2,234 attempts to harmonize a multi-platform B-cell lymphoma bulk transcriptomic dataset: ComBat is superior by cross-batch prediction quality

आधुनिक चिकित्सा की दुनिया में, वैज्ञानिक अक्सर कोशिकाओं के भीतर मौजूद आनुवंशिक निर्देशों को पढ़कर रोगों को समझने की कोशिश करते हैं। ये निर्देश, जिन्हें जीन अभिव्यक्ति (gene expression) कहा जाता है, एक विस्तृत लॉगबुक की तरह काम करते हैं जो यह बताते हैं कि एक विशिष्ट क्षण में कोशिका क्या कर रही है। जब शोधकर्ता लिंफोमा जैसी स्थितियों का अध्ययन करते हैं, जो कि एक प्रकार का रक्त कैंसर है, तो वे इन लॉग्स में ऐसे पैटर्न खोजने की उम्मीद करते हैं जो यह भविष्यवाणी कर सकें कि कोई रोगी उपचार के प्रति कैसी प्रतिक्रिया देगा या वह कितने समय तक जीवित रह सकता है। हालाँकि, इन खोजों के मार्ग में एक बड़ी बाधा खड़ी है: डेटा स्वयं अक्सर असंगत होता है। जीन अभिव्यक्ति के लॉग अलग-अलग मशीनों द्वारा, अलग-अलग रासायनिक विधियों का उपयोग करके लिखे जाते हैं, और दुनिया भर की विभिन्न प्रयोगशालाओं में अलग-अलग तरीकों से संग्रहीत किए जाते हैं। ठीक वैसे ही जैसे एक देश में पारा थर्मामीटर से ली गई तापमान की रीडिंग दूसरे देश में डिजिटल रीडिंग से मेल नहीं खा सकती, विभिन्न स्रोतों से प्राप्त जीन लॉग अक्सर बिल्कुल अलग दिखते हैं, भले ही वे एक ही जैविक वास्तविकता का वर्णन कर रहे हों। यह विसंगति, जिसे 'बैच इफेक्ट' (batch effect) कहा जाता है, बीमारी के सूक्ष्म संकेतों को छिपा सकती है या नकली संकेत पैदा कर सकती है, जिससे विभिन्न अध्ययनों के डेटा को मिलाकर विश्वसनीय उत्तर पाना लगभग असंभव हो जाता है।

इसे हल करने के लिए, वैज्ञानिकों ने गणितीय उपकरण विकसित किए हैं जिन्हें डेटा को सुचारू बनाने के लिए डिज़ाइन किया गया है, इस प्रक्रिया को 'सुधार' या 'हारमोनाइजेशन' (harmonization) कहा जाता है। इसका लक्ष्य डेटा को इस तरह बनाना है कि विभिन्न स्रोतों से प्राप्त डेटा ऐसा लगे जैसे उसे एक ही लैब में तैयार किया गया हो, लेकिन ऐसा करते समय स्वस्थ और बीमार कोशिकाओं के बीच के वास्तविक जैविक अंतरों को मिटाया नहीं जाना चाहिए। लेकिन इसमें एक पेच है: इस बात को मापने का कोई एक सहमत तरीका नहीं है कि ये उपकरण कितनी अच्छी तरह काम कर रहे हैं। कुछ वैज्ञानिक देखते हैं कि डेटा बिंदु एक मानचित्र पर कितनी अच्छी तरह समूहबद्ध (cluster) होते हैं, जबकि अन्य यह जाँचते हैं कि क्या एक कंप्यूटर प्रोग्राम डेटा को समायोजित करने के बाद भी कैंसर के प्रकार को सही ढंग से पहचान सकता है। क्योंकि सफलता को मापने के ये विभिन्न तरीके अक्सर अलग-अलग समाधानों की ओर इशारा करते हैं, इसलिए शोधकर्ता इस उलझन में रहे हैं कि किस उपकरण पर भरोसा किया जाए। दानिल निकिटिन और अर्सेन अराकेलियन का एक नया अध्ययन इस भ्रम को दूर करने के लिए हजारों अलग-अलग तरीकों का परीक्षण करता है, जो यह प्रकट करता है कि "सर्वश्रेष्ठ" उपकरण पूरी तरह से इस बात पर निर्भर करता है कि आप क्या मापने की कोशिश कर रहे हैं, और सबसे लोकप्रिय तरीके मरीज के परिणामों की भविष्यवाणी करने के लिए सबसे विश्वसनीय नहीं भी हो सकते हैं।

शोधकर्ताओं ने बी-सेल लिंफोमा वाले 7,000 से अधिक रोगियों के आनुवंशिक डेटा के एक विशाल संग्रह से शुरुआत की, जिसे 88 विभिन्न शोध समूहों द्वारा एकत्र किया गया था। यह डेटासेट विभिन्न तकनीकों द्वारा संसाधित नमूनों का एक मिश्रण था, जिसने तकनीकी शोर (technical noise) की एक जटिल पहेली बना दी थी। उन्होंने इस डेटा को साफ करने के लिए गणितीय विधियों के 2,234 अलग-अलग संयोजनों का परीक्षण किया। प्रत्येक संयोजन एक अनूठी रणनीति का प्रतिनिधित्व करता था: कुछ ने तकनीकी शोर को धीरे से हटाने की कोशिश की, जबकि अन्य ने डेटा को एक समान पैटर्न में ढालने के लिए इसे आक्रामक रूप से पुनर्गठित किया। टीम ने इन सभी 2,234 प्रयासों का मूल्यांकन पांच अलग-अलग श्रेणियों के मापन का उपयोग करके किया। उन्होंने केवल एक पैमाना नहीं इस्तेमाल किया; उन्होंने माप के पांच अलग-अलग वर्गों का उपयोग किया। कुछ परीक्षणों ने यह जाँचा कि क्या डेटा बिंदु एक समान और सुव्यवस्थित दिखते हैं, अन्य ने यह जाँचा कि क्या जैविक समूह स्पष्ट बने हुए हैं, और तीसरे सेट के परीक्षणों ने यह प्रयास किया कि क्या कंप्यूटर एक ऐसे बैच के नमूनों में लिंफोमा के प्रकार की सटीक भविष्यवाणी कर सकता है जिसे उसने पहले कभी नहीं देखा था, जो एक वास्तविक नैदानिक परीक्षण का अनुकरण था।

परिणाम आश्चर्यजनक थे और सफलता को मापने के विभिन्न तरीकों के बीच एक गहरा संघर्ष प्रकट करते हैं। जब शोधकर्ताओं ने उन विधियों को देखा जिन्होंने डेटा को आक्रामक रूप से पुनर्गठित किया ताकि सभी बैच एक जैसे दिखें, तो इन विधियों ने उन परीक्षणों में बहुत उच्च स्कोर किया जो यह मापते थे कि डेटा बिंदु कितनी अच्छी तरह आपस में मिल रहे हैं। हालाँकि, ये वही आक्रामक विधियाँ वास्तविक जैविक संकेतों को बनाए रखने के परीक्षण में बुरी तरह विफल रहीं। उन्होंने अनिवार्य रूप से उन अंतरों को ही मिटा दिया जिन्हें डॉक्टर देखने की आवश्यकता समझते हैं। इसके विपरीत, जिन विधियों ने डेटा में बहुत मामूली और कोमल बदलाव किए, उन्होंने जैविक संकेतों को पूरी तरह सुरक्षित रखा लेकिन बैचों को आपस में मिलाने में विफल रहे, जिससे तकनीकी शोर अभी भी दिखाई देता रहा। अध्ययन से पता चला कि कोई भी एकल विधि पूर्ण नायक नहीं थी। इसके बजाय, जो उपकरण एक प्रकार के परीक्षण के लिए सबसे अच्छे थे, वे अक्सर दूसरे प्रकार के परीक्षण पर खराब प्रदर्शन करते थे। उदाहरण के लिए, जो विधियाँ डेटा को एक समान दिखाने में उत्कृष्ट थीं, वे मरीजों के किस प्रकार का कैंसर है, इसकी भविष्यवाणी करने में बेहद खराब थीं।

सबसे महत्वपूर्ण निष्कर्ष तब सामने आया जब शोधकर्ताओं ने नए, अनदेखे डेटा में बीमारी के उप-प्रकारों (subtypes) की भविष्यवाणी करने की क्षमता पर ध्यान केंद्रित किया। यह किसी भी चिकित्सा उपकरण के लिए अंतिम परीक्षण है: यदि आप एक अस्पताल के डेटा पर कंप्यूटर को प्रशिक्षित करते हैं, तो क्या वह पूरी तरह से अलग अस्पताल के मरीजों का निदान सही ढंग से कर सकता है? इस विशिष्ट परीक्षण में, 'कॉम्बैट' (ComBat) नामक उपकरणों के एक परिवार ने अन्य सभी को पीछे छोड़ दिया। इन विधियों ने तकनीकी शोर को हटाते हुए जैविक संकेतों को बरकरार रखा, जिससे कंप्यूटर सटीक भविष्यवाणियाँ करने में सक्षम हुआ। इसके विपरीत, कुछ विधियाँ जिन्हें अन्य अध्ययनों में डेटा बिंदुओं को मिलाने की क्षमता के लिए सराहा गया था, वे हानिकारक साबित हुईं। उन्होंने आनुवंशिक जानकारी को इतनी बुरी तरह से विकृत कर दिया कि लिंफोमा के विभिन्न प्रकारों के बीच अंतर करने की क्षमता ही नष्ट हो गई। अध्ययन ने यह भी दिखाया कि दृश्य निरीक्षण या सरल क्लस्टरिंग मैप द्वारा चुने गए सबसे लोकप्रिय तरीके इन भविष्य कहने वाले परीक्षणों में सर्वश्रेष्ठ होने में विफल रहे, जो यह सुझाव देता है कि ग्राफ पर जो अच्छा दिखता है, वह हमेशा वास्तविक दुनिया की उपयोगिता में परिवर्तित नहीं होता है।

शोधकर्ताओं ने निष्कर्ष निकाला कि आनुवंशिक डेटा को सुधारने का कोई सार्वभौमिक "सर्वश्रेष्ठ" तरीका नहीं है। विधि का चुनाव पूरी तरह से लक्ष्य पर निर्भर करता है। यदि लक्ष्य केवल डेटा को एक समान दिखाना है, तो आक्रामक विधियाँ काम कर सकती हैं, लेकिन वे जैविक सत्य को नष्ट करने का जोखिम उठाती हैं। यदि लक्ष्य नए रोगियों में बीमारी की भविष्यवाणी करने वाला मॉडल बनाना है, तो कॉम्बैट जैसी कोमल और विशिष्ट विधियाँ कहीं अधिक श्रेष्ठ हैं। अध्ययन भविष्य के अनुसंधान के लिए एक नया, छह-चरणीय ढांचा प्रस्तावित करता है। यह ढांचा सुझाव देता है कि वैज्ञानिकों को अपने डेटा के निर्णय के लिए केवल एक परीक्षण पर निर्भर नहीं रहना चाहिए। इसके बजाय, उन्हें कई चीजें जाँचनी चाहिए: क्या डेटा अभी भी मूल जीव विज्ञान जैसा दिखता है? क्या विभिन्न बैच एक-दूसरे से सहमत हैं? और सबसे महत्वपूर्ण बात यह है कि क्या साफ किया गया डेटा अभी भी बीमारी की सटीक भविष्यवाणी कर सकता है? इस बहु-स्तरीय दृष्टिकोण का उपयोग करके, शोधकर्ता उस जाल से बच सकते हैं जिसमें एक ऐसा उपकरण चुन लिया जाता है जो कागज पर तो अच्छा दिखता है लेकिन क्लिनिक में विफल हो जाता है, जिससे यह सुनिश्चित होता है कि उनके द्वारा खोजी गई आनुवंशिक अंतर्दृष्टि वास्तविक और विश्वसनीय है।