GLOM TGITO: multiscale protein modelling and multiview landscape-guided sequence discovery

प्रोटीन इंजीनियरिंग जीवन के जैविक कोड को फिर से लिखने की एक कला है ताकि ऐसे अणु बनाए जा सकें जो नए कार्य कर सकें। इस क्षेत्र के केंद्र में एक सरल लेकिन कठिन चुनौती है: वैज्ञानिकों के पास प्रोटीन अनुक्रमों (sequences) का एक विशाल पुस्तकालय है, लेकिन वे प्रयोगशाला में उनमें से केवल एक बहुत छोटे हिस्से का ही परीक्षण कर सकते हैं। लक्ष्य संभावनाओं के उस विशाल समुद्र के भीतर छिपे दुर्लभ, उच्च-प्रदर्शन वाले वेरिएंट्स को खोजना है, बिना हर एक को बनाने और मापने के। इसे करने के लिए, शोधकर्ता कंप्यूटर मॉडल का उपयोग करते हैं जो उनके पास मौजूद कुछ मापे गए उदाहरणों से सीखते हैं। ये मॉडल यह अनुमान लगाने की कोशिश करते हैं कि प्रोटीन के अनुक्रम में बदलाव उसके कार्य को कैसे प्रभावित करेगा, जैसे कि एक फ्लोरोसेंट प्रोटीन कितनी चमक से चमकेगा। हालाँकि, एक बड़ी समस्या मौजूद है: ये मॉडल अक्सर अति-आत्मविश्वासी (overconfident) हो जाते हैं। वे भविष्यवाणी कर सकते हैं कि एक पूरी तरह से नया, अनपरीक्षित अनुक्रम शानदार होगा, केवल इसलिए क्योंकि वह उन चमकीले अनुक्रमों के समान दिखता है जिन्हें उन्होंने पहले देखा है, भले ही मॉडल के पास उस दावे का समर्थन करने के लिए कोई वास्तविक प्रमाण न हो। इससे उन अनुक्रमों के पीछे भागने में मेहनत बर्बाद होती है जो कंप्यूटर स्क्रीन पर तो अच्छे दिखते हैं लेकिन वास्तविक दुनिया में विफल हो जाते हैं।

शोधकर्ताओं के एक दल ने इस विशिष्ट समस्या को हल करने के लिए GLOM–TGITO नामक एक नया दृष्टिकोण विकसित किया है। प्रोटीन के एकल, कठोर दृष्टिकोण पर निर्भर रहने के बजाय, उनका सिस्टम प्रोटीन की संरचना और व्यवहार का एक बहु-स्तरीय मानचित्र (multi-layered map) बनाता है। कल्पना कीजिए कि आप एक परिदृश्य (landscape) को न केवल उपग्रह से, बल्कि एक ड्रोन, एक पहाड़ी की चोटी और सड़क स्तर के दृश्य से भी एक साथ देख रहे हैं। शोधकर्ताओं का मॉडल कुछ ऐसा ही करता है—यह तीन अलग-अलग पैमानों पर प्रोटीन का विश्लेषण करता है: पूरे अणु के रूप में, अणु के विशिष्ट क्षेत्रों के रूप में, और उन व्यक्तिगत प्रमुख स्थानों के रूप में जहाँ परिवर्तन महत्वपूर्ण होते हैं। इन विभिन्न दृष्टिकोणों को जोड़कर, सिस्टम प्रोटीन के प्रदर्शन के "परिदृश्य" को अधिक स्पष्ट रूप से देख सकता है। यह प्रोटीन के प्रदर्शन के विस्तृत मानचित्र का उपयोग अपनी खोज को निर्देशित करने के लिए करता है, यह सुनिश्चित करते हुए कि जब वह एक नया, अधिक चमकीला प्रोटीन प्रस्तावित करता है, तो वह अंधेरे अनुमान के बजाय ठोस, स्थानीय साक्ष्य के आधार पर ऐसा कर रहा है।

शोधकर्ताओं ने इस पद्धति का परीक्षण ppluGFP2 नामक एक फ्लोरोसेंट प्रोटीन के 31,000 से अधिक मापे गए संस्करणों के डेटासेट पर किया। उन्होंने अपने मॉडल को इन प्रोटीनों की चमक की भविष्यवाणी करने के लिए उनके जेनेटिक अनुक्रमों के आधार पर प्रशिक्षित किया। जब उन्होंने अपने नए सिस्टम की तुलना सबसे मजबूत मौजूदा तरीकों से की, तो परिणाम आश्चर्यजनक थे। नए मॉडल ने काफी कम भविष्यवाणी त्रुटियाँ कीं। इससे भी महत्वपूर्ण बात यह है कि जब उन्होंने शीर्ष 100 सबसे चमकीले नए उम्मीदवारों की खोज के लिए मॉडल का उपयोग किया, तो लगभग सभी—एक परीक्षण में 96.3% और दूसरे में 97.3%—प्रयोगशाला में मापने पर वास्तव में चमकीले पाए गए। इसके विपरीत, सबसे अच्छे प्रतिस्पर्धी तरीकों ने अपने शीर्ष चयन में से केवल आधे के आसपास ही चमकीले प्रोटीन खोज पाए। यह सुझाव देता है कि नया सिस्टम वास्तव में आशाजनक और उन अनुक्रमों के बीच अंतर करने में बहुत बेहतर है जो केवल एक भ्रमित कंप्यूटर को आशाजनक दिखते हैं।

इस प्रणाली की शक्ति इस बात में निहित है कि यह अनिश्चितता को कैसे संभालती है। जैसे-जैसे कंप्यूटर बेहतर प्रोटीन की खोज करता है, वह लगातार अपने स्वयं के आत्मविश्वास की जांच करता है। वह पूछता है: "क्या मेरे पास पास में पर्याप्त वास्तविक डेटा है कि मैं इस भविष्यवाणी पर भरोसा कर सकूँ?" यदि मॉडल ऐसे क्षेत्र में प्रवेश कर रहा है जहाँ उसे बहुत कम प्रयोगात्मक समर्थन प्राप्त है, तो वह सतर्क हो जाता है। यह प्रोटीन परिदृश्य के विभिन्न दृश्यों को तौलने के लिए एक गतिशील गेट (dynamic gate) का उपयोग करता है, और उन दृश्यों को प्राथमिकता देता है जो वास्तविक मापों द्वारा समर्थित हैं। इस प्रक्रिया ने शोधकर्ताओं को उनकी खोज से 2,594 विशिष्ट उम्मीदवार अनुक्रम खोजने में सक्षम बनाया। जब उन्होंने इन्हें शीर्ष 100 तक फ़िल्टर किया, तो चयनित प्रोटीन न केवल चमकीले होने के रूप में अनुमानित थे, बल्कि उनमें ज्ञात प्रशिक्षण डेटा से बहुत कम "विचलन" (deviation) भी था। सरल शब्दों में, ये नए प्रोटीन इतने नए थे कि वे दिलचस्प थे, लेकिन इतने करीब भी थे कि मॉडल उन्हें विश्वसनीय मान सके। इस संतुलन ने उन्हें 38 ऐसे उम्मीदवार खोजने में मदद की जो नए और भरोसेमंद दोनों थे, जो अन्य तरीकों द्वारा उत्पादित संख्या से दोगुने से भी अधिक है।

ये नए प्रोटीन क्यों काम कर रहे थे, इसे समझने के लिए शोधकर्ताओं ने उनके भौतिक व्यवहार के विस्तृत कंप्यूटर सिमुलेशन चलाए। उन्होंने देखा कि प्रोटीन कैसे चलते हैं और उनकी सतह पानी के साथ कैसे परस्पर क्रिया करती है। उन्होंने पाया कि कई सफल डिजाइनों में उनकी सतह पर छोटे, कम चिपचिपे पैच (patches) थे। प्रोटीनों की दुनिया में, एक कम चिपचिपी सतह होने से अक्सर अणु को सही ढंग से फोल्ड होने और आपस में गुच्छे बनाने से बचने में मदद मिलती है, जो चमकने के लिए आवश्यक है। सतह से परे, सिमुलेशन ने प्रोटीन के कोर के भीतर गहरे बदलावों का भी खुलासा किया, जो उस हिस्से के पास है जो वास्तव में प्रकाश उत्सर्जित करता है। कुछ शीर्ष डिजाइनों में, आंतरिक संरचना प्रकाश उत्सर्जक भाग को अधिक मजबूती से थामे रखती है, जिससे उसका डगमगाना (wobble) कम हो जाता है। दूसरों में, प्रकाश उत्सर्ज वाले भाग को स्थिर रखने वाले रासायनिक बंधन अधिक स्थिर थे। इन भौतिक परिवर्तनों ने एक स्पष्ट व्याख्या प्रदान की कि कंप्यूटर के चुनाव क्यों सफल रहे: नए अनुक्रमों ने प्रकाश चमकने के लिए एक अधिक स्थिर वातावरण बनाया।

यह कार्य यह प्रदर्शित करता है कि प्रोटीन के विस्तृत, बहु-स्तरीय दृष्टिकोण को सावधानीपूर्वक स्थानीय साक्ष्य की जाँच के साथ जोड़ना बेहतर जैविक उपकरणों की खोज में नाटकीय रूप से सुधार कर सकता है। शोधकर्ताओं ने न केवल चमकीले प्रोटीन खोजे; उन्होंने उन्हें विश्वास के साथ खोजने का एक तरीका भी खोजा। यह सुनिश्चित करके कि प्रत्येक नया सुझाव ठोस स्थानीय समझ द्वारा समर्थित है, उन्होंने अति-आत्मविश्वास के उस जाल से बचने में सफलता पाई जिसने पिछले प्रयासों को बाधित किया था। परिणाम एक ऐसा पाइपलाइन है जो वास्तव में कार्यात्मक, चमकीले फ्लोरोसेंट प्रोटीन का उच्च उत्पादन करता है, जो अगली पीढ़ी के जैविक सेंसर और उपकरणों को डिजाइन करने के लिए एक अधिक विश्वसनीय मार्ग प्रदान करता है। यह अध्ययन पुष्टि करता है कि जब हम कंप्यूटर को प्रोटीनों को कई कोणों से देखना और अपने ज्ञान की सीमाओं का सम्मान करना सिखाते हैं, तो हम उन नई जैविक कार्यात्मकताओं की खोज कर सकते हैं जो पहले पहुंच से बाहर थीं।