Integrated Polygenic Risk Scores: Composite and Ensemble Learning Approaches for Precision Medicine
यह शोध पत्र रोग और फार्माकोजेनोमिक्स GWAS डेटा को एकीकृत करने के लिए नवीन संकर (कंपोजिट) और अनुकूलन योग्य एन्सेम्बल लर्निंग विधियों का प्रस्ताव और सत्यापन करता है ताकि पॉलीजेनिक रिस्क स्कोर विकास की मौजूदा सीमाओं को दूर किया जा सके, जिससे सटीक चिकित्सा (प्रिसिजन मेडिसिन) में दवा की प्रतिक्रिया के पूर्वानुमान और रोगी स्तरीकरण में महत्वपूर्ण सुधार हो सके।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक व्यक्ति नई दवा के प्रति कैसी प्रतिक्रिया देगा। दशकों से, डॉक्टर 'वन-साइज-फिट्स-ऑल' (एक ही पैमाना सबके लिए) दृष्टिकोण पर भरोसा करते आए हैं, लेकिन स्वास्थ्य सेवा का भविष्य प्रिसिजन मेडिसिन (सटीक चिकित्सा) में निहित है: प्रत्येक रोगी की अद्वितीय आनुवंशिक संरचना के अनुरूप उपचार तैयार करना। ऐसा करने के लिए, वैज्ञानिक 'पॉलीजेनिक रिस्क स्कोर' नामक उपकरण का उपयोग करते हैं। इस स्कोर को एक ऐसे तरीके के रूप में सोचें जिससे किसी व्यक्ति के डीएनए में बिखित हजारों सूक्ष्म आनुवंशिक निर्देशों को जोड़कर यह देखा जा सके कि क्या वे स्वाभाविक रूप से किसी विशेष बीमारी के प्रति संवेदनशील हैं या किसी विशिष्ट दवा के प्रति अच्छी प्रतिक्रिया देने की संभावना रखते हैं। हालाँकि, इन स्कोरों का निर्माण करना एक ऐसे पहेली को सुलझाने जैसा रहा है जिसके टुकड़े गायब हैं। वैज्ञानिक लंबे समय से दो प्रकार के आनुवंशिक प्रभावों को अलग करने के लिए संघर्ष कर रहे हैं: वे जो उपचार शुरू होने से पहले यह निर्धारित करते हैं कि व्यक्ति कितना बीमार है, और वे जो यह निर्धारित करते हैं कि उनका शरीर विशेष रूप से दवा के प्रति कैसी प्रतिक्रिया देता है। यदि आप इन दोनों को अलग नहीं कर सकते, तो आप सटीक रूप से यह भविष्यवाणी नहीं कर सकते कि किसे दवा से लाभ होगा और किसे नहीं।
मर्क एंड कंपनी (Merck & Co.) और शिकागो विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस पहेली को सुलझाने का एक नया तरीका विकसित किया है। उन्होंने एक ऐसी विधि बनाई जो दवा की प्रतिक्रिया का कहीं अधिक स्पष्ट चित्र बनाने के लिए दो अलग-अलग प्रकार के आनुवंशिक डेटा को जोड़ती है। पारंपरिक रूप से, वैज्ञानिक किसी बीमारी वाले लोगों के बड़े अध्ययनों से, या पहले से दवा ले रहे लोगों के छोटे अध्ययनों से डेटा का उपयोग करके ये स्कोर बनाने की कोशिश करते रहे हैं। पहला दृष्टिकोण यह बताने में अच्छा है कि कौन बीमार है, लेकिन यह इस बात को छोड़ देता है कि दवा कैसे काम करती है। दूसरा दृष्टिकोण सीधा है लेकिन अक्सर विश्वसनीय होने के लिए पर्याप्त डेटा की कमी होती है। नई विधि, जिसे शोधकर्ताओं ने "एन्सेम्बल" (ensemble) दृष्टिकोण कहा है, एक स्मार्ट फिल्टर की तरह कार्य करती है जो सूचना के इन दो स्रोतों को पूरी तरह से मिलाने के लिए सीखती है। डेटा को मिलाने का अनुमान लगाने के बजाय, कंप्यूटर उन्हें संयोजित करने के कई तरीकों का परीक्षण करता है और उस विकल्प को चुनता है जो विशिष्ट स्थिति के लिए सबसे अच्छा काम करता है।
अपने कार्य में, शोधकर्ताओं ने पहले डेटा को मिलाने का एक सरल तरीका प्रस्तावित किया, जिसे वे "कंपोजिट मेथड" कहते हैं। यह दृष्टिकोण यह मान लेता है कि जो आनुवंशिक कारक किसी व्यक्ति को बीमार बनाते हैं, वे वही हैं जो उसे दवा के प्रति प्रतिक्रिया करने में मदद करते हैं, और यह एक से दूसरे को घटाकर दवा-विशिष्ट संकेत खोजने का प्रयास करता है। हालांकि यह पुराने तरीकों की तुलना में बेहतर था, लेकिन शोधकर्ताओं को एहसास हुआ कि बीमारी और दवा की प्रतिक्रिया के बीच का संबंध हमेशा सरल नहीं होता है। कभी-कभी बीमारी के आनुवंशिक चालक दवा के काम करने में मदद करते हैं; अन्य समय में, वे इसके विरुद्ध भी काम कर सकते हैं। इस अनिश्चितता से निपटने के लिए, उन्होंने एक अधिक उन्नत प्रणाली बनाई जो अपने आप में डेटा को जोड़ने का सबसे अच्छा तरीका सीख लेती है। यह प्रणाली संभावनाओं की एक विस्तृत श्रृंखला का परीक्षण करती है, और बीमारी के डेटा और दवा के डेटा को अलग-अलग भार देती है, जब तक कि वह परिणामों की भविष्यवाणी करने के लिए सही संतुलन न खोज ले।
यह परीक्षण करने के लिए कि क्या यह नया सिस्टम वास्तव में काम करता है, टीम ने हजारों कंप्यूटर सिमुलेशन चलाए। उन्होंने ज्ञात आनुवंशिक लक्षणों वाले आभासी जनसंख्या बनाए और सिम्युलेट किया कि वे विभिन्न स्थितियों के तहत उपचार के प्रति कैसी प्रतिक्रिया देंगे। इन परीक्षणों में, उनकी नई विधि ने आज के मानक दृष्टिकोणों से लगातार बेहतर प्रदर्शन किया। यह समग्र परिणाम की भविष्यवाणी करने में बेहतर थी और महत्वपूर्ण रूप से, उन विशिष्ट आनुवंशिक संकेतों की पहचान करने में बहुत बेहतर थी जो संकेत देते हैं कि कोई दवा काम करेगी। सिमुलेशन ने दिखाया कि जबकि पुराने तरीके अक्सर लक्ष्य से चूक जाते थे या डेटा के शोर (noise) से भ्रमित हो जाते थे, नया एन्सेम्बल मेथड विभिन्न परिदृश्यों के अनुकूल हो सकता है और वास्तविक संकेत को खोज सकता है। यह विशेष रूप से तब प्रभावी था जब बीमारी और दवा की प्रतिक्रिया के आनुवंशिक कारक पूरी तरह से संरेखित नहीं थे, जो एक सामान्य वास्तविक स्थिति है जिसने पिछले उपकरणों को उलझा दिया था।
शोधकर्ताओं ने फिर अपने तरीके को वास्तविक दुनिया में ले जाकर, IMPROVE-IT क्लिनिकल ट्रायल के डेटा पर लागू किया, जो कोलेस्ट्रॉल कम करने वाली दवा दी जाने वाले 5,000 से अधिक रोगियों वाला एक प्रमुख अध्ययन है। लक्ष्य यह अनुमान लगाना था कि उपचार के एक महीने बाद प्रत्येक रोगी के खराब कोलेस्ट्रॉल में कितनी कमी आएगी। मानक तरीके, जो केवल बीमारी के डेटा या केवल दवा के डेटा पर निर्भर करते हैं, एक मजबूत पैटर्न खोजने में विफल रहे। वे स्पष्ट रूप से उन रोगियों को नहीं पहचान सके जिन्हें बड़ा लाभ होगा और किन्हें छोटा लाभ होगा। इसके विपरीत, नए तरीके ने एक स्पष्ट आनुवंशिक संकेत सफलतापूर्वक पहचाना। यह उन रोगियों के बीच अंतर करने में सक्षम था जो कोलेस्ट्रॉल में महत्वपूर्ण गिरावट देखेंगे और जो नहीं देखेंगे। यह विधि इतनी सटीक थी कि यह रोगियों को ऐसे समूहों में वर्गीकृत कर सकती थी जहाँ उपचार का प्रभाव स्पष्ट था, जो कि उन डॉक्टरों के लिए एक आवश्यक क्षमता है जो सही व्यक्ति को सही दवा देना चाहते हैं।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि नया तरीका उन विशिष्ट जीन की पहचान कर सकता है जो दवा के प्रभाव को संचालित करते हैं। विश्लेषण ने उन जीनों की ओर इशारा किया जो शरीर द्वारा कोलेस्ट्रॉल को संसाधित करने के तरीके में शामिल हैं, जिससे पुष्टि हुई कि विधि रैंडम शोर के बजाय जैविक रूप से वास्तविक कनेक्शन खोज रही थी। सही आनुवंशिक मार्करों को पहचानने की यह क्षमता का अर्थ है कि भविष्य में, डॉक्टर रोगी के डीएनए को देखकर विश्वास के साथ जान सकेंगे कि क्या कोई विशिष्ट दवा उनके कोलेस्ट्रॉल को प्रभावी ढंग से कम करेगी। अध्ययन बताता है कि विभिन्न प्रकार के आनुवंशिक डेटा को जोड़कर, वैज्ञानिक छोटे सैंपल साइज और अव्यवस्थित डेटा की सीमाओं को पार कर सकते हैं जिन्होंने इस क्षेत्र में प्रगति को रोक रखा था।
शोधकर्ता स्वीकार करते हैं कि उनका कार्य अंतिम समाधान नहीं है। उनकी विधि की सफलता उपलब्ध डेटा की गुणवत्ता पर निर्भर करती है, और उन्होंने उल्लेख किया कि जिस विशिष्ट दवा परीक्षण का उन्होंने उपयोग किया था, उसमें कुछ सीमाएं थीं, जैसे कि विशाल बीमारी अध्ययनों की तुलना में प्रतिभागियों की अपेक्षाकृत कम संख्या। उन्होंने यह भी बताया कि बीमारी और दवा की प्रतिक्रिया के बीच का संबंध विभिन्न आबादी और विभिन्न दवाओं के बीच भिन्न हो सकता है, जिसका अर्थ है कि इस पद्धति को अन्य स्थितियों के लिए परीक्षण और परिष्कृत करने की आवश्यकता होगी। हालांकि, इस अध्ययन के परिणाम एक मजबूत 'प्रूफ ऑफ कॉन्सेप्ट' प्रदान करते हैं। यह दिखाकर कि एक अनुकूलन योग्य, सीखने पर आधारित दृष्टिकोण विविध आनुवंशिक डेटा को एकीकृत करके भविष्यवाणी में सुधार कर सकता है, टीम ने प्रिसिजन मेडिसिन के लिए एक नया मार्ग प्रशस्त किया है। उनका कार्य यह प्रदर्शित करता है कि जब हम आनुवंशिक डेटा को अलग-अलग द्वीपों के रूप में देखना बंद कर देते हैं और उन्हें बुद्धिमानी से जोड़ना शुरू करते हैं, तो हम इस बात की स्पष्ट समझ विकसित कर सकते हैं कि हमारे जीन उन दवाओं के प्रति हमारी प्रतिक्रिया को कैसे आकार देते हैं जो हमारे जीवन को बचाती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।