What Knowledge Can Be Extracted from Single-Cell Data? An Empirical Analysis of Donor-Robust Cell-Type Annotation

कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य को सुलझाने की कोशिश कर रहे हैं, लेकिन आप किसी एक अपराध स्थल को देखने के बजाय, पूरे शहर में बिखरे हुए हजारों छोटे-छोटे सुरागों को देख रहे हैं। जीव विज्ञान की दुनिया में, ये सुराग कोशिकाएं (cells) हैं, और रहस्य यह पता लगाना है कि प्रत्येक कोशिका वास्तव में किस प्रकार की कोशिका है। लंबे समय तक, वैज्ञानिकों ने कोशिकाओं के एक ढेर को मिला हुआ देखा, जैसे कि एक फ्रूट स्मूदी, जिससे यह अनुमान लगाया जा सके कि इसके अंदर क्या है। लेकिन एक नई तकनीक, जिसे सिंगल-सेल आरएनए सीक्वेंसिंग (single-cell RNA sequencing) कहा जाता है, ने खेल बदल दिया। यह वैज्ञानिकों को हर एक कोशिका को व्यक्तिगत रूप से देखने की अनुमति देती है, जैसे कि स्मूथी के हर टुकड़े को अलग-अलग चखना। यह विविधता की एक छिपी हुई दुनिया को प्रकट करता है, यह दिखाते हुए कि भले ही वे एक ही अंग में रहते हों, सभी कोशिकाएं एक समान नहीं होती हैं।

हालाँकि, इस जासूसी कार्य में एक पेचीदा हिस्सा है। जब वैज्ञानिक इन कोशिकाओं को पहचानने के लिए एक कंप्यूटर को प्रशिक्षित करते हैं, तो वे अक्सर अपने डेटा को यादृच्छिक (random) रूप से विभाजित करते हैं, जैसे ताश की गड्डी को फेंटकर कुछ कार्ड "ट्रेनिंग" ढेर के लिए और कुछ "टेस्ट" ढेर के लिए बांट देना। समस्या यह है कि यदि एक ही व्यक्ति की कोशिकाएं दोनों ढेरों में मौजूद हैं, तो कंप्यूटर केवल उस विशिष्ट व्यक्ति की अनूठी "आवाज़" को याद कर सकता है, बजाय इसके कि वह उन सार्वभौमिक नियमों को सीखे जो एक "हृदय कोशिका" या "यकृत कोशिका" को बनाते हैं। यह बिल्कुल वैसा ही है जैसे कोई शिक्षक आपको केवल उन्हीं सवालों पर टेस्ट करे जो आपने पहले ही अपने होमवर्क में देखे हैं; आप एक बेहतरीन स्कोर तो प्राप्त कर लेंगे, लेकिन वास्तव में आप विषय को नहीं जान पाएंगे। यह शोध एक महत्वपूर्ण प्रश्न पूछता है: यदि हम कंप्यूटर का परीक्षण एक पूरी तरह से नए व्यक्ति पर करते हैं जिसे उसने पहले कभी नहीं देखा है, तो क्या वह अभी भी जानता है कि वह क्या कह रहा है, या वह बिखर जाता है?

---

द ग्रेट सेल आइडेंटिटी टेस्ट (कोशिका पहचान की महान परीक्षा)

इस अध्ययन में, लियू चेन (Liu Chen) नामक एक शोधकर्ता ने मानव अग्नाशयी कोशिकाओं (pancreatic cells) के एक विशिष्ट डेटासेट का उपयोग करके इस विचार को परखने का निर्णय लिया। अग्न्याशय (pancreas) को एक व्यस्त कारखाने के रूप में सोचें जो शरीर में शुगर को प्रबंधित करने के लिए विभिन्न प्रकार के श्रमिकों (कोशिकाओं) का उत्पादन करता है। अध्ययन ने चार अलग-अलग मानव दाताओं (donors) से इन कोशिकाओं में से 8,569 का अध्ययन किया। लक्ष्य यह देखना था कि क्या एक कंप्यूटर प्रोग्राम इन कोशिकाओं को (जैसे उन्हें "बीटा कोशिका" या "अल्फा कोशिका" के रूप में पहचानना) सही ढंग से लेबल कर सकता है, भले ही वह उस विशिष्ट व्यक्ति से कभी न मिला हो जिससे वह कोशिका आई है।

परीक्षण को निष्पक्ष बनाने के लिए, शोधकर्ता ने पहले डेटा को साफ किया। उन्होंने केवल उन्हीं कोशिका प्रकारों को रखा जो हर एक दाता में दिखने के लिए पर्याप्त सामान्य थे, जिसके परिणामस्वरूप 7,068 कोशिकाएं मिलीं जो छह मुख्य प्रकारों का प्रतिनिधित्व करती थीं: एक्टिवेटेड स्टेलेट (activated stellate), अल्फा, बीटा, डेल्टा, डक्टल (ductal), और गामा। इसके बाद उन्होंने कोशिकाओं को पहचानने के लिए दो सरल लेकिन स्मार्ट कंप्यूटर मॉडल प्रशिक्षित किए। एक मॉडल एक सावधान मुनीम की तरह था जो मल्टीनोमियल लॉजिस्टिक रिग्रेशन (multinomial logistic regression) का उपयोग कर रहा था, और दूसरा एक सरल "औसत" खोजने वाला मॉडल था जिसे कोसाइन-सेंट्रॉइड क्लासिफायर (cosine-centroid classifier) कहा जाता है।

शोधकर्ता ने यह देखने के लिए दो अलग-अलग प्रकार के परीक्षण चलाए कि ये मॉडल कितने प्रभावी ढंग से काम करते हैं:

1. "रैंडम शफल" टेस्ट (Random Shuffle Test): यह अधिकांश लोगों द्वारा किया जाने वाला मानक तरीका है। वे सभी चार दाताओं की सभी कोशिकाओं को एक साथ मिला देते हैं, उन्हें फेंटते हैं, और उन्हें ट्रेनिंग और टेस्टिंग समूहों में विभाजित करते हैं। इस परिदृश्य में, एक ही व्यक्ति की कोशिकाएं दोनों समूहों में समाप्त हो जाती हैं। यह ठीक वैसा ही है जैसे उसी पाठ्यपुस्तक का उपयोग करके पढ़ाई करना जिस पर आपकी परीक्षा ली जानी है।
2. "डोनर होल्ड-आउट" टेस्ट (Donor Hold-Out Test): यह अधिक सख्त और वास्तविक परीक्षण है। शोधकर्ता ने एक दाता की सभी कोशिकाओं को अलग रख दिया और उन्हें "टेस्ट" समूह के रूप में निर्धारित किया। कंप्यूटर को केवल अन्य तीन दाताओं पर प्रशिक्षित किया गया था। फिर, कंप्यूटर को चौथे व्यक्ति की कोशिकाओं की पहचान करनी थी जिसे उसने पहले कभी नहीं देखा था। यह उस विषय पर परीक्षा देने जैसा है जो आपने उस व्यक्ति के नोट्स पढ़े बिना दिया है।

परिणाम: एक छोटा अंतर, एक बड़ा सबक

परिणाम दोनों मामलों में आश्चर्यजनक रूपसे उच्च थे, लेकिन एक छोटा, दिलचस्प अंतर था।

जब कंप्यूटर का परीक्षण रैंडम शफल पद्धति का उपयोग करके किया गया, तो यह अविश्वसनीय रूप से सटीक था। लॉजिस्टिक रिग्रेशन मॉडल का स्कोर (जिसे मैक्रो-F1 कहा जाता है) 0.9898 था, और सेंट्रॉइड मॉडल का स्कोर 0.9853 था। ये संख्याएं 1.0 के पूर्ण स्कोर के बहुत करीब हैं, जिसका अर्थ है कि कंप्यूटर लगभग कभी गलत नहीं हुआ।

हालाँकि, जब शोधकर्ता ने डोनर होल्ड-आउट पद्धति (एक नए व्यक्ति पर परीक्षण) पर स्विच किया, तो स्कोर थोड़ा सा गिर गया। लॉजिस्टिक रिग्रेशन मॉडल गिरकर 0.9853 पर आ गया, और सेंट्रॉइड मॉडल 0.9831 पर गिर गया।

अंतर छोटा था—लॉजिस्टिक मॉडल के लिए केवल 0.0045—लेकिन यह सुसंगत था। यह हमें बताता है कि हालांकि कंप्यूटर ने सीखा कि एक "बीटा कोशिका" क्या होती है, लेकिन इसने थोड़ा बहुत उस "स्वाद" पर भी निर्भर किया जो उन लोगों का था जिन्हें वह पहले ही देख चुका था। एक नए व्यक्ति के सामने आने पर, यह अभी भी 98%+ सटीक था, लेकिन 99% सटीक नहीं था।

अध्ययन ने यह भी जांचा कि क्या उन जीन्स (genes) की संख्या मायने रखती है जिन्हें कंप्यूटर देख रहा था। उन्होंने 250 से लेकर 4,000 जीन्स तक का उपयोग करके परीक्षण किया। परिणाम लगभग एक समान रहे, जिससे यह सिद्ध हुआ कि कंप्यूटर को अपना काम करने के लिए सुरागों की विशाल सूची की आवश्यकता नहीं थी; इन कोशिकाओं की मुख्य विशेषताएं मजबूत और स्पष्ट हैं।

इसका क्या अर्थ है (और क्या नहीं है)

मुख्य निष्कर्ष यह है कि एक स्वस्थ अग्न्याशय में सामान्य, सुस्थापित कोशिका प्रकारों के लिए, हम जो "ज्ञान" निकालते हैं वह काफी मजबूत है। कंप्यूटर सीख सकता है कि बीटा कोशिका क्या है और एक नए व्यक्ति में इसे उच्च विश्वास के साथ पहचान सकता है। "रैंडम शफल" पद्धति हमें झूठ नहीं बोल रही थी; यह बस थोड़ी अधिक आशावादी थी, जो हमें एक ऐसा स्कोर दे रही थी जो वास्तविक दुनिया में मिलने वाले स्कोर से थोड़ा अधिक था।

हालाँकि, लेखक इस निष्कर्ष की सीमाओं के बारे में बहुत सावधान हैं। इस अध्ययन में केवल छह प्रचुर कोशिका प्रकारों को एक एकल अध्ययन में एक विशिष्ट तकनीक का उपयोग करके देखा गया। यह यह सिद्ध नहीं करता है कि कंप्यूटर दुर्लभ कोशिकाओं, बीमारियों से पीड़ित लोगों की कोशिकाओं, या पूरी तरह से अलग प्रयोगशालाओं से आने वाली कोशिकाओं की आसानी से पहचान कर सकता है। वास्तव में, अध्ययन में पाया गया कि कंप्यूटर छोटे, दुर्लभ समूहों (जैसे गामा और डेल्टा कोशिकाएं) के साथ थोड़ा अधिक संघर्ष करता है, विशेष रूप से जब उन समूहों के पास किसी विशिष्ट दाता में बहुत कम कोशिकाएं होती हैं।

इसलिए, जबकि हम इस बात पर आश्वस्त हो सकते हैं कि हम विभिन्न लोगों में अग्नाशयी कोशिका कारखाने के "बड़े खिलाड़ियों" को विश्वसनीय रूप से पहचान सकते हैं, हमें यह नहीं मानना चाहिए कि यह हर कोशिका प्रकार या हर चिकित्सा स्थिति के लिए काम करेगा। सबक यह है कि जब भी वैज्ञानिक दावा करते हैं कि उन्होंने जीव विज्ञान में एक नया नियम खोजा है, तो उन्हें इस बात के बारे में स्पष्ट होना चाहिए कि उन्होंने किस और क्या का परीक्षण किया है। सिर्फ इसलिए कि एक कंप्यूटर प्रयोगशाला प्रयोग में एक कोशिका को पहचान सकता है, इसका मतलब यह नहीं है कि यह कल एक अस्पताल में पूरी तरह से काम करेगा, लेकिन इन विशिष्ट, सामान्य कोशिकाओं के लिए, नियम काफी हद तक कायम रहते हैं।