LLM-H2G: biomedical semantic-enhanced hypergraph contrastive learning for herb--disease association prediction

कल्पना कीजिए कि आप एक विशाल, प्राचीन पहेली को सुलझाने की कोशिश कर रहे हैं जहाँ पहेली के टुकड़े जीवित चीजें हैं: पौधे, सूक्ष्म रासायनिक अणु, शरीर के प्रोटीन और बीमारियाँ। सदियों से, पारंपरिक चीनी चिकित्सा (Traditional Chinese Medicine) ने लोगों को ठीक करने के लिए जड़ी-बूटियों के जटिल नुस्खों का उपयोग किया है, लेकिन यह पता लगाना कि वास्तव में एक विशिष्ट जड़ी-बूटी किसी विशिष्ट बीमारी को कैसे ठीक करती है, सुइयों से बनी एक ढेरी में एक अकेली सुई खोजने जैसा है। समस्या यह है कि एक जड़ी-बूटी केवल एक चीज़ नहीं है; यह सैकड़ों रसायनों का एक मिश्रण है, और वे रसायन आपके शरीर के हजारों अलग-अलग प्रोटीनों के साथ छेड़छाड़ कर सकते हैं। वैज्ञानिकों ने कंप्यूटर नेटवर्क का उपयोग करके इन कनेक्शनों को मैप करने की कोशिश की है, जिसमें जड़ी-बूटियों और बीमारियों के बीच रेखाएँ खींची गई हैं। लेकिन अक्सर, यह मानचित्र छेदों से भरा होता है। कई जड़ी-बूटियाँ डिजिटल रिकॉर्ड में इतनी दुर्लभ या कम अध्ययन की गई हैं कि कंप्यूटर उन्हें दुनिया के बाकी हिस्सों से कोई संबंध न रखने वाले अलग-थलग द्वीपों के रूप में देखता है। जब यह मानचित्र इतना विरल (sparse) होता है, तो पुराने-ढंग के कंप्यूटर मॉडल खो जाते हैं, और यह अनुमान लगाने में असमर्थ होते हैं कि कौन सी जड़ी-बूटी किस बीमारी में मदद कर सकती है।

यहीं पर एक नए प्रकार की जासूसी का काम शुरू होता है। शोधकर्ताओं ने LLM-H2G नामक एक उपकरण विकसित किया है। इसे एक अत्यंत बुद्धिमान लाइब्रेरियन के रूप में समझें जो न केवल कनेक्शनों के मानचित्र को देखता है, बल्कि हर पौधे और बीमारी की "जीवनी" भी पढ़ता है। एक शक्तिशाली भाषा मॉडल (एक प्रकार का AI जो मनुष्यों की तरह टेक्स्ट को समझता है) का उपयोग करके, यह उपकरण जड़ी-बूटियों और बीमारियों के नामों के पीछे के अर्थ को समझ सकता है, भले ही कनेक्शनों का मानचित्र खाली क्यों न हो। यह इस "पाठ्य ज्ञान" (textual wisdom) को एक विशेष प्रकार के नेटवर्क के साथ जोड़ता है जिसे "हाइपरग्राफ" (hypergraph) कहा जाता है, जो चीजों के समूहों को संभालने में मानक मानचित्रों की तुलना में बेहतर है। परिणाम एक ऐसा सिस्टम है जो पौधों और बीमारियों के बीच नए, छिपे हुए उपचार संबंधों की भविष्यवाणी कर सकता है, भले ही डेटा अव्यवस्थित या अधूरा हो, और यह यहाँ तक समझा सकता है कि यह क्यों सोचता है कि एक निश्चित जड़ी-बूटी क्यों काम करती है, इसके लिए विशिष्ट रसायनों और प्रोटीनों की ओर संकेत करके।

स्मार्ट हर्ब फाइंडर की कहानी

यह शोध पत्र LLM-H2G को पेश करता है, जो एक नया कंप्यूटर फ्रेमवर्क है जिसे यह भविष्यवाणी करने के लिए बनाया गया है कि कौन सी जड़ी-बूटियाँ किन बीमारियों का इलाज कर सकती हैं। लेखकों ने इस उपकरण को कम्प्यूटेशनल मेडिसिन की एक विशिष्ट समस्या को हल करने के लिए बनाया है: मौजूदा तरीके डेटा के "आकार" (नेटवर्क में चीजों को जोड़ने वाली रेखाओं) पर बहुत अधिक निर्भर करते हैं। यदि किसी जड़ी-बूटी के बहुत कम दर्ज कनेक्शन हैं, तो पुराने मॉडल विफल हो जाते हैं। LLM-H2G इसमें "सिमेंटिक समझ" (semantic understanding) की एक परत जोड़कर इसे ठीक करता है—अनिवार्य रूप से, यह जड़ी-बूटियों और बीमारियों के नामों और विवरणों को पढ़ता है ताकि यह समझ सके कि वे क्या हैं, न कि केवल वे किससे जानते हैं।

यह कैसे काम करता है (एक उपमा):
कल्पना कीजिए कि आप अनुमान लगाने की कोशिश कर रहे हैं कि स्कूल में एक नया छात्र किसके साथ दोस्ती करेगा।

• पुराना तरीका (ग्राफ मॉडल): आप एक बैठने का चार्ट देखते हैं। यदि नए छात्र ने अभी तक किसी के पास नहीं बैठा है, तो आपको पता नहीं चलेगा कि उसके दोस्त कौन हैं। आप फंस जाते हैं।
• LLM-H2G का तरीका: आप बैठने का चार्ट देखते हैं और आप उस छात्र की डायरी पढ़ते हैं। भले ही वह अभी तक किसी के पास नहीं बैठा है, उसकी डायरी कहती है, "मुझे फुटबॉल और विज्ञान पसंद है।" आप जानते हैं कि जो बच्चे फुटबॉल और विज्ञान पसंद करते हैं, वे पीछे की पंक्ति में हैं। इसलिए, आप भविष्यवाणी करते हैं कि वे उन बच्चों के साथ दोस्त बनेंगे, भले ही आपने उन्हें अभी तक साथ बैठे हुए न देखा हो।

शोध पत्र के मॉडल में, "डायरी" एक बायोमेडिकल लैंग्वेज मॉडल है। यह जड़ी-बूटियों, यौगिकों (compounds), प्रोटीनों और बीमारियों के नामों को लेता है और उन्हें समृद्ध, अर्थपूर्ण विवरणों में बदल देता है। "सेटिंग चार्ट" एक हाइपरग्राफ है, एक जटिल नेटवर्क जो जड़ी-बूटियों को यौगिकों से, यौगिकों को प्रोटीनों से, और प्रोटीनों को बीमारियों से जोड़ता है। मॉडल एक तकनीक का उपयोग करता है जिसे कॉन्ट्रास्टिव लर्निंग (contrastive learning) कहा जाता है, ताकि यह सुनिश्चित हो सके कि "डायरी विवरण" "सेटिंग चार्ट की वास्तविकता" से मेल खाता है, जिससे यह सुनिश्चित होता है कि भविष्यवाणियाँ दोनों रूप से स्मार्ट और जैविक तथ्यों पर आधारित हों।

शोध पत्र ने क्या पाया:
शोधकर्ताओं ने LLM-H2G का परीक्षण दो विशाल डेटासेट्स पर किया: TCM-suite (पारंपरिक चीनी चिकित्सा का एक संरचित डेटाबेस) और Ethnobotany (दुनिया भर के पौधों के ज्ञान का एक व्यापक, अधिक अव्यवस्थित संग्रह)।

• परिणाम: नए मॉडल ने प्रतियोगिता को पछाड़ दिया। संरचित TCM-suite पर, इसने सही लिंक की भविष्यवाणी करने के लिए 0.9970 (1.0 में से) का लगभग पूर्ण स्कोर प्राप्त किया। अव्यवस्थित एथ्नोबोटनी (Ethnobotany) डेटासेट पर, जहाँ अन्य मॉडल 0.65 के आसपास संघर्ष कर रहे थे, LLM-H2G 0.85 पर कूद गया।
• "स्पार्स" (Sparse) समस्या: सबसे बड़ी जीत उन जड़ी-बूटियों के लिए थी जिनके बहुत कम ज्ञात कनेक्शन थे। उन जड़ी-बूटियों के लिए जिनमें केवल एक ज्ञात रोग लिंक था, पुराने मॉडल लगभग यादृच्छिक (random) प्रदर्शन करते थे (जैसे सिक्का उछालना)। हालाँकि, LLM-H2G ने कनेक्शनों को समझने के लिए टेक्स्ट विवरणों का उपयोग किया, जिससे इसकी सटीकता में भारी सुधार हुआ। यह सुझाव देता है कि किसी जड़ी-बूटी की "पाठ्यपुस्तक" पढ़ना उसके "मित्र सूची" को देखने जितना ही महत्वपूर्ण है।

यह क्यों मायने रखता है (एक "अहा!" क्षण):
शोध पत्र केवल यह नहीं कहता कि "यह काम करता है"; यह दिखाता है कि "यह कैसे काम करता है"। लेखकों ने ज्ञात जड़ी-बूटी-रोग जोड़ों को देखने के लिए मॉडल का उपयोग किया और पूछा, "आपने इस भविष्यवाणी को करने के लिए किस रसायन और प्रोटीन का उपयोग किया?"

• केस स्टडी 1: सूजन (inflammation) के लिए उपयोग की जाने वाली एक जड़ी-बूटी के लिए, मॉडल ने कौमारिन (coumarin) नामक एक यौगिक और COX-2 नामक एक प्रोटीन की ओर इशारा किया। जब उन्होंने कंप्यूटर सिमुलेशन (मॉलिक्यूलर डॉकिंग) में इसका परीक्षण किया, तो वे एक ताले में चाबी की तरह पूरी तरह से फिट बैठते थे।
• केस स्टडी 2: कोलोन कैंसर के लिए उपयोग की जाने वाली एक जड़ी-बूटी के लिए, इसने अल्फा-लिनोलेनिक एसिड (alpha-linolenic acid) और TP53 प्रोटीन को हाइलाइट किया। फिर से, सिमुलेशन ने एक मजबूत भौतिक फिट दिखाया।

अज्ञात की खोज:
शायद सबसे रोमांचक हिस्सा यह है कि मॉडल ने ऐसे कनेक्शन खोजे जो आधिकारिक रिकॉर्ड में मौजूद नहीं थे लेकिन वास्तविक दुनिया के विज्ञान द्वारा समर्थित हैं।

• जिंको (Ginkgo) का उदाहरण: मॉडल ने भविष्यवाणी की कि Ginkgo biloba रेडिएशन इंजरी (विकिरण चोटों) का इलाज कर सकता है। यह प्रशिक्षण डेटा में नहीं था। हालाँकि, जब शोधकर्ताओं ने वैज्ञानिक साहित्य की जाँच की, तो उन्होंने पाया कि कई अध्ययन दिखाते हैं कि जिंको ऑक्सीडेटिव तनाव को कम करके रेडिएशन क्षति से वास्तव में सुरक्षा प्रदान करता है। मॉडल ने अपने टेक्स्ट-आधारित तर्क का उपयोग करके एक छिपे हुए सत्य को सफलतापूर्वक "पुनः खोजा" था।
• अन्य हिट्स: मॉडल ने मिल्क थिसल (लीवर सुरक्षा), जिनसेंग (इरेक्टाइल डिसफंक्शन), और अदरक (मतली) के लिए लिंक भी सही ढंग से भविष्यवाणी की, जो सभी अन-एनोटेटेड (unannotated) थे लेकिन फार्माकोलॉजी में प्रसिद्ध हैं।

शोध पत्र क्या खारिज करता है:
लेखक सावधानी बरतते हुए कहते हैं कि यह जादू नहीं है। वे स्पष्ट रूप से दिखाते हैं कि यदि आप "टेक्स्ट पढ़ने" वाले हिस्से (भाषा मॉडल) को हटा देते हैं या यदि आप "जटिल नेटवर्क" वाले हिस्से (हाइपरग्राफ) को हटा देते हैं, तो मॉडल का प्रदर्शन काफी गिर जाता है। यह साबित करता है कि सर्वोत्तम परिणाम प्राप्त करने के लिए आपको टेक्स्ट की समझ और जटिल नेटवर्क संरचना दोनों की आवश्यकता होती है। वे यह भी स्पष्ट करते हैं कि हालांकि मॉडल इन नए लिंक का सुझाव देता है, वे "उम्मीदवार" (candidate) खोजें हैं जिन्हें वास्तविक दुनिया के परीक्षण की आवश्यकता है, हालांकि अब तक उन्होंने जो भी जांचा है वे बहुत आशाजनक लग रहे हैं।

संक्षेप में, LLM-H2G प्रकृति की फार्मेसी को देखने का एक नया तरीका है। यह वैज्ञानिक टेक्स्ट को पढ़ने की शक्ति को जटिल जैविक नेटवर्क को मैप करने की शक्ति के साथ जोड़ता है, जिससे वैज्ञानिकों को उन उपचार संबंधों को खोजने में मदद मिलती है जो पहले अदृश्य थे क्योंकि डेटा बहुत विरल था या संबंध बहुत जटिल थे। यह सुझाव देता है कि कंप्यूटर को पौधों और बीमारियों के नामों को "पढ़ना" सिखाकर, हम इस बात की गहरी समझ विकसित कर सकते हैं कि वे हमें कैसे ठीक करते हैं।