← नवीनतम पेपर
🧬 आनुवंशिकी

De novo Protein Generating Model via Structure-Aware Graph Neural Networks

यह शोध पत्र एक संरचना-जागरूक ग्राफ न्यूरल नेटवर्क प्रस्तुत करता है जो अनुक्रम रिकवरी (sequence recovery) के बजाय 3D संरचनात्मक सटीकता के लिए अनुकूलित है, यह प्रदर्शित करते हुए कि 'डी नोवो' प्रोटीन निर्माण प्रत्यक्ष अनुक्रम पर्यवेक्षण के बिना भी अग्रणी अनुक्रम-केंद्रित विधियों के समान संरचनात्मक परिशुद्धता प्राप्त कर सकता है।

मूल लेखक: Gammill, C. M., Tamil, L.

प्रकाशित 2026-10-28
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Gammill, C. M., Tamil, L.

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

दशकों से, जीवविज्ञानी इस बात को समझते आए हैं कि एक प्रोटीन का कार्य उसके आकार द्वारा निर्धारित होता है। एक प्रोटीन अमीनो एसिड नामक बिल्डिंग ब्लॉक्स की एक लंबी श्रृंखला है, और इन ब्लॉक्स का विशिष्ट क्रम ही यह निर्धारित करता है कि वह श्रृंखला कैसे एक जटिल, त्रि-आयामी संरचना में मुड़ती है। यह फोल्डिंग (folding) प्रक्रिया इतनी सटीक होती है कि अनुक्रम (sequence) में एक मामूली बदलाव भी पूरी संरचना को ढहा सकता है या उसे काम करने से रोक सकता है। लंबे समय तक, वैज्ञानिक चुनौती यह थी कि किसी दिए गए अनुक्रम से क्या आकार बनेगा, इसका पूर्वानुमान कैसे लगाया जाए। हालाँकि, एक अधिक कठिन और समान रूप से महत्वपूर्ण प्रश्न उभरा है: यदि आप एक वांछित आकार से शुरुआत करते हैं, तो क्या आप पीछे की ओर काम करके अमीनो एसिड के उस विशिष्ट अनुक्रम को खोज सकते हैं जो उस आकार में मुड़ेगा? यह रिवर्स इंजीनियरिंग, जिसे 'इनवर्स प्रोटीन डिजाइन' कहा जाता है, शून्य से नई दवाओं और सामग्रियों को बनाने की कुंजी है, लेकिन यह पारंपरिक रूप से एक सख्त नियम पर निर्भर रही है: नया अनुक्रम प्रकृति में पाए जाने वाले अनुक्रमों के समान होना चाहिए।

टेक्सास विश्वविद्यालय de Dallas के शोधकर्ताओं की एक टीम ने इस नियम को चुनौती दी है। उन्होंने एक नया कंप्यूटर मॉडल विकसित किया है जिसे ऐसे प्रोटीन अनुक्रम बनाने के लिए डिज़ाइन किया गया है जो किसी प्राकृतिक प्रोटीन की नकल किए बिना एक विशिष्ट आकार में मुड़ सकें। उनका दृष्टिकोण, जो एक हालिया अध्ययन में विस्तृत है, यह सुझाव देता है कि एक सही आकार का मार्ग अद्वितीय नहीं है और एक मॉडल प्राकृतिक प्रोटीन के अनुक्रम को पूरी तरह से अनदेखा करते हुए सीधे संरचनाओं का निर्माण करना सीख सकता है। अपने सिस्टम को केवल अंतिम 3D रूप पर ध्यान केंद्रित करने के लिए प्रशिक्षित करके, उन्होंने ऐसे परिणाम प्राप्त किए जो प्रकृति की नकल करने पर केंद्रित अग्रणी विधियों के समान ही सटीक थे, जिससे यह सिद्ध हुआ कि एक प्रोटीन को काम करने के लिए प्राकृतिक जैसा दिखने की आवश्यकता नहीं है।

शोधकर्ताओं ने अपने मॉडल का निर्माण एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके किया जिसे 'ग्राफ न्यूरल नेटवर्क' कहा जाता है। इस प्रणाली में, प्रोटीन को अक्षरों की एक साधारण सूची के रूप में नहीं, बल्कि रेखाओं से जुड़े बिंदुओं के एक मानचित्र के रूप में देखा जाता है। प्रत्येक बिंदु प्रोटीन के बैकबोन (backbone) के एक हिस्से का प्रतिनिधित्व करता है, और रेखाएं अंतरिक्ष में निकटतम पड़ोसियों को जोड़ती हैं। मॉडल एक लक्षित आकार के निर्देशांकों (coordinates) को अपने इनपुट के रूप में लेता है और अनुमान लगाना शुरू करता है कि प्रत्येक बिंदु पर कौन से अमीनो एसिड होने चाहिए। मुख्य नवाचार यह है कि मॉडल कैसे सीखता है। यह सुनकर कि, "आपने गलत अक्षर चुना है, फिर से प्रयास करें," के बजाय, मॉडल को वह आकार दिखाया जाता है जो उसका अनुमानित अनुक्रम बनाएगा। यह अपने अनुमानित अनुक्रम को 3D संरचना में मोड़ने के लिए एक शक्तिशाली, पूर्व-मौजूद टूल का उपयोग करता है और फिर उस परिणाम की तुलना लक्षित आकार से करता है। यदि आकार मेल नहीं खाते हैं, तो मॉडल अपने अनुमानों को समायोजित करता है ताकि अंतर को कम किया जा सके। यह प्रक्रिया मॉडल को प्रोटीन की ज्यामिति (geometry) से सीधे सीखने की अनुमति देती है, जिससे प्रकृति में पाए जाने वाले मूल अमीनो एसिड अनुक्रमों को याद करने या उनकी नकल करने की आवश्यकता समाप्त हो जाती है।

इस विचार का परीक्षण करने के लिए, शोधकर्ताओं ने अपने मॉडल को सार्वजनिक डेटाबेस से प्रोटीन संरचनाओं के एक विशाल संग्रह पर प्रशिक्षित किया, जिसमें विविधता सुनिश्चित करने के लिए उन्हें छोटे, समान टुकड़ों में काट दिया गया था। फिर उन्होंने अपने मॉडल को उन 224 विशिष्ट प्रोटीन आकारों के लिए अनुक्रम डिजाइन करने के लिए कहा जिन्हें उसने पहले कभी नहीं देखा था। प्रत्येक आकार के लिए, मॉडल ने एक अनुक्रम तैयार किया, जिसे फिर यह देखने के लिए उसी प्रेडिक्शन टूल द्वारा मोड़ा गया कि वह लक्ष्य से कितनी अच्छी तरह मेल खाता है। परिणाम आश्चर्यजनक थे। मॉडल ने ऐसे अनुक्रमों का उत्पादन किया जो एक ऐसी सटीकता के साथ संरचनाओं में मुड़े जो ProteinMPNN (एक अत्यधिक सम्मानित विधि जो मूल प्राकृतिक अनुक्रम को पुनः प्राप्त करने पर ध्यान केंद्रित करती है) के सांख्यिकीय रूप से अभिन्न (indistinguishable) थे। जबकि नए मॉडल के अनुक्रम प्राकृतिक वाले से बहुत अलग थे, उनके द्वारा बनाई गई आकृतियाँ लक्ष्य के लगभग समान थीं।

अध्ययन में पाया गया कि नए मॉडल ने संरचनात्मक सटीकता हासिल की जो उद्योग मानक के बराबर थी, भले ही इसने मूल अमीनो एसिड अनुक्रम को 30 प्रतिशत से भी कम बार पुनः प्राप्त किया, जबकि पारंपरिक विधि के लिए यह लगभग 31 प्रतिशत था। इस अनुक्रम रिकवरी के अंतर ने संरचनात्मक परिणाम को प्रभावित नहीं किया। शोधकर्ताओं ने देखा कि कई लक्षित आकारों के लिए, ऐसे कई अलग-अलग अनुक्रम थे जो एक ही फोल्ड बना सकते थे। कुछ मामलों में, नए मॉडल ने प्रोटीन के विशिष्ट हिस्सों पर प्राकृतिक अनुक्रम या पारंपरिक विधि से भी बेहतर प्रदर्शन किया, जो यह सुझाव देता है कि प्रकृति हमेशा एक दिए गए आकार के लिए एकमात्र संभव समाधान का उपयोग नहीं करती है। निष्कर्ष यह दर्शाते हैं कि कार्यात्मक प्रोटीन बनाने के लिए प्राकृतिक अनुक्रमों की नकल करने की सख्त आवश्यकता नहीं है।

यह कार्य यह प्रदर्शित करता है कि केवल संरचनात्मक सटीकता पर प्रशिक्षित एक मॉडल, अनुक्रम रिकवरी पर प्रशिक्षित विधियों के साथ प्रतिस्पर्धा कर सकता है। शोधकर्ताओं ने उल्लेख किया कि उनका दृष्टिकोण ऐसे प्रोटीन के डिजाइन की अनुमति देता है जो प्रकृति में मौजूद नहीं हैं, जिससे पूरी तरह से नए जैविक उपकरण बनाने का मार्ग प्रशand होता है। हालांकि, उन्होंने कुछ सीमाओं को भी स्वीकार किया। मॉडल प्रशिक्षण के लिए उपयोग किए जाने वाले फोल्डिंग टूल की सटीकता पर निर्भर करता है, जिसका अर्थ है कि उस टूल की कोई भी त्रुटि नए डिजाइनों में भी स्थानांतरित हो जाती है। इसके अतिरिक्त, अध्ययन में प्रोटीन के खंडित अंशों (truncated fragments) का उपयोग किया गया था, जिससे कभी-कभी जटिल, पूर्ण लंबाई की संरचनाओं को पुनरुत्पादित करना असंभव हो गया। इन बाधाओं के बावजूद, मुख्य निष्कर्ष मजबूत बना हुआ है: एक प्रोटीन का आकार उसके निर्माण के लिए प्राथमिक मार्गदर्शक हो सकता है, और अमीनो एसिड का विशिष्ट अनुक्रम पहले की तुलना में अधिक लचीला है। अध्ययन यह निष्कर्ष निकालता है कि ऐतिहासिक रेसिपी के बजाय अंतिम रूप पर ध्यान केंद्रित करके, वैज्ञानिक प्रोटीन डिजाइन की संभावनाओं को प्राकृतिक विकास की सीमाओं से परे विस्तारित कर सकते हैं।

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।

Digest आज़माएँ →