🧬 biology

Entropy-Driven Alignment-Free Phylogenetic Analysis via K-mer Encoding, DNA Physicochemical Properties, and Rough Set Feature Selection

यह अध्ययन एक अलाइनमेंट-मुक्त फाइलोजेनेटिक विश्लेषण ढांचे का प्रस्ताव करता है जो k-mer सांख्यिकी को DNA भौतिक-रासायनिक गुणों और स्ट्रैंड समरूपता के साथ एक फीचर वेक्टर में एकीकृत करता है, जिसे फिर कुशल और व्याख्या योग्य होल-जीनोम विकास संबंधी अनुमान प्राप्त करने के लिए एक उन्नत रफ सेट-आधारित चयन पद्धति का उपयोग करके अनुकूलित किया जाता है।

मूल लेखक: Yong Liu, Tongliang Xia, Xu Yan, He Wang, Xinyang Jiang, Shujie Gao, Shusheng Li, Yan Yang

प्रकाशित 2026-08-20

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yong Liu, Tongliang Xia, Xu Yan, He Wang, Xinyang Jiang, Shujie Gao, Shusheng Li, Yan Yang

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

जीवन के इतिहास को समझने के लिए, वैज्ञानिक अक्सर हर जीवित कोशिका के भीतर लिखे गए आणविक निर्देशों की ओर देखते हैं: डीएनए (DNA) अनुक्रम। दशकों से, विभिन्न प्रजातियों के बीच इन निर्देशों की तुलना करने का मानक तरीका उन्हें एक-दूसरे के बगल में, अक्षर दर अक्षर, एक पंक्ति में व्यवस्थित करना रहा है, ठीक वैसे ही जैसे दो लंबे अनुच्छेदों को यह देखने के लिए संरेखित किया जाता है कि वे कहाँ मेल खाते हैं और कहाँ भिन्न होते हैं। यह विधि, जिसे 'मल्टीपल सीक्वेंस अलाइनमेंट' (multiple sequence alignment) के रूप में जाना जाता है, तब अच्छी तरह काम करती है जब अनुक्रम छोटे और बहुत समान हों। हालाँकि, जैसे-जैसे तकनीक उन्नत हुई है, शोधकर्ता अब पूरे जीनोम को पढ़ सकते हैं, जो लाखों अक्षरों लंबे होते हैं। जब इन विशाल अनुक्रमों की तुलना की जाती है, विशेष रूप से उन जीवों के बीच जिन्होंने अपनी आनुवंशिक सामग्री को पुनर्गठित किया है या तेजी से विकसित हुए हैं, तो पारंपरिक संरेखण विधि धीमी, गणनात्मक रूप से भारी और कभी-कभी सटीक रूप से करना असंभव हो जाती है। इसने वैज्ञानिकों को "अलाइनमेंट-फ्री" (alignment-free) विधियों की खोज करने के लिए प्रेरित किया है, जो अनुक्रमों को एक कठोर पंक्ति में व्यवस्थित किए बिना विकासवादी संबंधों को खोजने का प्रयास करती हैं। प्रत्येक अक्षर को मिलाने के बजाय, ये नए दृष्टिकोण डीएनए के छोटे टुकड़ों के समग्र पैटर्न और आवृत्तियों को देखते हैं ताकि यह अनुमान लगाया जा सके कि दो जीव एक-दूसरे से कितने निकट रूप से संबंधित हैं।

हाल ही में एक अध्ययन में, चीन के शोधकर्ताओं की एक टीम ने इन अलाइनमेंट-फ्री तकनीकों को और अधिक तेज़ और सटीक बनाने के लिए एक नया तरीका प्रस्तावित किया। उन्होंने पहचान की कि जबकि कई मौजूदा विधियाँ केवल यह गिनती हैं कि कुछ छोटे डीएनए पैटर्न कितनी बार दिखाई देते हैं, वे अक्सर दो महत्वपूर्ण जानकारियों को छोड़ देती हैं: डीएनए के बिल्डिंग ब्लॉक्स के विशिष्ट रासायनिक गुण और उन पैटर्नों के प्रकट होने का क्रम। इसे हल करने के लिए, शोधकर्ताओं ने एक प्रणाली विकसित की जो एक डीएनए अनुक्रम को सात अलग-अलग "मानचित्रों" (maps) के सेट में अनुवादित करती है। प्रत्येक मानचित्र डीएनए की एक अलग भौतिक विशेषता को उजागर करता है, जैसे कि क्या कोई अक्षर एक मजबूत या कमजोर रासायनिक बंधन का हिस्सा है, या क्या वह एक विशिष्ट रासायनिक परिवार से संबंधित है। मूल डीएनए अनुक्रम को इन सात विशिष्ट बाइनरी पैटर्न में परिवर्तित करके, वे प्रत्येक मानचित्र के भीतर छोटे शब्द-जैसे खंडों की आवृत्ति गिन सकते थे। इस प्रक्रिया ने जीनोम का एक विस्तृत, बहु-स्तरीय प्रोफाइल तैयार किया जिसने डीएनए की रासायनिक प्रकृति और इसके हिस्सों के विशिष्ट क्रम दोनों को संरक्षित किया।

हालाँकि, इस विस्तृत प्रोफाइल ने डेटा की एक विशाल मात्रा उत्पन्न की, जिसमें हजारों संभावित पैटर्न शामिल थे, जिनमें से कई निरर्थक या विकासवादी इतिहास निर्धारित करने के लिए अनुपयोगी थे। इस शोर को कम करने के लिए, टीम ने 'रफ सेट थ्योरी' (rough set theory) नामक एक गणितीय रणनीति लागू की। इस प्रक्रिया को सुरागों के एक बड़े ढेर में से केवल उन्हीं को खोजने के लिए एक अत्यधिक कुशल फिल्टर के रूप में समझें जो वास्तव में विभिन्न समूहों के बीच अंतर करने में मदद करते हैं। शोधकर्ताओं ने इस फ़िल्टरिंग सिस्टम का परीक्षण पूर्वी एशिया में पाए जाने वाले वायरस के एक प्रकार, ग्यारह हंटावायरस (hantavirus) उपभेदों के प्रशिक्षण सेट का उपयोग करके किया। यह विश्लेषण करने के बाद कि विभिन्न पैटर्न वायरसों को उनके ज्ञात प्रकारों में कितनी अच्छी तरह से अलग कर सकते हैं, सिस्टम ने मूल 14,336 संभावनाओं में से 3,005 विशिष्ट पैटर्न की पहचान की। ये चयनित पैटर्न वायरसों का विश्लेषण करने के लिए उपयोग किए जाने वाले मुख्य "फिंगरप्रिंट" बन गए।

टीम ने अपने तरीके को तीन पूरी तरह से अलग वायरस समूहों पर परखने के लिए परीक्षण किया ताकि यह देख सके कि क्या यह उनके पारिवारिक वृक्षों (family trees) को सही ढंग से पुनर्निर्मित कर सकता है। सबसे पहले, उन्होंने SARS और हाल के SARS-CoV-2 के लिए जिम्मेदार उपभेदों सहित तैंतीस कोरोनावायरस जीनोम का विश्लेषण किया। विधि ने वायरसों को चार विशिष्ट शाखाओं में सफलतापूर्वक समूहित किया जो ज्ञात वैज्ञानिक वर्गीकरण से मेल खाते थे, जिससे SARS-संबंधित वायरसों को अन्य से स्पष्ट रूप से अलग किया गया और यहाँ तक कि मूल SARS वायरस और नए SARS-CoV-2 के बीच भी अंतर किया गया। इसके बाद, उन्होंने जापान केसेनि encephalitis वायरस के उनतालीस उपभेदों की जांच की। पुनः, विधि ने वायरसों को उनके चार ज्ञात आनुवंशिक समूहों में सही ढंग से वर्गीकृत किया, जो पारंपरिक, बहुत धीमी संरेखण विधियों से प्राप्त परिणामों को दर्शाता है। अंत में, उन्होंने H7N9 एवियन इन्फ्लुएंजा वायरस के पचपन उपभेदों का विश्लेषण किया। परिणामी वृक्ष ने दो प्रमुख वंशों को दिखाया, एक उत्तरी अमेरिका से और एक यूरेशिया से, और उन वायरसों को सही ढंग से समूहित किया जो समान भौगोलिक क्षेत्रों और समय अवधियों में अलग किए गए थे।

इन परीक्षणों के दौरान, यह नया दृष्टिकोण उल्लेखनीय रूप से तेज़ साबित हुआ। जबकि लंबे डीएनए अनुक्रमों के विश्लेषण के लिए अन्य ग्राफिकल विधियों में कई मिनट लग सकते हैं, इस विधि ने अध्ययन के सबसे लंबे अनुक्रमों को, जो 31,000 से अधिक अक्षर लंबे थे, केवल चार सेकंड में संसाधित किया। शोधकर्ताओं ने नोट किया कि उनके दृष्टिकोण के लिए अनुक्रमों को संरेखित करने के जटिल और समय लेने वाले चरण की आवश्यकता नहीं है, फिर भी यह सटीक पारिवारिक वृक्ष बनाने के लिए आवश्यक जैविक संकेतों को पकड़ लेता है। हालांकि यह विधि शक्तिशाली है, लेखक स्वीकार करते हैं कि यह अन्य उपकरणों की तरह अनुक्रमों के बीच के अंतर की दृश्य तस्वीर प्रदान नहीं करती है, और न ही यह जटिल आनुवंशिक पुनर्गठन (shuffling) की घटनाओं को स्पष्ट रूप से मॉडल करती है। फिर भी, यह अध्ययन प्रदर्शित करता है कि रासायनिक गुणों को स्मार्ट डेटा फ़िल्टरिंग के साथ जोड़कर, वैज्ञानिक एक ऐसा उपकरण बना सकते हैं जो पूरे जीनोम में वायरस और अन्य जीवों के विकासवादी इतिहास का पता लगाने के लिए कुशल और विश्वसनीय दोनों है।

तकनीकी सारांश: K-mer एन्कोडिंग, DNA भौतिक-रासायनिक गुणों और रफ सेट फीचर सिलेक्शन के माध्यम से एंट्रॉपी-संचालित अलाइनमेंट-मुक्त फाइलोगेनेटिक विश्लेषण

समस्या विवरण
होल-जीनोम सीक्वेंसिंग डेटा के तीव्र विस्तार ने पारंपरिक फाइलोगेनेटिक विश्लेषण में महत्वपूर्ण सीमाओं को उजागर किया है, जो मल्टीपल सीक्वेंस अलाइनमेंट (MSA) पर निर्भर करता है। MSA विधियाँ जेनेटिक पुनर्संयोजन (recombination), प्रतिस्थापन (substitutions) और इनवर्जन (inversions) के कारण कम्प्यूटेशनल जटिलता, अलाइनमेंट पेनल्टी की मनमानी प्रकृति और होल-जीनोम स्केल के लिए अनुपयुक्तता जैसी बाधाओं का सामना करती हैं। जबकि k-mers पर आधारित अलाइनमेंट-मुक्त विधियाँ कुशल विकल्प के रूप में उभरी हैं, मौजूदा दृष्टिकोण विशिष्ट कमियों से ग्रस्त हैं: वे मुख्य रूप से न्यूक्लियोटाइड संरचना पर निर्भर करते हैं और DNA के अंतर्निहित भौतिक-रासायनिक गुणों और k-mers की क्रमबद्ध जानकारी की उपेक्षा करते हैं। इसके अलावा, कई विधियाँ विभिन्न k-mers के विकासवादी अंतर (evolutionary distance) में योगदान को पहचानने में विफल रहती हैं, जिससे उच्च-आयामी, अनावश्यक फीचर स्पेस उत्पन्न होता है जो जैविक रूप से सार्थक संकेतों को अस्पष्ट कर सकता है।

कार्यप्रणाली (Methodology)
लेखक एक नवीन अलाइनमेंट-मुक्त फ्रेमवर्क प्रस्तावित करते हैं जो k-mer सांख्यिकी को DNA भौतिक-रासायनिक गुणों और फीचर सिलेक्शन के लिए रफ सेट थ्योरी के साथ एकीकृत करता है। यह कार्यप्रणाली तीन मुख्य चरणों में आगे बढ़ती है:

सात-विशेषता वाला अनुक्रम एन्कोडिंग (Seven-Characteristic Sequence Encoding):
DNA को केवल न्यूक्लियोटाइड्स की एक साधारण स्ट्रिंग के रूप में मानने के बजाय, यह विधि दिए गए DNA अनुक्रम को भौतिक-रासायनिक वर्गीकरण के आधार पर सात अलग-अलग बाइनरी (0,1) अनुक्रमों में परिवर्तित करती है:

प्यूरीन/पाइरिमिडिन (R/Y): {A, G} बनाम {C, T}
कीटो/अमीनो (M/K): {A, C} बनाम {G, T}
कमजोर/मजबूत हाइड्रोजन बॉन्ड (W/S): {A, T} बनाम {G, C}
सिंगल न्यूक्लियोटाइड कंट्रास्ट: चार अतिरिक्त अनुक्रम जहाँ प्रत्येक न्यूक्लियोटाइड (A, C, G, T) को 0 दिया जाता है, और शेष तीन को 1 दिया जाता है।

एक निर्दिष्ट k-mer लंबाई के लिए, प्रत्येक इन सात अनुक्रमों के लिए प्रत्येक संभावित k-mer की आवृत्ति (frequency) की गणना की जाती है। अनुक्रमिक संबंधों को सुरक्षित रखने के लिए, आवृत्ति वेक्टर्स को बढ़ते क्रम में व्यवस्थित किया जाता है। प्रत्येक बाइनरी अनुक्रम के लिए एक अद्वितीय वेक्टर प्रतिनिधित्व ( $V_F$ ) बनाया जाता है, जो सॉर्ट किए गए वेक्टर के आवृत्ति मानों को उनके पोजीशनल इंडेक्स (रैंक) के साथ जोड़कर तैयार किया जाता है। मूल DNA अनुक्रम का पूर्ण $7 \times 2^k$ -आयामी वर्ड वेक्टर बनाने के लिए इन सात वेक्टर्स को संयोजित किया जाता है।

रफ सेट-आधारित फीचर सिलेक्शन (Rough Set-Based Feature Selection):
$7 \times 2^k$ वेक्टर (जैसे, $k=11$ के लिए 14,336 आयाम) की उच्च आयामीता को संबोधित करने के लिए, लेखक एक उन्नत रफ सेट-आधारित फीचर सिलेक्शन पद्धति का उपयोग करते हैं। यह दृष्टिकोण एक निर्णय तालिका (decision table) का उपयोग करता है जहाँ वायरस का प्रकार 'डिसीजन एट्रिब्यूट' के रूप में और k-mer फीचर्स 'कंडीशन एट्रिब्यूट' के रूप में कार्य करते हैं।

एक नवीन एट्रिब्यूट इम्पॉर्टेंस मेजर पेश किया गया है जो क्रमबद्ध निर्णय तालिकाओं के भीतर "फोल्डिंग पॉइंट्स" और "औसत फोल्डिंग पॉइंट्स" पर आधारित है।
प्रत्येक एट्रिब्यूट के लिए "न्यूनतम औसत फोल्डिंग पॉइंट" ( $A_{mi}$ ) की गणना की जाती है। वे एट्रिब्यूट जिनका $A_{mi}$ मान अधिक होता है, उन्हें भेदभाव (discrimination) के लिए अधिक महत्वपूर्ण माना जाता है।
यह प्रक्रिया हेयुरिस्टिक रूप से सबसे सूचनात्मक k-mers के एक उपसमुच्चय (subset) का चयन करती है, जिससे रेडंडेंसी कम होती है और वर्गीकरण क्षमता बनी रहती है।

फाइलोगेनेटिक अनुमान (Phylogenetic Inference):
अनुक्रमों के बीच विकासवादी दूरियों की गणना यूक्लिडियन दूरी और कोसाइन सिमिलरिटी को मिलाने वाले एक सूत्र का उपयोग करके की जाती है: $D(i, j) = d(v_i, v_j) / \cos(v_i, v_j)$ । इसके बाद UPGMA पद्धति का उपयोग करके फाइलोगेनेटिक ट्री बनाए जाते हैं।

प्रमुख परिणाम
अध्ययन ने एक प्रशिक्षण सेट और तीन स्वतंत्र परीक्षण सेटों का उपयोग करके इस फ्रेमवर्क का मूल्यांकन किया।

प्रशिक्षण चरण (Hantaviruses): 11 हंटावायरस S-सेगमेंट अनुक्रमों (5 HTN-प्रकार, 6 SEO-प्रकार) का उपयोग करते हुए, इष्टतम पैरामीटर $k=11$ और न्यूनतम औसत फोल्डिंग पॉइंट थ्रेशोल्ड 78.1866 निर्धारित किए गए। प्रारंभिक 14,336 संभावित k-mers ( $7 \times 2^{11}$ ) में से, 3,005 महत्वपूर्ण k-mers का चयन किया गया। परिणामी फाइलोगेनेटिक ट्री ने मजबूत ब्रांच सपोर्ट के साथ HTN-प्रकार और SEO-प्रकार के वायरसों के बीच सफलतापूर्वक अंतर किया, जो अलाइनमेंट-आधारित संदर्भ पेड़ों (ClustalW/MEGA) की टोपोलॉजी से मेल खाता है।
परीक्षण चरण 1 (Coronaviruses): 33 पूर्ण कोरोनावायरस जीनोम पर 3,005 चयनित k-mers को लागू किया गया। विधि ने वायरसों को चार प्रमुख समूहों (I, II, III, और IV) में सही ढंग से क्लस्टर किया, अन्य समूहों से SARS-संबंधित वायरसों (समूह IV) को सटीक रूप से अलग किया और SARS-CoV तथा SARS-CoV-2 सब-क्लस्टर्स के बीच अंतर किया।
परीक्षण चरण 2 (Japanese Encephalitis Virus - JEV): 39 JEV जीनोम पर लागू होने पर, विधि ने स्थापित साहित्य के अनुरूप वायरसों को चार विशिष्ट जीनोटाइप्स (I, II, III, IV) में सफलतापूर्वक वर्गीकृत किया, जिसमें MVE-1-51 को आउटग्रुप के रूप में उपयोग किया गया।
परीक्षण चरण 3 (H7N9 Influenza): 55 H7N9 NA जीन अनुक्रमों के लिए, विधि ने वायरसों को उत्तरी अमेरिकी और यूरेशियाई वंशों (lineages) में विभाजित किया, जिसमें क्लस्टरिंग भौगोलिक और सामयिक निकटता को दर्शाती है।

सभी मामलों में, प्रस्तावित विधि द्वारा उत्पन्न ट्री, पारंपरिक अलाइनमेंट-आधारित विधियों (ClustalW) और बूटस्ट्रैप विश्लेषण द्वारा उत्पन्न ट्री के साथ टोपोलॉजिकल रूप से सुसंगत थे।

कम्प्यूटेशनल दक्षता
विधि ने उच्च कम्प्यूटेशनल दक्षता प्रदर्शित की। अध्ययन के सबसे लंबे अनुक्रम (31,100 bp) को एक मानक कंज्यूमर-ग्रेड CPU (Intel Core i5-10210U) पर 4 सेकंड से कम समय में प्रोसेस किया गया, जो साहित्य में रिपोर्ट की गई ग्राफिकल प्रतिनिधित्व विधियों के विपरीत है जिन्हें समान लंबाई के लिए 5 मिनट से अधिक समय लगता है।

महत्व और दावे
यह शोध पत्र होल-जीनोम फाइलोगेनेटिक अनुमान के लिए एक कुशल और व्याख्या योग्य समाधान प्रदान करने का दावा करता है। इसका प्राथमिक महत्व मौजूदा k-mer विधियों की सीमाओं को संबोधित करने में निहित है:

सात-विशेषता वाले अनुक्रम एन्कोडिंग के माध्यम से भौतिक-रासायनिक गुणों और अनुक्रम क्रम (sequence order) को एकीकृत करना।
रफ सेट थ्योरी का उपयोग करके आयामी कमी (dimensionality reduction) करना, जो मनमाने फ्रीक्वेंसी थ्रेशोल्ड के बजाय विशेष रूप से k-mers की विभेदक शक्ति (discriminative power) के लिए तैयार किया गया है।
यह प्रदर्शित करना कि यह एकीकृत दृष्टिकोण मल्टीपल सीक्वेंस अलाइनमेंट के कम्प्यूटेशनल बोझ के बिना विविध वायरल परिवारों (Hantavirus, Coronavirus, JEV, Influenza) के लिए विविध विकासवादी संबंधों को सटीक रूप से पुनर्गठित कर सकता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह विधि ग्राफिकल विधियों जैसा सहज दृश्य चित्रण प्रदान नहीं करती है और इसके लिए मापदंडों (k और फीचर साइज) के अनुभवजन्य ट्यूनिंग की आवश्यकता होती है, फिर भी यह आणविक फाइलोगेनेटिक विश्लेषण के लिए एक मजबूत, स्केलेबल फ्रेमवर्क प्रदान करती है जो कम्प्यूटेशनल गति बनाए रखते हुए आवश्यक विकासवादी संकेतों को कैप्चर करती है।

इसी तरह के और पेपर