Scale-resolved correlation functions unify spatial omics across platforms and resolutions
यह शोध पत्र SCOTE को प्रस्तुत करता है, जो एक स्केलेबल कम्प्यूटेशनल फ्रेमवर्क है जो सभी लंबाई के पैमानों (length scales) पर स्थानिक सहसंबंधों (spatial correlations) को परिमाणित करके विविध प्लेटफॉर्म और रिज़ॉल्यूशन के बीच स्थानिक ओमिक्स विश्लेषण को एकीकृत करता है, जिससे जैविक संकेतों को प्लेटफॉर्म-विशिष्ट आर्टिफ़ेक्ट्स से अलग किया जा सके और विशाल डेटासेट के कुशल, उच्च-थ्रूपुट प्रसंस्करण को सक्षम बनाया जा सके।
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
एक हलचल भरे शहर के लेआउट को समझने की कल्पना करें। आप हर सड़क के कोने पर खड़े लोगों को गिन सकते हैं, आप उन्हें मोहल्लों में समूहबद्ध कर सकते हैं, या आप बस यह नोट कर सकते हैं कि एक विशिष्ट क्षण में प्रत्येक व्यक्ति कहाँ खड़ा है। स्थानिक जीव विज्ञान (spatial biology) के क्षेत्र में, वैज्ञानिक कुछ ऐसा ही कर रहे हैं, लेकिन एक शहर के बजाय, वे जीवित ऊतकों (living tissue) के भीतर का मानचित्रण कर रहे हैं। वर्षों से, शोधकर्ताओं ने इन मानचित्रों को बनाने के लिए विभिन्न उपकरणों का उपयोग किया है। कुछ उपकरण उच्च-रिज़ॉल्यूशन वाले कैमरों की तरह कार्य करते हैं, जो कोशिकाओं के भीतर तैरते आनुवंशिक सामग्री के व्यक्तिगत अणुओं की तस्वीरें खींचते हैं। अन्य उपकरणों का कार्य बर्तनों के ग्रिड की तरह है, जो यह पकड़ते और गिनते हैं कि कितने अणु प्रत्येक वर्ग में लैंड करते हैं। समस्या यह है कि ये उपकरण अलग-अलग भाषाएँ बोलते हैं। एक कैमरे द्वारा बनाया गया मानचित्र आसानी से दूसरे कैमरे द्वारा बनाए गए मानचित्र से, या एक ग्रिड-आधारित गणना से, तुलना नहीं किया जा सकता है, क्योंकि डेटा का विश्लेषण करने के तरीके प्रत्येक उपकरण के लिए विशेष रूप से निर्मित होते हैं। इसने बड़े चित्र को देखने या ऊतकों के संगठन के बारे में सार्वभौमिक सत्य खोजने के लिए विभिन्न अध्ययनों के परिणामों को संयोजित करने में कठिनाई पैदा की है।
जीन सेंटर म्यूनिख के शोधकर्ताओं की एक टीम ने इन मानचित्रों को देखने का एक नया तरीका विकसित किया है जो एक एकल, सामान्य भाषा बोलता है। उन्होंने एक कम्प्यूटेशनल फ्रेमवर्क बनाया जिसे SCOTE कहा जाता है, जिसका अर्थ है 'स्पेशियल कोवेरिएंस टेंसर' (Spatial COvariance TEnsors)। पूर्व-निर्धारित बक्सों में डेटा को जबरदस्ती डालने या कोशिका सीमाओं के बारे में अपूर्ण अनुमानों पर भरोसा करने के बजाय, यह विधि मापती है कि कोई भी दो प्रकार के अणु हर संभावित दूरी पर कितनी बार एक-दूसरे के पास दिखाई देते हैं। यह एक सरल प्रश्न पूछता है: यदि आप प्रकार A के एक अणु को चुनते हैं, तो इस बात की कितनी संभावना है कि आपको एक माइक्रोमीटर, दस माइक्रोमीटर, या एक मिलीमीटर की दूरी पर प्रकार B का एक अणु मिलेगा? प्रत्येक जीन के जोड़े के लिए और प्रत्येक पैमाने पर (एक एकल अणु के आकार से लेकर एक पूरे अंग के आकार तक) इस संबंध की गणना करके, शोधकर्ताओं ने पाया कि ऊतक संगठन के अंतर्निहित पैटर्न वास्तव में एक जैसे हैं, चाहे डेटा को कैप्चर करने के लिए किस भी मशीन का उपयोग किया गया हो।
इस दृष्टिकोण की शक्ति डेटा को स्वयं मशीनों द्वारा उत्पन्न शोर (noise) से मुक्त करने की क्षमता में निहित है। जब शोधकर्ताओं ने दो अलग-अलग हाई-टेक प्लेटफॉर्मों के साथ लिए गए कोलोरेक्टल कैंसर ऊतक के मानचित्रों की तुलना की—एक जो व्यक्तिगत अणुओं को ट्रैक करता है और दूसरा जो उन्हें छोटे वर्गों में गिनता है—तो उन्होंने पाया कि जीनों के बीच परस्पर क्रिया के पैटर्न लगभग समान थे। दोनों मशीनें जीनों के बीच स्थानिक संबंधों पर लगभग 90 प्रतिशत के सहसंबंध (correlation) के साथ सहमत थीं, जो कि विभिन्न रोगियों के बीच देखे गए अंतरों की तुलना में बहुत अधिक स्तर का समझौता था। यह सुझाव देता है कि कोशिकाएं कैसे व्यवस्थित होती हैं, इसकी जैविक वास्तविकता मजबूत है और इसे लगातार मापा जा सकता है, बशर्ते विश्लेषण विधि सही हो। अध्ययन ने यह भी दिखाया कि मशीनों के बीच के अंतर यादृच्छिक त्रुटियां नहीं थीं बल्कि विशिष्ट, पहचानने योग्य पैमानों तक सीमित थीं। उदाहरण के लिए, एक मशीन उन अणुओं को देखने में संघर्ष करती थी जो एक-दूसरे के बहुत करीब थे, जबकि दूसरी मशीन ने दुर्लभ सेल प्रकारों से संकेतों को मिस कर दिया क्योंकि वह पहले कोशिकाओं में अणुओं को समूहीकृत करने पर निर्भर थी। इन पैटर्नों को सीधे मापकर, नया तरीका इन मशीन-विशिष्ट विचित्रताओं को पहचान सकता था और उन्हें छिपे हुए पूर्वाग्रहों के बजाय ज्ञात विशेषताओं के रूप में मान सकता था।
सबसे आश्चर्यजनक निष्कर्षों में से एक यह था कि व्यक्तिगत अणुओं को देखने से ऐसे जैविक परिवर्तन प्रकट हुए जो पूरी तरह से अदृश्य थे जब वैज्ञानिक केवल पूर्ण कोशिकाओं को देखते थे। चूहों के प्लीहा (spleen) के एक अध्ययन में, शोधकर्ताओं ने एक आनुवंशिक परिवर्तन की जांच की जो प्रतिरक्षा कोशिकाओं (immune cells) के संगठन को बाधित करता है। जब उन्होंने डेटा का विश्लेषण पहले अणुओं को कोशिकाओं में समूहीकृत करके किया, तो आनुवंशिक परिवर्तन का कोई प्रभाव पड़ता हुआ प्रतीत नहीं हुआ। हालांकि, जब उन्होंने अणुओं की कच्ची स्थितियों (raw positions) को देखा, तो एक स्पष्ट संकेत उभरा: आनुवंशिक रूप से परिवर्तित चूहों में प्रतिरक्षा कोशिकाएं सामान्य चूहों की तुलना में एक-दूसरे से बहुत अधिक मजबूती से बच रही थीं। यह सूक्ष्म बदलाव, जो एक एकल कोशिका के आकार से भी छोटे पैमाने पर हुआ था, पारंपरिक तरीकों द्वारा मिस कर दिया गया था जो कोशिका सीमाओं पर निर्भर करते हैं। नए दृष्टिकोण ने दिखाया कि जैविक संकेत वहीं मौजूद था, लेकिन यह कोशिकाओं में समूहों को बनाने के चरण द्वारा छिपा दिया गया था, जो कि एक ऐसा चरण है जो अक्सर त्रुटियां पैदा करता है क्योंकि पड़ोसी कोशिकाओं से अणु एक-दूसरे में मिल सकते हैं।
शोधकर्ताओं ने इस प्रश्न को भी संबोधित किया कि एक विश्वसनीय उत्तर प्राप्त करने के लिए वास्तव में कितने डेटा की आवश्यकता है। इस क्षेत्र में एक सामान्य धारणा है कि गहन अनुक्रमण (sequencing deeper)—यानी, एक ही ऊतक के टुकड़े में अधिक अणु खोजना—हमेशा बेहतर परिणाम देगा। अध्ययन ने सिद्ध किया कि यह आवश्यक रूप से सच नहीं है। उन्होंने पाया कि माप की सटीकता इस बात पर बहुत अधिक निर्भर करती है कि जांचे जा रहे ऊतक का कुल क्षेत्रफल कितना है और लिए गए अलग-अलग ऊतक नमूनों की संख्या कितनी है, न कि एक ही नमूने में गिने गए अणुओं की कुल संख्या पर। ऊतक के एक छोटे टुकड़े में अणुओं की संख्या को दोगुना करने से त्रुटि में महत्वपूर्ण कमी नहीं आई, जबकि एक बड़े क्षेत्र को देखने या अधिक नमूने जोड़ने से ऐसा हुआ। यह अंतर्दृष्टि भविष्य के प्रयोगों के लिए एक स्पष्ट मार्गदर्शिका प्रदान करती है: ऊतक संगठन को समझने के लिए, एक छोटे स्थान में प्रत्येक अणु को गिनने की कोशिश करने के बजाय बजट को अधिक ऊतक क्षेत्र और अधिक नमूनों में फैलाना बेहतर है।
अंत में, टीम ने प्रदर्शित किया कि यह विधि आधुनिक तकनीक द्वारा उत्पन्न भारी मात्रा में डेटा को संभालने के लिए पर्याप्त तेज़ है। उन्होंने एक सिंगल ग्राफिक्स कार्ड पर विश्लेषण चलाया, जो कि एक प्रकार का कंप्यूटर चिप है जिसका उपयोग अक्सर वीडियो गेम के लिए किया जाता है, और केवल 26 मिनट में एक बिलियन से अधिक अणुओं वाले ऊतक के खंड को प्रोसेस किया। यह गति संपूर्ण जीनोम को पूरे ऊतक खंडों में विश्लेषित करना संभव बनाती है, एक ऐसा कार्य जिसे पुराने तरीकों के साथ करने में सप्ताह या महीने लग जाते। परिणाम स्थानिक जीव विज्ञान का एक एकीकृत दृश्य है जहां विभिन्न मशीनों, विभिन्न रिज़ॉल्यूशन और विभिन्न रोगियों के डेटा की सीधे तुलना की जा सकती है। अणुओं के बीच के संबंधों पर ध्यान केंद्रित करके, शोधकर्ताओं ने जीवित ऊतक की वास्तविक वास्तुकला को देखने का एक तरीका प्रदान किया है, जो इसे मापने के लिए उपयोग किए जाने वाले उपकरणों के शोर से जैविक संकेत को अलग करता 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।