारित था।
शोधकर्ताओं ने यह सुनिश्चित करने के लिए अतिरिक्त सावधानी बरती कि ये निष्कर्ष वास्तविक हैं और डेटा या कंप्यूटर मॉडल का कोई भ्रम नहीं हैं। उन्होंने विभिन्न सेटिंग्स के साथ विश्लेषण चलाया और परिणामों की तुलना यादृच्छिक संभावना (random chance) से की, जिससे पुष्टि हुई कि पूर्ण सटीकता वयस्कों और नवजात शिशुओं के बीच जैविक अंतर का एक वास्तविक प्रतिबिंब थी। उन्होंने यह भी नोट किया कि एक अलग, बड़े अध्ययन ने, जिसने एक अलग विधि का उपयोग किया था, मुँह और आंत के बीच पूरक संकेतों के एक समान पैटर्न का पाया था। साक्ष्यों का यह अभिसरण (convergence) बताता है कि मौखिक और आंत के सूक्ष्मजीव दो अलग-अलग, हालांकि संबंधित, पथों के साथ परिपक्व होते हैं। यह अध्ययन प्रदर्शित करता है कि शरीर के विभिन्न हिस्सों के बीच के संबंधों को वास्तव में समझने के लिए, वैज्ञानिकों को केवल साधारण सटीकता स्कोर से परे देखना चाहिए। यह जांच करके कि एक मॉडल कैसे सोचता है, वे समृद्ध, गैर-अनावश्यक जानकारी को उजागर कर सकते हैं जो अन्यथा अदृश्य रह जाती, जिससे जन्म से वयस्कता तक मानव माइक्रोबायोम के विकास की अधिक पूर्ण तस्वीर सामने आती है।
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।