← नवीनतम पेपर
💻 जैव सूचना विज्ञान

Integrating disease and protein networks expands genetic support for therapeutic targets

यह शोध पत्र BRIDGE को प्रस्तुत करता है, जो युग्मित प्रोटीन-प्रोटीन इंटरेक्शन और रोग-समानता नेटवर्क के माध्यम से आनुवंशिक साक्ष्य को प्रसारित करने की एक विधि है, ताकि केवल प्रत्यक्ष आनुवंशिक समर्थन से संभव कवरेज और चिकित्सीय लक्ष्य चयन की नैदानिक सफलता दर को महत्वपूर्ण रूप से बढ़ाया जा सके।

मूल लेखक: Zhang, W., Xu, J., Lyu, Y., Liu, M., Shen, H., Wu, L., Zhao, B., Deng, H.-W., Wu, C.

प्रकाशित 2026-11-18
📖 10 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Zhang, W., Xu, J., Lyu, Y., Liu, M., Shen, H., Wu, L., Zhao, B., Deng, H.-W., Wu, C.

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

एक नई दवा खोजना अत्यधिक बड़े पैमाने पर एक जुआ खेलने जैसा है। किसी एक दवा को प्रयोगशाला के विचार से लेकर फार्मेसी की शेल्फ तक पहुँचाने में एक दशक से अधिक समय और अरबों डॉलर लगते हैं, और अधिकांश प्रयास विफल हो जाते हैं। दशकों से, वैज्ञानिक मानव आनुवंशिकी (जेनेटिक्स) की ओर इस उम्मीद में देख रहे हैं कि इससे उनके पक्ष में संभावनाओं को बदला जा सके। तर्क सीधा है: यदि कोई विशिष्ट जीन स्वाभाविक रूप से मनुष्यों में किसी बीमारी से जुड़ा है, तो उस जीन के प्रोटीन को लक्षित करने वाली दवा उपचार के रूप में काम कर सकती है। यह दृष्टिकोण एक भरोसेमंद दिशा-सूचक बन गया है, जो शोधकर्ताओं को उन लक्ष्यों की ओर निर्देशित करता है जिनके क्लिनिकल ट्रायल में सफल होने की अधिक संभावना होती है। हालाँकि, इस दिशा-सूचक की एक दृष्टि दोष (ब्लाइंड स्पॉट) है। यह केवल उन लक्ष्यों की ओर संकेत करता है जहाँ आनुवंशिक संबंध सीधा और स्पष्ट होता है। मानव जीव विज्ञान के विशाल परिदृश्य में, कई आशाजनक लक्ष्य और बीमारियाँ इस प्रत्यक्ष आनुवंशिक हस्ताक्षर के बिना रह जाती हैं, जिससे वे पूरी तरह से मानचित्र से बाहर हो जाती हैं।

एक नया अध्ययन BRIDGE नामक एक विधि पेश करता है, जिसे इसकी सटीकता खोए बिना इस आनुवंशिक दिशा-सूचक की पहुंच का विस्तार करने के लिए डिज़ाइन किया गया है। शोधकर्ताओं ने महसूस किया कि जीव विज्ञान अलगाव में काम नहीं करता है। जीन आपस में जटिल नेटवर्क में एक-दूसरे के साथ बातचीत करते हैं, ठीक वैसे ही जैसे एक समुदाय में लोग होते हैं, और बीमारियाँ अक्सर अंतर्निहित जैविक समानताओं को साझा करती हैं। इन संबंधों को एक साथ बुनकर, टीम ने एक ऐसी प्रणाली बनाई है जो ज्ञात लक्ष्यों से अज्ञात लक्ष्यों तक, और एक बीमारी से संबंधित दूसरी बीमारी तक आनुवंशिक साक्ष्य का पता लगा सकती है। उन्होंने इस प्रणाली का परीक्षण हजारों दवा विकास प्रयासों के एक विशाल डेटाबेस के विरुद्ध किया। परिणाम दर्शाते हैं कि प्रोटीन और बीमारियों के बीच के बिंदुओं को जोड़कर, वैज्ञानिक कई अधिक आशाजनक दवा लक्ष्यों की पहचान कर सकते हैं जो पहले अदृश्य थे, जबकि क्लिनिकल सफलता की उच्च संभावना को भी बनाए रखते हैं। यह दृष्टिकोण सीधे आनुवंशिक प्रमाण की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि यह उन छायाओं में मूल्यवान सुराग खोजने का एक तरीका प्रदान करता है जहाँ प्रत्यक्ष साक्ष्य अनुपलब्ध है।

मुख्य चुनौती जिसे शोधकर्ताओं ने संबोधित किया वह यह है कि प्रत्यक्ष आनुवंशिक समर्थन दुर्लभ है। 13,000 से अधिक दवा विकास प्रयासों की एक समीक्षा में, जो कम से कम मानव परीक्षण के पहले चरण तक पहुँच चुके थे, केवल लगभग 5% लक्ष्य-बीमारी जोड़ों में प्रत्यक्ष आनुवंशिक साक्ष्य था जो उन्हें जोड़ता था। अधिकांश उम्मीदवारों के लिए, आनुवंशिक संकेत मौन था। टीम ने पूछा कि क्या वे आसपास के जैविक संदर्भ से शक्ति उधार ले सकते हैं। उन्होंने एक डिजिटल मानचित्र बनाया जो दो प्रकार के नेटवर्क को जोड़ता है। पहला एक प्रोटीन इंटरेक्शन मैप है, जो दिखाता है कि कौन से प्रोटीन कोशिका के भीतर भौतिक रूप से एक-दूसरे को छूते हैं या मिलकर काम करते हैं। दूसरा एक बीमारी समानता मैप है, जो उन बीमारियों को समूहबद्ध करता है जो जैविक विशेषताओं या लक्षणों को साझा करती हैं। ये दोनों मानचित्र आपस में जुड़े हुए हैं, जिससे एक विशाल जाल बनता है जहाँ एक जीन, एक प्रोटीन और एक बीमारी सभी आपस में जुड़े होते हैं।

इस जाल का उपयोग करते हुए, शोधकर्ताओं ने एक एल्गोरिदम विकसित किया जो एक 'सिग्नल बूस्टर' की तरह कार्य करता है। यह उन जीनों से शुरू होता है जिनके पास किसी विशिष्ट बीमारी के लिए मजबूत, प्रत्यक्ष आनुवंशिक समर्थन है। एल्गोरिदम फिर नेटवर्क के माध्यम से एक "सिग्नल" भेजता है। यह सिग्नल प्रोटीन कनेक्शन के माध्यम से पड़ोसी जीनों तक यात्रा करता है और संबंधित स्थितियों में बीमारी के कनेक्शनों के माध्यम से कूदता है। यदि कोई जीन किसी ज्ञात सफल लक्ष्य के करीब है, या यदि कोई बीमारी ऐसी बीमारी के समान है जिसका ज्ञात आनुवंशिक कारण है, तो एल्गोरिदम उस जीन-बीमारी जोड़े को उच्च स्कोर देता है। महत्वपूर्ण रूप से, इस प्रणाली में एक सख्त अंशांकन (कैलिब्रेशन) चरण शामिल है। यह वास्तविक उम्मीदवारों के स्कोर की तुलना यादृच्छिक रूप से बदले गए (रैंडम शफलिंग) स्कोर से करता है ताकि यह सुनिश्चित किया जा सके कि परिणाम केवल इस बात का परिणाम नहीं हैं कि कोई जीन कितना अधिक जुड़ा हुआ है। यह सिस्टम को केवल उन लोकप्रिय जीनों का पक्ष लेने से रोकता है जो हर चीज़ से जुड़े होते हैं।

जब टीम ने अपने 13,000 दवा विकास जोड़ों के डेटाबेस पर इस पद्धति को लागू किया, तो परिणाम महत्वपूर्ण थे। प्रत्यक्ष आनुवंशिक साक्ष्य को नए नेटवर्क-व्युत्पन्न समर्थन के साथ जोड़कर, समर्थित लक्ष्यों का कवरेज लगभग दोगुना हो गया, जो 5.1% से बढ़कर 9.5% हो गया। इसका अर्थ यह है कि लगभग 600 अतिरिक्त दवा विकास जोड़ों के लिए, सिस्टम अब एक आनुवंशिक तर्क प्रदान कर सकता था जो पहले अनुपस्थित था। इससे भी महत्वपूर्ण बात यह है कि इस विस्तार के साथ गुणवत्ता का समझौता नहीं हुआ। नेटवर्क द्वारा पहचाने गए नए उम्मीदवार भी क्लिनिकल ट्रायल में सफल होने की उतनी ही संभावना रखते थे जितने कि प्रत्यक्ष आनुवंशिक समर्थन वाले उम्मीदवार। वास्तव में, उन जोड़ों में जिनमें प्रत्यक्ष आनुवंशिक साक्ष्य की कमी थी लेकिन नेटवर्क द्वारा समर्थन प्राप्त था, लगभग 25% सफलतापूर्वक बाजार में लॉन्च की गई दवाओं के रूप में पहुँचे, जबकि असमर्थ उम्मीदवारों में यह संख्या 9% से कम थी।

अध्ययन ने यह भी प्रदर्शित किया कि यह विधि उन जीनों के लिए भी काम करती है जिनका कोई प्रत्यक्ष आनुवंशिक इतिहास नहीं है। शोधकर्ताओं ने 101 ऐसे जीन पहचाने जो कभी भी प्रत्यक्ष आनुवंशिक साक्ष्य द्वारा किसी बीमारी से नहीं जुड़े थे, लेकिन अन्य सफल लक्ष्यों के साथ अपने कनेक्शन के कारण नेटवर्क द्वारा समर्थित थे। ये जीन केवल सैद्धांतिक संभावनाएं नहीं थे; उनमें से कई को पहले से ही दवा लक्ष्यों के रूप में अपनाया जा रहा था, और कुछ तो बाजार में भी पहुँच चुके थे। सिस्टम ने इन उम्मीदवारों को सफलतापूर्वक उजागर किया, जिससे पता चला कि नेटवर्क दृष्टिकोण उन जीनों में छिपी क्षमता को उजागर कर सकता है जिन्हें पारंपरिक तरीके अनदेखा कर देते।

यह समझने के लिए कि यह विस्तार कैसे होता है, शोधकर्ताओं ने उन मार्गों का विश्लेषण किया जिनसे सिग्नल गुजरता है। उन्होंने दो मुख्य मार्ग पाए। पहला मार्ग एक लक्ष्य को संबंधित बीमारी से जोड़ता है। उदाहरण के लिए, यदि कोई जीन हृदय रोग के एक प्रकार के इलाज में मदद करने के लिए जाना जाता है, तो सिस्टम सुझाव दे सकता है कि यह हृदय की एक समान स्थिति के लिए भी काम कर सकता है, भले ही अभी तक उस दूसरी स्थिति के लिए कोई प्रत्यक्ष आनुवंशिक प्रमाण न हो। दूसरा मार्ग एक लक्ष्य को पड़ोसी प्रोटीन से जोड़ता है। यदि कोई दवा एक विशिष्ट प्रोटीन पर काम करती है, तो सिस्टम सुझाव दे सकता है कि उससे भौतिक रूप से छूने वाला प्रोटीन भी एक अच्छा लक्ष्य हो सकता है। अध्ययन ने दिखाया कि सबसे प्रभावी परिणाम दोनों मार्गों को एक साथ उपयोग करने से मिले। जब शोधकर्ताओं ने एक कनेक्शन को हटाकर सिस्टम का परीक्षण किया, तो सफल भविष्यवाणियों की संख्या काफी कम हो गई, जिससे सिद्ध हुआ कि बीमारी के संबंधों और प्रोटीन कनेक्शनों का संयोजन इस पद्धति की सफलता के लिए आवश्यक है।

शोधकर्ताओं ने अपने परिष्कृत नेटवर्क पद्धति की तुलना सरल नियमों से भी की, जिनका वैज्ञानिक उपयोग कर सकते हैं, जैसे कि केवल निकटतम पड़ोसियों को देखना। जबकि सरल नियम कुछ अच्छे उम्मीदवारों को खोज सकते थे, BRIDGE सिस्टम वास्तव में आशाजनक उम्मीदवारों को बाकीों से अलग करने में बेहतर था। जब शोधकर्ताओं ने नेटवर्क स्कोर के आधार पर उम्मीदवारों को रैंक किया, तो उन्होंने सरल नियमों की तुलना में अधिक सफल दवा लॉन्च देखे। यह बताता है कि नेटवर्क एक गहरा, अधिक सूक्ष्म समझ प्रदान करता है जिसे सरल निकटता कैप्चर नहीं कर पाती। सिस्टम उन उम्मीदवारों को प्राथमिकता देने में सक्षम है जो नेटवर्क में थोड़े दूर हैं लेकिन फिर भी जैविक रूप से प्रासंगिक हैं, जिससे उस शोर (नॉइज़) को फ़िल्टर किया जा सके जो एक सरल दृष्टिकोण को गुमराह कर सकता है।

अध्ययन में भविष्य की सफलताओं की भविष्यवाणी करने के लिए एक भविष्योन्मुखी जाँच शामिल थी। शोधकर्ताओं ने मॉडल बनाने के लिए 2024 से पहले के डेटा का उपयोग किया और फिर 2024 और 2025 के बीच दवा विकास कार्यक्रमों के साथ क्या हुआ, इस पर नज़र डाली। नेटवर्क-समर्थित उम्मीदवार बिना समर्थन वाले उम्मीदवारों की तुलना में सफलता की उच्च दर दिखाते रहे। हालांकि इस छोटी अवधि में नए लॉन्च की संख्या कम थी, लेकिन रुझान बना रहा, जिससे पता चलता है कि यह पद्धति मजबूत है और केवल पिछले डेटा का प्रतिबिंब नहीं है। शोधकर्ताओं ने उल्लेख किया कि भविष्य की इन भविष्यवाणियों के लिए नमूना आकार सीमित था, फिर भी परिणामों की दिशा उनके पिछले निष्कर्षों के अनुरूप थी।

दो विशिष्ट उदाहरण स्पष्ट करते हैं कि यह व्यवहार में कैसे काम करता है। एक मामले में, सिस्टम ने एक दुर्लभ चयापचय विकार (metabolic disorder) से जुड़े जीन को यकृत रोगों की एक व्यापक श्रेणी से जोड़ा। विशिष्ट विकार के लिए आनुवंशिक साक्ष्य एक ऐसे प्रोटीन की ओर इशारा करते थे जो दूसरे प्रोटीन से भौतिक रूप से जुड़ा था, जो एक मौजूदा, सफल चिकित्सा का लक्ष्य था। नेटवर्क ने इस कनेक्शन को सही ढंग से पहचाना, और वह चिकित्सा वास्तव में व्यापक स्थिति के लिए प्रभावी थी। दूसरे मामले में, सिस्टम ने एक रिसेप्टर प्रोटीन को वायरल संक्रमण से जोड़ा। वह रिसेप्टर प्रोटीन नेटवर्क में उस जीन से दो कदम दूर था जो बीमारी से जुड़े होने के लिए जाना जाता है। इस दूरी के बावजूद, नेटवर्क सिग्नल इतना मजबूत था कि उसने रिसेप्टर को एक व्यवहार्य लक्ष्य के रूप में उजागर किया। बाद के क्लिनिकल ट्रायल ने पुष्टि की कि इस रिसेप्टर को लक्षित करने वाली दवाएं संक्रमण के लिए अस्पताल में भर्ती होने की दर को कम कर सकती हैं, जिससे नेटवर्क की भविष्यवाणी की पुष्टि हुई।

शोधकर्ता स्वीकार करते हैं कि यह पद्धति कोई जादुई समाधान (मैजिक बुलेट) नहीं है। यह प्रोटीन इंटरेक्शन और बीमारी की समानता के अंतर्निहित मानचित्रों की गुणवत्ता पर निर्भर करती है, जिन्हें अभी भी परिष्कृत किया जा रहा है। इसमें इस बात की भी सीमाएँ हैं कि सिस्टम उन बीमारियों को कितनी अच्छी तरह संभाल सकता है जो एक-दूसरे से बहुत भिन्न हैं या उन प्रोटीनों के लिए जिनके पास कम कनेक्शन हैं। हालाँकि, अध्ययन स्पष्ट रूप से प्रदर्शित करता है कि विभिन्न प्रकार के जैविक डेटा को एकीकृत करना दवा की खोज के टूलकिट का विस्तार कर सकता है। यह दिखाता है कि व्यापक जैविक संदर्भ को देखकर, वैज्ञानिक प्रभावी उपचारों के नए रास्ते खोज सकते हैं जो पहले छिपे हुए थे।

अंततः, यह कार्य मानव आनुवंशिक डेटा का सर्वोत्तम उपयोग करने का एक व्यावहारिक तरीका प्रदान करता है। प्रत्येक बीमारी के लिए प्रत्यक्ष आनुवंशिक लिंक आने का इंतजार करने के बजाय, शोधकर्ता अब जैविक कनेक्शनों के जाल का उपयोग करके ऐसे सुराग पा सकते हैं जो उतने ही आशाजनक हैं। यह दृष्टिकोण कठोर परीक्षण की आवश्यकता को प्रतिस्थापित नहीं करता है, लेकिन यह तय करने के लिए एक मजबूत आधार प्रदान करता है कि किन दवाओं का पीछा किया जाए। समर्थित लक्ष्यों के पूल का विस्तार करके, यह पद्धति उन बीमारियों के लिए नए इलाज खोजने की संभावना को बढ़ाती है जिनके पास वर्तमान में बहुत कम विकल्प हैं। अध्ययन बताता है कि दवा की खोज का भविष्य केवल एक सही जीन खोजने में नहीं है, बल्कि उन जटिल संबंधों के नेटवर्क को समझने में है जो जीन, प्रोटीन और बीमारियों को साझा 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 →