Quantifying the Provenance-to-Function Gap in Antidiabetic Peptide Prediction: Homology-Aware Evaluation and the ADP-Hybrid Baseline

मधुमेह एक ऐसी स्थिति है जहाँ शरीर रक्त शर्करा (ब्लड शुगर) को प्रबंधित करने में संघर्ष करता है, एक ऐसी समस्या जो दुनिया भर में करोड़ों लोगों को प्रभावित करती है। इसके उपचार के लिए, वैज्ञानिक पेप्टाइड्स में तेजी से रुचि ले रहे हैं, जो अमीनो एसिड की छोटी, संक्षिप्त श्रृंखलाएं हैं जो जैविक संकेतों के रूप में कार्य करती हैं। इनमें से कुछ पेप्टाइड्स रक्त शर्करा को कम करने में मदद कर सकते हैं, और शोधकर्ता इनका उपयोग दवाओं के रूप में करने के लिए नए पेप्टाइड्स खोजने की आशा करते हैं। चूंकि अरबों संभावित पेप्टाइड अनुक्रम (सीक्वेंस) मौजूद हैं, इसलिए उन सभी का प्रयोगशाला में परीक्षण करना असंभव है। इसके बजाय, वैज्ञानिक कंप्यूटर प्रोग्राम का उपयोग यह अनुमान लगाने के लिए करते हैं कि कौन से अनुक्रम काम कर सकते हैं, इस उम्मीद में कि वे प्रयोगों पर समय और पैसा खर्च करने से पहले बेकार वाले अनुक्रमों को फ़िल्टर कर सकें। ये प्रोग्राम मौजूदा डेटा से सीखते हैं: उन्हें उन पेप्टाइड्स के उदाहरण दिखाए जाते हैं जो काम करते हैं और वे जो नहीं करते, और वे उन पैटर्न को खोजने की कोशिश करते हैं जो अंतर पैदा करते हैं। लक्ष्य यह है कि कंप्यूटर जीव विज्ञान के वास्तविक नियमों को सीख ले ताकि वह एक नया, आशाजनक पेप्टाइड पहचान सके जिसे पहले कभी नहीं देखा गया हो।

हालाँकि, एक हालिया अध्ययन बताता है कि इन कार्यों के लिए उपयोग किए जाने वाले कंप्यूटर प्रोग्राम गलत सबक सीख रहे हैं। शोधकर्ताओं ने एक लोकप्रिय बेंचमार्क—एक मानक डेटासेट जिसका उपयोग इन भविष्यवाणी उपकरणों के परीक्षण के लिए किया जाता है—को लिया और इस बात की बारीकी से जांच की कि डेटा कैसे व्यवस्थित किया गया था। उन्होंने पाया कि कंप्यूटर अनिवार्य रूप से यह नहीं सीख रहा था कि क्या एक पेप्टाइड को मधुमेह के विरुद्ध प्रभावी बनाता है। इसके बजाय, वह यह पहचानना सीख रहा था कि वह पेप्टाइड किस बड़े प्रोटीन से आया है। जीव विज्ञान की दुनिया में, एक पेप्टाइड अक्सर बहुत बड़े प्रोटीन का एक छोटा सा अंश होता है, जैसे कि किसी पहेली का एक टुकड़ा। अध्ययन में पाया गया कि मधुमेह के उपचार के कुछ प्रकार लगभग विशेष रूप से विशिष्ट स्रोत प्रोटीनों से प्राप्त पेप्टाइड्स से जुड़े थे। उदाहरण के लिए, मानव इंसुलिन से जुड़े पेप्टाइड्स एक प्रकार के मधुमेह से जुड़े थे, जबकि दूसरे प्रकार के मधुमेह से जुड़े पेप्टाइड्स गाय के दूध के प्रोटीन से आए थे। क्योंकि कंप्यूटर ने इन पैटर्न को बार-बार देखा, उसने केवल स्रोत प्रोटीन की पहचान करके उत्तर का अनुमान लगाना सीख लिया, बजाय इसके कि वह उन रासायनिक गुणों को समझे जो वास्तव में पेप्टाइड को प्रभावी बनाते हैं।

इस समस्या को "प्रोवेनेंस-टू-फंक्शन गैप" (स्रोत-से-कार्य अंतराल) के रूप में जाना जाता है। इसका अर्थ है कि कंप्यूटर जिस चीज़ पर परीक्षण किया जा रहा है और जिस कार्य की उसे भविष्यवाणी करनी है, उनके बीच की दूरी बहुत अधिक है। शोधकर्ताओं ने दिखाया कि जब परीक्षण के लिए डेटा को यादृच्छिक (रैंडम) रूप से विभाजित किया जाता है, तो कंप्यूटर बहुत उच्च अंक प्राप्त करता है क्योंकि वह पहले देखे गए स्रोत प्रोटीनों को आसानी से पहचान सकता है। लेकिन जब उन्होंने परीक्षणों को इस तरह से दोबारा चलाया जिससे यह सुनिश्चित हुआ कि प्रशिक्षण और परीक्षण दोनों समूहों में एक ही स्रोत प्रोटीन के पेप्टाइड्स न हों, तो स्कोर काफी गिर गया। कंप्यूटर अब स्रोत को पहचानने पर निर्भर नहीं रह सका, उसे वास्तव में रासायनिक संकेतों पर निर्भर होना पड़ा। इस सख्त परीक्षण में, जटिल, बहु-स्तरीय मॉडल जिन्हें पहले अत्याधुनिक (स्टेट-ऑफ-द-आर्ट) बताया जाता था, बहुत सरल मॉडलों के स्तर पर आ गए। वास्तव में, एक साधारण कंप्यूटर मॉडल ने पहले के विस्तृत, बहु-भाग वाले सिस्टम के समान प्रदर्शन किया, लेकिन इसने बहुत अधिक गति से और बहुत कम कंप्यूटिंग शक्ति के साथ ऐसा किया।

अध्ययन ने यह भी खुलासा किया कि पेप्टाइड की लंबाई स्वयं एक बड़ा सुराग थी जिसे कंप्यूटर उपयोग कर रहा था। एक प्रकार के मधुमेह के लिए काम करने वाले पेप्टाइड्स, दूसरे प्रकार के मुकाबले औसतन बहुत छोटे थे। एक सरल मॉडल जिसने केवल पेप्टाइड की लंबाई को देखा, वह लगभग 62 प्रतिशत मामलों में मधुमेह के प्रकार की सही पहचान कर सका, जो कि एक आश्चर्यजनक रूप से उच्च परिणाम है। यह सुझाव देता है कि जटिल मॉडल आवश्यक रूप से गहरे, छिपे हुए जैविक रहस्यों को नहीं खोज रहे थे, बल्कि वे लंबाई और स्रोत प्रोटीन जैसे स्पष्ट, आसानी से पहचाने जाने वाले लक्षणों पर निर्भर थे। शोधकर्ताओं ने बैक्टीरिया या वायरस से लड़ने जैसे पेप्टाइड गतिविधियों के लिए सोलह अन्य डेटासेट का परीक्षण किया, और पाया कि स्रोत-प्रोटीन पूर्वाग्रह की यह समस्या अधिकांश में दिखाई देती है। यह डेटासेट बनाने के तरीके में एक सामान्य दोष प्रतीत होता है, जहाँ डेटा संग्रह का तरीका अनजाने में उत्तर को कार्य के बजाय स्रोत से जोड़ देता है।

शोधकर्ताओं ने केवल समस्या की ओर इशारा नहीं किया; उन्होंने एक समाधान भी दिया। उन्होंने ADP-Hybrid नामक एक नया, सरल मॉडल बनाया जो भविष्यवाणी के प्रत्येक स्तर के लिए एक एकल निर्णय लेने वाले वृक्ष (डिसीजन ट्री) का उपयोग करता है। यह मॉडल परीक्षण के पहले स्तर पर जटिल, प्रकाशित मॉडलों के समान सटीकता तक पहुँच गया, लेकिन यह चलने में बीस से अड़तीस गुना तेज़ था। अधिक महत्वपूर्ण बात यह है कि यह सरल मॉडल तब भी बेहतर प्रदर्शन करता रहा जब शोधकर्ताओं ने स्रोत प्रोटीन को पहचानने जैसे आसान शॉर्टकट हटा दिए। अध्ययन निष्कर्ष निकालता है कि पिछले वर्षों में रिपोर्ट किए गए उच्च स्कोर संभवतः डेटा विभाजन के तरीके से बढ़े हुए थे, जिससे कंप्यूटर को पेप्टाइड के स्रोत को याद रखने की अनुमति मिली, न कि यह सीखने की कि वे कैसे काम करते हैं। लेखक तर्क देते हैं कि भविष्य के अध्ययनों को इन छिपे हुए पैटर्न की जाँच करनी चाहिए और यह सुनिश्चित करना चाहिए कि प्रशिक्षण और परीक्षण डेटा वास्तव में उनके जैविक मूल के मामले में अलग हों। ऐसा करके, वैज्ञानिक ऐसे उपकरण बना सकते हैं जो वास्तव में नई दवाओं की खोज में मदद करें, न कि केवल ऐसे उपकरण जो यह अनुमान लगाने में अच्छे हों कि एक पेप्टाइड कहाँ से आया है।