EIHR-PROT: Explicitly Modelling of Homology Reliability for Protein Function Prediction

प्रोटीन वे आणविक मशीनें हैं जो जीवन को चलाए रखती हैं, और वे ऐसे कार्यों को अंजाम देती हैं जो कोशिका संरचनाओं के निर्माण से लेकर हमारे शरीर को शक्ति देने वाली रासायनिक प्रतिक्रियाओं को उत्प्रेरित करने तक विस्तृत हैं। किसी विशिष्ट प्रोटीन के कार्य को समझने के लिए, वैज्ञानिक अक्सर इसके अमीनो एसिड अनुक्रम (sequence) को देखते हैं, जो उन अनूठे निर्माण खंडों की एक श्रृंखला है जिससे वह बना है। दशकों तक, किसी प्रोटीन के कार्य का अनुमान लगाने का सबसे विश्वसनीय तरीका एक ऐसे अन्य प्रोटीन को खोजना था जिसका अनुक्रम पहले से अध्ययन किए गए प्रोटीन के बहुत समान हो; यदि वे एक जैसे दिखते थे, तो वे संभवतः एक ही काम करते थे। यह विधि, जिसे होमोलॉजी (homology) कहा जाता है, तब बहुत प्रभावी ढंग से काम करती है जब वैज्ञानिक रिकॉर्ड में उनके करीबी संबंधी मौजूद हों। हालाँकि, जैसे-जैसे शोधकर्ता जीवन की विशाल विविधता का अन्वेषण कर रहे हैं, वे तेजी से ऐसे प्रोटीनों का सामना कर रहे हैं जो ज्ञात प्रोटीनों से इतने भिन्न हैं कि ये पारंपरिक तुलनाएँ विफल हो जाती हैं। हाल के वर्षों में, लाखों प्रोटीन अनुक्रमों पर प्रशिक्षित कृत्रिम बुद्धिमत्ता (AI) मॉडल शक्तिशाली उपकरणों के रूप में उभरे हैं, जो उन सूक्ष्म पैटर्न और विकासवादी सुरागों को पहचानने में सक्षम हैं जिन्हें सरल अनुक्रम मिलान (sequence matching) नहीं देख पाता। फिर भी, एक अनसुलझा प्रश्न बना हुआ है: जब एक नया प्रोटीन सामने आता है, तो क्या हमें 'समान दिखने वाले' को खोजने की पुरानी विधि पर भरोसा करना चाहिए, या पैटर्न पहचान की नई विधि पर, या शायद दोनों के संयोजन पर?

नाइजीरिया के कवेनेंट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस प्रश्न का उत्तर देने के लिए एक नया दृष्टिकोण विकसित किया है, जिससे एक ऐसी प्रणाली बनाई गई है जो केवल एक विधि को दूसरी पर चुनने के बजाय यह सीखती है कि कब किस पर भरोसा करना है। वे अपने इस ढांचे को EIHR-PROT कहते हैं। दोनों प्रकार के साक्ष्यों को संयोजित करने के लिए कोई निश्चित नियम थोपने के बजाय, उनका मॉडल एक स्मार्ट फिल्टर की तरह कार्य करता है जो प्रत्येक प्रोटीन के परीक्षण के लिए "समान दिखने वाले" मिलानों की गुणवत्ता का मूल्यांकन करता है। यदि सिस्टम अपने डेटाबेस में एक बहुत मजबूत, करीबी मिलान पाता है, तो यह पारंपरिक साक्ष्य पर अधिक झुकाव रखता है। यदि मिलान कमजोर, दूर के या गैर-मौजूद हैं, तो सिस्टम स्वतः ही अपना विश्वास उस एआई मॉडल पर स्थानांतरित कर देता है, जो लाखों प्रोटीनों के अध्ययन से सीखे गए गहरे पैटर्न पर निर्भर करता है। यह गतिशील समायोजन मॉडल को कमजोर समानताओं पर आँख मूंदकर भरोसा करने की खामियों से बचने में मदद करता है, जबकि विश्वसनीय होने पर उनका लाभ उठाने में भी सक्षम बनाता है।

शोधकर्ताओं ने अपने सिस्टम को दो मुख्य सूचना धाराओं (streams) का उपयोग करके बनाया है। पहली धारा ESM-2 नामक एक परिष्कृत भाषा मॉडल से आती है, जिसे प्रोटीन के जैविक व्याकरण को समझने के लिए प्रोटीन अनुक्रमों के एक विशाल संग्रह पर प्रशिक्षित किया गया है। यह मॉडल प्रोटीन के अनुक्रम को एक गणितीय प्रतिनिधित्व में बदल देता है जो इसके छिपे हुए संरचनात्मक और कार्यात्मक गुणों को समाहित करता है। दूसरी धारा एक मानक खोज उपकरण से आती है जो ज्ञात प्रोटीनों के डेटाबेस में समान अनुक्रमों की तलाश करता है। नवाचार इस बात में निहित है कि इन दोनों धाराओं को कैसे जोड़ा गया है। शोधकर्ताओं ने एक "गेटिंग" (gating) तंत्र जोड़ा है जो डेटाबेस मिलानों की गुणवत्ता के बारे में विशिष्ट संकेतों का परीक्षण करता है, जैसे कि प्रोटीन अनुक्रम का कितना हिस्सा संरेखित (align) होता है और मिलान का सांख्यिकीय स्कोर कितना मजबूत है। इन संकेतों के आधार पर, यह गेट तय करता है कि उस विशिष्ट प्रोटीन के लिए डेटाबेस मिलान को बनाम एआई भविष्यवाणी को कितना भार (weight) दिया जाए।

जब टीम ने ज्ञात कार्यों वाले प्रोटीनों के एक बड़े सेट पर इस प्रणाली का परीक्षण किया, तो परिणामों ने दिखाया कि यह अनुकूलन योग्य दृष्टिकोण साक्ष्य को संयोजित करने के लिए निश्चित नियमों का उपयोग करने वाले मौजूदा तरीकों से बेहतर प्रदर्शन करता है। मॉडल ने प्रोटीन कार्यों की तीन प्रमुख श्रेणियों की भविष्यवाणी करने में उच्च सटीकता प्राप्त की: प्रोटीन किन जैविक प्रक्रियाओं में शामिल है, यह किन आणविक कार्यों को करता है, और कोशिका के भीतर कहाँ स्थित है। इन परीक्षणों में, सिस्टम ने उच्च स्तर की सटीकता के साथ प्रोटीनों के कार्यों की सही पहचान की, और उन अग्रणी तरीकों को पीछे छोड़ दिया जो अनुक्रम और होमोलॉजी डेटा को मिलाते हैं। शोधकर्ताओं ने पाया कि सुधार सबसे अधिक जैविक प्रक्रियाओं की भविष्यवाणी करते समय दिखाई दिया, जो एक जटिल क्षेत्र है जहाँ पारंपरिक मिलानों की विश्वसनीयता बहुत अधिक भिन्न हो सकती है। होमोलॉजी साक्ष्य की विश्वसनीयता को स्पष्ट रूप रूप से मॉडल करके, सिस्टम ने उन शोर वाले या भ्रामक मिलानों को अनदेखा करना सीख लिया जो एक सरल मॉडल को भ्रमित कर सकते थे।

यह समझने के लिए कि यह इतना अच्छा क्यों काम कर रहा था, शोधकर्ताओं ने प्रयोग किए जहाँ उन्होंने अपने सिस्टम के विशिष्ट हिस्सों को हटा दिया। जब उन्होंने मिलानों की विश्वसनीयता का आकलन करने की क्षमता को हटा दिया, तो मॉडल का प्रदर्शन गिर गया, जिससे पुष्टि हुई कि स्मार्ट गेटिंग तंत्र ही इसकी सफलता की कुंजी थी। उन्होंने सिस्टम का परीक्षण उन प्रोटीनों के सेट पर भी किया जो प्रशिक्षण डेटाबेस में मौजूद किसी भी चीज़ से बहुत अलग थे, जो पूरी तरह से नई जैविक संस्थाओं की खोज का अनुकरण कर रहे थे। यहाँ तक कि इन कठिन मामलों में भी, जहाँ पारंपरिक तरीके अक्सर संघर्ष करते हैं, सिस्टम ने मजबूत प्रदर्शन बनाए रखा। यह सुझाव देता है कि मॉडल ने पारंपरिक "समान दिखने वाले" साक्ष्य पर भरोसा करने के बजाय प्रोटीन पैटर्न की अपनी गहरी समझ पर निर्भर रहने में सफलतापूर्वक महारत हासिल कर ली है। यह अध्ययन प्रदर्शित करता है कि प्रोटीन कार्य भविष्यवाणी का भविष्य अनिवार्य रूप से पुराने और नए तरीकों के बीच चयन करने की आवश्यकता नहीं है, बल्कि ऐसे सिस्टम बनाने की आवश्यकता है जो प्रत्येक अद्वितीय मामले के लिए उपलब्ध साक्ष्य को बुद्धिमानी से तौल सकें।

इस कार्य के निहितार्थ केवल एक परीक्षण पर बेहतर स्कोर प्राप्त करने से कहीं अधिक हैं। निर्णय लेने की प्रक्रिया को पारदर्शी बनाकर, यह प्रणाली वैज्ञानिकों को यह देखने की अनुमति देती है कि किसी दिए गए प्रोटीन के लिए डेटाबेस मिलान बनाम एआई भविष्यवाणियों पर कितना विश्वास रखा गया था। यह व्याख्यात्मकता (interpretability) उन शोधकर्ताओं के लिए महत्वपूर्ण है जिन्हें किसी भी कार्रवाई से पहले भविष्यवाणी के आधार को समझने की आवश्यकता होती है। लेखक बताते हैं कि जबकि उनका वर्तमान सिस्टम प्रोटीन अनुक्रमों को प्रभावी ढंग से संभालता है, भविष्य के संस्करणों में प्रोटीन संरचनाओं या इंटरेक्शन नेटवर्क जैसे अन्य प्रकार के जैविक डेटा को उसी लचीले तर्क का उपयोग करके शामिल किया जा सकता है। फिलहाल, यह शोध एक स्पष्ट मार्ग प्रदान करता है: एक ऐसा तरीका जो पारंपरिक जैविक ज्ञान के मूल्य का सम्मान करता है और आधुनिक कृत्रिम बुद्धिमत्ता की शक्ति को पूरी तरह से अपनाता है, और प्रत्येक प्रोटीन की विशिष्ट आवश्यकताओं के अनुसार अपनी रणनीति को अनुकूलित करता है।