📄 other

Similarity analysis of DNA sequences through local distribution of nucleotides in strategic neighborhoods

यह शोध पत्र एक गणनात्मक रूप से कुशल, संरेखण-मुक्त (alignment-free) एल्गोरिदम प्रस्तावित करता है जो रणनीतिक पड़ोस में न्यूक्लियोटाइड्स के स्थानीय वितरण के आधार पर डीएनए अनुक्रमों को 24-आयामी वेक्टर के रूप में निरूपित करता है, जो प्रभावी फाइलोजेनेटिक विश्लेषण के लिए रैखिक समय जटिलता और कम मेमोरी उपयोग प्राप्त करने के लिए अभाज्य गुणनखंडन विशिष्टता (prime factorization uniqueness) का लाभ उठाता है।

मूल लेखक: Probir Mondal, Pratyay Banerjee, Debranjan Pal, Krishnendu Basuli

प्रकाशित 2026-07-24

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Probir Mondal, Pratyay Banerjee, Debranjan Pal, Krishnendu Basuli

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

जीवन के पुस्तकालय की कल्पना एक विशाल, प्राचीन संग्रह के रूप में करें जहाँ हर जीवित प्राणी की अपनी एक अनूठी किताब है, जो एक गुप्त कोड में लिखी गई है। यह कोड, जिसे DNA के रूप में जाना जाता है, केवल चार अक्षरों—A, C, G और T—से बना है, जो लंबी, घुमावदार वाक्यों की तरह एक साथ जुड़े हुए हैं जो यह बताते हैं कि एक जीव कैसे निर्मित होता है। दशकों से, वैज्ञानिकों ने इन जैविक पुस्तकों की तुलना करने का प्रयास किया है ताकि यह पता लगाया जा सके कि कौन किससे संबंधित है, ठीक वैसे ही जैसे एक जासूस लिखावट को देखकर पारिवारिक रहस्य सुलझाने की कोशिश करता है। इसे करने का पुराना तरीका ऐसा था जैसे दो विशाल उपन्यासों को पन्ना-दर-पन्ना, अक्षर-दर-अक्षर मिलाने की कोशिश करना ताकि यह देखा जा सके कि वे कहाँ मिलते हैं और कहाँ भिन्न होते हैं। हालाँकि यह सटीक था, लेकिन यह तरीका अविश्वसनीय रूप से धीमा और बोझिल था, विशेष रूप से तब जब पुस्तकें हज़ारों पन्नों की लंबी हों। यह दो विश्वकोशों में प्रत्येक शब्द को एक साथ पढ़कर एक विशिष्ट टाइपो (लिखावट की गलती) खोजने की कोशिश करने जैसा है।

चीजों को तेज़ करने के लिए, वैज्ञानिकों ने "अलाइनमेंट-फ्री" (संरेखण-मुक्त) तरीके ईजाद किए, जो एक किताब के पूरे शब्दों को पढ़ने के बजाय उसके अंदाज़ की एक त्वरित झलक लेने जैसा है। यह देखने के बजाय कि अक्षर क्रम में मेल खाते हैं या नहीं, ये तरीके पाठ के समग्र स्वाद को देखते हैं: जैसे कि कुछ शब्द कितनी बार आते हैं, अक्षर कैसे समूहों में बँटे हैं, या लेखन की सामान्य लय क्या है। यह शोधपत्र एक नया, अत्यंत तेज़ तरीका पेश करता है जिससे ऐसी एक झलक ली जा सकती है। शोधकर्ता एक चतुर युक्ति प्रस्तावित करते हैं जो एक लंबे, अव्यवस्थित DNA अनुक्रम को संख्याओं की एक छोटी, संक्षिप्त सूची में बदल देती है। वे ऐसा अक्षरों के छोटे पड़ोस (नेबरहुड) को देखकर, यह गिनकर कि उनके भीतर क्या है, और अभाज्य संख्याओं (गणित के आधार स्तंभ) के उपयोग वाले एक गणितीय जादू के माध्यम से करते हैं, जिससे DNA के प्रत्येक खंड के लिए एक अनूठा फिंगरप्रिंट तैयार होता है। यह उन्हें दो DNA अनुक्रमों की तुलना पलक झपकते ही करने की अनुमति देता है, बिना उन्हें कभी पूरी तरह से एक पंक्ति में लाने की आवश्यकता के।

शोधपत्र का मुख्य विचार: एक पल में DNA फिंगरप्रिंट

शोधकर्ताओं ने, जो भारत के कॉलेजों और विश्वविद्यालयों की एक टीम है, एक नया एल्गोरिदम बनाया है जिसे वे PPN (प्राइम फैक्टराइजेशन नेबरहुड) कहते हैं। उनका लक्ष्य एक ऐसा तरीका बनाना था जिससे DNA अनुक्रमों की तुलना न केवल तेज़ हो, बल्कि उसमें कंप्यूटर मेमोरी का भी बहुत कम उपयोग हो। वे उन प्रजातियों के DNA की तुलना करने की समस्या को हल करना चाहते थे जिनके आकार में बहुत अधिक अंतर हो सकता है, जो अक्सर पुराने तरीकों को उलझा देता है।

यहाँ उनका तरीका काम करने का तरीका दिया गया है, एक मनोरंजक उपमा का उपयोग करते हुए: कल्पना कीजिए कि आपके पास रंगीन मोतियों की एक लंबी डोरी (DNA) है। पूरी डोरी को एक साथ देखने के बजाय, आप एक छोटा आवर्धक लेंस (एक "नेबरहुड") लेते हैं और एक समय में कुछ मोतियों को देखते हैं। उनके तरीके में, वे केवल मोतियों को नहीं देखते; वे मोतियों के एक विशिष्ट पैटर्न को देखते हैं, मान लीजिए हर दूसरा मोती, और देखते हैं कि उस छोटे समूह में कितने लाल, नीले, हरे और पीले मोती हैं।

अब, यहाँ चतुर हिस्सा है। वे प्रत्येक रंग को एक विशेष "अभाज्य संख्या" (प्राइम नंबर) आवंटित करते हैं (जैसे लाल के लिए 2, नीले के लिए 3, हरे के लिए 5 और पीले के लिए 7)। यदि एक पड़ोस में दो लाल और एक नीला है, तो वे संख्याओं को आपस में गुणा करते हैं: $2 \times 2 \times 3 = 12$ । गणित के एक प्रसिद्ध नियम, जिसे "अभाज्य गुणनखंडन की विशिष्टता" कहा जाता है, के कारण 12 को केवल दो 2 और एक 3 को गुणा करके ही बनाया जा सकता है। इसका अर्थ है कि संख्या 12 उस समूह में ठीक कितने लाल और नीले मोती थे, उसका पूरा रहस्य अपने भीतर समेटे हुए है, भले ही वह संख्या स्वयं मोतियों जैसी न दिखती हो।

वे ऐसा DNA स्ट्रिंग के प्रत्येक पड़ोस के लिए करते हैं, जिससे उन विशेष संख्याओं की एक छोटी सूची बनती है। फिर, वे उन सभी संख्याओं को एक एकल "स्कोर" प्राप्त करने के लिए जोड़ देते हैं जो उस विशिष्ट तरीके से DNA को देखने का परिणाम है। चूंकि रंगों को अभाज्य संख्याएँ आवंटित करने के 24 अलग-अलग तरीके हैं, इसलिए उनके पास 24 स्कोर की एक सूची होती है। यह सूची पूरे DNA अनुक्रम के लिए एक 24-आयामी फिंगरप्रिंट के रूप में कार्य करती है। दो अलग-अलग जीवों की तुलना करने के लिए, वे बस अपने दो फिंगरप्रिंट के बीच की दूरी को मापते हैं। यदि फिंगरप्रिंट करीब हैं, तो DNA समान है; यदि वे दूर हैं, तो DNA भिन्न है।

यह गेम-चेंजर क्यों है

शोधपत्र दिखाता है कि यह तरीका अविश्वसनीय रूप से कुशल है। वास्तविक दुनिया में, शोधकर्ताओं ने अपने एल्गोरिदम का परीक्षण मछली, स्तनधारी और इबोला तथा कोरोना जैसे विभिन्न वायरसों के DNA पर किया। उन्होंने पाया कि उनका तरीका 25 मछली प्रजातियों के लिए एक "पारिवारिक वृक्ष" (फाइलोजेनेटिक ट्री) बना सकता है जो उन मानक पेड़ों के बहुत समान है जिन पर वैज्ञानिक पहले से ही भरोसा करते हैं। उन्होंने विशिष्ट दूरी स्कोर का उपयोग करके यह मापा कि उनका पेड़ मौजूदा "गोल्ड स्टैंडर्ड" के कितना करीब था, जिसमें एक सामान्यीकृत रोबिन्सन-फोल्ड्स दूरी 0.64 और एक सामान्यीकृत क्वार्टेट दूरी 0.2602 पाई गई। ये संख्याएँ बताती हैं कि उनका तरीका प्रजातियों के बीच के संबंधों को काफी अच्छी तरह से पकड़ता है।

लेकिन असली जादू इसकी गति में है। जब उन्होंने पांच पूर्ण जीनोम अनुक्रमों पर अपने एल्गोरिदम का दो अन्य लोकप्रिय तरीकों (CD-MAWS और Co-phylog) के विरुद्ध परीक्षण किया, तो PPN अक्सर सबसे तेज़ था। उदाहरण के लिए, इसे एक स्तनधारी जीनोम का विश्लेषण करने में केवल 0.052 मिनट लगे, जबकि Co-phylog विधि को 0.151 मिनट लगे। और भी प्रभावशाली रूप से, जब उन्होंने 900 प्रजातियों तक के सिम्युलेटेड डेटासेट का परीक्षण किया, तो PPN ने अपने प्रतिस्पर्धियों की तुलना में काफी कम कंप्यूटर मेमोरी का उपयोग किया और काम को तेज़ी से पूरा किया।

शोधकर्ताओं ने आकार में बहुत भिन्न दो DNA अनुक्रमों की तुलना करके सीमाओं का भी परीक्षण किया: एक मक्का के पौधे से जिसमें 3 करोड़ से अधिक न्यूक्लियोटाइड्स थे और दूसरा चावल से जिसमें 40 लाख से अधिक थे। उनके एल्गोरिदम ने इस बेमेल स्थिति को बिना किसी परेशानी के संभाला, और उनके बीच की दूरी खोजने में लगभग 33.68 मिनट का समय लिया। यह सिद्ध करता है कि जब तुलना की जाने वाली "पुस्तकें" अलग-अलग लंबाई की होती हैं, तो उनका तरीका भ्रमित नहीं होता है।

यह शोधपत्र क्या दावा नहीं करता है

यह ध्यान रखना महत्वपूर्ण है कि यह शोधपत्र क्या नहीं कहता है। शोधकर्ता यह दावा नहीं कर रहे हैं कि उनका तरीका पूर्ण है या यह सभी उपकरणों को बदल सकता है। वे स्पष्ट रूप से कहते हैं कि उनका तरीका विशिष्ट मापदंडों (पड़ोस का आकार और उनके बीच की दूरी) पर निर्भर करता है जिन्हें उन्हें मछली के DNA डेटा का उपयोग करके "ट्यून" या "फिट" करना पड़ा था। वे सुझाव देते हैं कि यह तरीका तब सबसे अच्छा काम करता है जब इन मापदंडों को सही ढंग से सेट किया जाता है, लेकिन वे यह दावा नहीं करते कि यह बिना समायोजन के हर एक प्रकार के DNA के लिए पूरी तरह से काम करता है।

इसके अलावा, शोधपत्र इस विधि की गति और मेमोरी दक्षता पर ध्यान केंद्रित करता है। हालांकि वे दिखाते हैं कि परिणामी पारिवारिक वृक्ष अच्छे दिखते हैं, वे यह दावा नहीं करते कि उन्होंने नए जैविक रहस्यों की खोज की है या विकास के रहस्य को सुलझा लिया है। वे केवल वैज्ञानिकों के उपयोग के लिए एक तेज़, हल्का उपकरण प्रदान करते हैं। परिणाम सिमुलेशन और मौजूदा बेंचमार्क डेटासेट के साथ तुलना पर आधारित हैं, न कि नई जैविक खोजों पर। शोधपत्र सुझाव देता है कि यह उपकरण उन शोधकर्ताओं के लिए बहुत उपयोगी हो सकता है जिन्हें बड़ी मात्रा में डेटा को तेज़ी से संसाधित करने की आवश्यकता होती है, शायद DNA से सीखने वाले कंप्यूटर मॉडल को प्रशिक्षित करने में भी मदद मिल सकती है, लेकिन यह विशिष्ट चिकित्सा सफलताओं या नैदानिक उपयोगों की भविष्यवाणी करने से पीछे हट जाता है।

संक्षेप में, यह शोधपत्र जेनेटिक कोड को पढ़ने के लिए एक चतुर, गणित-आधारित शॉर्टकट प्रस्तुत करता है। अभाज्य संख्याओं का उपयोग करके लंबे DNA स्ट्रिंग्स को संख्याओं की संक्षिप्त सूचियों में बदलकर, लेखकों ने एक ऐसा उपकरण बनाया है जो तेज़, मेमोरी-फ्रेंडली है और जीवन के वृक्ष में पारिवारिक संबंधों को पहचानने में आश्चर्यजनक रूप से सटीक है। यह देश भर में पैकेज पहुंचाने के लिए एक भारी ट्रक के बजाय एक फुर्तीली स्पोर्ट्स कार का उपयोग करने जैसा है।

तकनीकी सारांश: रणनीतिक पड़ोस में न्यूक्लियोटाइड्स के स्थानीय वितरण के माध्यम से डीएनए अनुक्रमों का समानता विश्लेषण

समस्या विवरण
जैविक डेटाबेस के तीव्र विस्तार ने डीएनए अनुक्रमों के विश्लेषण के लिए कुशल कम्प्यूटेशनल उपकरणों की आवश्यकता को अनिवार्य बना दिया है। जबकि पारंपरिक संरेखण-आधारित एल्गोरिदम (जैसे नीडलमैन-वुन्श, स्मिथ-वाटरमैन, ब्लास्ट) सटीकता प्रदान करते हैं, वे आमतौर पर द्विघाती समय जटिलता (quadratic time complexity) प्रदर्शित करते हैं, जो लंबे अनुक्रमों या बड़े पैमाने पर तुलनात्मक जीनोमिक्स के लिए कम्प्यूटेशनल रूप से निषेधात्मक हो जाता है। हालांकि संरेखण-मुक्त (alignment-free) एल्गोरिदम एक रैखिक-समय विकल्प के रूप में उभरे हैं, फिर भी विशिष्ट शब्द-आवृत्ति श्रेणियों या सूचना-सैद्धांतिक मेट्रिक्स पर निर्भर किए बिना, कॉम्पैक्ट प्रतिनिधित्व, कम मेमोरी खपत और असमान लंबाई वाले अनुक्रमों को संभालने में मजबूती प्रदान करने वाले तरीकों की आवश्यकता बनी हुई है।

कार्यप्रणाली
लेखक एक नया संरेखण-मुक्त एल्गोरिदम प्रस्तावित करते हैं जिसे PPN (प्राइम फैक्टराइजेशन नेबरहुड) कहा जाता है। मुख्य कार्यप्रणाली एक डीएनए अनुक्रम को 24-आयामी वास्तविक यूक्लिडियन स्थान ( $\mathbb{R}^{24}$ ) में एक कॉम्पैक्ट वेक्टर प्रतिनिधित्व में निर्मित करने में निहित है। यह प्रक्रिया इस प्रकार परिभाषित है:

प्राइम मैपिंग और क्रमपरिवर्तन (Permutations): चार न्यूक्लियोटाइड्स (A, C, G, T) को पहले चार अभाज्य संख्याओं $\{2, 3, 5, 7\}$ के साथ मैप किया जाता है। किसी विशिष्ट क्रम के प्रति पूर्वाग्रह सुनिश्चित करने के लिए, लेखक इन अभाज्य संख्याओं के सभी $4! = 24$ क्रमपरिवर्तनों ( $\sigma_0$ से $\sigma_{23}$ ) पर विचार करते हैं।
रणनीतिक पड़ोस (Strategic Neighborhoods): एक डीएनए अनुक्रम $\xi$ के लिए, जिसकी लंबाई $N$ है, एल्गोरिदम एक विशिष्ट त्रिज्या $l$ के 'पड़ोस' $U_l(s_i)$ को रणनीतिक स्थितियों पर परिभाषित करता है। क्रमागत पड़ोस के केंद्रों के बीच की दूरी $t$ एक ट्यून करने योग्य पैरामीटर है। सूचना निरंतरता बनाए रखने के लिए, $t$ को $1 \le t \le l$ के रूप में सीमित किया गया है, जिससे ओवरलैपिंग पड़ोस सुनिश्चित होते हैं।
अभाज्य गुणनखंडन के माध्यम से कॉम्पैक्ट प्रतिनिधित्व: प्रत्येक पड़ोस के लिए, एक फलन $\Gamma$ उस पड़ोस के भीतर न्यूक्लियोटाइड्स की आवृत्तियों ( $f_1, f_2, f_3, f_4$ ) के आधार पर एक अद्वितीय पूर्णांक मान की गणना करता है। यह मान आवंटित अभाज्य संख्याओं को उनके संबंधित आवृत्तियों की घात के रूप में उत्पाद के रूप में संगणित किया जाता है:
$\Gamma_j(U_l(s_i)) = [\sigma_j(1)]^{f_1} \cdot [\sigma_j(2)]^{f_2} \cdot [\sigma_j(3)]^{f_3} \cdot [\sigma_j(4)]^{f_4}$
अभाज्य गुणनखंडन की विशिष्टता के कारण, यह पूर्णांक न्यूक्लियोटाइड्स की पूर्ण स्थानीय वितरण को एनकोड करता है।
वेक्टर निर्माण: एक अनुक्रम $\zeta$ को $t$ के अंतराल पर $\Gamma$ मानों को एकत्र करके बनाया जाता है। $\zeta$ की लंबाई लगभग $N/2$ (या उससे कम) होती है, जो एक "कोर्स-ग्रेन्ड" (coarse-grained) कॉम्पैक्ट प्रतिनिधित्व प्रदान करती है।
स्केलर और मेट्रिक गणना: प्रत्येक 24 क्रमपरिवर्तनों के लिए, $\zeta$ के तत्वों को जोड़कर एक स्केलर $\eta_j$ प्राप्त किया जाता है। इसके परिणामस्वरूप एक प्रतिनिधि वेक्टर $\vec{\eta} = (\eta_0, \dots, \eta_{23})$ बनता है। दो डीएनए अनुक्रमों के बीच समानता उनके संबंधित वेक्टर्स के बीच यूक्लिडियन दूरी ( $\rho$ ) की गणना करके निर्धारित की जाती है।

प्रमुख योगदान

नया प्रतिनिधित्व: शोध पत्र एक विधि प्रस्तुत करता है जो अभाज्य गुणनखंडन का उपयोग करके डीएनए अनुक्रम को 24-आयामी वेक्टर में परिवर्तित करता है, जो संरेखण के बिना स्थानीय वितरण को एनकोड करने का एक गणितीय रूप से कठोर तरीका प्रदान करता है।
कॉम्पैक्टनेस और दक्षता: प्रत्येक न्यूक्लियोटाइड के बजाय अंतराल ( $t$ ) पर पड़ोस का नमूना लेकर, यह विधि डेटा आकार को काफी कम कर देती है (लगभग आधा), जिससे एक रैखिक-समय जटिलता वाला एल्गोरिदम प्राप्त होता है।
पैरामीटर अनुकूलन: लेखकों ने फिश mtDNA बेंचमार्क डेटासेट के विरुद्ध फाइलोजेनेटिक पेड़ों के निर्माण की तुलना करके, सामान्यीकृत रोबिन्सन-फिल्ड्स (nRF) और सामान्यीकृत क्वाटेट डिस्टेंस (nQD) को न्यूनतम करते हुए, इष्टतम पैरामीटर ( $l=4, t=1$ ) अनुभवजन्य रूप से निर्धारित किए।
लंबाई विषमता के प्रति मजबूती: स्केलर निर्माण असमान लंबाई वाले अनुक्रमों की तुलना करने की अनुमति देता है, जो जीनोमिक विश्लेषण में एक आम चुनौती है।

परिणाम

फाइलोजेनेटिक सटीकता: फिश mtDNA डेटासेट पर लागू होने पर, PPN एल्गोरिदम ने बेंचमार्क की तुलना में 0.64 का nRF अंतर और 0.2602 का nQD उत्पन्न किया। इस पद्धति का उपयोग स्तनधारियों (41 प्रजातियां) और विभिन्न बैक्टीरिया उपभेदों (E. Coli/Shigella, Yersinia) के लिए फाइलोजेनेटिक पेड़ बनाने के लिए भी सफलतापूर्वक किया गया।
कम्प्यूटेशनल प्रदर्शन:
- रनटाइम: पांच पूर्ण जीनोम अनुक्रमों (स्तनधारी, इन्फ्लुएंजा, राइनो, इबोला, कोरोना) पर परीक्षणों में, PPN ने CD-MAWS और Co-phylog की तुलना में प्रतिस्पर्धी या बेहतर गति प्रदर्शित की। उदाहरण के लिए, स्तनधारी डेटासेट पर, PPN ने 0.052 मिनट लिए जबकि Co-phylog ने 0.151 मिनट लिए।
- स्केलेबिलिटी: 100 से 900 प्रजातियों (प्रत्येक 50,000 न्यूक्लियोटाइड्स के साथ) के सिम्युलेटेड डेटासेट पर, PPN ने दो बेंचमार्क AF एल्गोरिदम की तुलना में कम औसत रनिंग टाइम और कम पीक मेमोरी खपत बनाए रखी।
- बड़े पैमाने पर हैंडलिंग: एल्गोरिदम ने Zea mays क्रोमोसोम (~~30.7 मिलियन न्यूक्लियोटाइड्स) और Oryza sativa क्रोमोसोम (~~4.3 मिलियन न्यूक्लियोटाइड्स) के बीच तुलना को सफलतापूर्वक संसाधित किया, जिसने एक मानक सर्वर कॉन्फ़िगरेशन पर 33.68 मिनट में दूरी की गणना पूरी की और 20.24 GB का पीक मेमोरी उपयोग किया।

महत्व और दावे
लेखक दावा करते हैं कि PPN एल्गोरिदम कम्प्यूटेशनल रूप से कुशल है, जो रैखिक समय जटिलता प्रदर्शित करता है और मौजूदा प्रसिद्ध संरेखण-मुक्त उपकरणों की तुलना में काफी कम मेमोरी खपत करता है। इसकी "कॉम्पैक्ट" प्रतिनिधित्व बनाने की क्षमता वास्तविक रनिंग टाइम को कम करती है जबकि अभाज्य गुणनखंडन की गणितीय विशिष्टता के माध्यम से न्यूक्लियोटाइड्स के स्थानीय वितरण की जानकारी को सुरक्षित रखती है।

यह विधि यह सुनिश्चित करती है कि इसका वेक्टर प्रतिनिधित्व मशीन लर्निंग मॉडल में फीचर एक्सट्रैक्शन के लिए उपयुक्त है। अध्ययन निष्कर्ष निकालता है कि यह विधि असमान लंबाई के अनुक्रमों की तुलना करने की समस्या को प्रभावी ढंग से दरकिनार करती है और बड़े पैमाने पर जीनोमिक समानता विश्लेषण के लिए एक तेज़, मेमोरी-कुशल विकल्प प्रदान करती है।

शोधपत्र का मुख्य विचार: एक पल में DNA फिंगरप्रिंट

यह गेम-चेंजर क्यों है

यह शोधपत्र क्या दावा नहीं करता है

इसी तरह के और पेपर