A Multi-Fingerprint QSAR Framework for Multiclass Prediction of Antimicrobial Activity of β-Lactam Derivatives Using Machine Learning and Deep Learning

एक ऐसी दुनिया की कल्पना करें जहाँ नन्हे, अदृश्य आक्रमणकारी ऐसा कवच पहनना सीख रहे हैं जिसे हमारे सबसे बेहतरीन हथियार भी नहीं भेद सकते। यह एंटीमाइक्रोबियल रेजिस्टेंस (प्रतिजैविक प्रतिरोध) की वास्तविकता है, जो एक वैश्विक स्वास्थ्य संकट है जहाँ बैक्टीरिया उन एंटीबायोटिक्स से बचने के लिए विकसित हो रहे हैं जिन पर हम निर्भर हैं। मुकाबला करने के लिए, वैज्ञानिक एक चतुर तरकीब का उपयोग करते हैं जिसे QSAR (क्वांटिटेटिव स्ट्रक्चर-एक्टिविटी रिलेशनशिप) कहा जाता है। इसे एक जासूस की तरह समझें जो किसी संदिग्ध के उंगलियों के निशान और कपड़ों को देखकर उसके अगले कदम का अनुमान लगाने की कोशिश कर रहा है। इस मामले में, "संदिग्ध" बैक्टीरिया हैं, और "कपड़े" एक दवा के अणु (मॉलिक्यूल) का रासायनिक आकार है। यह अध्ययन करके कि एक अणु का आकार बैक्टीरिया को मारने की उसकी क्षमता से कैसे संबंधित है, वैज्ञानिक भविष्यवाणी कर सकते हैं कि कौन सी नई रासायनिक रेसिपी काम कर सकती है, इससे पहले कि वे उन्हें लैब में मिलाएँ भी। यह समय, पैसा और संसाधनों की बचत करता है, जिससे शोधकर्ता केवल सबसे आशाजनक उम्मीदवारों पर ध्यान केंद्रित कर पाते हैं।

अब, एक शोध टीम के बारे में सोचें जिन्होंने इस जासूसी कार्य को अगले स्तर पर ले जाने का निर्णय लिया। उन्होंने विशेष रूप से β-लैक्टम (बीटा-लैक्टम) के रूप में ज्ञात रासायनिक बिल्डिंग ब्लॉक्स के एक विशिष्ट परिवार, साथ ही उनके चचेरे भाइयों, एज़ेटिडिनोन (azetidinones) और थियाज़ोलिडिनोन (thiazolidinones) पर ध्यान केंद्रित किया। ये कई प्रसिद्ध एंटीबायोटिक्स के पीछे के ढांचे (scaffolds) हैं, लेकिन बैक्टीरिया उन्हें हराने में कुशल होते जा रहे हैं। शोधकर्ताओं ने वैज्ञानिक रिपोर्टों से इन अणुओं के 220 से अधिक विभिन्न संस्करणों का एक विशाल संग्रह एकत्र किया। उनका लक्ष्य? एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम बनाना जो एक अणु के रासायनिक "फिंगरप्रिंट" को देख सके और तुरंत बता सके कि क्या वह एक शक्तिशाली हत्यारा (सक्रिय/Active) होगा, एक कमजोर लड़ाका (निष्क्रिय/Inactive) होगा, या बीच का कुछ (मध्यम/Moderate) होगा।

केवल यह पूछने के बजाय कि "क्या यह काम करता है या नहीं?" (एक साधारण हाँ/ना वाला सवाल), उन्होंने अपने कंप्यूटर मॉडल को एक अधिक सूक्ष्म प्रश्न का उत्तर देने के लिए प्रशिक्षित किया: "यह कितनी अच्छी तरह काम करता है?" उन्होंने कंप्यूटर को एक बड़ी मात्रा में डेटा दिया, जिसमें अणु का आकार, उसका तैलीय या जलीय होना, और हजारों सूक्ष्म संरचनात्मक विवरण शामिल थे जिन्हें फिंगरप्रिंट कहा जाता है। उन्होंने उन्नत आर्टिफिशियल इंटेलिजेंस का उपयोग किया, जिसमें डीप लर्निंग (जो मानव मस्तिष्क की नकल करता है) और एन्सेम्बल मेथड्स (जहाँ कई कंप्यूटर मॉडल मिलकर वोट देते हैं) शामिल हैं, ताकि पैटर्न खोजे जा सकें।

परिणाम प्रभावशाली थे। कंप्यूटर मॉडल इन अणुओं को तीन श्रेणियों में वर्गीकृत करने में अविश्वसनीय रूप से कुशल हो गए। जब शोधकर्ताओं ने डेटा को देखा, तो उन्होंने पाया कि "सक्रिय" अणु बड़े, अधिक तैलीय और उनमें विशिष्ट संरचनात्मक विशेषताएं थीं जो उन्हें बैक्टीरिया पर बेहतर हमला करने में सक्षम बनाती थीं। "निष्क्रिय" वाले अक्सर बहुत छोटे थे या उनमें इन प्रमुख विशेषताओं की कमी थी। मॉडल इतने सटीक थे कि वे इन समूहों के बीच लगभग पूर्ण स्पष्टता के साथ अंतर कर सकते थे, जैसे अलग-अलग रंगों की कंचों को अलग-अलग जार में छाँटना। हालाँकि, "मध्यम" समूह थोड़ा पेचीदा था; इन अणुओं में विजेताओं और हारने वालों दोनों की विशेषताएं साझा थीं, जिससे उन्हें वर्गीकृत करना कठिन हो गया, जो कि इस क्षेत्र में एक सामान्य चुनौती है।

अंततः, इस अध्ययन ने केवल एक मॉडल नहीं बनाया; इसने एक मानचित्र बनाया। इसने दिखाया कि विभिन्न प्रकार के रासायनिक विवरणों को मिलाकर और शक्तिशाली मशीन लर्निंग का उपयोग करके, हम विश्वसनीय रूप से भविष्यवाणी कर सकते हैं कि कौन से नए दवा उम्मीदवार प्रयास करने योग्य हैं। शोधकर्ताओं ने पाया कि आणविक भार और लिपोफिलिसिटी (एक अणु तेल को कितना पसंद करता है) जैसे कारक सफलता के सबसे बड़े सुराग थे। हालांकि मॉडल पूर्ण नहीं हैं—विशेष रूप से उन "सीमावर्ती" मध्यम मामलों के लिए—वे वैज्ञानिकों को उनके प्रयासों को प्राथमिकता देने के लिए एक अत्यधिक विश्वसनीय उपकरण प्रदान करते हैं। इसका मतलब है कि भविष्य में, दवा डिजाइनर इस ढांचे का उपयोग नए विचारों की तेजी से जांच करने के लिए कर सकते हैं, जिससे प्रतिरोधी बैक्टीरिया को मात देने के लिए आवश्यक अगली पीढ़ी के एंटीबायोटिक्स की खोज में तेजी आ सकती है।