Automated in situ CryoET Structure Determination with a Self-Configuring Workflow
यह शोध पत्र एक स्वचालित ढांचे को प्रस्तुत करता है जो स्व-कॉन्फ़िगर करने वाले डीप-लर्निंग डिटेक्टर Octopi को मानकीकृत py2rely वर्कफ़्लो के साथ एकीकृत करता है ताकि न्यूनतम विशेषज्ञ हस्तक्षेप के साथ विविध जैविक नमूनों में उच्च-रिज़ॉल्यूशन (3–20 Å) इन सीटू क्रायो-इलेक्ट्रॉन टॉमोग्राफी संरचना निर्धारण को सक्षम बनाया जा सके।
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
प्रत्येक जीवित कोशिका के भीतर, आणविक मशीनों का एक व्यस्त शहर त्रि-आयामी रूप में संचालित होता है, जो प्रोटीन बनाता है, आनुवंशिक कोड की नकल करता है और सामग्रियों का परिवहन करता है। जीवन को इसके सबसे मौलिक स्तर पर कैसे समझा जाए, यह जानने के लिए वैज्ञानिकों को इन मशीनों को केवल अलग-थलग हिस्सों के रूप में नहीं, बल्कि उनके प्राकृतिक, भीड़भाड़ वाले वातावरण में मौजूद रूप में देखने की आवश्यकता है। वर्षों से, शोधकर्ता इन जमी हुई कोशिकाओं के तीन-आयामी स्नैपशॉट लेने के लिए क्रायो-इलेक्ट्रॉन टोमोग्राफी नामक तकनीक का उपयोग करते रहे हैं। यह विधि उन्हें कोशिकीय परिदृश्य के भीतर झांकने की अनुमति देती है, लेकिन उन कच्चे चित्रों को स्पष्ट, उच्च-रिज़ॉल्यूशन वाली संरचनाओं में बदलना एक कठिन, मैनुअल प्रक्रिया बनी हुई है। यह धुंधली तस्वीरों की एक लाइब्रेरी होने जैसा है जहाँ हर किताब थोड़ी अलग है; टेक्स्ट को पढ़ने के लिए, एक मानव विशेषज्ञ को सावधानीपूर्वक प्रत्येक किताब को चुनना होगा, उसे अन्य किताबों के साथ संरेखित करना होगा और हाथ से छवि को स्पष्ट करना होगा। इस बाधा ने वैज्ञानिकों द्वारा अध्ययन की जाने वाली संरचनाओं की संख्या को सीमित कर दिया है, जिससे कोशिकलीय दुनिया का एक बड़ा हिस्सा अनछुआ रह गया है।
चान ज़करबर्ग बायोहब के शोधकर्ताओं की एक टीम ने अब इस पूरी प्रक्रिया को स्वचालित करने के लिए एक प्रणाली विकसित की है, जो एक श्रम-साध्य कार्य को एक स्व-कॉन्फ़िगर करने योग्य वर्कफ़्लो में बदल देती है। उन्होंने दो मुख्य उपकरण विकसित किए हैं जो एक साथ काम करते हैं: एक जटिल कोशिकीय शोर में आणविक मशीनों को खोजने के लिए, और दूसरा उन खोजों से स्पष्ट संरचनाओं को जोड़ने के लिए। पहला उपकरण, जिसका नाम ऑक्टोपी (Octopi) है, एक बुद्धिमान डिटेक्टर के रूप में कार्य करता है। हर नए प्रयोग में उसे क्या खोजना है, यह सिखाने के लिए मनुष्य पर निर्भर रहने के बजाय, ऑक्टोपी परीक्षण और त्रुटि (trial and error) की एक विधि का उपयोग करता है ताकि वह अपने विशिष्ट डेटा का विश्लेषण करने के लिए अपनी आंतरिक सेटिंग्स को स्वचालित रूप से समायोजित कर सके। यह लक्ष्य अणु के आकार और संकेत को पहचानना सीखता है, भले ही वह अणु झिल्लियों या अन्य कोशिकीय मलबे से घिरा हो। एक बार जब ऑक्टोपी इन अणुओं के स्थानों की पहचान कर लेता है, तो दूसरा उपकरण, जिसे पाय2रली (py2rely) कहा जाता है, कार्यभार संभाल लेता है। यह प्रणाली पहचाने गए टुकड़ों को एकत्र करती है और उन्हें गणितीय रूप से संयोजित करती है, और एक स्पष्ट, त्रि-आयामी संरचना उभरने तक बार-बार चक्रों के माध्यम से छवि को परिष्कृत करती है।
शोधकर्ताओं ने इस स्वचालित प्रणाली का सत्रह विभिन्न कार्यों पर परीक्षण किया, जिसमें टेस्ट ट्यूब में शुद्ध अणु से लेकर जटिल, अखंड जीवाणु कोशिकाएं और मानव कोशिकाएं शामिल थीं। हर मामले में, यह प्रणाली बिना किसी मानव द्वारा सॉफ़्टवेयर को पुनर्गठित किए, काम करने में सफल रही। जब उन्होंने इसे छह अलग-अलग प्रकार के अणुओं वाले एक मानक बेंचमार्क डेटासेट पर लागू किया, तो स्वचालित डिटेक्टर ने उन लक्ष्यों को उतनी ही सटीकता से पाया जितनी कि हाल ही में एक अंतर्राष्ट्रीय प्रतियोगिता के शीर्ष प्रदर्शन करने वाले मानव-निर्मित मॉडलों ने की थी। इससे भी महत्वपूर्ण बात यह है कि इन स्वचालित निष्कर्षों से बनी संरचनाएं भी उतनी ही स्पष्ट थीं। कुछ लक्ष्यों के लिए, सिस्टम ने 3.0 एंगस्ट्रॉम (Å) का रिज़ॉल्यूशन प्राप्त किया, जो व्यक्तिगत परमाणुओं को देखने के लिए पर्याप्त विस्तृत स्तर है। अन्य चुनौतीपूर्ण मामलों में, जैसे कि कोशिका झिल्लियों से जुड़ी अणु, सिस्टम ने फिर भी 10 और 20 एंगस्ट्रॉम के बीच रिज़ॉल्यूशन के साथ संरचनाएं बनाने में सफलता प्राप्त की, जो जटिलताओं के समग्र आकार और प्रमुख विशेषताओं को प्रकट करती हैं।
सबसे महत्वपूर्ण उपलब्धियों में से एक कमजोर या अस्पष्ट सिग्नल वाले कठिन वातावरण को संभालने की प्रणाली की क्षमता थी। मानव कोशिकाओं में, शोधकर्ताओं ने सिस्टम को कोशिका द्रव में तैरते हुए राइबोसोम और कोशिका की आंतरिक झिल्लियों से जुड़े राइबोसोम के बीच अंतर करने के लिए कहा। केवल कुछ मैन्युअल रूप से लेबल किए गए उदाहरणों पर डिटेक्टर को प्रशिक्षित करके, सिस्टम ने दोनों समूहों और स्वयं झिल्लियों को एक साथ पहचानना सीख लिया। इसने सफलतापूर्वक दोनों आबादी को अलग किया और प्रत्येक के लिए स्पष्ट संरचनाएं बनाईं, यहाँ तक कि उस प्रोटीन कॉम्प्लेक्स को भी प्रकट किया जो झिल्ली से जुड़ा हुआ था और पिछले अध्ययनों में देखा गया था। इसी तरह, जीवाणु कोशिकाओं में, सिस्टम ने केवल कुछ प्रशिक्षण उदाहरणों का उपयोग करके घने जीवाणु साइटोप्लाज्म में बड़े प्रोटीन रिंग और वायरस जैसे कणों की पहचान की। इसने नए, अनदेखे डेटासेट पर भी सामान्यीकरण किया, और बिना किसी और ट्यूनिंग के विभिन्न प्रकार के सेल प्रेप्स पर सही ढंग से काम किया।
अध्ययन ने यह भी प्रदर्शित किया कि यह स्वचालित दृष्टिकोण पिछले परिणामों में सुधार कर सकता है। जब टीम ने एक प्रतियोगिता के डेटा पर अपने स्वचालित संरचना-निर्माण वर्कफ़्लो को लागू किया, तो परिणामी छवियां मूल रूप से प्रकाशित छवियों की तुलना में काफी अधिक स्पष्ट थीं। उदाहरण के लिए, एक राइबोसोम संरचना जिसे पहले 6.8 एंगस्ट्रॉम पर हल किया गया था, उसे केवल नए, सुसंगत प्रसंस्करण चरणों का उपयोग करके 3.7 एंगस्ट्रॉम तक सुधारा गया। यह सुझाव देता है कि पिछली सीमाएं डेटा के कारण नहीं, बल्कि विश्लेषण की मैनुअल और परिवर्तनशील प्रकृति के कारण थीं। शोधकर्ताओं ने पाया कि सिस्टम बहुत कम जानकारी से भी सीख सकता है; एक कठिन लक्ष्य के लिए, केवल पचास मैन्युअल रूप से चिह्नित उदाहरणों पर प्रशिक्षित मॉडल एक उच्च गुणवत्ता वाली संरचना उत्पन्न करने के लिए पर्याप्त था।
हालांकि यह प्रणाली अत्यधिक प्रभावी है, शोधकर्ताओं ने एक क्षेत्र की ओर ध्यान आकर्षित किया जहां अभी भी मानवीय हस्तक्षेप की आवश्यकता थी। सिनैप्टिक वेसिकल्स में पाए जाने वाले एक विशिष्ट प्रोटीन कॉम्प्लेक्स के लिए, स्वचालित वर्कफ़्लो को कणों के सबसे अच्छे समूह को चुनने और विश्लेषण मास्क को समायोजित करने के लिए एक मानव की आवश्यकता थी। यह अपवाद इस बात को रेखांकित करता है कि हालांकि सिस्टम अधिकांश परिदृश्यों को संभाल सकता है, सबसे जटिल झिल्ली-संबंधित लक्ष्यों को अभी भी विशेषज्ञ पर्यवेक्षण की आवश्यकता होती है। फिर भी, इस परियोजना की समग्र सफलता इस बात को सिद्ध करती है कि कच्चे डेटा से परमाणु संरचना तक एक सामान्य, स्वचालित मार्ग अब संभव है। कच्चे डेटा से कण चयन और कस्टम वर्कफ़्लो असेंबली की आवश्यकता को हटाकर, यह नया ढांचा विविध प्रकार की कोशिकीय संरचनाओं का अध्ययन करने के लिए द्वार खोलता है, जो पहले असंभव था, जिससे वैज्ञानिक अभूतपूर्व गति और निरंतरता के साथ जीवन की आणविक मशीनरी का मानचित्रण कर सकते हैं।
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।