Meta-analysis of Human Serum DIA proteome: Combining Datasets for AI Analysis

द ग्रेट प्रोटीन मिक्स-अप: क्यों कुछ वैज्ञानिक डेटा आपस में नहीं मिल पाते

कल्पना कीजिए कि आप मानव शरीर के "पार्ट्स लिस्ट" (पुर्जों की सूची) को देखकर यह समझने की कोशिश कर रहे हैं कि वह कैसे काम करता है। जीव विज्ञान की दुनिया में, इस सूची को प्रोटिओम (proteome) कहा जाता है, और यह प्रोटीन नामक हजारों सूक्ष्म मशीनों से बना होता है। वैज्ञानिक रक्त की एक बूंद (सीरम) ले सकते हैं और मास स्पेक्ट्रोमीटर नामक एक अत्यंत शक्तिशाली सूक्ष्मदर्शी का उपयोग करके इन प्रोटीनों की गिनती कर सकते हैं। यह एक भीड़ भरे स्टेडियम की फोटो लेने और फिर उस भीड़ में किसी विशिष्ट रंग की शर्ट पहने हर एक व्यक्ति को गिनने की कोशिश करने जैसा है।

लंबे समय तक, वैज्ञानिकों ने इन तस्वीरों को लेने के लिए डेटा-डिपेंडेंट एक्विजिशन (DDA) नामक विधि का उपयोग किया। यह एक ऐसे कैमरे की तरह था जो केवल भीड़ के सबसे शोर मचाने वाले या प्रसिद्ध लोगों की तस्वीरें खींचता था, जिससे अक्सर शांत या कम संख्या में मौजूद लोग छूट जाते थे। हाल ही में, डेटा-इंडिपेंडेंट एक्विजिशन (DIA) नामक एक नया कैमरा तरीका लोकप्रिय हुआ है। यह नया कैमरा भीड़ में मौजूद हर व्यक्ति की तस्वीर खींचता है, चाहे वे कितने भी शांत क्यों न हों, जिससे प्रोटिओम की अधिक पूर्ण और निष्पक्ष तस्वीर मिलती है।

अब, कल्पना कीजिए कि आपके पास 11 अलग-अलग स्टेडियमों की तस्वीरें हैं, जिन्हें 11 अलग-अलग फोटोग्राफरों द्वारा, थोड़े अलग कैमरों और दिन के अलग-अलग समय पर लिया गया है। आप इन सभी तस्वीरों को एक विशाल, सुपर-क्लियर इमेज में जोड़ना चाहते हैं ताकि पैटर्न खोजे जा सकें—जैसे कि "क्या उम्र बढ़ने के साथ लोग अधिक लाल शर्ट पहनते हैं?" या "क्या कोई विशिष्ट शर्ट का रंग है जो केवल लड़कियां पहनती हैं?" इसे मेटा-एनालिसिस (meta-analysis) कहा जाता है। यह एक बेहतरीन विचार लगता है क्योंकि डेटा को मिलाने से आपको सत्य खोजने की अधिक शक्ति मिलनी चाहिए। लेकिन क्या होगा यदि प्रत्येक स्टेडियम में रोशनी इतनी अलग है कि एक फोटो में सबको लाल शर्ट पहने हुए दिखाया गया है और दूसरी में नीली, जबकि यह उम्र या लिंग के कारण नहीं, बल्कि केवल सूरज की रोशनी के कारण है? इस "लाइटिंग अंतर" को बैच इफेक्ट (batch effect) कहा जाता है, और यही वह बड़ा व्यवधान है जिसकी यह शोध-पत्र जांच करता है।

---

प्रयोग: 11 अलग-अलग दुनियाओं को मिलाने की कोशिश

इस अध्ययन में, यूनिवर्सिटी ऑफ लिवरपूल, यूरोपियन बायोइन्फॉर्मेटिक्स इंस्टीट्यूट और इंस्टीट्यूट फॉर सिस्टम्स बायोलॉजी के शोधकर्ताओं की एक टीम ने यह परीक्षण करने का निर्णय लिया कि क्या हम वास्तव में इन 11 अलग-अलग मानव सीरम डेटासेट्स को आपस में मिला सकते हैं। वे देखना चाहते थे कि क्या वे एक ऐसा "सुपर-डेटासेट" बना सकते हैं जो नई चिकित्सा खोजों के लिए आर्टिफिशियल इंटेलिजेंस (AI) द्वारा खनन (mining) के लिए तैयार हो।

उन्होंने PRIDE नामक एक सार्वजनिक लाइब्रेरी से 11 उच्च-गुणवत्ता वाले डेटासेट्स से शुरुआत की। इन डेटासेट्स में 1,393 अलग-अलग लोगों की जानकारी शामिल थी। कुछ स्वस्थ थे, कुछ कोविड-19 या रुमेटिक हार्ट डिजीज जैसी बीमारियों से ग्रस्त थे, और उनके पास उनकी आयु, लिंग और बॉडी मास इंडेक्स (BMI) का विवरण भी था। शोधकर्ताओं ने सभी कच्चे डेटा (raw data) का पुन: विश्लेषण करने के लिए DIA-NN नामक एक आधुनिक सॉफ्टवेयर टूल का उपयोग किया, ताकि यह सुनिश्चित हो सके कि वे सभी प्रोटीनों की एक ही सूची देख रहे हैं।

सबसे पहले, उन्होंने व्यक्तिगत रूप से डेटा की जांच की। जब उन्होंने प्रत्येक डेटासेट को अलग से देखा, तो उन्हें कुछ स्पष्ट और वास्तविक पैटर्न मिले। उदाहरण के लिए, उन्होंने देखा कि कुछ प्रोटीन (जैसे IGFALS और IGFBP3) उम्र बढ़ने के साथ लगातार बदलते हैं, और अन्य (जैसे सीरम एमिलॉयड पी-कंपोनेंट) पुरुषों और महिलाओं के बीच भिन्न होते हैं। ये वे "वास्तविक संकेत" (true signals) थे जिन्हें वे बड़े मिश्रण में खोजने की उम्मीद कर रहे थे।

महान मिश्रण का प्रयास: क्या यह काम करता है?

इसके बाद, टीम ने उन सभी 11 डेटासेट्स को एक विशाल ढेर में मिलाने की कोशिश की। उन्होंने डेटा को मिलाने के लिए तैयारी करने के तीन तरीके आजमाए:

1. नेटिव iBAQ: मशीन से प्राप्त कच्चे नंबरों का उपयोग करना।
2. रैंक्ड वैल्यूज (Ranked Values): नंबरों को सरल रैंक में बदलना (जैसे 1ला, 2रा, 3रा, 4था, 5वां स्थान) ताकि अंतर को सुधारा जा सके।
3. पार्ट्स पर बिलियन (PPB): नंबरों को कुल प्रतिशत में बदलना, जैसे यह कहना कि "यह प्रोटीन पूरे सूप का 5 बिलियनवां हिस्सा है।"

फिर, उन्होंने "बैच करेक्शन" टूल्स (गणितीय ट्रिक्स जिन्हें ComBat और Limma कहा जाता है) का उपयोग करके विभिन्न अध्ययनों के कारण होने वाले अंतरों को मिटाने की कोशिश की, इस उम्मीद में कि केवल जैविक सत्य ही पीछे रह जाएगा।

परिणाम? एक बड़ी गड़बड़ी।

अपने सर्वोत्तम प्रयासों के बावजूद, शोधकर्ताओं ने पाया कि वे "बैच इफेक्ट्स" को प्रभावी ढंग से हटाने में असफल रहे। 11 अध्ययनों के बीच का अंतर इतना गहरा था कि गणितीय ट्रिक्स "स्टडी के शोर" (study noise) और "जैविक संकेत" (biological signal) को अलग नहीं कर सके।

जब उन्होंने डेटा को मिलाया, तो AI और सांख्यिकीय मॉडल ने गलत अलार्म (false alarms) देना शुरू कर दिया। उन्हें ऐसे प्रोटीन मिले जो उम्र या लिंग से जुड़े प्रतीत होते थे, लेकिन जब उन्होंने मूल 11 अलग-अलग अध्ययनों के विरुद्ध इसकी जांच की, तो वे संबंध वहां मौजूद ही नहीं थे। यह ऐसा था जैसे मिश्रण की प्रक्रिया ने एक भूतिया कहानी बना दी जहाँ प्रोटीन उम्र के बारे में बात कर रहे थे, जबकि वे वास्तव में केवल उस लैब के बारे में बात कर रहे थे जहाँ से वे आए थे।

उदाहरण के लिए, यदि एक अध्ययन में ज्यादातर बुजुर्ग लोग थे और दूसरे में ज्यादातर युवा लोग थे, तो संयुक्त डेटा कंप्यूटर को यह विश्वास दिलाने के लिए धोखा दे सकता था कि हर प्रोटीन उम्र के साथ बदल रहा है, भले ही वह सच न हो। "बैच इफेक्ट" (अध्ययन की पहचान) इतना तेज था कि उसने वास्तविक जैविक फुसफुसाहट को दबा दिया।

AI क्लासिफायर टेस्ट: क्या एक रोबोट मिश्रण से सीख सकता है?

वास्तविक खतरे का परीक्षण करने के लिए, शोधकर्ताओं ने प्रोटीन स्तरों के आधार पर किसी व्यक्ति के लिंग (पुरुष या महिला) का अनुमान लगाने के लिए एक AI रोबोट बनाने की कोशिश की। उन्होंने दो सबसे बड़े डेटासेट्स का उपयोग किया और दो दृष्टिकोण अपनाए:

1. "क्लीनड" (साफ किया गया) दृष्टिकोण: उन्होंने पहले अध्ययन के अंतरों को गणितीय रूप से हटाने की कोशिश की, फिर AI को प्रशिक्षित किया।
2. "रॉ" (कच्चा) दृष्टिकोण: उन्होंने AI को अध्ययन के अंतरों को एक विशेषता (feature) के रूप में सीखने दिया (जैसे रोबोट को डेटासेट की "PXD" आईडी पहचानना सिखाना)।

दोनों दृष्टिकोणों ने रोबोट को स्मार्ट दिखाया। उसने लगभग 80% बार लिंग का सही अनुमान लगाया। हालाँकि, जब शोधकर्ताओं ने यह देखा कि रोबोट अपने अनुमान लगाने के लिए वास्तव में किसका उपयोग कर रहा था, तो उन्हें एक समस्या मिली। रोबोट फॉल्स पॉजिटिव (false positive) फीचर्स को पकड़ रहा था—ऐसे प्रोटीन जो केवल बैच इफेक्ट के कारण महत्वपूर्ण लग रहे थे, न कि इसलिए कि वे वास्तव में पुरुष या महिला होने से जुड़े थे।

यदि कोई डॉक्टर इस रोबोट का उपयोग बीमारी के लिए नया बायोमार्कर खोजने के लिए करता, तो वह एक काल्पनिक साये (ghost) का पीछा कर सकता था, एक ऐसे संकेत के पीछे भाग सकता था जो केवल असंगत डेटा को मिलाने से बनी एक सांख्यिकीय भ्रम मात्र थी।

मुख्य निष्कर्ष

इस शोध-पत्र का मुख्य निष्कर्ष एक चेतावनी है। हालांकि डेटा को मिलाना AI और खोज के लिए अधिक शक्ति प्राप्त करने का एक शानदार तरीका लग सकता है, लेकिन मानव सीरम DIA डेटा के लिए यह वर्तमान में बहुत जोखिम भरा है।

लेखक सुझाव देते हैं कि:

• अभी सब कुछ एक साथ न मिलाएं: "बैच इफेक्ट्स" (अध्ययनों के बीच के अंतर) इतने मजबूत हैं कि उन्हें वर्तमान गणितीय उपकरणों द्वारा ठीक नहीं किया जा सकता।
• फॉल्स पॉजिटिव एक वास्तविक खतरा हैं: इन डेटासेट्स को जबरदस्ती जोड़ने से ऐसे नकली सहसंबंध (correlations) पैदा होते हैं जो वास्तविक लगते हैं लेकिन वास्तव में नहीं होते।
• इन्हें व्यक्तिगत रूप से लें: इन डेटासेट्स को एक बड़े सूप में मिलाने के बजाय, प्रत्येक डेटासेट का अलग से विश्लेषण करना और उन पैटर्न को देखना जो उनके बीच दोहराए जाते हैं, अधिक सुरक्षित और सटीक है।

संक्षेप में, जबकि हमारे पास डेटा का खजाना है, इन विशिष्ट 11 मानव सीरम डेटासेट्स को मिलाना अभी तेल और पानी को मिलाने और उससे एक स्मूथ स्मूदी बनाने की उम्मीद करने जैसा है। परिणाम एक ऐसा अस्त-व्यस्त मिश्रण है जहाँ वास्तविक संकेत शोर में खो जाते हैं, और AI ऐसी चीजें देखने लगता है जो वहां हैं ही नहीं। शोधकर्ता निष्कर्ष निकालते हैं कि जब तक हमारे पास इस डेटा को साफ करने के बेहतर तरीके नहीं होंगे, हमें इन बड़े पैमाने के मेटा-एनालिसिस के साथ अत्यधिक सावधानी बरतनी चाहिए।