Can Folding Models Tell Binders from Bluffers? Evidence from POISK: The Patent-Derived Antibody Dataset
यह शोधपत्र POISK को एक बड़े पैमाने के पेटेंट-व्युत्पन्न एंटीबॉडी डेटासेट के रूप में प्रस्तुत करता है, ताकि यह प्रदर्शित किया जा सके कि हालांकि वर्तमान संरचना भविष्यवाणी मॉडल यादृच्छिक चयन की तुलना में बाइंडर पहचान को सांख्यिकीय रूप से समृद्ध कर सकते हैं, लेकिन उनमें एकल-उम्मीदवार स्क्रीनिंग और सटीक एपिटोप स्थानीयकरण के लिए विश्वसनीयता का अभाव है, जिसके लिए ऑर्थोगोनल प्रयोगात्मक विधियों के साथ उनके उपयोग की आवश्यकता 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
रोगों के इलाज की खोज में, वैज्ञानिक अक्सर एंटीबॉडी की ओर मुड़ते हैं, जो शरीर के प्राकृतिक रक्षक हैं और वायरस तथा बैक्टीरिया जैसे हमलावरों का पीछा करते हैं। ये अणु 'Y' आकार के प्रोटीन होते हैं जो एक विशिष्ट लक्ष्य से जुड़कर काम करते हैं, ठीक वैसे ही जैसे एक चाबी ताले में फिट होती है। दशकों तक, एक नए ताले के लिए सही चाबी खोजना प्रयोगशाला में परीक्षण और त्रुटि (ट्रायल एंड एरror) की एक धीमी और महंगी प्रक्रिया रही है। हाल ही में, एक नया उपकरण उभरा है जो इस प्रक्रिया को तेज करने का वादा करता है: कंप्यूटर प्रोग्राम जो केवल उसके रासायनिक कोड को देखकर एक प्रोटीन के त्रि-आयामी (थ्री-डायमेंशनल) आकार की भविष्यवाणी कर सकते हैं। यह आशा रही है कि यदि कोई कंप्यूटर आत्मविश्वास के साथ यह अनुमान लगा सकता है कि एक एंटीबॉडी कैसे मुड़ती है और किसी लक्ष्य को पकड़ती है, तो इसका अर्थ है कि वह एंटीबॉडी वास्तविक दुनिया में वास्तव में काम करेगी। इस विचार ने कई शोधकर्ताओं को इन डिजिटल भविष्यवाणियों का उपयोग एक पहले फिल्टर के रूप में करने के लिए प्रेरित किया है, इस उम्मीद में कि वे सबसे आशाजनक उम्मीदवारों के लिए प्रयोगशाला के काम को छोड़ सकें।
हालाँकि, रोश (Roche) के शोधकर्ताओं का एक नया अध्ययन बताता है कि हालांकि ये डिजिटल उपकरण बेहतर हो रहे हैं, लेकिन वे अभी तक अपने आप पर भरोसा करने के लिए पर्याप्त विश्वसनीय नहीं हैं। डारिया टुपिकिना और ब्रेनन अबनाडेस के नेतृत्व वाली टीम ने एक विशाल, नए डेटासेट के साथ इस धारणा का परीक्षण करने का निर्णय लिया जिसे उन्होंने शून्य से बनाया था। उसी पुराने डेटा का उपयोग करने के बजाय जिस पर कंप्यूटर प्रोग्राम प्रशिक्षित होने की संभावना थी, उन्होंने हजारों पेटेंट दस्तावेजों को खंगाला। पेटेंट कानूनी दस्तावेज हैं जो कंपनियों द्वारा अपने आविष्कारों की सुरक्षा के लिए दायर किए जाते हैं, और उनमें एंटीबॉडी के हजारों वास्तविक उदाहरण होते हैं जिन्हें विशिष्ट लक्ष्यों से जुड़ने के लिए परीक्षित और सिद्ध किया गया है। शोधकर्ताओं ने दस हजार से अधिक पेटेंटों को पढ़ने और एंटीबॉडी इंटरैक्शन के लगभग नब्बे हजार रिकॉर्ड निकालने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग किया। फिर उन्होंने बाईस हजार जोड़ों का एक विशिष्ट सेट तैयार किया, जिसमें ज्ञात बाइंडर्स (जुड़ने वाले) को उन समान दिखने वाली एंटीबॉडी के साथ मिलाया गया जिनसे जुड़ने की उम्मीद नहीं थी, जिससे एक कठोर परीक्षण तैयार हुआ ताकि यह देखा जा सके कि क्या कंप्यूटर मॉडल अंतर कर सकते हैं।
परिणामों ने दिखाया कि सबसे अच्छा प्रदर्शन करने वाला कंप्यूटर मॉडल, जिसे प्रोटेनिक्स-v2 (Protenix-v2) कहा जाता है, पूरे सेट में सतह पर लगभग बहत्तर प्रतिशत समय एक वास्तविक बाइंडर और एक नॉन-बाइंडर के बीच अंतर कर सका। जब शोधकर्ताओं ने केवल उन भविष्यवाणियों को देखा जहाँ कंप्यूटर सबसे अधिक आश्वस्त था, तो सफलता दर बढ़कर सत्तासी प्रतिशत हो गई। यह यादृच्छिक अनुमान (रैंडम गेसिंग) की तुलना में एक महत्वपूर्ण सुधार है, लेकिन यह प्रयोगशाला प्रयोगों को बदलने के लिए आवश्यक स्तर से कम है। एक सिमुलेशन में जहाँ कंप्यूटर को पचास छलावे (डिकोय) के बीच छिपे एकल सही बाइंडर को खोजना था, वहां सर्वश्रेष्ठ मॉडल केवल उनतीस प्रतिशत समय सफल रहा। हालांकि यह संयोग की तुलना में चौदह गुना सुधार है, लेकिन इसका अर्थ यह है कि दस में से सात से अधिक प्रयासों में, कंप्यूटर अभी भी सही उत्तर चूक जाएगा। अध्ययन में यह भी पाया गया कि मॉडल लक्ष्य पर एंटीबॉडी के सटीक जुड़ाव स्थान को पहचानने में बहुत अच्छे नहीं थे, जो केवल लगभग तिरसठ प्रतिशत मामलों में स्थान को सही बता सके।
शायद सबसे आश्चर्यजनक निष्कर्ष यह था कि कंप्यूटर से उच्च आत्मविश्वास स्कोर का मतलब हमेशा यह नहीं होता कि अनुमानित आकार भौतिक रूप से सही है। शोधकर्ताओं ने पाया कि जब कई अलग-अलग कंप्यूटर मॉडल एक एंटीबॉडी-लक्ष्य जोड़ी के लिए एक ही आकार पर सहमत होते हैं, तो इसके वास्तविक बाइंडर होने की संभावना नाटकीय रूप से बढ़ जाती है, जो सबसे कड़े मामलों में निन्यानवे प्रतिशत से अधिक तक पहुँच जाती है। हालांकि, यह सहमति दुर्लभ थी, जो केवल प्रयासों के एक छोटे से अंश में हुई। अध्ययन निष्कर्ष निकालता है कि ये फोल्डिंग मॉडल एक उपयोगी संकेत प्रदान करते हैं जो खोज को सीमित करने में मदद कर सकते हैं, लेकिन वे अभी तक एकमात्र निर्णय लेने वाले नहीं हो सकते। वे एक बड़ी प्रक्रिया के एक चरण के रूप में उपयोग किए जाने के लिए सबसे उपयुक्त हैं, जो अन्य तरीकों के पूरक हों, न कि एक ऐसे जादुई समाधान के रूप में जो तुरंत एक आदर्श दवा उम्मीदवार की पहचान कर सके। शोधकर्ताओं ने अपना नया डेटासेट, जिसे पोइस्क (POISK) नाम दिया गया है, वैज्ञानिक समुदाय के लिए जारी कर दिया है, इस उम्मीद में कि यह दूसरों को भविष्य के लिए बेहतर उपकरण बनाने में मदद करेगा।
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।