CrcBiomeScreen: a reproducible workflow for class imbalance and cross-cohort generalisability in colorectal cancer microbiome prediction

कोलोरेक्टल कैंसर दुनिया भर में मृत्यु का एक प्रमुख कारण है, अक्सर इसलिए क्योंकि इसकी पहचान उपचार के पूरी तरह प्रभावी होने से बहुत पहले ही नहीं हो पाती। वर्तमान स्क्रीनिंग विधियाँ, जैसे कि मल में छिपे रक्त की तलाश करने वाले परीक्षण, मददगार तो हैं लेकिन दोषपूर्ण भी हैं; वे बीमारी के शुरुआती संकेतों को मिस कर सकती हैं या स्वस्थ लोगों को अनावश्यक और आक्रामक फॉलो-अप प्रक्रियाओं के लिए चिह्नित कर सकती हैं। हाल के वर्षों में, वैज्ञानिकों ने हमारे पेट में रहने वाले खरबों सूक्ष्म जीवों की ओर अपना ध्यान केंद्रित किया है, जिन्हें माइक्रोबायोम कहा जाता है। ये सूक्ष्मजीव समुदाय विशिष्ट रासायनिक संकेत छोड़ते हैं जो कैंसर या प्री-कैंसरस वृद्धि विकसित होने पर बदल जाते हैं। उम्मीद यह है कि इन सूक्ष्मजीव पैटर्न का विश्लेषण करके, डॉक्टर केवल रक्त परीक्षणों की तुलना में अधिक सटीक रूप से उच्च जोखिम वाले व्यक्तियों की पहचान कर सकेंगे। हालाँकि, इन जैविक संकेतों को एक विश्वसनीय चिकित्सा उपकरण में बदलना अत्यंत कठिन कार्य है। डेटा अव्यवस्थित है, स्वस्थ लोगों की संख्या कैंसर रोगियों की तुलना में बहुत अधिक है, और जिस तरह से शोधकर्ता डेटा को प्रोसेस करते हैं, वह परिणामों को नाटकीय रूप से बदल सकता है, जिससे यह जानना कठिन हो जाता है कि वास्तव में कौन सी विधियाँ काम करती हैं।

इस जटिलता से निपटने के लिए, लीड्स विश्वविद्यालय के शोधकर्ताओं ने CrcBiomeScreen नामक एक नया, ओपन-सोर्स टूल विकसित किया है। केवल एक एकल "सर्वश्रेष्ठ" तरीका प्रस्तावित करने के बजाय, उन्होंने एक लचीला ढांचा बनाया है जो वैज्ञानिकों को विभिन्न रणनीतियों को एक साथ परखने की अनुमति देता है ताकि यह देखा जा सके कि कौन सी रणनीतियाँ दबाव में टिक पाती हैं। उन्होंने इस प्रणाली का उपयोग यूके में एक वास्तविक दुनिया के स्क्रीनिंग कार्यक्रम में शामिल 2,200 से अधिक लोगों के स्टूल सैंपल और दुनिया भर के नौ अन्य स्वतंत्र डेटासेट्स का विश्लेषण करने के लिए किया। उनका लक्ष्य यह पता लगाना था कि विश्लेषण के कौन से विशिष्ट चरण—डेटा को कैसे साफ किया जाता है, विभिन्न प्रकार के बैक्टीरिया को कैसे गिना जाता है, और कंप्यूटर मॉडल इस तथ्य को कैसे संभालते हैं कि कैंसर के मामले दुर्लभ होते हैं—सबसे सटीक और विश्वसनीय भविष्यवाणियां करते हैं।

शोधकर्ताओं ने पाया कि कंप्यूटर के सीखने शुरू करने से पहले किए गए चुनाव महत्वपूर्ण होते हैं। उन्होंने डेटा को सामान्य (normalize) करने के कई तरीकों का परीक्षण किया, जो प्रत्येक नमूने से एकत्र की गई जेनेटिक सामग्री के अंतर को समायोजित करने की एक प्रक्रिया है। उन्होंने पाया कि एक विशिष्ट विधि जिसे GMPR कहा जाता है, जो सूक्ष्मजीव समुदायों की अनूठी संरचना को ध्यान में रखती है, ने पुराने और सरल तरीकों की तुलना में लगातार बेहतर परिणाम दिए। उन्होंने यह भी जांचा कि क्या उन बैक्टीरिया को शामिल करना महत्वपूर्ण है जिन्हें कभी भी लैब में सफलतापूर्वक उगाया नहीं जा सका है, जिन्हें अक्सर "अनकल्चरड" (uncultured) के रूप में लेबल किया जाता है। अध्ययन ने दिखाया कि इन रहस्यमय, अनकल्चरड बैक्टीरिया को विश्लेषण में रखने से मॉडल के प्रदर्शन को नुकसान नहीं पहुँचा और यह वास्तव में बीमारी के बारे में मूल्यवान सुरागों को सुरक्षित रख सकता है जो अन्यथा खो जाते। इसके अलावा, उन्होंने यह निर्धारित किया कि बैक्टीरिया को 'जीनस' (genus) स्तर पर देखना—जो संबंधित प्रजातियों को एक साथ समूहबद्ध करने वाली एक व्यापक श्रेणी है—सबसे अच्छा संतुलन प्रदान करता है। विवरण का यह स्तर जैविक रूप से सार्थक होने के लिए पर्याप्त विशिष्ट था, लेकिन विभिन्न प्रयोगशालाओं और अनुक्रमण तकनीकों (sequencing technologies) द्वारा पहचाना जाने के लिए पर्याप्त व्यापक भी था।

कैंसर स्क्रीनिंग में एक बड़ी बाधा स्वस्थ लोगों और बीमारी वाले लोगों के बीच का भारी असंतुलन है। एक वास्तविक दुनिया के स्क्रीनिंग कार्यक्रम में, हर कैंसर पीड़ित व्यक्ति के लिए, सैकड़ों या हजारों स्वस्थ व्यक्ति होते हैं। यदि कोई कंप्यूटर मॉडल ऐसे डेटासेट पर प्रशिक्षित किया जाता है जिसमें कैंसर के बहुत अधिक मामले हैं, तो यह लैब में तो अच्छा प्रदर्शन कर सकता है लेकिन आम जनता पर लागू होने पर बुरी तरह विफल हो सकता है। टीम ने इस अत्यधिक असंतुलन को टेस्ट परिदृश्यों बनाकर सिम्युलेट किया जहाँ स्वस्थ नियंत्रण (controls) कैंसर के मामलों की तुलना में बहुत अधिक थे। उन्होंने पाया कि 'क्लास वेटिंग' (class weighting) नामक तकनीक आवश्यक थी। यह दृष्टिकोण कंप्यूटर को प्रशिक्षण के दौरान दुर्लभ कैंसर मामलों पर अधिक ध्यान देने के लिए कहता है, जिससे मॉडल प्रभावी रूप से स्वस्थ लोगों की सही पहचान करने की अपनी क्षमता खोए बिना बीमारी के प्रति अधिक संवेदनशील हो जाता है। जब उन्होंने इस वेटिंग को लागू किया, तो मॉडल ने कैंसर के मामलों को पहचानने की अपनी क्षमता बनाए रखी और साथ ही उन स्वस्थ लोगों की संख्या को काफी कम कर दिया जिन्हें गलत तरीके से बीमार के रूप में चिह्नित किया गया था। सटीकता में यह सुधार महत्वपूर्ण है, क्योंकि यह अनावश्यक कोलोनोस्कोपी और उससे होने वाली चिंता से बचने में मदद करता है।

शोधकर्ताओं ने फिर यह परीक्षण किया कि उनके मॉडल यूके डेटासेट से हटकर नौ अन्य देशों की पूरी तरह से अलग आबादी में कितनी अच्छी तरह काम करते हैं। यहीं पर कंप्यूटर एल्गोरिदम का चुनाव एक आश्चर्यजनक अंतर पैदा करता है। एक प्रकार का मॉडल, जिसे 'रैंडम फॉरेस्ट' (Random Forest) कहा जाता है, बहुत स्थिर और विश्वसनीय साबित हुआ, जिसने लगातार अच्छा प्रदर्शन किया, भले ही प्रशिक्षण डेटा सीमित हो या आबादी बहुत अलग हो। दूसरा प्रकार, जिसे 'XGBoost' कहा जाता है, बड़े और विविध डेटासेट्स पर प्रशिक्षित होने पर अधिक शक्तिशाली था, जिससे उन विशिष्ट स्थितियों में उच्च सटीकता प्राप्त हुई, लेकिन कम डेटा होने पर इसमें अधिक परिवर्तनशीलता देखी गई। अध्ययन बताता है कि कोई एक "जादुई समाधान" (magic bullet) एल्गोरिदम नहीं है जो हर स्थिति में सबसे अच्छा काम करता है। इसके बजाय, सबसे अच्छा दृष्टिकोण उपलब्ध डेटा के आकार और प्रकृति पर निर्भर करता है।

अंततः, CrcBiomeScreen का मूल्य इसकी पारदर्शिता और लचीलेपन में निहित है। यह शोधकर्ताओं को एक एकल, कठोर विधि का उपयोग करने के लिए मजबूर नहीं करता है। इसके बजाय, यह विभिन्न विकल्पों की तुलना करने के लिए एक संरचित तरीका प्रदान करता है, जिससे यह सुनिश्चित होता है कि चुना गया अंतिम उपकरण उस विशिष्ट डेटासेट के लिए सबसे अच्छा काम करने वाला है। यह प्रदर्शित करके कि डेटा प्रोसेसिंग पर सावधानीपूर्वक ध्यान देना, अनकल्चरड बैक्टीरिया को शामिल करना और क्लास वेटिंग का उपयोग करना प्रदर्शन को महत्वपूर्ण रूप से सुधार सकता है, यह अध्ययन अधिक विश्वसनीय माइक्रोबायोम-आधारित स्क्रीनिंग टूल विकसित करने के लिए एक रोडमैप प्रदान करता है। हालांकि ये मॉडल अभी मौजूदा परीक्षणों को बदलने के लिए तैयार नहीं हैं, फिर भी वे एक ऐसे भविष्य की ओर एक महत्वपूर्ण कदम का प्रतिनिधित्व करते हैं जहाँ एक साधारण स्टूल टेस्ट अधिक सटीक रूप से पहचान कर सकता है कि किसे तत्काल चिकित्सा सहायता की आवश्यकता है, जिससे कोलोरेक्टल कैंसर को जल्दी पकड़ने और अधिक जीवन बचाने में मदद मिल सकती है।