MtbAIM: AI/ML-guided endpoint-specific prediction of small-molecule activity across drug-susceptible and drug-resistant Mycobacterium tuberculosis
यह अध्ययन MtbAIM प्रस्तुत करता है, जो एक AI/ML-संचालित प्लेटफॉर्म है जो ड्रग-ससेप्टिबल (दवा-संवेदनशील) और ड्रग-रेसिस्टेंट (दवा-प्रतिरोधी) दोनों प्रकार के माइकोबैक्टीरियम ट्यूबरकुलोसिस आइसोलेट्स के विरुद्ध छोटे अणुओं की गतिविधि और न्यूनतम निरोधात्मक सांद्रता (MIC) की सटीक भविष्यवाणी करने के लिए विविध आणविक निरूपणों और ट्री-आधारित एल्गोरिदम का उपयोग करता 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
तपेदिक (टीबी) मानवता के सबसे निरंतर संक्रमण संबंधी खतरों में से एक बना हुआ है, एक ऐसी बीमारी जो दशकों के चिकित्सा प्रयासों के बावजूद सालाना दस लाख से अधिक जीवन लील लेती है। स्थिति और भी नाजुक होती जा रही है क्योंकि इस बीमारी के लिए जिम्मेदार बैक्टीरिया उन दवाओं से बचने के लिए विकसित हो रहे हैं जिन्हें उन्हें मारने के लिए बनाया गया है। जब तपेदिक का कोई स्ट्रेन मानक दवाओं के प्रति प्रतिरोधी (रेसिस्टेंट) हो जाता है, तो उपचार के विकल्प नाटकीय रूप रूप से कम हो जाते हैं, जिससे अक्सर डॉक्टरों को पुरानी, अधिक विषैली या कम प्रभावी चिकित्सा पद्धतियों पर निर्भर होना पड़ता है। नए इलाज खोजने की कोशिश कर रहे वैज्ञानिकों के लिए, यह एक कठिन पहेली जैसा है: एक रासायनिक यौगिक मानक, दवा-संवेदनशील बैक्टीरिया के खिलाफ पूरी तरह से काम कर सकता है, लेकिन प्रतिरोधी स्ट्रेन के खिलाफ पूरी तरह विफल हो सकता है। नया ड्रग खोजना अब केवल कुछ ऐसा खोजने के बारे में नहीं है जो बैक्टीरिया को मार सके; बल्कि यह कुछ ऐसा खोजने के बारे में है जो बैक्टीरिया को तब भी मार सके जब उन्होंने मुकाबला करना सीख लिया हो।
हाल के वर्षों में, शोधकर्ताओं ने इस पहेली को सुलझाने के लिए आर्टिफिशियल इंटेलिजेंस (एआई) की ओर रुख किया है, इस उम्मीद में कि वे रासायनिक संरचनाओं के विशाल पुस्तकालयों को स्कैन कर सकें और लैब में परीक्षण करने से पहले ही भविष्यवाणी कर सकें कि कौन से काम कर सकते हैं। हालांकि, इनमें से कई कंप्यूटर मॉडल ने सभी तपेदिक बैक्टीरिया के साथ ऐसा व्यवहार किया जैसे कि वे एक समान हों, या वे केवल इस बात पर ध्यान केंद्रित करते थे कि एक दवा कितनी अच्छी तरह काम करती है। यह दृष्टिकोण उन बैक्टीरिया के बीच के महत्वपूर्ण अंतरों को अनदेखा करने का जोखिम उठाता है जो आसानी से ठीक हो जाते हैं और वे जो नहीं होते। भारतीय प्रौद्योगिकी संस्थान-दिल्ली के शोधकर्ताओं का एक नया अध्ययन इस अंतर को दूर करने के लिए एक विशेष प्रणाली बनाकर इस कमी को संबोधित करता है, जो दवा-संवेदनशील और दवा-प्रतिरोधी बैक्टीरिया को अलग-अलग चुनौतियों के रूप में देखती है, और साथ ही यह देखने के लिए विभिन्न स्तरों की दवा क्षमता (पोटेंसी) का भी विश्लेषण करती है कि एक यौगिक को वास्तव में कितना मजबूत होने की आवश्यकता है।
जसदीप सिंह और कृतिका सिंह के नेतृत्व में टीम ने शुरुआत में विभिन्न छोटे अणुओं (स्मॉल मॉलिक्यूल्स) के तपेदिक बैक्टीरिया के साथ परस्पर क्रिया करने के मौजूदा डेटा का एक विशाल संग्रह एकत्र किया। उन्होंने लगभग 30,000 रिकॉर्ड सार्वजनिक वैज्ञानिक डेटाबेस से निकाले, और जानकारी को सावधानीपूर्वक दो समूहों में विभाजित किया: एक जिसमें दवा-संवेदनशील बैक्टीरिया पर यौगिकों के प्रभाव का डेटा था, और दूसरा जो दवा-प्रतिरोधी स्ट्रेन को प्रभावित करने वाले डेटा के लिए था। उन्होंने यह भी सुनिश्चित किया कि डेटा केवल "काम करता है" या "काम नहीं करता" की एक साधारण सूची नहीं थी, बल्कि इसमें बैक्टीरिया के विकास को रोकने के लिए आवश्यक सांद्रता (कंसंट्रेशन) के विशिष्ट माप भी शामिल थे। इसने उन्हें एक ऐसे यौगिक के बीच अंतर करने की अनुमति दी जो केवल सक्रिय है और एक जो अत्यधिक शक्तिशाली है।
अपने कंप्यूटर मॉडल को सिखाने के लिए, शोधकर्ताओं ने इन रासायनिक संरचनाओं को विभिन्न प्रकार के डिजिटल निरूपणों (रिप्रजेंटेशन) में डाला। कुछ निरूपणों ने अणुओं के भौतिक और रासायनिक गुणों का वर्णन करने के लिए स्थापित विधियों का उपयोग किया, जबकि अन्य ने उन्नत, पूर्व-प्रशिक्षित एआई प्रणालियों का उपयोग किया जिन्होंने स्वयं आणविक आकृतियों को समझना सीख लिया था। लक्ष्य यह देखना था कि कौन सी विधि बेहतर थी कि क्या एक नया, अनदेखा रसायन बैक्टीरिया के खिलाफ काम करेगा या नहीं। महत्वपूर्ण रूप से, शोधकर्ताओं ने एक कठोर पद्धति का उपयोग करके अपने मॉडलों का परीक्षण किया जिससे यह सुनिश्चित हुआ कि कंप्यूटर केवल उन अणुओं की आकृतियों को याद नहीं कर रहा है जिन्हें उसने पहले देखा है। इसके बजाय, उन्होंने मॉडलों का परीक्षण पूरी तरह से नए रासायनिक परिवारों पर किया, जो उस वास्तविक दुनिया के परिदृश्य का अनुकरण करता है जहाँ एक ऐसे स्ट्रक्चर के लिए ड्रग की खोज की जा रही है जिसे कंप्यूटर ने पहले कभी नहीं देखा है।
परिणामों ने एक स्पष्ट पैटर्न प्रकट किया। जबकि उन्नत, पूर्व-प्रशिक्षित एआई प्रणालियाँ अणुओं के बारे में उपयोगी जानकारी सीखने में सक्षम थीं, वे रासायनिक संरचनाओं का वर्णन करने वाली पारंपरिक, स्थापित विधियों से लगातार बेहतर प्रदर्शन नहीं कर सकीं। वास्तव में, दवा-संवेदनशील और दवा-प्रतिरोधी दोनों प्रकार के बैक्टीरिया के लिए, वे मॉडल जिन्होंने मानक रासायनिक विवरणों को ट्री-आधारित निर्णय एल्गोरिदम (डिसीजन एल्गोरिदम) के साथ जोड़ा था, सबसे विश्वसनीय साबित हुए। इन मॉडलों ने सफलतापूर्वक भविष्यवाणी की कि एक यौगिक सक्रिय होगा या नहीं, और शायद इससे भी महत्वपूर्ण बात यह है कि उन्होंने उस गतिविधि की विशिष्ट शक्ति का उच्च सटीकता के साथ अनुमान लगाया। सिस्टम जटिलता को संभालने में सक्षम था, यह दिखाते हुए कि बैक्टीरिया को मारने की किसी यौगिक की क्षमता एक एकल निश्चित गुण नहीं है, बल्कि यह काफी हद तक इस बात पर निर्भर करती है कि वह किस विशिष्ट प्रकार के बैक्टीरिया का सामना कर रहा है।
इन निष्कर्षों को अन्य वैज्ञानिकों के लिए उपयोगी बनाने के लिए, शोधकर्ताओं ने MtbAIM नामक एक मुफ्त, ऑनलाइन प्लेटफॉर्म बनाया। यह टूल किसी को भी एक अणु की रासायनिक संरचना डालने की अनुमति देता है और तुरंत यह भविष्यवाणी करता है कि वह दवा-संवेदनशील और दवा-प्रतिरोधी दोनों प्रकार के तपेदिक के खिलाफ कितनी अच्छी तरह काम कर सकती है। यह प्लेटफॉर्म दोहरी आउटपुट प्रदान करता है: यह उपयोगकर्ता को बताता है कि यौगिक के सक्रिय होने की संभावना है या नहीं, और यह उसकी क्षमता का एक विशिष्ट अनुमान भी देता है। यह दोहरी क्षमता महत्वपूर्ण है क्योंकि यह शोधकर्ताओं को लैब में परीक्षण करने के लिए यौगिकों को प्राथमिकता देने में मदद करती है, जिससे सबसे आशाजनक उम्मीदवारों पर ध्यान केंद्रित करके समय और संसाधनों की बचत होती है। यह सिस्टम प्रयोगशाला परीक्षण की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि यह एक शक्तिशाली फिल्टर के रूप में कार्य करता है, जो वैज्ञानिकों को उन रसायनों की ओर निर्देशित करता है जिनके सफल होने की संभावना सबसे अधिक है।
अध्ययन ने दवा की विभिन्न क्षमताओं (पोटेंसी) को देखने के महत्व पर भी प्रकाश डाला। शोधकर्ताओं ने पाया कि बैक्टीरिया के विकास को रोकने के लिए आवश्यक सटीक सांद्रता की भविष्यवाणी करना संभव था, लेकिन इन भविष्यवाणियों की सटीकता इस बात पर निर्भर करती थी कि उस विशिष्ट माप के लिए कितना डेटा उपलब्ध है। सबसे सामान्य मापों के लिए मॉडल काफी सटीक थे, लेकिन दुर्लभ डेटा बिंदुओं के लिए अनिश्चितता अधिक थी। इन विभिन्न मापों को आपस में मिलाए बिना अलग रखकर, शोधकर्ताओं ने सुनिश्चित किया कि अनिश्चितता दृश्यमान और ईमानदार रहे। यह पारदर्शिता उनके दृष्टिकोण की एक प्रमुख विशेषता है, क्योंकि यह उपयोगकर्ताओं को उस भविष्यवाणी की निश्चितता को बहुत अधिक आंकने से रोकती है जहाँ मूल डेटा कम या विरल है।
अंततः, यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस तपेदिक के खिलाफ लड़ाई में एक व्यावहारिक भागीदार हो सकता है, बशर्ते इसे बीमारी की जैविक वास्तविकताओं को ध्यान में रखकर डिजाइन किया गया हो। दवा-संवेदनशील से दवा-प्रतिरोधी बैक्टीरिया को अलग करके और दवा की शक्ति के विभिन्न मापों को अलग-अलग प्रश्नों के रूप में मानकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो संभावित नए उपचारों का अधिक सूक्ष्म और यथार्थवादी दृश्य प्रदान करता है। यह निष्कर्ष कि पारंपरिक रासायनिक विवरण अभी भी नए, अधिक जटिल एआई मॉडलों के सामने अपना स्थान बनाए रखते हैं, यह सुझाव देता है कि ड्रग डिस्कवरी के क्षेत्र में, सावधानीपूर्वक डेटा हैंडलिंग के साथ स्थापित विधियाँ उतनी ही शक्तिशाली हो सकती हैं जितनी कि नवीनतम तकनीकी रुझान। परिणामी प्लेटफॉर्म वैश्विक वैज्ञानिक समुदाय के लिए नए रसायनों की स्क्रीनिंग के लिए एक स्पष्ट, सुलभ तरीका प्रदान करता है, जो हमें तपेदिक के उपचारों की अगली पीढ़ी खोजने के एक कदम और करीब लाता 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।