VINTER: a generative vision-language model for annotating and interrogating spatial tissues
VINTER एक जनरेटिव विजन-लैंग्वेज मॉडल है जो विभिन्न प्लेटफार्मों और रिज़ॉल्यूशन में स्थानिक ऊतक संरचनाओं (spatial tissue structures) को सटीक रूप से एनोटेट और इंटररोगेट करने के लिए हिस्टोलॉजी, जीन एक्सप्रेशन और स्थानिक पड़ोस (spatial neighborhood) को एक एकल अनुक्रम (sequence) में एकीकृत करता है, जिससे छिपी हुई जैविक विषमता (biological heterogeneity) प्रकट होती है और बिना पुनर्र्विक्षण (retraining) के आणविक साक्ष्य संपादन (molecular evidence editing) सक्षम होता है।
मूल पेपर CC0 1.0 (https://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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
ऊतक (tissues) केवल कोशिकाओं के सपाट मानचित्र नहीं हैं; वे जटिल, त्रि-आयामी पड़ोस हैं जहाँ एक एकल कोशिका की पहचान इस बात पर बहुत निर्भर करती है कि उसके बगल में कौन रहता है। मानव शरीर में, एक कोशिका का कार्य अक्सर उसके तत्काल परिवेश द्वारा निर्धारित होता है, ठीक वैसे ही जैसे किसी समुदाय में एक व्यक्ति की भूमिका उन लोगों के आधार पर बदल जाती है जिनके साथ वे प्रतिदिन बातचीत करते हैं। दशकों से, वैज्ञानिक इन पड़ोसों को एक एकल, एकीकृत तरीके से पढ़ने के लिए संघर्ष कर रहे हैं। वे ऊतक को उसकी आकृति और संरचना देखने के लिए सूक्ष्मदर्शी (microscope) के नीचे देख सकते थे, या वे कोशिकाओं के भीतर रासायनिक संकेतों को समझने के लिए उनके सक्रियता को माप सकते थे, लेकिन इन दोनों को एक साथ करना कठिन रहा है। पारंपरिक विधियाँ अक्सर एक विकल्प चुनने के लिए मजबूर करती हैं: या तो ऊतक को उसके दृश्य स्वरूप द्वारा वर्णित करें या उसके आणविक हस्ताक्षर (molecular signature) द्वारा, जो शायद ही कभी दोनों को वास्तविक समय में एक-दूसरे से बात करने की अनुमति देती हैं। यह अलगाव इस बात की समझ में एक अंतर छोड़ देता है कि एक ट्यूमर या एक अंग की भौतिक व्यवस्था उसके भीतर की कोशिकाओं के व्यवहार को कैसे प्रभावित करती है।
VINTER नामक एक नया दृष्टिकोण इस अंतर को पाटने के लिए ऊतक को एक एकल, पठनीय कहानी के रूप में मानकर काम करता है। शोधकर्ताओं ने एक कंप्यूटर मॉडल विकसित किया है जो ऊतक के नमूने की एक तस्वीर देख सकता है, एक विशिष्ट स्थान के भीतर सक्रिय जीन की सूची पढ़ सकता है, और साथ ही अपने आसपास के छह स्थानों की जीन गतिविधि पर भी विचार कर सकता है। कंप्यूटर को छवि और जीन के बीच चयन करने के लिए मजबूर करने के बजाय, यह मॉडल तीनों स्रोतों—दृश्य संरचना, स्थानीय जीन और पड़ोस के संदर्भ—को सूचना के एक निरंतर अनुक्रम के रूप में पढ़ता है। यह सिस्टम को यह निर्णय लेने की अनुमति देता है कि वह किस प्रकार के ऊतक को देख रहा है, जबकि साथ ही इस बात का रिकॉर्ड भी रखता है कि उस निष्कर्ष तक पहुँचने के लिए किन सटीक साक्ष्यों ने योगदान दिया। चूंकि जेनेटिक जानकारी को अमूर्त संख्याओं के बजाय नामों की एक सूची के रूप में प्रस्तुत किया जाता है, इसलिए शोधकर्ता इनपुट को संपादित कर सकते हैं, विशिष्ट जीन को हटा या पुनर्व्यवस्थित कर सकते हैं ताकि यह देखा जा सके कि मॉडल का निर्णय कैसे बदलता है। यह ऊतक के पहचान करने की प्रक्रिया को एक स्थिर लेबल से बदलकर एक संवादात्मक पूछताछ (interactive interrogation) में बदल देता है, जहाँ वैज्ञानिक ऊतक की संरचना के बारे में "क्या होगा यदि" जैसे प्रश्न पूछ सकते हैं।
टीम ने विभिन्न जैविक चुनौतियों पर इस प्रणाली का परीक्षण किया, जिसकी शुरुआत मानव मस्तिष्क से हुई। उन्होंने मॉडल से सेरेब्रल कॉर्टेक्स की विभिन्न परतों की पहचान करने के लिए कहा, एक ऐसा कार्य जहाँ इसने केवल जीन डेटा या केवल इमेज डेटा पर निर्भर मौजूदा विधियों से बेहतर प्रदर्शन किया। मॉडल ने उच्च स्तर की सटीकता प्राप्त की, और अधिकांश मामलों में कॉर्टिकल परतों की सही पहचान की। इससे भी महत्वपूर्ण बात यह है कि प्रणाली ने बिना पुनः प्रशिक्षित (retrained) हुए नई स्थितियों में अपने ज्ञान को स्थानांतरित करने की उल्लेखनीय क्षमता प्रदर्शित की। जब शोधकर्ताओं ने ट्रिपल-नेगेटिव ब्रेस्ट कैंसर वाले रोगियों के एक पूरी तरह से अलग समूह पर प्रशिक्षित मॉडल को लागू किया, तो इसने सफलतापूर्वक उन ऊतक प्रकारों की पहचान की जिन्हें उसने पहले कभी नहीं देखा था। यह सुझाव देता है कि मॉडल ने ऊतक संगठन की एक मौलिक भाषा सीख ली है जो विभिन्न रोगों और रोगियों में लागू होती है, न कि केवल विशिष्ट उदाहरणों को याद किया है।
सबसे आश्चर्यजनक खोजों में से एक टर्शियरी लिम्फोइड स्ट्रक्चर्स (tertiary lymphoid structures) का अध्ययन करना था, जो प्रतिरक्षा कोशिकाओं के छोटे, संगठित समूह हैं जो ट्यूमर के भीतर बनते हैं और कैंसर से लड़ने में शरीर को प्रभावित कर सकते हैं। शोधकर्ताओं ने इन संरचनाओं से अपने परिवेश को क्या संकेत मिलते हैं, यह पता लगाने के लिए मॉडल की इनपुट को संपादित करने की क्षमता का उपयोग किया। उन्होंने पाया कि मॉडल का यह निर्णय कि कोई संरचना "परिपक्व" (mature) है या "अपरिपक्व" (immature), पड़ोस में जीन गतिविधि के दो विपरीत कार्यक्रमों पर निर्भर करता है। एक कार्यक्रम, जो फॉलिकुलर बी सेल्स (follicular B cells) द्वारा संचालित होता है, संरचना को अधिक परिपक्व बनाता है, जबकि दूसरा, जो एंटीबॉडी बनाने वाले प्लाज्मा सेल्स द्वारा संचालित होता है, इसे कम परिक्व बनाता है। इन संकेतों को वापस ऊतक पर मैप करके, उन्होंने एक छिपा हुआ स्थानिक पैटर्न खोजा: परिपक्व, संगठित संकेत संरचना के केंद्र में केंद्रित थे, जबकि एंटीबॉडी बनाने वाले संकेत बिल्कुल किनारों पर धकेल दिए गए थे। इसने खुलासा किया कि इन इम्यून हब की "परिपक्वता" एक एकल अवस्था नहीं बल्कि केंद्र और परिधि के बीच एक गतिशील संतुलन है, एक ऐसी सूक्ष्मता जिसे मानक विधियाँ चूक जातीं।
इस दृष्टिकोण की शक्ति ट्रिपल-नेगेटिव ब्रेस्ट कैंसर की छिपी हुई बारीकियों को खोजने में भी फैली हुई, जो एक जटिल बीमारी मानी जाती है। कई मामलों में, रोगविज्ञानी (pathologists) ऊतक के एक क्षेत्र को "स्ट्रोमा" (stroma), या संयोजी ऊतक के रूप laबेल करते हैं, जो एक व्यापक श्रेणी है जो महत्वपूर्ण अंतरों को छिपा सकती है। हालाँकि, मॉडल ने प्रत्येक स्थान के लिए हर संभावित ऊतक प्रकार की संभावना को देखा और पाया कि इन व्यापक रूप से लेबल किए गए स्ट्रोमल क्षेत्रों के भीतर, प्रतिरक्षा गतिविधि के विशिष्ट क्षेत्र थे। कुछ क्षेत्र प्रतिरक्षा कोशिकाओं से समृद्ध थे और सक्रिय, सूजन संबंधी प्रतिक्रिया के संकेत दिखा रहे थे, जबकि अन्य शांत और मौन थे। एक ही लेबल के भीतर "हॉट" और "कोल्ड" ज़ोन को देखने की इस क्षमता ने शोधकर्ताओं को एक विशिष्ट प्रकार के प्रतिरक्षा वातावरण की पहचान करने में मदद की जो कुछ विशेष कैंसर उपचारों के प्रति अच्छी प्रतिक्रिया देने के लिए जाना जाता है। इसके अलावा, मॉडल की माध्यमिक संभावनाओं (secondary probabilities) को देखकर, वे उन स्थानों को चिह्नित करने में सक्षम थे जिन्हें सौम्य (benign) के रूप में लेबल किया गया था लेकिन वास्तव में उनमें छिपी हुई कैंसर कोशिकाएं थीं। जब उन्होंने इन चिह्नित स्थानों की समीक्षा की, तो उन्होंने मानक एकल-लेबल दृष्टिकोण द्वारा छोड़े गए लगभग आधे कैंसर को पुनः प्राप्त किया, विशेष रूप से इस बीमारी के सबसे आक्रामक उपप्रकारों में।
अंत में, शोधकर्ताओं ने दिखाया कि यह विधि अवलोकन के विभिन्न पैमानों पर काम करती है, बड़े ऊतक नमूनों से लेकर व्यक्तिगत कोशिकाओं तक। उन्होंने कोलोरेक्टल कैंसर के उच्च-रिज़ॉल्यूशन डेटा पर समान मॉडल लागू किया, जहाँ इसने बिना किसी अतिरिक्त प्रशिक्षण के प्रतिरक्षा संरचनाओं की सफलतापूर्वक पहचान की और प्रतिरक्षा कोशिकाओं के विभिन्न प्रकारों के बीच अंतर किया। मॉडल ने सही ढंग से पहचाना कि कुछ विशिष्ट प्रतिरक्षा कोशिकाएं, विशेष रूप से जो एक विशिष्ट प्रकार का एंटीबॉडी बनाती हैं, इन संरचनाओं के किनारों पर एकत्रित होती हैं, जबकि अन्य केंद्र में रहती हैं। विभिन्न तकनीकों और रिज़ॉल्यूशन में यह निरंतरता यह सुझाव देती है कि मॉडल ने ऊतक के संगठन की एक सुदृढ़ समझ विकसित कर ली है। ऊतक के अंकन (spatial annotation) को एक पूछताछ योग्य पठन में बदलकर, VINTER शरीर के पड़ोसों को खोजने का एक नया तरीका प्रदान करता है, जिससे वैज्ञानिकों को प्रत्येक जैविक निर्णय के पीछे के साक्ष्यों के बारे में प्रश्न पूछने और उन छिपे हुए पैटर्न को देखने की अनुमति मिलती है जो स्वास्थ्य और रोग को परिभाषित करते 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।