TIR-Learner v4: Accelerated annotation of terminal inverted repeat transposons

जीवन की कहानी एक ऐसे कोड में लिखी गई है जो अविश्वसनीय रूप से सरल और आश्चर्यजनक रूप से विशाल है। एक छोटे से मॉस (काई) से लेकर एक ब्लू व्हेल तक, हर जीवित प्राणी अपने निर्देशों को डीएनए की लंबी लड़ियों में वहन करता है, जो एक आणविक पटकथा है जो यह निर्धारित करती है कि एक जीव कैसे बढ़ता है, कार्य करता है और प्रजनन करता है। दशकों से, वैज्ञानिक इन पटकथाओं को पढ़ने में सक्षम रहे हैं, लेकिन डेटा की मात्रा इतनी तेजी से बढ़ी है कि उनका विश्लेषण करने वाले उपकरण उनके साथ तालमेल बिठाने के लिए संघर्ष कर रहे हैं। इन आनुवंशिक निर्देशों के भीतर, कुछ ऐसे खंड हैं जो जैविक 'कॉपी-एंड-पेस्ट' कमांड की तरह कार्य करते हैं। इन्हें ट्रांसपोज़ेबल एलिमेंट्स (transposable elements), या "जंपिंग जींस" के रूप में जाना जाता है, जो जीनोम में इधर-उधर घूम सकते हैं, जिससे कभी उत्परिवर्तन (mutations) होता है या विकास (evolution) को गति मिलती है। एक विशिष्ट प्रकार, जिसे टर्मिनल इनवर्टेड रिपीट ट्रांसपोज़न (terminal inverted repeat transposons) कहा जाता है, कशेरुकी (vertebrates) जैसे जटिल जीवों में विशेष रूप से आम है। ये तत्व कहाँ स्थित हैं और वे कैसे व्यवहार करते हैं, इसे समझना जीव के आनुवंशिक मेकअप की पूर्ण तस्वीर के लिए महत्वपूर्ण है, लेकिन आज के विशाल, नव-संयोजित जीनोम में उन्हें खोजना एक ऐसा कार्य बन गया है जो पुराने सॉफ्टवेयर के लिए बहुत धीमा हो गया है।

द ओहायो स्टेट यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने, जिसका नेतृत्व शुजुन ऊ (Shujun Ou) और केन्जी गेरहार्ट (Kenji Gerhardt) कर रहे हैं, अपने सॉफ्टवेयर के पूर्ण नवीनीकरण के साथ इस बाधा को दूर किया है, और TIR-Learner v4 नामक एक नया संस्करण जारी किया है। इस कार्यक्रम का पिछला संस्करण सिद्धांत रूप में इन आनुवंशिक तत्वों को खोजने में प्रभावी था, लेकिन यह एक पुराने डिज़ाइन पर आधारित था जो अस्तित्व में मौजूद सबसे बड़े जीनोम का सामना करने पर विफल हो जाता था। जब वैज्ञानिकों ने एक्सोलोटल (axolotl) या अफ्रीकी लंगफिश (African lungfish) जैसे विशाल जानवरों के लगभग पूर्ण जीनोम पर पुराने सॉफ्टवेयर का उपयोग करने का प्रयास किया, तो प्रोग्राम मेमोरी की कमी के कारण रुक जाता था या उस काम को पूरा करने में कई दिन लगा देता था जिसे मिनटों में पूरा होना चाहिए था। नया संस्करण केवल एक मामूली अपडेट नहीं है; यह उस कोड का पूर्ण पुनर्लेखन है जो खोज को संचालित करता है। सॉफ्टवेयर के मुख्य इंजनों को एक अधिक कुशल प्रोग्रामिंग भाषा में फिर से बनाकर और कंप्यूटर द्वारा डेटा को संभालने के तरीके को पुनर्गठित करके, टीम ने इस प्रक्रिया को सौ गुना तेज कर दिया है।

शोधकर्ताओं ने इस नए उपकरण की शक्ति का प्रदर्शन वर्टेब्रेट जीनोम्स प्रोजेक्ट (Vertebrate Genomes Project) के पहले चरण को लागू करके किया, जो पृथ्वी पर प्रत्येक कशेरुकी प्रजाति के डीएनए को अनुक्रमित (sequence) करने का एक विशाल अंतर्राष्ट्रीय प्रयास है। इस संग्रह में मछलियों से लेकर बड़े स्तनधारियों तक 579 विशिष्ट प्रजातियां शामिल हैं, जो 1.22 ट्रिलियन बेस के कुल आनुवंशिक अनुक्रम का प्रतिनिधित्व करती हैं। पुराने सॉफ्टवेयर का उपयोग करके, इन जीनोमों को एनोटेट करना एक लॉजिस्टिक दुःस्वप्न होता, जिसमें संभवतः सप्ताह या महीने लगते और अत्यधिक कंप्यूटिंग शक्ति की आवश्यकता होती। TIR-Learner v4 के साथ, टीम ने सभी 579 जीनोमों को केवल चार घंटे से कुछ अधिक समय में संसाधित किया। इस समय सीमा में, सॉफ्टवेयर ने पूरे डेटासेट में टर्मिनल इनवर्टेड रिपीट ट्रांसपोज़न की सफलतापूर्वक पहचान और मानचित्रण किया, जो पुराने प्रोग्राम की सीमाओं के कारण पहले असंभव था।

यह तेजी का स्तर सॉफ्टवेयर द्वारा काम को विभाजित करने के तरीके को बदलकर प्राप्त किया गया था। पूरे जीनोम को एक साथ संसाधित करने के बजाय, जो कंप्यूटर की मेमोरी को अभिभूत कर देता है, नया सिस्टम आनुवंशिक कोड को छोटे, प्रबंधनीय टुकड़ों में काट देता है। फिर यह इन टुकड़ों को एक साथ काम करने के लिए कंप्यूटर के विभिन्न हिस्सों को सौंप देता है। शोधकर्ताओं ने इन जंपिंग जींस के विशिष्ट पैटर्न को खोजने के लिए उपयोग किए जाने वाले धीमे, भारी एल्गोरिदम को बहुत तेज़, सुव्यवस्थित संस्करणों से भी बदल दिया। प्रमुख सुधारों में से एक इन आनुवंशिक अनुक्रमों के बीच समानता को मापने के तरीके में खामी को ठीक करना था। पुराने संस्करण ने कभी-कभी गणना संबंधी त्रुटियां कीं जिसके कारण इसने वैध आनुवंशिक तत्वों को त्याग दिया, विशेष रूप से उन तत्वों को जिनमें छोटे इंसर्शन (insertions) या डिलीशन (deletions) थे। नया संस्करण इसे ठीक करता है, जिससे यह सुनिश्चित होता है कि जीनोम का अंतिम मानचित्र अधिक सटीक और पूर्ण है।

इस प्रगति का अर्थ है कि इन आनुवंशिक तत्वों की खोज अब वैज्ञानिक खोज के लिए बाधा नहीं है। सॉफ्टवेयर अब सबसे छोटे से लेकर सबसे बड़े तक, किसी भी आकार के जीनोम को संभालने में सक्षम है, बिना धीमा हुए या क्रैश हुए। शोधकर्ताओं ने पाया कि प्रोग्राम चलाने में लगने वाला समय जीनोम के आकार के साथ एक सीधी, अनुमानित रेखा में बढ़ता है, न कि पहले की तरह तेजी से (exponentially) बढ़ता है। इसके अलावा, नया सॉफ्टवेयर बहुत मेमोरी-कुशल बनाया गया है, जो जीनोम के आकार के बावजूद कंप्यूटर मेमोरी की एक समान मात्रा का उपयोग करता है। यह वैज्ञानिकों को विशेष, महंगे हार्डवेयर की आवश्यकता के बिना मानक कंप्यूटिंग क्लस्टरों पर अपना प्रोग्राम चलाने की अनुमति देता है।

इस कार्य के निहितार्थ केवल गति तक ही सीमित नहीं हैं। इन आनुवंशिक तत्वों के एनोटेशन को तेज़ और विश्वसनीय बनाकर, यह नया उपकरण शोधकर्ताओं के लिए बहुत अधिक विस्तार से कशेरुकियों के विकासवादी इतिहास का अध्ययन करने के द्वार खोलता है। सॉफ्टवेयर को पहले ही सार्वजनिक रूप से उपलब्ध करा दिया गया है, जिससे अन्य वैज्ञानिक अपने स्वयं के शोध में इसे लागू कर सकें। टीम का कहना है कि हालांकि वर्तमान संस्करण मौजूदा डेटा पर प्रशिक्षित मॉडल का उपयोग करता है, वर्टेब्रेट जीनोम्स प्रोजेक्ट जैसे प्रोजेक्ट्स द्वारा उत्पन्न विशाल मात्रा में नई जानकारी भविष्य में और भी बेहतर मॉडल बनाने की अनुमति देगी। जैसे-जैसे अधिक जीनोम अनुक्रमित किए जाएंगे, ज्ञात आनुवंशिक तत्वों का पुस्तकालय बढ़ता जाएगा, और सॉफ्टवेयर को और भी सटीक होने के लिए पुन: प्रशिक्षित किया जा सकता है। फिलहाल, प्राथमिक उपलब्धि स्पष्ट है: एक उपकरण जो कभी एक बाधा था, उसे एक उच्च-गति इंजन में बदल दिया गया है, जो जीवन के आनुवंशिक ब्लूप्रिंट को उस गति से संसाधित करने में सक्षम है जो जीनोमिक डेटा के तीव्र विस्तार के साथ मेल खाती है।