RosaSeed: Faster and Accurate Short Read Alignment Using a Configurable Seeding Strategy

मानव जीनोम केवल चार अक्षरों: A, C, G और T के रासायनिक कोड में लिखे निर्देशों का एक विशाल पुस्तकालय है। यह कोड कैसे काम करता है, या बीमारी पैदा करने वाली छोटी-छोटी त्रुटियों को कैसे खोजा जाए, इसे समझने के लिए वैज्ञानिकों को पहले किसी व्यक्ति की कोशिकाओं से डीएनए (DNA) को पढ़ना होता है। आधुनिक मशीनें ऐसा करने के लिए डीएनए के लंबे धागों को लाखों छोटे टुकड़ों में काट देती हैं, प्रत्येक टुकड़े में अक्षरों के क्रम को पढ़ती हैं, और फिर यह पता लगाने की कोशिश करती हैं कि प्रत्येक टुकड़ा जीनोम की मूल, विशाल पुस्तक में कहाँ आता है। इन टुकड़ों को वापस जोड़ने की इस प्रक्रिया को अलाइनमेंट (alignment) कहा जाता है। यह आधुनिक चिकित्सा और जीव विज्ञान में एक मौलिक कदम है, लेकिन यह एक बड़ी कम्प्यूटेशनल चुनौती भी है। इस काम के लिए जिम्मेदार कंप्यूटरों को अरबों लघु अनुक्रमों (sequences) की तुलना तीन अरब अक्षरों लंबी एक संदर्भ पुस्तक (reference book) से करनी होती है, जो एक ऐसा कार्य है जिसमें मानक उपकरणों पर घंटों या कई दिन लग सकते हैं। बाधा अक्सर सबसे पहले चरण में आती है: शुरुआती मिलान, या "सीड्स" (seeds) खोजना, जो कंप्यूटर को यह बताते हैं कि उसे कहाँ देखना शुरू करना चाहिए।

अल्बर्टा विश्वविद्यालय के शोधकर्ताओं ने RosaSeed नामक एक नई विधि विकसित की है ताकि सटीकता खोए बिना इस प्रारंभिक खोज की गति बढ़ाई जा सके। उनका कार्य क्षेत्र के एक लंबे समय से चले आ रहे समझौते (trade-off) को संबोधित करता है: पिछली विधियाँ या तो तेज़ थीं लेकिन उन्हें बहुत अधिक कंप्यूटर मेमोरी की आवश्यकता थी, या वे सटीक थीं लेकिन धीमी थीं। शोधकर्ताओं ने इस खोज के माध्यम से खोज को काफी तेज़ बनाने का एक तरीका खोजा जिससे मौजूदा सबसे तेज़ उच्च-प्रदर्शन उपकरणों की तुलना में कम मेमोरी का उपयोग हो, और उन्होंने यह तब किया जब उन्होंने यह बदल दिया कि कंप्यूटर संदर्भ पुस्तक को कैसे पढ़ता है। डीएनए अक्षरों को एक-एक करके जांचने के बजाय, उनकी नई प्रणाली उन्हें जोड़ों या त्रिकों (triplets) में समूहित करती है, जिससे कंप्यूटर आगे बढ़ पाता है और प्रत्येक चरण के साथ अधिक जानकारी को प्रोसेस कर पाता है। उन्होंने एक स्मार्ट रणनीति भी पेश की जो केवल डीएनए के उन हिस्सों पर अतिरिक्त ध्यान केंद्रित करती है जहाँ प्रारंभिक खोज में कोई मिलान छूट गया था, बजाय इसके कि उन क्षेत्रों की जाँच में समय बर्बाद किया जाए जो पहले से ही कवर किए जा चुके हैं।

उनके नवाचार का मुख्य आधार एक कॉन्फ़िगर करने योग्य ढांचा (configurable framework) है जिसे विभिन्न प्रकार के कंप्यूटरों के लिए ट्यून किया जा सकता है। एक मानक सिंगल-कोर प्रोसेसर पर, उनके अनुशंसित सेटअप को बीडब्ल्यूए-एमईएम2 (BWA-MEM2) सॉफ्टवेयर की तुलना में प्रारंभिक खोज चरण में लगभग चार गुना तेज़ पाया गया, जिसे सटीकता के लिए स्वर्ण मानक माना जाता है। कच्चे डेटा से अंतिम अलाइनमेंट रिपोर्ट तक जाने के कुल समय को मापते समय, नई विधि अभी भी लगभग चार गुना तेज़ थी। महत्वपूर्ण रूप से, यह गति मेमोरी उपयोग की कीमत पर नहीं आई; नए सिस्टम को बड़े प्री-कंप्यूटेड पेड़ों (trees) पर निर्भर अन्य तेज़ विधियों की तुलना में लगभग 25 प्रतिशत कम मेमोरी की आवश्यकता थी। शोधकर्ताओं ने अपने सॉफ़्टवेयर का परीक्षण सिम्युलेटेड डेटा (जहाँ सही उत्तर ज्ञात है) और वास्तविक मानव डीएनए नमूनों दोनों पर किया। इन परीक्षणों में, नई विधि ने मौजूदा सर्वोत्तम उपकरणों के लगभग समान सटीकता स्तर बनाए रखा, डीएनए टुकड़ों को सही स्थानों पर रखा और सही आनुवंशिक विविधताओं की पहचान की।

यह समझने के लिए कि यह क्यों मायने रखता है, एक को यह देखना चाहिए कि खोज वर्तमान में कैसे की जाती है। पारंपरिक सॉफ़्टवेयर संदर्भ जीनोम को एक विशाल इंडेक्स की तरह मानता है, जो मिलान खोजने के लिए डीएनए खंड के प्रत्येक एकल अक्षर की इंडेक्स के विरुद्ध जाँच करता है। यह प्रक्रिया धीमी है क्योंकि कंप्यूटर को लगातार अपनी मेमोरी में इधर-उधर कूदना पड़ता है, डेटा के आने का इंतज़ार करना पड़ता है। नई विधि, RosaSeed, खेल के नियम बदल देती है। यह डीएनए अक्षरों को बड़े ब्लॉकों में एनकोड करती है, जो प्रभावी रूप से कंप्यूटर को इंडेक्स के माध्यम से बड़े कदम उठाने की अनुमति देती है। कल्पना कीजिए कि कोई व्यक्ति शब्दकोश में एक विशिष्ट शब्द खोज रहा है; पुराना तरीका यह है कि शब्द के प्रत्येक अक्षर की एक-एक करके शब्दकोश के विरुद्ध जाँच की जाए। नया तरीका यह है कि एक बार में दो या तीन अक्षरों की जाँच की जाए, जिससे व्यक्ति शब्दकोश के बड़े हिस्सों को बहुत तेज़ी से छोड़ पाता है। डेटा को समूहबद्ध करने के तरीके में यह सरल परिवर्तन कंप्यूटर द्वारा लिए जाने वाले चरणों की संख्या को कम कर देता है, जिससे आवश्यक समय में भारी कमी आती है।

हालाँकि, बड़े कदम उठाने से कभी-कभी कंप्यूटर मिलान चूक सकता है यदि शुरुआती बिंदु थोड़ा गलत हो। इसे हल करने के लिए, शोधकर्ताओं ने बुद्धि का दूसरा स्तर जोड़ा। यदि प्रारंभिक तेज़ खोज में अंतराल (gaps) रह जाते हैं—डीएनए खंड के वे हिस्से जो मैच नहीं हुए—तो वे उन अंतरालों को भरने के लिए एक लक्षित दृष्टिकोण का उपयोग करते हैं। वे पूरे खंड की दोबारा जाँच नहीं करते हैं; इसके बजाय, वे खाली स्थानों में विशिष्ट चेकपॉइंट्स रखते हैं और वहां मिलान खोजते हैं। यह सुनिश्चित करता है कि बड़े कदमों की गति महत्वपूर्ण जानकारी को खोने की कीमत पर न आए। यह सिस्टम लचीला भी है; इसे अधिकतम गति के लिए बड़े अक्षरों के ब्लॉक का उपयोग करने के लिए, या पुरानी मशीनों के लिए कम मेमोरी का उपयोग करने के लिए ट्यून किया जा सकता है, जबकि अंतिम परिणाम सटीक बने रहते हैं।

शोधकर्ताओं ने 'मिनिबवा' (minibwa) और 'स्ट्रोब एलाइन' (Strobealign) नामक एक अन्य उपकरण सहित संरेखण (alignment) को तेज़ करने के हालिया प्रयासों के विरुद्ध भी अपने तरीके का परीक्षण किया। 24 कोर वाले एक आधुनिक वर्कस्टेशन पर, उनका अनुकूलित संस्करण, जिसे मिनीरोसासीड (miniRosaSeed) कहा जाता है, मिनिबवा की तुलना में दोगुने से अधिक तेज़ था और सिंगल प्रोसेसिंग थ्रेड का उपयोग करते समय स्ट्रोब एलाइन की तुलना में काफी तेज़ था। शायद इससे भी अधिक महत्वपूर्ण बात यह है कि यह दोनों से अधिक सटीक भी था, जो डीएनए खंडों के सही स्थानों को अधिक बार खोज पाता था। जीनोम विश्लेषण की दुनिया में, गति मूल्यवान है, लेकिन सटीकता गैर-परक्राम्य (non-negotiable) है। एक तेज़ उपकरण जो गलतियाँ करता है, गलत चिकित्सा निदान या त्रुटिपूर्ण वैज्ञानिक निष्कर्षों की ओर ले जा सकता है। नया तरीका तेज़ और सटीक दोनों होने में सक्षम है, एक ऐसा संयोजन जिसे प्राप्त करना अतीत में कठिन रहा है।

इस कार्य के निहितार्थ केवल समय बचाने से परे हैं। शोधकर्ताओं ने इन परीक्षणों के दौरान कंप्यूटर द्वारा खपत की गई ऊर्जा को मापा और पाया कि नई विधि ने पुराने, धीमे उपकरणों की तुलना में काफी कम बिजली का उपयोग किया। क्योंकि कंप्यूटर अपना काम बहुत तेज़ी से पूरा कर लेता है, इसलिए यह फुल पावर पर कम समय बिताता है। जैसे-जैसे जीनोमिक अनुसंधान हजारों के बजाय लाखों जीनोमों का विश्लेषण करने की ओर बढ़ रहा है, ऊर्जा के उपयोग में यह कमी लागत और पर्यावरणीय प्रभाव दोनों के लिए एक महत्वपूर्ण कारक बन जाती है। सॉफ़्टवेयर को मौजूदा उपकरणों के 'ड्रॉप-इन रिप्लेसमेंट' के रूप में डिज़ाइन किया गया है, जिसका अर्थ है कि इसे उन्हीं डाउनस्ट्रीम विश्लेषण पाइपलाइनों के साथ उपयोग किया जा सकता है जिन पर वैज्ञानिक पहले से ही भरोसा करते हैं। यह अनुकूलता सुनिश्चित करती है कि गति के लाभों को वर्तमान अनुसंधान कार्यप्रवाहों के पूर्ण बदलाव की आवश्यकता के बिना तुरंत अपनाया जा सके।

अध्ययन ने तकनीक की सीमाओं का भी पता लगाया। शोधकर्ताओं ने उल्लेख किया कि उनकी विधि मानक डीएनए खंडों के साथ सबसे अच्छा काम करती है और वर्तमान में यह उन खंडों को हटा देती है जिनमें अस्पष्ट अक्षर (ambiguous letters) होते हैं, जो कुछ प्रकार के अनुक्रमण (sequencing) डेटा में सामान्य हैं। वे भविष्य के अपडेट में इसे संबोधित करने की योजना बना रहे हैं। उन्होंने अपने सॉफ़्टवेयर का परीक्षण एक पूर्ण, उच्च-गुणवत्ता वाले मानव जीनोम संदर्भ के साथ भी किया जिसमें कठिन-से-पढ़ने वाले दोहराव वाले क्षेत्र शामिल हैं, जो अक्सर जीनोम के सबसे कठिन हिस्से होते हैं। नई विधि ने इन चुनौतीपूर्ण क्षेत्रों में अच्छा प्रदर्शन किया, जिससे पता चलता है कि यह सबसे कठिन अनुप्रयोगों के लिए भी मजबूत है। सॉफ़्टवेयर का सोर्स कोड सार्वजनिक रूप से उपलब्ध है, जिससे अन्य वैज्ञानिक परिणामों को सत्यापित कर सकते हैं और इस कार्य को आगे बढ़ा सकते हैं।

अंततः, यह कार्य जीनोम विश्लेषण को अधिक कुशल बनाने की दिशा में एक महत्वपूर्ण कदम है। यह समझकर कि कंप्यूटर कैसे मिलान खोजता है और अंतराल को भरने के लिए एक स्मार्ट, अनुकूलन योग्य परत जोड़कर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो मौजूदा सर्वोत्तम उपकरणों की तरह ही तेज़, अधिक ऊर्जा-कुशल और उतना ही सटीक है। यह वैज्ञानिकों को कम समय में अधिक डेटा संसाधित करने की अनुमति देता है, जिससे व्यक्तिगत चिकित्सा (personalized medicine) और मानव जीव विज्ञान की हमारी समझ में खोजों को गति मिल सकती है। इस परियोजना की सफलता यह प्रदर्शित करती है कि परिपक्व, अच्छी तरह से स्थापित एल्गोरिदम वाले क्षेत्र में भी, नवाचार की गुंजाइश है जो परिणामों की गुणवत्ता से समझौता किए बिना प्रदर्शन में नाटकीय रूप से सुधार कर सकता है।