← नवीनतम पेपर
💻 जैव सूचना विज्ञान

Affinity-guided design of PDZ-binding peptides in a shared latent space

यह शोध पत्र एक डीप लर्निंग पद्धति प्रस्तुत करता है जो बिना मॉडल पुन: प्रशिक्षण (retraining) के, सिंगल-टारगेट, ऑफ-टारगेट-अवेयर और डुअल-टारगेट बाइंडिंग उद्देश्यों के लिए पेप्टाइड्स के डिजाइन को विश्लेषणात्मक रूप से तैयार करने और निर्देशित करने हेतु PDZ-PBM एफिनिटीज (affinities) के एक साझा लेटेंट स्पेस का उपयोग करती है।

मूल लेखक: Yamahata, I., Shimamura, T., Hayashi, S.

प्रकाशित 2026-11-13
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Yamahata, I., Shimamura, T., Hayashi, S.

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

प्रत्येक जीवित कोशिका के भीतर, प्रोटीन उन श्रमिकों, संदेशवाहकों और संरचनात्मक बीमों के रूप में कार्य करते हैं जो जीवन को चालू रखते हैं। अपना काम करने के लिए, इन प्रोटीनों को अक्सर एक-दूसरे को पकड़ने की आवश्यकता होती है, जिससे अस्थायी या स्थायी टीमें बनती हैं। यह पकड़ यादृच्छिक नहीं है; यह विशिष्ट आकृतियों और रासायनिक संकेतों पर निर्भर करती है, ठीक वैसे ही जैसे एक चाबी का ताले में फिट होना। प्रोटीन एक-दूसरे को पहचानने के सबसे सामान्य तरीकों में से एक में प्रोटीन श्रृंखला के अंत में छोटी, पूंछ जैसी अनुक्रमों (sequences) का उपयोग शामिल है। ये पूंछें, जिन्हें PDZ-बाइंडिंग मोटिफ कहा जाता है, अन्य प्रोटीनों में मौजूद मिलान वाले पॉकेट में फिसल जाती हैं जिन्हें PDZ डोमेन कहा जाता है। यह जुड़ाव कोशिका को व्यवस्थित करने में मदद करता है, यह तय करता है कि प्रोटीन कहाँ जाएगा और वह किन साथियों के साथ जुड़ेगा। क्योंकि इन पहचान के नियम आपस में मिलते-जुलते हैं, इसलिए एक एकल पूंछ अनुक्रम कभी-कभी कई अलग-अलग भागीदारों से जुड़ सकता है, जिससे परस्पर क्रियाओं का एक जटिल जाल बन जाता है जिसे वैज्ञानिक संपादित करने में सक्षम होना चाहेंगे। यदि शोधकर्ता इन नन्ही पूंछों में बदलाव कर पाते, तो वे प्रोटीन की विशाल संरचना को बदले बिना उन्हें नए स्थानों पर पुनर्निर्देशित कर सकते थे या उन्हें नई टीमें बनाने के लिए मजबूर कर सकते थे।

चुनौती यह रही है कि इन नई पूंछों को डिजाइन करना कठिन है। पारंपरिक कंप्यूटर विधियां अक्सर दो प्रतिस्पर्धी लक्ष्यों के बीच संतुलन बनाने में संघर्ष करती हैं: एक विशिष्ट भागीदार से मजबूती से जुड़ना और दूसरों से बचना जो उनके समान दिखते हैं। आमतौर पर, इसे हल करने के लिए प्रत्येक एकल लक्षित प्रोटीन के लिए एक अलग, कस्टम कंप्यूटर मॉडल बनाने की आवश्यकता होती है, जो एक धीमी और दोहराव वाली प्रक्रिया है। नागोया विश्वविद्यालय और इंस्टीट्यूट ऑफ साइंस टोक्यो के शोधकर्ताओं द्वारा किया गया एक नया अध्ययन एक अलग मार्ग प्रदान करता है। कई अलग-अलग मॉडल बनाने के बजाय, उन्होंने एक एकल कृत्रिम बुद्धिमत्ता (AI) प्रणाली को प्रशिक्षित किया ताकि वह प्रोटीन की इन परस्पर क्रियाओं की भाषा को समझ सके। प्रोटीन पॉकेट और पूंछ अनुक्रमों दोनों को एक साझा, अदृश्य गणितीय स्थान (mathematical space) में मैप करके, टीम ने पाया कि वे उस स्थान के भीतर विभिन्न दिशाओं की ओर संकेत करके डिजाइन प्रक्रिया को निर्देशित कर सकते हैं।

शोधकर्ताओं ने अपने सिस्टम को 57,000 से अधिक मापे गए PDZ डोमेन और उनके बाइंडिंग टेल के बीच की परस्पर क्रियाओं के विशाल डेटासेट के साथ शुरू किया। सिस्टम ने यह अनुमान लगाना सीखा कि एक दिया गया टेल किसी दिए गए पॉकेट से कितनी मजबूती से चिपकेगा, और इन जैविक मापों को एक साझा मानचित्र में अनुवादित किया जहाँ समान परस्पर क्रियाएं एक-दूसरे के करीब स्थित होती हैं। एक बार जब यह मानचित्र बन गया, तो टीम को लक्ष्य बदलने के लिए सिस्टम को फिर से प्रशिक्षित करने की आवश्यकता नहीं थी। एक ऐसी पूंछ खोजने के लिए जो केवल एक विशिष्ट लक्ष्य से मजबूती से बंधती है, उन्होंने बस उस लक्ष्य का प्रतिनिधित्व करने वाले बिंदु की ओर खोज को निर्देशित किया। एक ऐसी पूंछ खोजने के लिए जो एक लक्ष्य से तो बंधती है लेकिन एक समान, अवांछित साथी को अनदेखा कर देती है, उन्होंने खोज को उस दिशा में निर्देशित किया जो दोनों के बीच की दूरी को अधिकतम करती है। दो अलग-अलग लक्ष्यों के लिए समान रूप से अच्छी तरह से बंधने वाली पूंच खोजने के लिए, उन्होंने खोज को उन दोनों के ठीक बीच के स्थान की ओर केंद्रित किया।

इस दृष्टिकोण के परिणाम आश्चर्यजनक थे। जब टीम ने सिस्टम को एक ज्ञात टेल को एक विशिष्ट प्रोटीन से बेहतर तरीके से बांधने के लिए पुनर्गठित करने के लिए कहा, तो कंप्यूटर ने शीर्ष उम्मीदवारों की एक सूची तैयार की। जब इन उम्मीदवारों का परीक्षण 1,00,000 से अधिक पहले से मापे गए अनुक्रमों के विशाल पुस्तकालय के विरुद्ध किया गया, तो इस नई विधि से प्राप्त शीर्ष विकल्प पूरे पुस्तकालय में सर्वश्रेष्ठ प्रदर्शन करने वाला एकल विकल्प था। इसके अलावा, नए तरीके द्वारा सुझाए गए शीर्ष 100 उम्मीदवारों में से 84 उम्मीदवार सभी प्रयोगात्मक रूप से मापे गए इंटरैक्शन के शीर्ष 1% के भीतर थे। यह प्रदर्शन मौजूदा विधियों से काफी आगे था, जिन्होंने उस शीर्ष श्रेणी में केवल 64 उम्मीदवार पाए थे। सिस्टम चार अलग-अलग प्रोटीनों के लिए शून्य से पूरी तरह से नए दस-रेसिड्यू (ten-residue) टेल डिजाइन करने के लिए भी सफल रहा, और लगातार ऐसे अनुक्रम उत्पन्न किए जिनका स्कोर बाइंडिंग स्ट्रेंथ के कंप्यूटर सिमुलेशन में अन्य अग्रणी उपकरणों द्वारा उत्पन्न किए गए अनुक्रमों से अधिक था।

अध्ययन ने इस एकल मॉडल की लचीलापन भी प्रदर्शित किया। जब शोधकर्ताओं ने सिस्टम को एक ऐसी पूंछ डिजाइन करने के लिए कहा जो एक प्रोटीन से बंधेगी जबकि एक विशिष्ट दिखने वाले दूसरे प्रोटीन को अनदेखा करेगी, तो परिणामी उम्मीदवारों ने इच्छित लक्ष्य के प्रति स्पष्ट प्राथमिकता दिखाई। इसके विपरीत, जब उन्हें दो अलग-अलग प्रोटीनों के साथ एक साथ बंधने के लिए कहा गया, तो सिस्टम ने ऐसे टेल बनाए जो दोनों के लिए अच्छा प्रदर्शन करते थे, और वे एकल-लक्ष्य डिजाइनों के बीच सहजता से स्थित थे। शोधकर्ताओं ने इन परिणामों को एक गोले (sphere) पर अनुक्रमों को प्लॉट करके दृश्यमान बनाया, जिससे पता चला कि विभिन्न डिजाइन लक्ष्य स्वाभाविक रूप से उम्मीदवारों को मानचित्र के विशिष्ट क्षेत्रों में धकेल देते हैं।

हालांकि कंप्यूटर सिमुलेशन और मौजूदा डेटा के साथ तुलना अत्यधिक आशाजनक है, लेखक नोट करते हैं कि नए डिजाइन किए गए टेल का भौतिक व्यवहार की पुष्टि करने के लिए अभी तक 'वेट लैब' (wet lab) में परीक्षण नहीं किया गया है। वर्तमान सफलता कंप्यूटर की भविष्यवाणियों की सटीकता और प्रशिक्षण डेटा की गुणवत्ता पर निर्भर करती है, जिसमें कई बहुत कमजोर इंटरैक्शन भी शामिल हैं जिन्हें सटीक रूप से मापना कठिन है। फिर भी, यह कार्य सिद्ध करता है कि प्रोटीन बाइंडिंग की एक साझा समझ का उपयोग हर बार शून्य से शुरू किए बिना जटिल डिजाइन चुनौतियों को नेविगेट करने के लिए किया जा सकता है। प्रोटीन डिजाइन को एक साझा स्थान में सही दिशा खोजने के मामले के रूप में मानकर, यह पद्धति आणविक कनेक्शनों को इंजीनियर करने का एक सुव्यवस्थित तरीका प्रदान करती है जो हमारी कोशिकाओं को एक साथ थामे रखते हैं, जो भविष्य में यह तय करने की क्षमता के द्वार खोल सकता है कि प्रोटीन कैसे परस्पर क्रिया करते 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 →