Semi-metric optimal transport enables robust spatial multi-omics integration

कल्पना कीजिए कि आप एक ऐसे शहर को समझने की कोशिश कर रहे हैं जहाँ सड़कें एक भाषा में लिखी गई हैं, इमारतें दूसरी भाषा में और जनसंख्या की गिनती तीसरी भाषा में, जबकि मानचित्र का पैमाना लगातार बदल रहा है। सूक्ष्म स्तर पर मानव शरीर का अध्ययन करने वाले वैज्ञानिकों के लिए यह एक दैनिक वास्तविकता है। हाल के वर्षों में, 'स्पेशियल ओमिक्स' (spatial omics) नामक एक क्षेत्र उभरा है, जो शोधकर्ताओं को ऊतकों (tissues) के स्नैपशॉट लेने और न केवल यह देखने की अनुमति देता है कि कौन से अणु—जैसे जीन, प्रोटीन या मेटाबोलाइट्स—मौजूद हैं, बल्कि वे ऊतक की संरचना के भीतर वास्तव में कहाँ स्थित हैं। यह स्थानिक संदर्भ (spatial context) महत्वपूर्ण है क्योंकि एक कोशिका का व्यवहार अक्सर उसके पड़ोसियों द्वारा निर्धारित होता है। हालाँकि, एक बड़ी बाधा अभी भी बनी हुई है: ये स्नैपशॉट विभिन्न तकनीकों का उपयोग करके लिए जाते हैं, जिनमें से प्रत्येक की अपनी ताकत और कमजोरियां हैं। कुछ उच्च सटीकता के साथ व्यक्तिगत कोशिकाओं को देखते हैं लेकिन व्यापक चित्र को छोड़ देते हैं; अन्य पूरे ऊतक को कैप्चर करते हैं लेकिन विवरणों को धुंधला कर देते हैं। इसके अलावा, विभिन्न रोगियों या विभिन्न रोग अवस्थाओं से प्राप्त डेटा अक्सर एक जैसा नहीं दिखता है, जिससे उन्हें सीधे तुलना करना या उन्हें एक एकल, सुसंगत दृश्य में संयोजित करना लगभग असंभव हो जाता है। इन विभिन्न जैविक मानचित्रों के बीच की दूरी को मापने का एक विश्वसनीय तरीका होने के बिना, वैज्ञानिक रोगों के बीच सुसंगत पैटर्न खोजने या ऊतक कैसे कार्य करते हैं और विफल होते हैं, इसकी एक एकीकृत समझ बनाने के लिए संघर्ष करते हैं।

इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने एक नया गणितीय ढांचा विकसित किया है जिसे 'SpaOT' कहा जाता है, जिसका अर्थ है 'स्पेशियल ऑप्टिमल ट्रांसपोर्ट' (Spatial Optimal Transport)। इसे एक परिष्कृत मिलान इंजन के रूप में समझें जो एक ही शहर के दो अलग-अलग मानचित्रों को संरेखित (align) कर सकता है, भले ही एक मानचित्र में अधिक इमारतें हों, या यदि सड़कें अलग तरह से खींची गई हों, या यदि कुछ क्षेत्र पूरी तरह से गायब हों। इसका मूल विचार प्रत्येक कोशिका या स्पॉट को एक मानचित्र पर एक बिंदु के रूप में मानना है, जो एक स्थान और एक आणविक प्रोफ़ाइल दोनों रखता है। इसके बाद यह विधि एक नमूने से दूसरे नमूने में सूचना को "परिवर्तित" (transport) करने का सबसे कुशल तरीका निकालती है, जो स्रोत ऊतक के सेल्स और लक्ष्य ऊतक के सेल्स के बीच सर्वोत्तम मिलान खोजती है। पिछले तरीकों के विपरीत, जो एक पूर्ण एक-से-एक मिलान के लिए मजबूर करते थे या सांख्यिकीय शॉर्टकट पर निर्भर थे जो कोशिकाओं के बीच के वास्तविक संबंधों को विकृत कर सकते थे, यह नया दृष्टिकोण एक लचीली रणनीति का उपयोग करता है जो डेटा की मात्रा में अंतर की अनुमति देता है। यह शोर वाले या अप्रासंगिक बिंदुओं को अनदेखा कर सकता है और मुख्य जैविक संरचनाओं पर ध्यान केंद्रित कर सकता है, यह सुनिश्चित करता है कि अंतिम संरेखण माप तकनीक की खामियों के बजाय वास्तविक जीव विज्ञान को प्रतिबिंबित करे।

शोधकर्ताओं ने इस ढांचे का परीक्षण सबसे पहले सिंथेटिक डेटा पर किया, जिसमें बिंदुओं के अर्धचंद्राकार क्लस्टर के कृत्रिम मानचित्र बनाए गए ताकि यह देखा जा सके कि यह विधि शोर और विरूपण को कितनी अच्छी तरह संभालती है। उन्होंने सिस्टम को भटकाने के लिए अतिरिक्त, यादृच्छिक (random) बिंदु जोड़े और क्लस्टरों के आकार को विकृत किया ताकि वास्तविक दुनिया की खामियों का अनुकरण किया जा सके। इन सिमुलेशन में, नई विधि ने लगातार बिंदुओं के बीच सही संबंध खोजे, जबकि अन्य मौजूदा उपकरणों ने बार-बार त्रुटियाँ कीं, जो अक्सर बिंदुओं को गलत स्थानों से मिला देते थे या शोर से भ्रमित हो जाते थे। इसने प्रदर्शित किया कि अंतर्निहित गणित दो ऊतक नमूनों के बीच समानता या अंतर को मापने का एक स्थिर और विश्वसनीय तरीका प्रदान करता है, जो किसी भी गंभीर वैज्ञानिक तुलना के लिए आवश्यक गुण है।

सिमुलेशन से वास्तविक जीव विज्ञान की ओर बढ़ते हुए, टीम ने कोलोरेक्टल कैंसर का अध्ययन करने के लिए SpaOT को लागू किया। उन्होंने 35 रोगियों के ऊतक नमूनों का विश्लेषण किया, ट्यूमर के भीतर दो अलग-अलग प्रतिरक्षा प्रतिक्रियाओं (immune responses) के बीच अंतर करने के लिए प्रोटीन मार्करों को देखा। अपने नए तरीके का उपयोग करके इन नमूनों के बीच की दूरी की गणना करके, वे रोगियों को उच्च सटीकता के साथ विशिष्ट श्रेणियों में वर्गीकृत करने में सक्षम रहे। जो विशेष रूप से उल्लेखनीय था, वह प्रत्येक रोग उपप्रकार के लिए "बैरिसेंटर्स" (barycenters), या औसत प्रोटोटाइप बनाने की उनकी क्षमता थी। ये प्रोटोटाइप इस बात का एक आदर्श, प्रतिनिधि मानचित्र के रूप में कार्य करते थे कि एक विशिष्ट प्रतिरक्षा प्रतिक्रिया वाला विशिष्ट ट्यूमर कैसा दिखता है, जो व्यक्तिगत रोगियों के शोर को कम करते हुए उन अद्वितीय स्थानिक पैटर्न को संरक्षित करता है जो रोग को परिभाषित करते हैं। इसने उन्हें यह देखने की अनुमति दी कि प्रतिरक्षा कोशिकाएं ट्यूमर कोशिकाओं के चारों ओर कैसे व्यवस्थित होती हैं, जिससे रोग को चलाने वाले जैविक तंत्रों की गहरी समझ मिली।

इस दृष्टिकोण की शक्ति तब और भी स्पष्ट हो गई जब शोधकर्ताओं ने पूरी तरह से अलग स्रोतों से डेटा की तुलना करने का प्रयास किया। उन्होंने दो अलग-अलग अध्ययनों से स्तन कैंसर के ऊतक नमूनों को लिया, जो वर्षों पहले और अलग-अलग स्थानों पर आयोजित किए गए थे, जो आमतौर पर महत्वपूर्ण तकनीकी अंतरों से ग्रस्त होते हैं जो प्रत्यक्ष तुलना को असंभव बना देते हैं। SpaOT का उपयोग करके, उन्होंने इन डेटासेट को सफलतापूर्वक संरेखित किया, जिससे एक समूह के रोगियों पर प्रशिक्षित मॉडल को दूसरे समूह के रोगियों की रोग अवस्था की सटीक भविष्यवाणी करने में सक्षम बनाया गया। यह क्रॉस-स्टडी सफलता बताती है कि यह विधि विभिन्न प्रयोगशालाओं और मशीनों द्वारा उत्पन्न तकनीकी "शोर" को हटा सकती है, और उसके नीचे के वास्तविक जैविक संकेत को प्रकट कर सकती है।

यह ढांचा 2D स्लाइस से 3D संरचनाओं को जोड़ने में भी सक्षम सिद्ध हुआ। चूहे के मस्तिष्क के क्रमिक खंडों को संरेखित करके, शोधकर्ताओं ने अंग का एक त्रि-आयामी (3D) दृश्य पुनर्गठित किया जिसने प्रमुख मस्तिष्क क्षेत्रों की ज्ञात व्यवस्था को निष्ठापूर्वक संरक्षित किया। विधि ने कॉर्टेक्स और थैलेमस जैसी प्रमुख संरचनाओं को उनके उचित शारीरिक स्थानों पर सही ढंग से रखा, जिससे पता चला कि यह ऊतक के विभिन्न भागों के बीच स्थानिक संबंधों को खोए बिना 2D छवियों के ढेर से 3D मॉडल बनाने के जटिल कार्य को संभाल सकता है।

शायद सबसे महत्वाकांक्षी अनुप्रयोग विभिन्न प्रकार के आणविक मापन के डेटा को एकीकृत करना था। शोधकर्ताओं ने एक ही चूहे के सेरिबैलम (cerebellum) से स्थानिक ट्रांसक्रिप्टोमिक्स (जीन गतिविधि का मानचित्र), स्थानिक प्रोटिओमिक्स (प्रोटीन) और मेटाबोलोमिक्स (मेटाबोलाइट्स) को जोड़ा। चूंकि ये तकनीकें पूरी तरह से अलग अणुओं को मापती हैं जो आपस में ओवरलैप नहीं होते हैं, पारंपरिक तरीके उन्हें जोड़ने के लिए संघर्ष करते हैं। हालांकि, SpaOT ने इन अंतरों को सफलतापूर्वक पाटा, विभिन्न परतों की जानकारी को संरेखित किया जिससे यह दिखाया जा सके कि जीन, प्रोटीन और मेटाबोलाइट्स विशिष्ट ऊतक क्षेत्रों में कैसे सह-स्थित (co-located) हैं। इस एकीकरण ने स्पष्ट जैविक गतिविधि के पैटर्न दिखाए जो किसी भी एकल तकनीक द्वारा अकेले दिखाए जा सकने वाले पैटर्न से अधिक स्पष्ट थे, प्रभावी रूप से ऊतक के कार्य का एक बहु-स्तरीय मानचित्र बनाया।

अंत में, टीम ने क्रोनिक किडनी रोग (chronic kidney disease) पर इस पद्धति को लागू किया, जिसमें ग्लोमेरुली (गुर्दे की छोटी फिल्टरिंग इकाइयाँ) का अध्ययन करने के लिए दो अलग-अलग प्लेटफार्मों से उच्च-रिज़ॉल्यूशन डेटा को एकीकृत किया गया। इन डेटासेट को संरेखित करके, वे ग्लोमेरुलस के भीतर विभिन्न कोशिका प्रकारों के बीच विशिष्ट सिग्नलिंग मार्गों का पता लगाने में सक्षम हुए। उन्होंने देखा कि स्वस्थ ऊतक की तुलना में रोगग्रस्त ऊतक में कोशिकाओं के बीच संचार कैसे बदल जाता है, जिससे उन विशिष्ट अंतःक्रियाओं की पहचान हुई जो स्कारिंग (scarring) की प्रक्रिया को संचालित करती हैं। दो अलग-अलग तकनीकों की शक्तियों को जोड़कर प्राप्त यह स्तर का विवरण, किडनी फेलियर के सेलुलर मैकेनिक्स के बारे में नई अंतर्दृष्टि प्रदान करता है जो केवल एक विधि का उपयोग करके कठिन होता।

यह कार्य स्थापित करता है कि जटिल जैविक नमूनों के बीच दूरी मापने का एक गणितीय रूप से सुसंगत तरीका केवल एक सैद्धांतिक अभ्यास नहीं है, बल्कि खोज के लिए एक व्यावहारिक उपकरण है। विभिन्न पैमानों, तकनीकों और रोग अवस्थाओं में ऊतकों की तुलना के लिए एक मजबूत आधार प्रदान करके, यह नया ढांचा अधिक विश्वसनीय तुलनाओं और जीवन के स्थानिक संगठन की गहरी अंतर्दृष्टि के लिए द्वार खोलता है। यह सुझाव देता है कि जटिल रोगों को समझने का भविष्य न केवल अधिक डेटा एकत्र करने में है, बल्कि उस सही गणितीय भाषा को खोजने में है जो उस डेटा को एक-दूसरे से बात करने में सक्षम बना सके।