XG-PUL: A Network-Based Framework for Disease Gene Prioritization Using Graph Representation Learning and Positive-Unlabeled Learning
यह शोध पत्र XG-PUL का प्रस्ताव करता है, जो एक सुदृढ़ मशीन लर्निंग फ्रेमवर्क है जो जैविक नेटवर्क में लेबल अनिश्चितता की चुनौती को संबोधित करने के लिए रोग-संबद्ध जीनों को प्रभावी ढंग से प्राथमिकता देने हेतु Node2Vec-आधारित ग्राफ प्रतिनिधित्व शिक्षण को बैगिंग-आधारित पॉजिटिव-अनलेबल क्लासिफायर के साथ संयोजित करता है।
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
मानव शरीर की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें। इस शहर में, प्रत्येक जीन एक नागरिक है, और वे जो प्रोटीन बनाते हैं, वे आपस में बात करने के लिए उपयोग किए जाने वाले उपकरण और संदेश हैं। ये बातचीत 'प्रोटीन-प्रोटीन इंटरेक्शन नेटवर्क' नामक कनेक्शनों का एक विशाल जाल बनाती है। कभी-कभी, कुछ नागरिक बीमार हो जाते हैं, और उनकी बुरी आदतें शहर में फैल जाती हैं, जिससे एक बीमारी पैदा होती है। वैज्ञानिक इन बीमार समूहों को "डिजीज मॉड्यूल" (रोग मॉड्यूल) कहते हैं। बड़ी चुनौती क्या है? हम कुछ "बुरे सेबों" (पुष्टि किए गए रोग जीन) के नाम तो जानते हैं, लेकिन हमें बाकी अन्यtroublemakers (समस्या पैदा करने वालों) के बारे में कोई जानकारी नहीं है। बाकी शहर की आबादी बस एक बड़ा, बिना लेबल वाला हुजूम है। यदि हम यह मानकर कि बाकी सब स्वस्थ हैं, यह अनुमान लगाने की कोशिश करते हैं कि कौन बीमार है, तो हम गलत हो सकते हैं क्योंकि उनमें से कुछ "स्वस्थ" लोग वास्तव में बीमार हैं लेकिन अभी तक पकड़े नहीं गए हैं। यह रोग जीन खोजने की पेचीदा पहेली है: जब आप निश्चित नहीं हो सकते कि कौन अच्छे लोग हैं, तो आप छिपे हुए शरारती तत्वों को कैसे ढूंढते हैं?
यहीं पर XG-PUL नामक एक नया टूल काम आता है, जो शहर के जाल के लिए एक सुपर-स्मार्ट जासूस की तरह काम करता है। शोधकर्ताओं, महदिये अयूमन और ज़हरा नरिमानी ने इस विशिष्ट समस्या को हल करने के लिए एक कंप्यूटर फ्रेमवर्क बनाया है। यह अनुमान लगाने के बजाय कि कौन स्वस्थ है, उन्होंने "पॉजिटिव-अनलेबल लर्निंग" (Positive-Unlabeled learning) नामक एक चतुर रणनीति का उपयोग किया। इसे "हॉट एंड कोल्ड" (गर्म और ठंडा) के खेल की तरह समझें। आप जानते हैं कि खजाना कहाँ है (पुष्टि किए गए रोग जीन), और आपके पास शहर का एक नक्शा है (प्रोटीन नेटवर्क), लेकिन आपको यह नहीं पता कि अन्य खजाने कहाँ छिपे हैं। XG-PUL पहले हर नागरिक के व्यक्तित्व को केवल यह देखकर सीखता है कि वे किसके साथ घूमते हैं और शहर में वे कितने केंद्रीय हैं, बिना यह जाने कि वे बीमार हैं या स्वस्थ। फिर, यह यह तय करने के लिए कि कौन सबसे अधिक संभावना के साथ बीमार समूह का हिस्सा है, जासूसों की एक टीम (क्लासिफायर्स का एक समूह) का उपयोग करता है। कई जासूसों को लोगों के थोड़े अलग समूहों को देखने देने और उनके वोटों को औसत निकालने से, सिस्टम छिपे हुए शरारती तत्वों को पहचानने में बहुत कुशल हो जाता है, भले ही वे स्वस्थ होने का ढोंग कर रहे हों।
टीम ने इस जासूस का परीक्षण स्तन कैंसर, सिज़ोफ्रेनिया और लिवर सिरोसिस सहित दस विभिन्न जटिल रोगों पर किया। उन्होंने XG-PUL की तुलना अन्य प्रसिद्ध तरीकों से की जिनका उपयोग वर्षों से किया जा रहा है। परिणाम उत्साहजनक थे: XG-PUL सबसे संभावित रोग जीन को सूची में शीर्ष पर रखने में बेहतर था। उदाहरण के लिए, स्तन कैंसर से संबंधित जीन की खोज करते समय, सिस्टम ने ज्ञात, जैविक रूप से महत्वपूर्ण जीनों को बिल्कुल शीर्ष के पास सफलतापूर्वक रखा, जिससे यह सिद्ध हुआ कि यह केवल रैंडम अनुमान नहीं लगा रहा था। इसने उन जीनों को भी खोजा जो विशिष्ट पथों (pathways) में शामिल हैं, जैसे कि वे जो यह नियंत्रित करते हैं कि कोशिकाएं आपस में कैसे बात करती हैं या प्रतिरक्षा प्रणाली कैसे लड़ती है।
हालाँकि, पेपर इस बात का दावा करने में सावधान है कि यह कोई जादुई समाधान नहीं है जो सब कुछ हल कर देता है। लेखक नोट करते हैं कि उनकी विधि शहर के वर्तमान मानचित्रों पर निर्भर करती है, जो अभी भी अधूरे हैं। यदि मानचित्र से एक पूरा मोहल्ला गायब है, तो जासूस वहां छिपे शरारती तत्वों को नहीं ढूंढ सकता। इसके अलावा, वर्तमान संस्करण पूरे शहर को एक इकाई के रूप में देखता है, बजाय विशिष्ट मोहल्लों (जैसे केवल मस्तिष्क या केवल यकृत) की जांच करने के, जिससे कुछ बहुत विशिष्ट विवरण छूट सकते हैं। लेकिन फिलहाल, XG-PUL सुझाव देता है कि शहर के नक्शे को पढ़ने के एक स्मार्ट तरीके को टीम-वोटिंग सिस्टम के साथ जोड़कर, हम जटिल रोगों के कारणों के बारे में नए सुराग ढूंढ सकते हैं, जिससे वैज्ञानिकों को अपने वास्तविक-दुनिया के प्रयोगों के लिए सबसे आशाजनक संदिग्धों पर ध्यान केंद्रित करने में मदद मिल सकती 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।