Seq2DomML: Protein Domain Boundary Prediction from Bacterial Protein Sequences Using a Machine Learning Framework

प्रोटीन जीवन के कार्यवाहक हैं, सूक्ष्म आणविक मशीनें जो जटिल आकृतियों में मुड़कर कोशिका के भीतर प्रत्येक कार्य को पूरा करती हैं। एक प्रोटीन कैसे काम करता है, यह समझने के लिए वैज्ञानिकों को अक्सर इसके आकार का अत्यंत विस्तार से अध्ययन करने की आवश्यकता होती है, एक ऐसी प्रक्रिया जिसमें आमतौर पर प्रोटीन को अलग करना और क्रिस्टलीकृत करना आवश्यक होता है। हालाँकि, कई प्रोटीन इतने लंबे या इतने लचीले होते हैं कि उन्हें एक ही टुकड़े में नहीं पढ़ा जा सकता। वे अक्सर कई अलग-अलग, स्थिर इकाइयों से बने होते हैं जिन्हें 'डोमेन' कहा जाता है, जो लचीले, संरचनाहीन क्षेत्रों से जुड़े होते हैं जो कब्जों या स्पेसर्स (spacers) के रूप में कार्य करते हैं। एक एकल डोमेन की स्पष्ट तस्वीर पाने के लिए, शोधकर्ताओं को सही स्थानों पर प्रोटीन को काटना पड़ता है, यानी लचीले हिस्सों को हटाते हुए स्थिर हिस्सों को बरकरार रखना पड़ता है। इन कटने वाले बिंदुओं को खोजना कठिन है क्योंकि प्रोटीन को कहाँ से काटा जाए, इसके निर्देश उसके अमीनो एसिड के अनुक्रम (sequence) में छिपे होते हैं, और ज्ञात 3D संरचना के बिना, यह बिना कभी कागज के अनफोल्ड होने को देखे, एक मुड़े हुए कागज के हवाई जहाज के सीम (seams) खोजने जैसा है।

द दशकों तक, वैज्ञानिक प्रोटीन के अनुक्रम की तुलना ज्ञात, अच्छी तरह से अध्ययन किए गए प्रोटीनों की लाइब्रेरी से करके यह अनुमान लगाने के लिए डेटाबेस पर निर्भर रहे हैं कि ये डोमेन कहाँ हो सकते हैं। यह दृष्टिकोण तब अच्छा काम करता है जब प्रोटीन लाइब्रेरी में मौजूद किसी चीज़ के समान होता है, लेकिन यह नए या असामान्य प्रोटीनों के लिए पूरी तरह विफल हो जाता है जिनका कोई ज्ञात संबंधी नहीं है। विल्फ्रेड लॉरियर यूनिवर्सिटी के शोधकर्ताओं ने 'Seq2DomML' नामक एक नया टूल विकसित किया है जो इस सीमा को दरकिनार करता है। ज्ञात प्रोटीनों की लाइब्रेरी में मिलान खोजने के बजाय, यह नई प्रणाली अनुक्रम में उन सूक्ष्म रासायनिक और भौतिक पैटर्न को पहचानना सीखती है जो स्थिर डोमेन और लचीले लिंकर्स के बीच की सीमाओं का संकेत देते हैं। हजारों बैक्टीरिया के प्रोटीनों पर, जिनकी संरचनाएं पहले से ज्ञात हैं, एक कंप्यूटर मॉडल को प्रशिक्षित करके, शोधकर्ताओं ने एक ऐसी प्रणाली बनाई जो केवल अपने अमीनो एसिड अनुक्रम के आधार पर भविष्यवाणी कर सकती है कि प्रोटीन को कहाँ से काटा जाए, भले ही वह प्रोटीन पहले कभी न देखा गया हो।

शोधकर्ताओं ने शुरुआत में बैक्टीरिया के प्रोटीनों का एक विशाल डेटासेट एकत्र किया जिनके संरचनाओं को एक्स-रे क्रिस्टलोग्राफी (X-ray crystallography) का उपयोग करके हल किया गया था—एक ऐसी तकनीक जो परमाणुओं की सटीक 3D व्यवस्था को प्रकट करती है। उन्होंने इस सूची को उन प्रोटीनों को हटाने के लिए फ़िल्टर किया जो एक-दूसरे के बहुत समान थे या विशिष्ट समूहों से संबंधित थे जो अलग तरह से व्यवहार करते हैं, जिससे उनके पास लगभग 7,600 अद्वितीय प्रोटीन श्रृंखलाएं बचीं। प्रत्येक श्रृंखला के लिए, उन्होंने एक विश्वसनीय संरचनात्मक डेटाबेस का उपयोग करके प्रत्येक अमीनो एसिड को या तो एक स्थिर डोमेन के हिस्से के रूप में या एक लचीले क्षेत्र (जैसे कि लिंकर या टेल) के रूप में चिह्नित किया। इन सीमाओं को कंप्यूटर के लिए सीखने में आसान बनाने के लिए, उन्होंने लचीले क्षेत्रों के चिह्नों को थोड़ा विस्तारित किया, उन्हें एकल बिंदुओं के बजाय छोटे स्ट्रेच के रूप में माना।

इसके बाद, टीम ने अमीनो एसिड के कच्चे अनुक्रम को हर स्थिति के लिए संख्यात्मक विवरणों के एक समृद्ध सेट में अनुवादित किया। उन्होंने इसमें शामिल किया कि प्रत्येक अमीनो एसिड की रासायनिक प्रकृति क्या है, श्रृंखला के भीतर उसका स्थान क्या है, और वह अपने पड़ोसियों के साथ कैसे परस्पर क्रिया कर सकता है। इसके परिणामस्वरूप प्रत्येक एकल अमीनो एसिड के लिए लगभग 2,400 विभिन्न विशेषताएं प्राप्त हुईं। इस जटिलता को प्रबंधित करने के लिए, शोधकर्ताओं ने सबसे उपयोगी विशेषताओं को चुनने के लिए दो-चरणीय प्रक्रिया का उपयोग किया। पहले, उन्होंने उन विशेषताओं को हटाया जो अनावश्यक या अप्रासंगिक थीं। फिर, उन्होंने एक 'इवोल्यूशनरी एल्गोरिदम' (evolutionary algorithm) का उपयोग किया—एक ऐसी विधि जो प्राकृतिक चयन की नकल करती है—जिसने विशेषताओं के हजारों विभिन्न संयोजनों का परीक्षण किया ताकि उस विशिष्ट सेट को खोजा जा सके जो कंप्यूटर को सबसे सटीक भविष्यवाणियां करने की अनुमति देता है।

उनके सिस्टम का मूल एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे 'बाइडायरेक्शनल लॉन्ग शॉर्ट-टर्म मेमोरी' (bidirectional long short-term memory) मॉडल कहा जाता है। यह मॉडल अनुक्रमों को प्रोसेस करने के लिए डिज़ाइन किया गया है, जिससे यह समझने में सक्षम होता है कि किसी विशिष्ट अमीनो एसिड की पहचान केवल उसके निकटतम पड़ोसियों पर ही नहीं, बल्कि पूरी श्रृंखला के व्यापक संदर्भ पर भी निर्भर करती है। मॉडल को यह भविष्यवाणी करने के लिए प्रशिक्षित किया गया था कि प्रत्येक अमीनो एसिड एक स्थिर डोमीन या एक लचीले क्षेत्र से संबंधित है। यह ध्यान देने के लिए कि लचीले क्षेत्र स्थिर डोमेन की तुलना में बहुत कम होते हैं, शोधकर्ताओं ने प्रशिक्षण प्रक्रिया को इन कठिन-से-खोजने वाले सीमाओं पर अतिरिक्त ध्यान देने के लिए समायोजित किया। व्यापक परीक्षण और ट्यूनिंग के बाद, वे एक ऐसे कॉन्फ़िगरेशन पर पहुँचे जिसने सभी लचीले क्षेत्रों को खोजने और स्थिर भागों को गलती से लचीला लेबल करने के बीच संतुलन बनाया।

जब टीम ने अपने नए टूल का परीक्षण उन प्रोटीनों के सेट पर किया जिन्हें इसने पहले कभी नहीं देखा था, तो परिणाम उत्साहजनक थे। मॉडल ने उच्च स्तर की सटीकता के साथ डोमेन सीमाओं की सफलतापूर्वक पहचान की, और उन स्थापित उपकरणों से बेहतर प्रदर्शन किया जो अनुक्रमों की ज्ञात परिवारों से तुलना करने पर निर्भर करते हैं। पुराने उपकरण हर संभावित लचीले क्षेत्र को खोजने में बेहतर थे, लेकिन वे अक्सर प्रोटीन के स्थिर, मुड़े हुए हिस्सों को लचीला लेबल करने की गलती करते थे, जिससे यदि कोई वैज्ञानिक वहां प्रोटीन काटने की कोशिश करता है तो खराब प्रयोगात्मक परिणाम मिलते। इसके विपरीत, Seq2DomML बहुत अधिक चयनात्मक था, जिसने स्थिर डोमेन और लचीले लिंकर्स को अधिक सटीकता के साथ सही ढंग से पहचाना। इसका अर्थ यह है कि जब कोई वैज्ञानिक प्रोटीन को काटने का निर्णय लेने के लिए इस टूल का उपयोग करता है, तो उसके द्वारा एक कार्यात्मक इकाई को गलती से नष्ट करने की संभावना कम होती है।

शोधकर्ताओं ने यह भी देखा कि उनके भविष्यवाणियों के परिणाम वास्तविक 3D प्रोटीन संरचनाओं पर मैप किए जाने पर कैसे दिखते हैं। उन मामलों में जहाँ अन्य उपकरण किसी डोमेन को पहचानने में विफल रहे क्योंकि उसका कोई ज्ञात संबंधी नहीं था, Seq2DomML ने स्थिर, मुड़े हुए क्षेत्रों की सही पहचान की। एक उदाहरण में, मौजूदा उपकरणों ने प्रोटीन के एक बड़े हिस्से को संरचनाहीन और बेकार के रूप में देखा, जबकि नए मॉडल ने इसे एक अलग, स्थिर डोमेन के रूप में सही ढंग से पहचाना। यह सुझाव देता है कि टूल उन अनुक्रमों में भी व्यवस्था खोज सकता है जिन्हें अन्य विधियाँ यादृच्छिक या संरचनाहीन मानकर खारिज कर देती हैं। मॉडल हमेशा डोमेन की संख्या को सटीक नहीं कर पाया, लेकिन इसने वर्तमान मानक विधियों की तुलना में कट लगाने के लिए एक अधिक संतुलित और विश्वसनीय मार्ग प्रदान किया।

अध्ययन यह निष्कर्ष निकालता है कि यह अनुक्रम-आधारित दृष्टिकोण प्रोटीन प्रयोगों को डिजाइन करने का एक मूल्यवान नया तरीका प्रदान करता है, विशेष रूप से उन प्रोटीनों के लिए जो कम समझे जाते हैं या जिनके ज्ञात संबंधी नहीं हैं। स्थिर डोमेन कहाँ समाप्त होते हैं और लचीले क्षेत्र कहाँ शुरू होते हैं, इसकी अधिक सटीक मानचित्रण प्रदान करके, यह टूल वैज्ञानिकों को सही प्रोटीन अंश खोजने के लिए आवश्यक विफल प्रयोगों की संख्या को कम करके समय और संसाधनों को बचाने में मदद कर सकता है। शोधकर्ता नोट करते हैं कि हालांकि यह मॉडल एक महत्वपूर्ण कदम है, भविष्य का कार्य सीमाओं का पता लगाने की इसकी क्षमता को परिष्कृत करने और यह परीक्षण करने पर केंद्रित होगा कि क्या यह बैक्टीरिया से परे अन्य जीवों के प्रोटीनों पर भी समान रूप से काम करता है। अंतिम लक्ष्य प्रोटीन संरचनाओं को हल करने की प्रक्रिया को अधिक कुशल बनाना है, जिससे वैज्ञानिकों को जीवन की मशीनरी को समझने में मदद मिल सके, भले ही उनके ब्लूप्रिंट गायब हों।