Generative exploration of fragment-based chemical space via large language models enables the discovery of potent leads for targets lacking bioactive ligands
यह शोध पत्र AutoLeadDesign को प्रस्तुत करता है, जो एक नवीन लीड-डिस्कवरी फ्रेमवर्क है जो उन लक्ष्यों के लिए शक्तिशाली, प्रयोगात्मक रूप से प्रमाणित अवरोधकों (इन्हिबिटर्स) को उत्पन्न करने के लिए लार्ज लैंग्वेज मॉडल रीजनिंग को फ्रैगमेंट-आधारित रासायनिक अन्वेषण के साथ एकीकृत करता है जिनके पास बायोएक्टिव लिगेंड्स की कमी है, जैसे कि SARS-CoV-2 PLpro और KRAS G12D, जिसमें लक्ष्य-विशिष्ट टेम्प्लेट की आवश्यकता नहीं होती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक मास्टर शेफ हैं जो एक बिल्कुल नया व्यंजन बनाने की कोशिश कर रहे हैं जिसे आज तक किसी ने नहीं चखा है। आपके पास कोई कुकबुक नहीं है, और आपने कभी सामग्री देखी भी नहीं है। आपका लक्ष्य एक ऐसा भोजन बनाना है जो पूरी तरह से एक बहुत ही विशिष्ट, भूखे ग्राहक (जिसे "टारगेट प्रोटीन" कहा जाता है) के अनुकूल हो।
लंबे समय से, वैज्ञानिकों ने इसे हल करने के लिए दो मुख्य रणनीतियों का उपयोग किया है, लेकिन दोनों में एक बड़ी खामी थी। पहली रणनीति एक रोबोट शेफ की तरह थी जो बस रैंडम सामग्रियां मिला देता था और उन्हें एक-एक करके चखता था। यह पूरे किचन को एक्सप्लोर करने में तो बहुत अच्छा था, लेकिन अक्सर इसके परिणाम अजीब, खाने लायक न होने वाले कचरे के रूप में निकलते थे क्योंकि इसे खाना पकाने के नियमों की समझ नहीं थी। दूसरी रणनीति एक ऐसे शेफ की तरह थी जो केवल उन्हीं रेसिपीज़ की नकल करता था जिन्हें वह पहले से जानता था। यदि उसके पास कोई संदर्भ होता, तो वह एक शानदार व्यंजन बना सकता था, लेकिन यदि ग्राहक कुछ बिल्कुल नया चाहता, तो शेफ अपनी पुरानी कुकबुक्स से बाहर निकलने में असमर्थ होकर एक ही ढर्रे में फंस जाता था।
यहाँ आता है AutoLeadDesign, एक नया "सुपर-शेफ" जो दोनों दुनियाओं के बेहतरीन गुणों को जोड़ता है। यह एक सुपर-स्मार्ट AI दिमाग (एक लार्ज लैंग्वेज मॉडल, या LLM) का उपयोग करता है जिसने लाखों केमिस्ट्री की किताबें पढ़ी हैं, लेकिन यह AI को बेतहाशा अंदाज़ा लगाने की अनुमति नहीं देता है। इसके बजाय, यह AI को "लेगो ब्रिक्स" (Llego bricks) का एक विशेष सेट देता है जिसे फ्रैग्मेंट्स (fragments) कहा जाता है।
यह जादू इस प्रकार काम करता है:
1. फीडबैक लूप: किचन और ब्रिक्स
कल्पना कीजिए कि AI एक लेगो स्ट्रक्चर की तरह एक अणु (molecule) बना रहा है।
- स्टेप A: AI एक अणु बनाता है और परीक्षण करता है कि वह ग्राहक के लिए कितना सटीक बैठता है।
- स्टेप B: यदि अणु अच्छी तरह फिट बैठता है, तो सिस्टम उसे वापस उसके लेगो ब्रिक्स (फ्रैग्मेंट्स) में तोड़ देता है। यह पूछता है, "किन ब्रिक्स ने इसे इतनी अच्छी तरह फिट किया?"
- स्टेप C: सिस्टम सबसे अच्छे ब्रिक्स की एक "टॉप 10" सूची बनाता है और उसे वापस AI को फीड करता है।
- स्टेप D: AI इन टॉप-रेटेड ब्रिक्स का उपयोग करके एक नया, और भी बेहतर अणु बनाता है।
यह एक लूप बनाता है जहाँ AI अपने स्वयं के सफल प्रयोगों से सीखता है, और लगातार अपने "ब्रिक बॉक्स" को बेहतर बनाता है।
2. यह पुराने तरीकों से बेहतर क्यों है?
पेपर दिखाता है कि अन्य AI विधियाँ अक्सर एक "लोकल ऑप्टिमाइजेशन" (local optimization) के जाल में फंस जाती हैं। कल्पना कीजिए कि एक हाइकर (पर्वतारोही) सबसे ऊँची चोटी की तलाश में है। एक मानक AI एक छोटी पहाड़ी पर चढ़ सकता है, और सोच सकता है, "मैं जहाँ देख पा रहा हूँ, यह सबसे ऊँचा बिंदु है," और वहीं रुक सकता है। वह कभी यह महसूस नहीं कर पाएगा कि अगली पहाड़ी के ठीक ऊपर एक विशाल पर्वत है क्योंकि वह उस छोटी पहाड़ी को छोड़ने से डरता है।
पेपर का तर्क है कि "लेगो ब्रिक" मार्गदर्शन के बिना, AI इन छोटी पहाड़ियों पर ही टिका रहता है, और मौजूदा रेसिपीज़ में ही मामूली बदलाव करता रहता है। हालाँकि, AutoLeadDesign, इन अनछुए पहाड़ों को एक्सप्लोर करने के लिए फ्रैग्मेंट्स का उपयोग करके AI को निर्देशित करता है। परीक्षणों में, AutoLeadDesign ने उन अणुओं को खोजा जिनकी "एफिनिटी" (affinity - एक शानदार शब्द जिसका अर्थ है कि वे टारगेट से बहुत बेहतर तरीके से जुड़ते हैं) अन्य विधियों की तुलना में बहुत अधिक थी, भले ही शुरुआत शून्य पूर्व ज्ञान के साथ की गई हो।
3. वास्तविक दुनिया का टेस्ट
शोधकर्ताओं ने इसे केवल कंप्यूटर पर नहीं चलाया; उन्होंने वास्तव में प्रयोगशाला में अणुओं को बनाया ताकि देखा जा सके कि वे काम करते हैं या नहीं। उन्होंने दो बहुत कठिन "ग्राहकों" को लक्षित किया:
- SARS-CoV-2 PLpro: वायरस का एक हिस्सा जो इसे अपनी प्रतिकृति (replicate) बनाने में मदद करता है। टीम ने PLP011 नामक एक अणु डिजाइन किया। सेल टेस्ट में, यह अणु एक ढाल की तरह काम करता था। 100 µM की सांद्रता (concentration) पर, इसने संक्रमित कोशिकाओं की व्यवहार्यता (viability) को लगभग 93% तक बहाल कर दिया, प्रभावी रूप से वायरस को अपनी कॉपी बनाने से रोक दिया।
- KRAS G12D: एक कुख्यात कैंसर ड्राइवर जिसे अक्सर "अनड्रगेबल" (undruggable) कहा जाता है क्योंकि इसकी सतह चिकनी होती है जिसमें दवा के पकड़ने के लिए कोई स्पष्ट जगह नहीं होती। टीम ने KP032 नामक एक अणु डिजाइन किया। यह इस फिसलन भरे टारगेट को 50.24 nM के IC50 के साथ पकड़ने में सफल रहा। इसे समझने के लिए, यह इतने कठिन टारगेट के लिए अविश्वसनीय रूप से मजबूत पकड़ है।
4. जादू के पीछे का "क्यों"
पेपर सुझाव देता है कि AI केवल अनुमान नहीं लगा रहा है; यह वास्तव में वास्तविक मेडिसिनल केमिस्ट्री रणनीतियों का उपयोग कर रहा है। जब AI ने दो फ्रैग्मेंट्स को संयोजित किया, तो उसने अक्सर एक मौजूदा हिस्से से एक नया हिस्सा जोड़ने के लिए एक "लिंकर" (एक पुल की तरह) का उपयोग किया, या एक मौजूदा हिस्से पर नया हिस्सा "बढ़ाया" (grow किया)। ये वही ट्रिक्स हैं जिनका उपयोग मानव विशेषज्ञ रसायन शास्त्री (chemists) करते हैं। AI ने एक प्रो की तरह सोचना सीखा क्योंकि फ्रैग्मेंट्स ने इसे खेल के नियमों का पालन करने के लिए मजबूर किया।
निष्कर्ष
पेपर सुझाव देता है कि एक लार्ज लैंग्वेज मॉडल के विशाल ज्ञान को रासायनिक फ्रैग्मेंट्स की संरचित, भौतिक वास्तविकता के साथ मिलाकर, हम ऐसे शक्तिशाली नए ड्रग्स की खोज कर सकते हैं जिनके लिए वर्तमान में कोई इलाज नहीं है। शोधकर्ताओं ने अपने "लेगो ब्रिक" लाइब्रेरी को अन्य वैज्ञानिकों के लिए भी जारी कर दिया है, इस उम्मीद में कि यह अगली पीढ़ी के ड्रग हंटर्स को और भी बेहतर रेसिपी बनाने में मदद करेगा।
जबकि कंप्यूटर सिमुलेशन ने बहुत आशाजनक प्रदर्शन किया, वास्तविक प्रमाण तब आया जब लैब-निर्मित अणुओं ने प्रयोगों में वायरस को रोका और कैंसर प्रोटीन को ब्लॉक किया। यह एक लंबी यात्रा में एक कदम है, लेकिन एक बहुत ही आशाजनक एक है।
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।