HA-DMF: Hybrid Attention-Based Deep Matrix Factorization for Drug Combination Synergy Prediction

कैंसर को शायद ही कभी किसी एक हथियार से हराया जा सकता है। ट्यूमर के जटिल परिदृश्य में, एक एकल दवा अक्सर एक ऐसे लक्ष्य पर प्रहार करती है जिसे कैंसर कोशिकाएं जल्दी से दरकिनार करना सीख लेती हैं, या यह स्वस्थ ऊतकों को इतनी गंभीर रूप से नुकसान पहुँचाती है कि उपचार रोकना पड़ता है। इसे दूर करने के लिए, डॉक्टर अक्सर 'कॉम्बिनेशन थेरेपी' (संयोजन चिकित्सा) की ओर मुड़ते हैं, जिसमें एक साथ दो या दो से अधिक दवाओं का उपयोग किया जाता है। इसका लक्ष्य ऐसे जोड़ों को खोजना है जो एक विशेष तरीके से मिलकर काम करें: जब संयुक्त प्रभाव उनके व्यक्तिगत प्रभावों के साधारण योग से अधिक हो। वैज्ञानिक इसे "सिनर्जी" (synergy - सहक्रिया) कहते हैं। यह दो सैनिकों द्वारा एक युद्ध लड़ने और दो सैनिकों द्वारा एक एकल, अजेय इकाई के रूप में लड़ने के बीच का अंतर है। हालाँकि, इन शक्तिशाली जोड़ों को खोजना एक बहुत बड़ा कार्य है। हजारों उपलब्ध दवाओं और सैकड़ों अलग-अलग प्रकार की कैंसर कोशिकाओं के साथ, संभावित संयोजनों की संख्या इतनी विशाल है कि प्रयोगशाला में उन सभी का परीक्षण करने में सदियां लग जाएंगी और अरबों डॉलर खर्च होंगे।

चूंकि भौतिक परीक्षण इतना धीमा और महंगा है, इसलिए शोधकर्ताओं ने कंप्यूटर की ओर रुख किया है ताकि वे एक फिल्टर के रूप में कार्य कर सकें। वे गणितीय मॉडल बनाते हैं ताकि प्रयोगशाला में एक बूंद तरल मिलाने से पहले ही यह अनुमान लगाया जा सके कि दवाओं के कौन से जोड़े सबसे अच्छा काम करेंगे। वर्षों से, ये कंप्यूटर मॉडल दो मुख्य प्रकार की जानकारी पर निर्भर रहे हैं: दवाओं की रासायनिक संरचना और कैंसर कोशिकाओं की आनुवंशिक संरचना। लेकिन ये मॉडल सामान्यीकरण करने में संघर्ष करते रहे हैं। वे उन दवाओं और कोशिकाओं के परिणामों की भविष्यवाणी करने में तो अच्छा प्रदर्शन करते हैं जिन्हें उन्होंने पहले देखा है, लेकिन पूरी तरह से नई दवाओं या कैंसर कोशिकाओं के प्रकारों के लिए परिणामों की भविष्यवाणी करने के लिए पूछे जाने पर बुरी तरह विफल हो जाते हैं। चुनौती एक ऐसी प्रणाली बनाने की थी जो केवल पिछले परिणामों को याद न करे, बल्कि वास्तव में यह समझे कि दवाएं और कोशिकाएं कैसे परस्पर क्रिया करती हैं ताकि यह अज्ञात स्थितियों पर भी लागू हो सके।

तेहरान विश्वविद्यालय और फिनलैंड के आल्टो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या के लिए एक नया दृष्टिकोण प्रस्तावित किया है, जिसे वे HA-DMF कहते हैं। उनका कार्य बताता है कि ड्रग सिनर्जी (दवा सहक्रिया) की भविष्यवाणी करना केवल विशेषताओं को मिलाने के बारे में नहीं है, जैसे ताले में चाबी मिलाना, बल्कि यह दवा के जोड़े और विशिष्ट कोशिकीय वातावरण के बीच अंतःक्रिया के छिपे हुए पैटर्न को सीखने के बारे में है। ऐसा करने के लिए, उन्होंने एक हाइब्रिड सिस्टम बनाया जो सोचने के दो अलग-अलग तरीकों को जोड़ता है। उनके सिस्टम का पहला भाग पिछले प्रयोगों के कच्चे डेटा को देखता है ताकि यह सीख सके कि दवाएं मिलकर कैसे व्यवहार करती हैं, जिसे "लेटेंट" (latent) या छिपे हुए नियम कहा जाता है। दूसरा भाग दवाओं और कोशिकाओं के बारे में विस्तृत जैविक जानकारी लाता है, जिसमें एक विशेष प्रकार के 'अटेंशन मैकेनिज्म' (ध्यान तंत्र) का उपयोग यह तय करने के लिए किया जाता है कि किसी विशिष्ट स्थिति के लिए कौन सी जानकारी सबसे अधिक महत्वपूर्ण है।

शोधकर्ताओं ने अपने सिस्टम का परीक्षण 'ड्रगकॉम्ब' (DrugComb) डेटाबेस के डेटा के एक विशाल संग्रह पर किया, जिसमें 211 विभिन्न कैंसर सेल लाइनों में 144,000 से अधिक दवा प्रयोगों के परिणाम शामिल हैं। उन्होंने कंप्यूटर को एक विशिष्ट प्रकार की जानकारी दी: दवाओं का एक विस्तृत रासायनिक फिंगरप्रिंट जो अणु के आकार को दर्शाता है, और एक सीखा हुआ प्रतिनिधित्व जो विशाल मात्रा में अनलेबल रासायनिक डेटा के आधार पर दवा के व्यवहार को पकड़ता है। कैंसर कोशिकाओं के लिए, पूर्ण और शोर वाले आनुवंशिक निर्देशों के बजाय, उन्होंने माइक्रोआरएनए (microRNA) के एक संक्षिप्त सेट का उपयोग किया, जो छोटे अणु हैं जो इस बात के नियामक के रूप में कार्य करते हैं कि जीन कैसे चालू या बंद होते हैं। यह चुनाव जानबूझकर किया गया था; शोधकर्ताओं ने पाया कि इन छोटे, नियामक संकेतों ने अतिरिक्त डेटा के बहुत अधिक शोर के बिना कोशिका की स्थिति की एक स्पष्ट तस्वीर प्रदान की।

उनके नवाचार का मूल यह है कि कंप्यूटर इस जानकारी को कैसे संसाधित करता है। डेटा को केवल एक साथ जोड़ने के बजाय, सिस्टम एक "डीप मैट्रिक्स फैक्टराइजेशन" (deep matrix factorization) मॉड्यूल का उपयोग करता है। इसे दवा प्रयोगों के विशाल इतिहास को छिपे हुए संबंधों के एक संक्षिप्त मानचित्र में व्यवस्थित करने के तरीके के रूप में कल्पना करें। कंप्यूटर दवाओं और कोशिकाओं को एक साझा स्थान में रखने के लिए सीखता है जहाँ समान व्यवहार करने वाले पास होते हैं। यह मॉडल को पहले से सीखे गए पैटर्न के आधार पर नए संयोजनों के बारे में शिक्षित अनुमान लगाने की अनुमति देता है। लेकिन मॉडल यहीं नहीं रुकता। यह दवाओं की विशिष्ट रासायनिक विशेषताओं और कोशिका के नियामक संकेतों को देखने के लिए "डायरेक्शनल अटेंशन मैकेनिज्म" का उपयोग करता है। यह सवाल पूछता है: इस विशिष्ट कोशिका में इस विशिष्ट दवा के जोड़े के लिए, कौन से रासायनिक विवरण और कौन से कोशिकीय संकेत वास्तव में सिनर्जी को संचालित कर रहे हैं? यह मॉडल को अपनी एकाग्रता को अनुकूलित करने की अनुमति देता है, जिससे प्रत्येक अद्वितीय परिदृश्य के लिए सबसे प्रासंगिक जानकारी को महत्व दिया जा सके।

जब शोधकर्ताओं ने अन्य अग्रणी विधियों के मुकाबले अपने सिस्टम का परीक्षण किया, तो परिणाम स्पष्ट थे। सबसे मानक परीक्षण में, जहाँ मॉडल उन दवा संयोजनों के परिणामों की भविष्यवाणी करता है जिन्हें उसने पहले नहीं देखा है लेकिन जहाँ व्यक्तिगत दवाएं और कोशिकाएं परिचित हैं, नए मॉडल ने वास्तविक प्रयोगात्मक परिणामों के साथ 0.832 का सहसंबंध (correlation) प्राप्त किया। यह अगली सर्वश्रेष्ठ विधि से काफी अधिक था, जिसका स्कोर लगभग 0.70 था। अधिक महत्वपूर्ण बात यह है कि नए मॉडल ने कम बड़ी गलतियाँ कीं। इसने सिनर्जी की शक्ति की भविष्यवाणी औसत 5.7 अंकों की त्रुटि के साथ की, जबकि अगली सर्वश्रेष्ठ विधि के लिए यह 7.35 थी। यह सटीकता मायने रखती है क्योंकि वास्तविक दुनिया में, एक अनुमानित स्कोर में एक छोटा सा अंतर यह निर्धारित कर सकता है कि क्या किसी दवा के जोड़े को महंगे लैब परीक्षण के लिए चुना जाए या छोड़ दिया जाए।

शोधकर्ताओं ने मॉडल को उसकी सीमाओं तक धकेला ताकि यह देखा जा सके कि यह वास्तव में नई स्थितियों को कितनी अच्छी तरह संभाल सकता है। उन्होंने उन परिदृश्यों पर परीक्षण किया जहाँ पूरे दवा जोड़े नए थे, जहाँ पूरी सेल लाइन नई थी, और जहाँ जोड़े में से एक दवा भी पहले कभी देखी नहीं गई थी। जैसा कि अपेक्षित था, जैसे-जैसे कार्य कठिन होते गए, मॉडल का प्रदर्शन गिर गया, जो किसी भी भविष्य कहनेवाला प्रणाली की एक स्वाभाविक सीमा है। हालांकि, HA-DMF संयोजनों को सही ढंग से रैंक करने में अन्य विधियों से बेहतर प्रदर्शन करता रहा, भले ही वह उच्च सटीकता के साथ सटीक संख्याएं न बता सका हो। यह सुझाव देता है कि मॉडल ने अंतःक्रिया के नियमों की एक मजबूत समझ विकसित की है जो नए संदर्भों में स्थानांतरित हो सकती है।

मॉडल के घटकों पर करीब से नज़र डालने पर पता चला कि हर हिस्से ने एक महत्वपूर्ण भूमिका निभाई। जब शोधकर्ताओं ने कच्चे डेटा से सीखे गए पैटर्न को हटाया, तो मॉडल की सटीकता काफी गिर गई, जिससे साबित हुआ कि पिछले प्रयोगों से सीखना आवश्यक है। जब उन्होंने रासायनिक फिंगरप्रिंट या नियामक संकेतों को हटाया, तो प्रदर्शन भी गिर गया, जिससे पता चला कि जैविक विवरण आवश्यक संदर्भ प्रदान करते हैं। शायद सबसे आश्चर्यजनक रूप से, जब उन्होंने "अटेंशन" तंत्र को हटाया जो उन्हें विशिष्ट विवरणों पर ध्यान केंद्रित करने देता है, तो परिणाम खराब हो गए। इसने पुष्टि की कि सूचना के विभिन्न टुकड़ों को चुनिकी रूप से तौलने की क्षमता केवल एक बोनस नहीं है, बल्कि सटीक भविष्यवाणी के लिए एक मौलिक आवश्यकता है। मॉडल सभी दवाओं और कोशिकाओं के साथ एक जैसा व्यवहार नहीं करता है; यह सही स्थिति के लिए सही संकेतों को सुनना सीखता है।

अध्ययन ने यह भी जांचा कि मॉडल दवाओं की अंतःक्रिया के विभिन्न स्तरों पर कैसा व्यवहार करता है। इसने मध्यम श्रेणी में बहुत अच्छा प्रदर्शन किया, जहाँ अधिकांश दवा संयोजन आते हैं, और सटीक रूप से भविष्यवाणी की कि वे कमजोर प्रभाव या मध्यम प्रभाव डालेंगे। हालाँकि, कई प्रणालियों की तरह, यह सबसे चरम मामलों की भविष्यवाणी करने में रूढ़िवादी रहने की प्रवृत्ति रखता था। जब प्रयोगशाला में एक दवा जोड़े ने बहुत मजबूत सिनर्जिस्टिक प्रभाव दिखाया, तो मॉडल ने अक्सर एक मजबूत प्रभाव की भविष्यवाणी की लेकिन वह वास्तविक अवलोकन से थोड़ा कम था। शोधकर्ता कहते हैं कि यह विपरीत स्थिति की तुलना में एक सुरक्षित परिणाम है। ड्रग डिस्कवरी में, एक कमजोर संयोजन पर संसाधनों को बर्बाद करने के बजाय एक शक्तिशाली संयोजन का थोड़ा कम अनुमान लगाना और उसकी आगे जांच करना बेहतर होता है।

एब्बासी, रूसु और घाघराघनी का कार्य यह सुझाव देता है कि हम ड्रग डिस्कवरी (दवा खोज) के प्रति अपने दृष्टिकोण में बदलाव ला रहे हैं। यह समस्या को केवल एक दवा की विशेषताओं को एक कोशिका की विशेषताओं से मिलाने के रूप में देखने के बजाय, यह दिखाने के लिए है कि यह एक सीखने की समस्या के रूप में अधिक प्रभावी है जहाँ सिस्टम अंतःक्रिया के छिपे हुए नियमों की खोज करता है। पिछले डेटा से सीखने की क्षमता को आणविक संरचना और कोशिकीय विनियमन की गहरी समझ के साथ जोड़कर, HA-DMF यह प्राथमिकता तय करने के लिए एक व्यावहारिक उपकरण प्रदान करता है कि किन दवा संयोजनों का परीक्षण करने योग्य है। हालांकि यह हर परिणाम की सटीक भविष्यवाणी करने वाला कोई जादुई समाधान नहीं है, फिर भी यह संभव कैंसर उपचारों के विशाल और जटिल महासागर में नेविगेट करने के लिए एक विश्वसनीय दिशा-सूचक (compass) प्रदान करता है, जिससे वैज्ञानिकों को उन संयोजनों पर ध्यान केंद्रित करने में मदद मिलती जिनके सफल होने की संभावना सबसे अधिक है।