PS-HTI: Pair-Conditioned Enclosing-Subgraph Learning for Herb--Target Prediction on the HTINet2 Benchmark

औषधीय जड़ी-बूटियों को लंबे समय से जटिल बीमारियों के इलाज के लिए उनके मूल्यवान माना जाता रहा है, यह शक्ति उनके कई अलग-अलग रासायनिक यौगिकों के मिश्रण के रूप में उनकी प्रकृति से उत्पन्न होती है। एक एकल सिंथेटिक ड्रग अणु के विपरीत, जो एक विशिष्ट ताले के लिए एक विशिष्ट चाबी की तरह कार्य करता है, एक जड़ी-बूटी में विविध सामग्रियों का एक संग्रह होता है जो मानव शरीर के भीतर कई लक्ष्यों के साथ परस्पर क्रिया कर सकते हैं। जड़ी-बूटियों के ये घटक शरीर के किन प्रोटीनों को प्रभावित करते हैं, इसे सटीक रूप से पहचानना पारंपरिक उपचारों के काम करने के तरीके को समझने और नए उपचारों की खोज करने के लिए महत्वपूर्ण है। हालाँकि, एक जड़ी-बूटी के प्रत्येक घटक को प्रत्येक संभावित प्रोटीन लक्ष्य के विरुद्ध प्रयोगशाला में परीक्षण करना धीमा, महंगा और अक्सर असंभव है। इस समस्या को हल करने के लिए, वैज्ञानिकों ने कंप्यूटर का उपयोग करके इन अंतःक्रियाओं की भविष्यवाणी करने की ओर रुख किया है, जिसमें ज्ञात जैविक डेटा के विशाल नेटवर्क का उपयोग करके यह मानचित्रण किया जाता है कि कौन सी जड़ी-बूटियाँ किन लक्ष्यों को प्रभावित कर सकती हैं।

वर्षों से, इस कार्य के लिए सबसे सफल कंप्यूटर मॉडल जड़ी-बूटी और लक्ष्य को अलग-अलग संस्थाओं के रूप में देखते थे। वे सीखते थे कि एक जड़ी-बूटी कैसी दिखती है और एक लक्ष्य कैसा दिखता है, और फिर केवल दोनों की तुलना करते थे यह अनुमान लगाने के लिए कि क्या वे परस्पर क्रिया कर सकते हैं। यह दृष्टिकोण, उपयोगी होने के बावजूद, एक कमी रखता है: यह उस विशिष्ट परिवेश को देखने में विफल रहता है जहाँ दोनों मिलते हैं। यह दो लोगों को अलग-अलग देखने के बजाय उनकी दोस्ती का आकलन करने जैसा है, बिना यह देखे कि वे एक साथ कैसे खड़े हैं या उनके बीच में और कौन खड़ा है। यान्टी नानशान विश्वविद्यालय के यान जिन द्वारा किया गया एक नया अध्ययन सोचने का एक अलग तरीका पेश करता है, जो कंप्यूटर को मजबूर करता है कि वह हर संभावित जड़ी-बूटी और लक्ष्य के जोड़े के आसपास के विशिष्ट स्थानीय वातावरण को देखे। प्रत्येक उम्मीदवार जोड़ी के लिए एक अद्वितीय, छोटा मानचित्र बनाकर और उस मानचित्र के भीतर के कनेक्शनों का विश्लेषण करके, नया तरीका, जिसे PS-HTI कहा जाता है, पिछले मॉडलों की तुलना में काफी बेहतर भविष्यवाणियां प्राप्त करता है।

शोधकर्ताओं ने अपने नए सिस्टम का परीक्षण HTINet2 नामक एक बड़े, स्थापित डेटासेट पर किया, जिसमें 563 विभिन्न जड़ी-बूटियाँ, 2,106 प्रोटीन लक्ष्य और 38,000 से अधिक दर्ज अंतःक्रियाओं की जानकारी है। लक्ष्य यह देखना था कि क्या कंप्यूटर किसी दी गई जड़ी-बूटी के लिए सबसे संभावित लक्ष्यों को सही ढंग से रैंक कर सकता है। इस रैंकिंग खेल में, सिस्टम को सही लक्ष्यों को अपनी सूची के बिल्कुल शीर्ष पर रखना होता है। नया PS-HTI मॉडल लगभग 70 प्रतिशत की सफलता दर के साथ सही लक्ष्यों को शीर्ष दस स्थानों में रखने में सफल रहा। यह प्रदर्शन एक बड़ी छलांग थी, जिसने पिछले सर्वश्रेष्ठ मॉडल, HTINet2, को एक बड़े अंतर से पीछे छोड़ दिया। यह सुधार केवल एक छोटा सा बदलाव नहीं था; नया मॉडल शीर्ष दस में सही लक्ष्यों को खोजने में लगभग 56 प्रतिशत बेहतर था और उन्हें संभावना के सही क्रम में रैंक करने में लगभग 64 प्रतिशत बेहतर था।

इस सफलता का रहस्य यह है कि मॉडल एक संबंध की समझ कैसे बनाता है। केवल जड़ी-बूटी और लक्ष्य को शून्य में देखने के बजाय, मॉडल पहले उनके बीच के प्रत्यक्ष लिंक को हटा देता है, यदि कोई मौजूद हो, ताकि यह उस जानकारी का उपयोग करने से बच सके। इसके बाद यह दोनों (जड़ी-बूटी और लक्ष्य) के चारों ओर एक छोटा, सीमित पड़ोस बनाता है, जो उनके करीब मौजूद अन्य अणुओं और प्रोटीनों को कैप्चर करता है। यह पड़ोस एक संदर्भ (context) के रूप में कार्य करता है, जो मॉडल को वह "पुल" या पथ दिखाता है जो उन दोनों को जोड़ सकता है। मॉडल इस पड़ोस में नोड्स (nodes) की विशिष्ट भूमिकाओं पर विशेष ध्यान देता है, यह नोट करता है कि कौन से जड़ी-बूटी के करीब हैं और कौन से लक्ष्य के करीब हैं। फिर यह इस स्थानीय मानचित्र को संसाधित करने के लिए एक विशेष न्यूरल नेटवर्क का उपयोग करता है, जो न केवल व्यक्तिगत भागों की विशेषताओं को सीखता है, बल्कि यह भी सीखता है कि वे एक-दूसरे के सापेक्ष कैसे व्यवस्थित हैं। यह प्रणाली एक मजबूत संबंध का संकेत देने वाले सूक्ष्म संरचनात्मक पैटर्न का पता लगाने की अनुमति देता है, ऐसे पैटर्न जो अदृश्य हो जाते यदि जड़ी-बूटी और लक्ष्य का अलग-अलग विश्लेषण किया जाता।

यह सुनिश्चित करने के लिए कि मॉडल केवल डेटा को याद नहीं कर रहा है, शोधकर्ताओं ने व्यवस्थित रूप से सिस्टम के विभिन्न हिस्सों को हटाया ताकि देखा जा सके कि क्या होता है। उन्होंने पाया कि प्रत्येक घटक एक महत्वपूर्ण भूमिका निभाता है। जब उन्होंने दोनों एंकर्स के बीच के "पुल" को देखने की क्षमता को हटाया, तो मॉडल का प्रदर्शन तेजी से गिर गया, जो यह दर्शाता है कि दोनों पक्षों के बीच का संबंध सबसे महत्वपूर्ण जानकारी है। इसी तरह, जब उन्होंने मॉडल द्वारा जानकारी को संयोजित करने के तरीके को सरल बनाया, एक जटिल, गैर-रेखीय प्रक्रिया को एक साधारण गुणन से बदल दिया, तो परिणाम काफी कम हो गए। यह पुष्टि करता है कि एक जड़ी-बूटी और एक लक्ष्य के बीच का संबंध केवल हिस्सों का एक साधारण योग नहीं है, बल्कि एक जटिल अंतःक्रिया है जिसके लिए स्थानीय संरचना को पढ़ने के लिए एक परिष्कृत तरीके की आवश्यकता होती है।

अध्ययन ने यह भी पता लगाया कि इन भविष्यवाणियों को वास्तविक दुनिया के उपयोग के लिए व्यावहारिक कैसे बनाया जाए। क्योंकि प्रत्येक जड़ी-बूटी और लक्ष्य के हर एक संभावित जोड़े के लिए एक अद्वितीय मानचित्र बनाना गणनात्मक रूप से भारी है, शोधकर्ताओं ने दो-चरणीय रणनीति विकसित की। पहले, सिस्टम एक सरल, तेज़ विधि का उपयोग करके सभी संभावित लक्ष्यों को जल्दी से स्कैन करता है ताकि सबसे आशाजनक उम्मीदवारों की सूची को सीमित किया जा सके। फिर, यह इस छोटे, उच्च-क्षमता वाले समूह पर विस्तृत, मानचित्र-आधारित विश्लेषण लागू करता है। इस हाइब्रिड दृष्टिकोण ने मॉडल को अपनी उच्च सटीकता बनाए रखने में सक्षम बनाया जबकि यह हजारों संभावित लक्ष्यों को संभालने के लिए पर्याप्त कुशल भी बना रहा। परिणामों ने दिखाया कि यह तरीका पूर्ण, विस्तृत मानचित्र के साथ प्रत्येक जोड़ी का विश्लेषण करने की तुलना में बहुत बेहतर था, जो बहुत धीमा होता, या सभी का सरल विधि के साथ विश्लेषण करने की तुलना में जो बहुत गलत होता।

अंततः, यह कार्य प्रदर्शित करता है कि कंप्यूटर में जैविक संबंधों का प्रतिनिधित्व करने का तरीका गहराई से मायने रखता है। जड़ी-बूटियों और लक्ष्यों को अलग-थलग अंत बिंदुओं के रूप में देखने के बजाय, उन्हें एक विशिष्ट, स्थानीय नेटवर्क के हिस्से के रूप में देखने के दृष्टिकोण को अपनाकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो दुनिया को अधिक स्पष्टता से देखता है। निष्कर्ष बताते हैं कि दो जैविक संस्थाओं के बीच का पथ, और उस पथ के आसपास की संरचनाएं, यह समझने की कुंजी हैं कि वे कैसे परस्पर क्रिया करती हैं। हालांकि यह अध्ययन एक एकल डेटासेट तक सीमित है और अभी तक यह साबित नहीं करता है कि ये भविष्यवाणियां जीवित शरीर में काम करती हैं, फिर भी यह यह तय करने के लिए प्राथमिकता देने हेतु एक शक्तिशाली नया ढांचा प्रदान करता है कि अगला प्रयोग कौन सा किया जाए। वैज्ञानिकों के लिए जो औषधीय जड़ी-बूटियों के रहस्यों को खोलने की तलाश में हैं, यह दृष्टिकोण ड्रग डिस्कवरी के जटिल परिदृश्य में नेविगेट करने के लिए एक अधिक सटीक मानचित्र प्रदान करता है।