Missing by design: why genomic metadata must be captured at submission, not recovered from the literature

एक ऐसी लाइब्रेरी की कल्पना करें जहाँ हर साल लाखों किताबें जोड़ी जा रही हैं, लेकिन उनकी अलमारियाँ सबसे महत्वपूर्ण जानकारी के बिना खाली हैं: उन्हें किसने लिखा है, वे किस भाषा में हैं, और वे क्या कहानी बताती हैं। जीव विज्ञान की दुनिया में, यह लाइब्रेरी एक विशाल वैश्विक संग्रह है जहाँ वैज्ञानिक पौधों और जानवरों के आनुवंशिक ब्लूप्रिंट (genetic blueprints) को संग्रहीत करते हैं। ये ब्लूप्रिंट, जिन्हें जीनोम असेंबली (genome assemblies) कहा जाता है, जीवन के मौलिक निर्देश हैं। हालाँकि, इन निर्देशों को समझने के लिए शोधकर्ताओं को जीव के बारे में विशिष्ट विवरणों की आवश्यकता होती है, जैसे कि इसमें गुणसूत्रों (chromosomes) का एक सेट है या कई, इसकी विशिष्ट किस्म क्या है, और इसकी आनुवंशिक सामग्री कैसे व्यवस्थित है। इन विवरणों के बिना, ब्लूप्रिंट केवल अक्षरों का एक समूह मात्र है जिसे विश्वसनीय रूप से पढ़ा या अन्य जीवन रूपों के साथ तुलना नहीं किया जा सकता है।

वर्षों से, वैज्ञानिक इन आनुवंशिक ब्लूप्रिंट्स को तेजी से बढ़ते हुए इस संग्रह में जमा कर रहे हैं। फिर भी, उन्हें समझने के लिए आवश्यक संदर्भ अक्सर गायब रहता है। या तो डेटा जमा करते समय यह जानकारी नहीं मांगी जाती है, या इसे इस तरह लिखा जाता है जिसे कंप्यूटर समझ नहीं पाते। यह उन लोगों के लिए एक बड़ी समस्या पैदा करता है जो बीमारी का अध्ययन करने, फसलों को बेहतर बनाने या विकास (evolution) को समझने के लिए इस डेटा का उपयोग करना चाहते हैं। यदि कोई कंप्यूटर प्रोग्राम किसी पौधे के आनुवंशिकी का विश्लेषण करने की कोशिश करता है और उसे उसकी विशिष्ट संरचना का पता नहीं होता है, तो वह गलत निष्कर्ष निकाल सकता है, प्राकृतिक विविधताओं को त्रुटियों के रूप में समझ सकता है।

शोधकर्ताओं की एक टीम ने अब ठीक से जांच की है कि यह सूचना अंतराल (information gap) कैसे बनता है और क्या इसे उन वैज्ञानिक शोध पत्रों (scientific papers) को देखकर ठीक किया जा सकता है जो इन आनुवंशिक रिकॉर्ड्स के साथ संलग्न होते हैं। उन्होंने पाया कि गायब विवरण केवल यादृच्छिक चूक नहीं हैं; वे एक ऐसी प्रणाली का परिणाम हैं जो जमाकर्ताओं को महत्वपूर्ण प्रश्नों को छोड़ने की अनुमति देती है और उत्तर लिखने के तरीके पर सहमति का अभाव है। शोधकर्ताओं ने इन रिकॉर्ड्स के लिए गायब विवरणों को खोजने के लिए एक कंप्यूटर प्रोग्राम बनाया जो हजारों वैज्ञानिक शोध पत्रों की छानबीन कर सके। हालाँकि यह कार्यक्रम पहले से मौजूद रिकॉर्ड में से लगभग आधे गायब जानकारी को खोजने में सफल रहा, लेकिन इसने एक कठोर वास्तविकता भी उजागर की: कई रिकॉर्डों के लिए, जानकारी या तो इस तरह से नहीं लिखी गई थी जिसे खोजा जा सके, या वह पूरी तरह से गायब थी।

अध्ययन यह निष्कर्ष निकालता है कि डेटा पहले ही संग्रह में पहुँच जाने के बाद समस्या को ठीक करने की कोशिश करना, कांच टूटने के बाद बिखरे हुए टुकड़ों को समेटने जैसा है; यह संभव है कि आप टुकड़ों को इकट्ठा कर लें, लेकिन गंदगी (समस्या) बार-बार होती रहेगी। एकमात्र स्थायी समाधान यह है कि लाइब्रेरी के नियमों को ही बदल दिया जाए। शोधकर्ता तर्क देते हैं कि संग्रह को अपना डेटा पहली बार जमा करते समय वैज्ञानिकों के लिए इन विशिष्ट विवरणों को अनिवार्य कदम के रूप में प्रदान करना चाहिए, और इसके लिए शब्दों की एक मानक सूची का उपयोग करना चाहिए जिस पर सभी सहमत हों। डेटा के निर्माण के क्षण में ही सत्य को कैप्चर करके, बजाय इसके कि बाद में इसका पुनर्निर्माण किया जाए, वैज्ञानिक समुदाय यह सुनिश्चित कर सकता है कि जीवन का बढ़ता हुआ यह संग्रह भविष्य के लिए एक उपयोगी और सटीक संसाधन बना रहे।

समस्या का मूल कारण यह है कि संग्रह वर्तमान में कैसे डिज़ाइन किया गया है। जब कोई वैज्ञानिक नया जीनोम डेटाबेस में भेजता है, तो सिस्टम प्रजाति का नाम मांगता है, जो अनिवार्य है। हालाँकि, अन्य महत्वपूर्ण विवरण, जैसे कि किसी जीव में गुणसूत्रों के कितने सेट हैं या फसल की विशिष्ट किस्म क्या है, अक्सर वैकल्पिक होते हैं। भले ही वैज्ञानिकों के पास यह जानकारी हो, वे अक्सर इन क्षेत्रों को खाली छोड़ देते हैं क्योंकि इन्हें भरने में अतिरिक्त प्रयास लगता है और उनके प्रकाशन के लिए कोई तत्काल लाभ नहीं मिलता है। इसके अलावा, जब वे यह जानकारी प्रदान करते हैं, तो वे इसे अक्सर 'फ्री टेक्स्ट' के रूप में लिखते हैं, जिससे एक ही अवधारणा के लिए अलग-अलग शब्दों या प्रारूपों का उपयोग होता है। एक वैज्ञानिक "चार सेट" लिख सकता है, दूसरा "4x", और तीसरा एक जटिल कोड का उपयोग कर सकता है। एक मानव पाठक के लिए, ये स्पष्ट रूप से एक ही चीज़ हैं, लेकिन एक कंप्यूटर प्रोग्राम के लिए, ये पूरी तरह से अलग और असंबद्ध हैं।

मानकीकरण (standardization) की यह कमी जटिल जीवों को समझने के मार्ग में एक बड़ी बाधा बन जाती है। कई पौधों में, गुणसूत्रों के सेट की संख्या एक ही प्रजाति के भीतर भी भिन्न हो सकती है। उदाहरण के लिए, अधिकांश सेब के पेड़ों में गुणसूत्रों के दो सेट होते हैं, लेकिन कुछ लोकप्रिय किस्मों में तीन होते हैं। यदि डेटाबेस केवल प्रजाति का नाम "सेब" दर्ज करता है, तो वह दो-सेट और तीन-सेट वाली किस्मों के बीच अंतर नहीं कर पाएगा, जिससे भ्रम पैदा होगा। इसी तरह, वैज्ञानिक विभिन्न शोध समूहों के बीच व्यक्तिगत गुणसूत्रों को नाम देने का तरीका भी बहुत भिन्न होता है। कुछ फसलों में, गुणसूत्रों को सरल संख्याओं के साथ लेबल किया जाता है, जबकि अन्य में, उन्हें अक्षरों और संख्याओं के साथ लेबल किया जाता है जो यह दर्शाते हैं कि उनके जीनोम का कौन सा पूर्वज हिस्सा उनसे आया है। इन नामों पर साझा सहमति के बिना, एक कंप्यूटर एक अध्ययन से दूसरे अध्ययन के गुणसूत्रों को स्वचालित रूप से मेल नहीं कर सकता, भले ही वे एक ही पौधे का अध्ययन कर रहे हों।

यह समस्या कितनी गहरी है, यह देखने के लिए शोधकर्ताओं ने एक 'पाइपलाइन' बनाई, जो एक विशेष सॉफ्टवेयर टूल है जिसे डिजिटल जासूस के रूप में कार्य करने के लिए डिज़ाइन किया गया है। यह टूल संग्रह से एक आनुवंशिक रिकॉर्ड लेता है, उससे संबंधित वैज्ञानिक शोध पत्र को ढूंढता है और गायब विवरण निकालने के लिए टेक्स्ट को पढ़ता है। शोधकर्ताओं ने इस टूल का परीक्षण पौधों के जीनोम के एक बड़े संग्रह पर किया। उन्होंने पाया कि रिकॉर्ड के लगभग आधे हिस्से के लिए, टूल सफलतापूर्वक गायब जानकारी को संबंधित पेपर में खोज सका। हालाँकि, लगभग एक तिहाई रिकॉर्ड के लिए, टूल ने पेपर तो पाया लेकिन टेक्स्ट के भीतर गायब विवरणों का कोई स्पष्ट उल्लेख नहीं मिला। कई मामलों में, जानकारी या तो खोजने योग्य रूप में नहीं लिखी गई थी, या वह एक ऐसे पेपर में दबी हुई थी जो सीधे आनुवंशिक रिकॉर्ड से जुड़ा नहीं था।

अध्ययन ने यह भी जांचा कि क्या किसी विशेष पौधे का अध्ययन करने वाले वैज्ञानिक समुदाय का आकार कोई अंतर पैदा करता है। कोई यह मान सकता है कि लोकप्रिय फसलें, जिनके साथ कई शोधकर्ता जुड़े हैं, उनके रिकॉर्ड अधिक सुसंगत और पूर्ण होंगे। हालाँकि, डेटा ने ऐसा कोई संबंध नहीं दिखाया। यहाँ तक कि हजारों शोध पत्रों वाली फसलों के लिए भी, गुणसूत्रों के नामकरण के नियम तब भी असंगत रहे जब तक कि समुदाय ने एक एकल मानक पर सहमति नहीं बनाई थी। यह सुझाव देता है कि समस्या प्रयास या रुचि की कमी नहीं है, बल्कि समन्वय (coordination) की कमी है। विसंगति इसलिए उत्पन्न होती है क्योंकि विभिन्न समूहों ने अपनी स्वयं की वर्णन विधियाँ विकसित कर ली हैं, और केंद्रीय सहमति के बिना, ये अंतर बने रहते हैं।

शोधकर्ताओं ने महसूस किया कि उनका 'डिजिटल जासूस', हालांकि प्रभावशाली है, की एक मौलिक सीमा है। यह केवल उस जानकारी को खोज सकता है जो साहित्य (literature) में पहले से मौजूद है। यदि जानकारी कभी लिखी ही नहीं गई, या यदि पेपर 'पेवॉल' (paywall) के पीछे है या बस मौजूद नहीं है, तो टूल उसे बना नहीं सकता। अध्ययन ने विशिष्ट मामलों को उजागर किया जहाँ सही जानकारी एक पेपर के 'मेथड्स' सेक्शन में छिपी हुई थी जो जीनोम से जुड़ा नहीं था, या जहाँ आनुवंशिक रिकॉर्ड के साथ कोई पेपर जुड़ा ही नहीं था। यह सिद्ध करता है कि बाद में रिकवरी (पुनर्प्राप्ति) पर निर्भर रहना अपर्याप्त है। डेटा में यह अंतर केवल शब्दों को खोजने की तकनीकी चुनौती नहीं है; यह सबमिशन प्रक्रिया की ही एक संरचनात्मक विफलता है।

लेखकों के अनुसार, आगे का रास्ता यह है कि समस्या के डेटा पहुँचने के बाद उसे ठीक करने की कोशिश करने के बजाय, समस्या को होने से रोका जाए। वे प्रस्ताव देते हैं कि संग्रह को अपने सबमिशन फॉर्म में बदलाव करना चाहिए ताकि गुणसूत्र सेट, विशिष्ट किस्में और जीनोम संरचना जैसे विवरण अनिवार्य किए जा सकें। वैज्ञानिकों को अपनी इच्छानुसार कुछ भी टाइप करने देने के बजाय, सिस्टम को उन्हें स्वीकृत शब्दों की एक मानक सूची में से चुनने के लिए कहना चाहिए। इससे यह सुनिश्चित होगा कि प्रत्येक रिकॉर्ड आवश्यक संदर्भ के साथ आए, जिसे मानव और कंप्यूटर दोनों समझ सकें। इसे करने के लिए बुनियादी ढांचा पहले से ही मौजूद है; जीव विज्ञान के अन्य क्षेत्रों ने अपने सबमिशन आवश्यकताओं में इसी तरह के परिवर्तन सफलतापूर्वक किए हैं।

शोधकर्ता इस बात पर जोर देते हैं कि यह बदलाव वैज्ञानिकों के लिए कोई भारी बोझ नहीं होगा। डेटा जमा करने से पहले ही, अक्सर पेपर प्रकाशित होने से पहले ही, अनुसंधान टीम को इस जानकारी का पता होता है। यदि कोई विवरण वास्तव में अज्ञात है, तो सिस्टम इसे बस 'अनुपलब्ध' के रूप में दर्ज कर सकता है, जैसा कि यह वर्तमान में नमूना एकत्र किए गए सटीक स्थान जैसे अन्य डेटा बिंदुओं के लिए करता है। इन क्षेत्रों को अनिवार्य और मानकीकृत बनाकर, वैज्ञानिक समुदाय यह सुनिश्चित कर सकता है कि जीवन के भविष्य के अनुसंधान की नींव पूर्ण और विश्वसनीय जानकारी पर रखी जाए। लक्ष्य मैन्युअल सुधार के आवर्ती बोझ को स्रोत पर ही एक बार के समाधान में बदलना है, जिससे यह सुनिश्चित हो सके कि जीवन का यह संग्रह एक ऐसा स्थान बना रहे जहाँ हर किताब को ठीक से समझा जा सके।