scRM: A single-cell foundation model trained on scRNA-seq reads

प्रत्येक जीवित कोशिका के भीतर, जीवन का एक हलचल भरा कारखाना निरंतर कार्य में लगा रहता है, जो निर्देशों को पढ़ता है और प्रोटीन का निर्माण करता है। ये कारखाने कैसे संचालित होते हैं, इसे समझने के लिए वैज्ञानिक लंबे समय से एक ऐसी विधि पर निर्भर रहे हैं जो एक जनगणना करने वाले की तरह कार्य करती है: वे गिनते हैं कि प्रत्येक निर्देश पुस्तिका (instruction manual) की कितनी प्रतियां मौजूद हैं। यह दृष्टिकोण, जो हजारों जीनों के लिए संख्याओं की एक सरल सूची तैयार करता है, वर्षों से व्यक्तिगत कोशिकाओं के अध्ययन के लिए मानक रहा है। हालाँकि, यह जनगणना पद्धति निर्देशों के वास्तविक पाठ (text) को त्याग देती है। यह आपको बताती है कि एक कारखाने ने एक विशिष्ट पुस्तिका की चार प्रतियां बनाईं, लेकिन यह उन पृष्ठों को ही खो देती है कि कैसे उन पृष्ठों को संपादित किया गया, उन्हें कहाँ से काटा गया, या क्या उनमें कोई त्रुटि थी। दशकों तक, शोधकर्ताओं ने इस विवरण के नुकसान को एक साथ हजारों कोशिकाओं का अध्ययन करने की क्षमता की कीमत के रूप में स्वीकार कर लिया, यह मानते हुए कि आनुवंशिक कोड का कच्चा पाठ (raw text) सीधे विश्लेषण करने के लिए बहुत जटिल और अव्यवस्थित था।

Altos Labs और यूनिवर्सिटी ऑफ मैरीलैंड के शोधकर्ताओं की एक टीम ने अब इस लंबे समय से चली आ रही धारणा को चुनौती दी है। उन्होंने एक नए प्रकार का आर्टिफिशियल इंटेलिजेंस बनाया है जो गिनती के चरण को पूरी तरह से छोड़ देता है। संख्याओं की सूची देखने के बजाय, उन्होंने कंप्यूटर को स्वयं कच्चा आनुवंशिक पाठ खिलाया—A, C, G, और T अक्षरों के वे वास्तविक अनुक्रम (sequences) जो कोशिका के भीतर RNA अणुओं का निर्माण करते हैं। यह नया मॉडल, जिसे वे scRM कहते हैं, सीधे अप्राशित डेटा से सीखता है, ठीक वैसे ही जैसे एक छात्र मूल पुस्तकों को पढ़ने के बजाय उनके सारांश से भाषा सीखता है। शोधकर्ताओं ने पाया कि यह दृष्टिकोण न केवल काम करता है, बल्कि यह मॉडल को कोशिका की गतिविधि को विवरण के उस स्तर के साथ समझने की अनुमति देता है जो पहले असंभव था, और वह भी पुराने तरीकों की तुलना में बहुत कम कंप्यूटिंग शक्ति का उपयोग करके।

इस सफलता का मुख्य आधार यह है कि डेटा को कैसे तैयार किया जाता है। एक विशिष्ट प्रयोग में, वैज्ञानिक हजारों व्यक्तिगत कोशिकाओं से आनुवंशिक सामग्री एकत्र करते हैं। कच्चा आउटपुट पाठ के छोटे टुकड़ों का एक विशाल प्रवाह होता है, जिनमें से प्रत्येक को यह पहचानने के लिए एक अद्वितीय कोड दिया जाता है कि वह किस कोशिका से आया है। पारंपरिक रूप से, कंप्यूटर पहले प्रत्येक टुकड़े को एक संदर्भ जीनोम (reference genome) से मिलाने का प्रयास करते हैं, जो एक धीमी प्रक्रिया है और जिसके लिए जीव के जीनों का एक पूर्व-मौजूद मानचित्र आवश्यक होता है। नया ढांचा इस पूरी प्रक्रिया को दरकिनख्त कर देता है। यह कच्चे टुकड़ों को लेता है, उन्हें सेल टैग द्वारा समूहित करता है, और उन्हें पाठ के लंबे, सुसंगत टुकड़ों में जोड़ता है जिन्हें 'कॉन्टिग्स' (contigs) कहा जाता है। ये कॉन्टिग्स कोशिका में पाए जाने वाले वास्तविक mRNA अणुओं का प्रतिनिधित्व करते हैं, जो सटीक अनुक्रम और इस बात के किसी भी बदलाव को सुरक्षित रखते हैं कि जीनों को कैसे स्प्लिस (splice) किया गया था। इस असेंबल किए गए पाठ को सीधे AI मॉडल में फीड किया जाता है, जो आनुवंशिक कोड को केवल गिनने वाली सूची के रूप में नहीं, बल्कि समझने योग्य एक भाषा के रूप में मानता है।

उनके द्वारा बनाया गया मॉडल, scRM, आश्चर्यजनक रूप से छोटा है। इसमें केवल 1.2 मिलियन समायोज्य सेटिंग्स हैं, जिन्हें पैरामीटर कहा जाता है। इसे समझने के लिए, इस क्षेत्र के अन्य अग्रणी मॉडल अक्सर सैकड़ों गुना बड़े होते हैं, जिनमें करोड़ों पैरामीटर होते हैं, और उन्हें करोड़ों कोशिकाओं पर प्रशिक्षित किया जाता है। इसके विपरीत, शोधकर्ताओं ने अपने मॉडल को चूहों के न्यूरॉन्स की केवल 3,000 कोशिकाओं पर प्रशिक्षित किया, एक ऐसी प्रक्रिया जिसमें एक उच्च-स्तरीय कंप्यूटर चिप पर केवल एक घंटा लगा। अपने छोटे आकार और सीमित प्रशिक्षण डेटा के बावजूद, मॉडल ने उल्लेखनीय प्रदर्शन किया। जब सेल प्रकारों की पहचान करने या आनुवंशिक परिवर्तनों के प्रति कोशिकाओं की प्रतिक्रिया का अनुमान लगाने जैसे कार्यों पर परीक्षण किया गया, तो इसने विशाल, डेटा-भूखे मॉडलों के प्रदर्शन की बराबरी की। इसने मनुष्यों, मक्खियों और चूहों जैसे उन प्रजातियों में भी सेल प्रकारों की सही पहचान करने में सफलता प्राप्त की, जिन्हें इसने पहले कभी नहीं देखा था, क्योंकि इसने जीन के विशिष्ट नामों की सूची को रटने के बजाय आनुवंशिक कोड की सार्वभौमिक भाषा को सीखा था।

इस दृष्टिकोण की वास्तविक शक्ति तब स्पष्ट हुई जब शोधकर्ताओं ने देखा कि कोशिकाएं विशिष्ट आनुवंशिक व्यवधानों के प्रति कैसे प्रतिक्रिया करती हैं। कुछ मामलों में, एक कोशिका अपने आनुवंशिक निर्देशों को जोड़ने के तरीके को बदल सकती है, जिससे प्रोटीन का एक थोड़ा अलग संस्करण बनता है। पुराने गणनात्मक तरीके, जो केवल निर्देशों की कुल संख्या देखते हैं, इन सूक्ष्म संरचनात्मक परिवर्तनों का पता नहीं लगा सकते। चूंकि scRM वास्तविक अनुक्रम को पढ़ता है, इसलिए यह इन अंतरों को पहचान सकता है। उन प्रयोगों में जहाँ कोशिकाओं को उनके जीनों के स्प्लिसिंग के तरीके को बदलने के लिए परिवर्तित किया गया था, नए मॉडल ने मौजूदा बड़े पैमाने के मॉडलों की तुलना में अधिक सटीकता से परिवर्तनों का पता लगाया। यह सुझाव देता है कि आनुवंशिक कोड के कच्चे पाठ में कोशिकीय कार्य के बारे में सूचनाओं का एक खजाना होता है जो डेटा को सरल गणनाओं में बदलने पर खो जाता है।

यह कार्य जैविक अनुसंधान के लिए एक नया द्वार खोलता है। यह सिद्ध करके कि मॉडल को सीधे अनुक्रमण रीड्स (sequencing reads) पर प्रशिक्षित किया जा सकता है, शोधकर्ताओं ने दिखाया है कि बिना किसी पूर्व-मौजूद मानचित्र के शक्तिशाली उपकरण बनाना संभव है। यह वायरस, बैक्टीरिया या दुर्लभ जीवों के अध्ययन के लिए विशेष रूप से महत्वपूर्ण है जिनके पास अच्छी तरह से मैप किए गए जीनोम नहीं हैं। यह ढांचा इतना कुशल है कि यह वैज्ञानिकों को बड़े, सार्वजनिक संग्रहों पर प्रशिक्षित सामान्य मॉडलों पर निर्भर रहने के बजाय, अपने स्वयं के विशिष्ट डेटासेट पर कस्टम मॉडल प्रशिक्षित करने की अनुमति दे सकता है। हालांकि वर्तमान मॉडल एक 'प्रूफ ऑफ कॉन्सेप्ट' है, शोधकर्ताओं का मानना है कि इस दृष्टिकोण को व्यापक बनाने से कोशिकाओं के कार्य की गहरी समझ विकसित हो सकती है, जो जीन गतिविधि के उन विवरणों को प्रकट कर सकती है जो सरल गणना विधियों के पर्दे के पीछे छिपे रहे हैं। यह अध्ययन प्रदर्शित करता है कि कभी-कभी, जीवन की कहानी को समझने के लिए, आपको मूल पाठ को पढ़ना चाहिए, न कि केवल उसके सारांश को।