Automated dataset integrating structural and bioactivity data for structure-based drug discovery

कल्पना कीजिए कि आप एक रोबोट को एक नया ताला बनाने के लिए सिखाने की कोशिश कर रहे हैं जो एक विशिष्ट ताले में पूरी तरह से फिट हो जाए। चिकित्सा की दुनिया में, हमारे शरीर के भीतर के "ताले" वे प्रोटीन हैं जो बीमारियों का कारण बनते हैं, और "चाबियाँ" दवा के सूक्ष्म अणु होते हैं। दशकों से, वैज्ञानिक एक सुपर-स्मार्ट रोबोट (मशीन लर्निंग का उपयोग करके) बनाने की कोशिश कर रहे हैं जो केवल उनके आकार को देखकर यह सटीक भविष्यवाणी कर सके कि एक चाबी कितनी अच्छी तरह फिट होगी। लेकिन एक बहुत बड़ी समस्या है: रोबोट डेटा के लिए भूखा है, और उसे आवश्यक डेटा बिखरा हुआ है। कुछ वैज्ञानिकों के पास ताले का आकार है, दूसरों के पास चाबी के घूमने की माप है, लेकिन वे शायद ही कभी एक ही स्थान पर होते हैं। यह एक शेफ को एक आदर्श भोजन पकाने के लिए सिखाने जैसा है जब रेसिपी एक किताब में है, सामग्री की तस्वीर दूसरी किताब में है, और स्वाद परीक्षण के परिणाम तीसरी किताब में हैं। एक विशाल, संगठित पुस्तकालय के बिना जो ताले के आकार को चाबी की पकड़ की सटीक मजबूती से जोड़ता हो, रोबोट प्रभावी ढंग से सीख नहीं सकता।

यहीं से DockTData की कहानी शुरू होती है। ब्राजील के नेशनल लैबोरेटरी ऑफ साइंटिफिक कंप्यूटिंग के शोधकर्ताओं की एक टीम ने उस लापता पुस्तकालय को बनाने का निर्णय लिया। उन्होंने केवल कुछ रेसिपी ही नहीं जुटाईं; उन्होंने एक स्वचालित कारखाना बनाया जो इंटरनेट पर प्रोटीन तालों और ड्रग चाबियों के बारे में उपलब्ध हर जानकारी को खोजने, उन्हें आपस में जोड़ने और उन्हें एक एकल, विशाल डेटासेट में व्यवस्थित करने का काम करता है। इसे एक विशाल, डिजिटल "मैचमेकिंग" सेवा के रूप में सोचें। यह प्रोटीन डेटा बैंक (PDB) से प्रोटीनों के 3D ब्लूप्रिंट लेता है और उन्हें BindingDB और ChEMBL जैसे डेटाबेस से वास्तविक दुनिया के परीक्षण परिणामों से जोड़ता है। परिणाम के रूप में 24,719 अद्वितीय प्रोटीन-लिगैंड कॉम्प्लेक्स का एक खजाना मिलता है। यह केवल संख्याओं की सूची नहीं है; यह एक ऐसा संग्रह है जहाँ प्रत्येक दवा अणु सीधे अपने 3D संरचना और अपनी मापी गई मजबूती (कितनी मजबूती से वह बंधता है) से जुड़ा हुआ है, जिसे कंप्यूटर द्वारा एक साथ पढ़ा जा सके इसके लिए मानकीकृत किया गया है। इस डेटा को खुला और सभी के लिए मुफ्त बनाकर, लेखक आशा करते हैं कि वे अगली पीढ़ी के ड्रग-डिस्कवरी रोबोट्स को तेजी से और स्मार्ट तरीके से सीखने के लिए आवश्यक ईंधन प्रदान कर सकेंगे, जिससे उन बीमारियों के लिए नए उपचार मिल सकते हैं जिनका वर्तमान में कोई इलाज नहीं है।

पेपर का मुख्य मिशन: अंतिम ड्रग-डिजाइन लाइब्रेरी बनाना

यह पेपर DockTData को पेश करता है, जो एक नया, खुले रूप से उपलब्ध डेटासेट है जिसे "स्ट्रक्चर-बेस्ड ड्रग डिस्कवरी" को सशक्त बनाने के लिए डिज़ाइन किया गया है। सरल शब्दों में, यह लक्षित प्रोटीन के 3D आकार को देखकर यह पता लगाने की प्रक्रिया है कि कौन से अणु इसमें सबसे अच्छी तरह फिट होंगे। लेखकों ने इस डेटासेट को एक स्वचालित पाइपलाइन बनाकर बनाया है जो एक अत्यंत कुशल लाइब्रेरियन की तरह कार्य करता है। यह लाइब्रेरियन तीन विशाल स्रोतों—प्रोटीन डेटा बैंक (PDB), जो प्रोटीनों की 3D संरचनाओं को रखता है; BindingDB; और ChEMBL, जो प्रोटीनों से दवाओं के जुड़ने की माप को रखते हैं—से सब कुछ निकालता है और उन्हें एक साथ लाता है।

DockTData का जादू इस बात में है कि यह कैसे कड़ियों को जोड़ता है। इससे पहले, एक वैज्ञानिक के पास एक प्रोटीन की तस्वीर हो सकती थी जिसमें एक दवा चिपकी हुई थी, लेकिन उन्हें यह नहीं पता होता था कि वह बंधन कितना मजबूत था, या उन्हें शक्ति का माप किसी अन्य डेटाबेस में मिल सकता था बिना उस तस्वीर के। DockTData इसे 24,719 प्रोटीन-लिगैंड कॉम्प्लेक्स (उनके 3D स्ट्रक्चर के साथ "चाबियाँ") को 45,331 बायोएक्टिविटी मापों से सीधे जोड़कर हल करता है। इन मापों में Kd, Ki, IC50, और EC50 जैसे मान शामिल हैं, जो सभी इस बात के अलग-अलग तरीके हैं कि "यह दवा कितनी मजबूती से चिपकती है?" लेखकों ने इन सभी मानों को नैनोमोलर (nM) इकाइयों में मानकीकृत किया है, ताकि उनकी तुलना 'सेब से सेब' की तरह की जा सके।

उन्होंने यह कैसे किया: एक स्वचालित मैचमेकिंग मशीन

शोधकर्ताओं ने केवल कॉपी और पेस्ट नहीं किया; उन्होंने यह सुनिश्चित करने के लिए एक परिष्कृत प्रणाली बनाई कि मिलान एकदम सही हो। उन्होंने डेटा को साफ और विश्वसनीय बनाने के लिए कुछ चतुर तरीकों का उपयोग किया:

• प्रोटीन मिलान: उन्होंने प्रोटीन अनुक्रमों की तुलना करने के लिए MMseqs2 नामक टूल का उपयोग किया। उन्होंने एक नियम निर्धारित किया कि दवा परीक्षण से संबंधित प्रोटीन, 3D संरचना वाले प्रोटीन से कम से कम 85% समान होना चाहिए तभी उसे मिलान माना जाएगा। यह यह कहने जैसा है कि, "यदि ताला फोटो वाले ताले जैसा 85% समान दिखता है, तो हम मान लेंगे कि यह वही ताला है।" यह सीमा उपयोगी विविधताओं (जैसे एक ही प्रोटीन के थोड़े अलग संस्करण) को शामिल करने के लिए चुनी गई थी, बिना पूरी तरह से अलग प्रोटीनों को शामिल किए।
• ड्रग मिलान: दवा अणुओं के लिए, उन्होंने InChIKey का उपयोग किया। इसे हर रासायनिक संरचना के लिए एक अद्वितीय, 27-चरित्र वाला बारकोड समझें। प्रत्येक प्रविष्टि के लिए एक मानक टूल (RDKit) का उपयोग करके इन बारकोड की पुनर्गणना करके, उन्होंने यह सुनिश्चित किया कि एक ही दवा को अलग नामों से या छोटे, भ्रमित करने वाले अंतरों के साथ दो बार सूचीबद्ध न किया जाए।
• "एक चाबी, एक ताला" का नियम: वे युग्मन (pairing) के मामले में बहुत सख्त थे। यदि किसी प्रोटीन संरचना में एक ही समय में दो अलग-अलग दवाएं जुड़ी हुई थीं, तो उन्हें बाहर कर दिया गया। उन्होंने केवल उन्हीं कॉम्प्लेक्स को रखा जहाँ एक प्रोटीन संरचना के साथ ठीक एक दवा अणु जुड़ा था। यह कंप्यूटर मॉडल को प्रशिक्षित करते समय भ्रम को रोकने के लिए किया गया।

बॉक्स के अंदर क्या है?

परिणामस्वरूप डेटासेट सूचनाओं का एक विशाल संग्रह है, जो उपयोग में आसान तालिकाओं में व्यवस्थित है। यहाँ आपको क्या मिलता है:

• 24,719 अद्वितीय प्रोटीन-लिगैंड कॉम्प्लेक्स।
• 11,742 अलग-अलग दवा अणु (लिगेंड्स)।
• PDB से 17,732 अद्वितीय प्रोटीन संरचनाएं।
• 2,163 अलग-अलग प्रोटीन लक्ष्य ("ताले")।
• छोटे अणुओं (small molecules) (क्लासिक ड्रग प्रकार, जो 24,378 प्रविष्टियों का हिस्सा हैं), पेप्टाइड्स (271 प्रविष्टियाँ), और यहाँ तक कि कुछ ओलिगोसैकेराइड्स (70 प्रविष्टियाँ) का मिश्रण।

लेखक नोट करते हैं कि उनका छोटा-अणु संग्रह लोकप्रिय PDBbind संस्करण 2020 जनरल सेट के छोटे-अणु वाले हिस्से की तुलना में 46% बड़ा है, जिसमें 16,744 प्रविष्टियाँ थीं। इसका अर्थ है कि DockTData वैज्ञानिकों को उनके विचारों का परीक्षण करने के लिए एक काफी बड़ा मैदान प्रदान करता है।

यह क्यों महत्वपूर्ण है: केवल संख्याओं से कहीं अधिक

पेपर इस बात पर जोर देता है कि डेटा की गुणवत्ता और आकार ड्रग डिस्कवरी में मशीन लर्निंग के लिए सबसे बड़ी बाधाएं हैं। यदि आप एक छोटे, अव्यवस्थित डेटासेट पर रोबोट को प्रशिक्षित करते हैं, तो वह बुरी आदतें सीख लेगा। DockTData एक "स्वच्छ", बड़ा और अधिक पारदर्शी डेटासेट प्रदान करता है। क्योंकि लेखकों ने हर डेटा कहाँ से आया (इसका स्रोत या 'प्रोवेनेंस') उसका हिसाब रखा है, वैज्ञानिक किसी भी संख्या को उसके मूल स्रोत तक ट्रैक कर सकते हैं, त्रुटियों की जांच कर सकते हैं, और संदर्भ को समझ सकते हैं।

डेटासेट में विभिन्न प्रकार के माप शामिल हैं: 58.8% IC50 मान हैं, 20.3% Ki हैं, 11.3% Kd हैं, और 9.7% EC50 हैं। यह विविधता महत्वपूर्ण है क्योंकि माप के विभिन्न प्रकार यह बताते हैं कि एक दवा कैसे काम करती है। इन सभी को एक ही स्थान पर रखने और नैनोमोलर इकाइयों में मानकीकृत करने से, शोधकर्ता अपनी आवश्यकताओं के अनुसार विशिष्ट डेटा प्रकार चुन सकते हैं।

"नो-गो" ज़ोन: वह क्या है जिसे पेपर खारिज करता है

यह ध्यान रखना महत्वपूर्ण है कि DockTData क्या नहीं है। लेखक स्पष्ट रूप से कहते हैं कि वे उन संरचनाओं को शामिल नहीं करते हैं जो केवल कंप्यूटर द्वारा अनुमानित (जैसे Alphaform से) थीं और जिनके पास प्रयोगात्मक प्रमाण नहीं था। उन्होंने केवल उन्हीं संरचनाओं को शामिल किया है जिन्हें प्रयोगशाला में X-रे, NMR, या क्रायो-इलेक्ट्रॉन माइक्रोस्कोपी का उपयोग करके वास्तव में हल किया गया था। इसका अर्थ है कि यह डेटासेट पूरी तरह से प्रयोगात्मक वास्तविकता पर आधारित है, न कि कंप्यूटर सिमुलेशन पर।

इसके अलावा, पेपर अस्पष्ट युग्मों को खारिज करता है। यदि किसी प्रोटीन संरचना में कई अलग-अलग दवाएं जुड़ी हुई थीं, या यदि प्रोटीन अनुक्रम और दवा माप के बीच का लिंक बहुत कमजोर (85% पहचान सीमा से नीचे) था, तो उस डेटा को हटा दिया गया। लेखकों का तर्क है कि मशीन लर्निंग मॉडल को भ्रमित करने वाले "शोर" (noise) से बचने के लिए यह सख्ती आवश्यक है। वे यह भी नोट करते हैं कि हालांकि उनके पास बहुत सारा डेटा है, वे यह दावा नहीं कर रहे हैं कि उन्होंने ड्रग डिस्कवरी की समस्या को हल कर लिया है। इसके बजाय, वे एक बेहतर आधार प्रदान कर रहे हैं—एक "पारदर्शी, पुन: प्रयोज्य और निरंतर विस्तार योग्य संसाधन"—जिस पर अन्य लोग निर्माण कर सकें।

अंतिम निष्कर्ष

DockTData वैज्ञानिक समुदाय के लिए एक उपहार है। यह एक विशाल, संगठित और मुफ्त पुस्तकालय है जो प्रोटीनों के 3D आकार को दवाओं के परस्पर क्रिया की वास्तविक शक्ति से जोड़ता है। इस डेटा को इकट्ठा करने और साफ करने की प्रक्रिया को स्वचालित करके, लेखकों ने एक ऐसा संसाधन बनाया है जो कई पिछले संग्रहों की तुलना में बड़ा और अधिक विविध है। उन्होंने शोधकर्ताओं के लिए अधिक स्मार्ट AI मॉडल को प्रशिक्षित करना, प्रोटीन से दवाओं के जुड़ने के बारे में नए सिद्धांतों का परीक्षण करना और अंततः, नई दवाओं की खोज को तेज करना संभव बना दिया है। यह डेटासेट एक क्रिएटिव कॉमन्स एट्रिब्यूशन 4.0 इंटरनेशनल लाइसेंस के तहत उपलब्ध है, जिसका अर्थ है कि कोई भी इसका उपयोग कर सकता है, इसे साझा कर सकता है और इस पर निर्माण कर सकता है, जब तक कि वे श्रेय (credit) दें। यह ड्रग डिस्कवरी डेटा की अराजक दुनिया को मशीनों के लिए एक संरचित, सीखने योग्य भाषा में बदलने की दिशा में एक स्पष्ट कदम है।