TDEP: Predicting Target Perturbation Response from Drug-Induced Transcriptomes

जैविक ताले के लिए सही चाबी ढूंढना आधुनिक औषधि खोज (ड्रग डिस्कवरी) की केंद्रीय चुनौती है। वैज्ञानिक लंबे समय से जानते हैं कि दवाएं शरीर के भीतर विशिष्ट प्रोटीनों से जुड़कर काम करती हैं, ठीक वैसे ही जैसे एक चाबी ताले में फिट होती है। यदि चाबी फिट बैठती है, तो यह बीमारी को रोकने या उपचार की प्रक्रिया शुरू करने के लिए ताले को घुमा सकती है। दशकों से, शोधकर्ता इन मिलानों की भविष्यवाणी करने के लिए दो मुख्य रणनीतियों का उपयोग कर रहे हैं। एक दृष्टिकोण अणुओं के भौतिक आकार को देखता है, यह देखने की कोशिश करता है कि क्या वे पहेली के टुकड़ों की तरह एक साथ फिट होते हैं। दूसरा दृष्टिकोण रासायनिक परिणाम (केमिकल आफ्टरमैथ) को देखता है, यह देखता है कि जब किसी दवा को पेश किया जाता है तो कोशिका के आंतरिक निर्देशों में क्या बदलाव आते हैं। जबकि आकार-आधारित विधियां यह अनुमान लगाने में अच्छी हैं कि मिलान होगा या नहीं, वे अक्सर यह समझाने में विफल रहती हैं कि आगे क्या होता है। रासायनिक विधियां परिणाम तो दिखा सकती हैं, लेकिन वे सटीक रूप से यह पहचानने में संघर्ष करती हैं कि किस प्रोटीन ने परिवर्तन का कारण बना, जिससे वे कोशिका की जटिल प्रतिक्रियाओं के शोर में खो जाती हैं।

दक्षिण कोरिया के इव्हा वुमेंस यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस अंतर को पाटने का एक नया तरीका विकसित किया है। उन्होंने एक प्रणाली बनाई जिसे TDEP कहा जाता है, जिसका अर्थ है 'टारगेट-परटर्बड डिफरेंशियल एक्सप्रेशन प्रोफाइल' (Target-perturbed Differential Expression Profile)। केवल यह भविष्यवाणी करने के बजाय कि कोई दवा किसी प्रोटीन से चिपकेगी या नहीं, TDEP उस विशिष्ट लहरदार प्रभाव (रिपल इफेक्ट) की भविष्यवाणी करता है जो वह प्रोटीन कोशिका के पूरे निर्देश मैनुअल, जिसे ट्रांसक्रिप्टोम (transcriptome) कहा जाता है, में पैदा करेगा। कल्पना कीजिए कि एक कोशिका किताबों का एक विशाल पुस्तकालय है, जहाँ प्रत्येक पुस्तक एक जीन है। जब कोई दवा लक्षित प्रोटीन पर प्रहार करती है, तो वह केवल एक पुस्तक को शांत नहीं करती; वह हजारों अन्य पुस्तकों के पढ़ने के क्रम को बदल देती है। TDEP दवा के प्रति पुस्तकालय की प्रतिक्रिया को पढ़ना सीखता है और फिर पीछे की ओर काम करते हुए यह अनुमान लगाता है कि उस व्यवधान का मूल कारण वास्तव में कौन सा प्रोटीन था। यह वैज्ञानिकों को न केवल मिलान खोजने में सक्षम बनाता है, बल्कि उसके बाद होने वाली जैविक कहानी को समझने में भी मदद करता है।

शोधकर्ताओं ने एक कंप्यूटर को भारी मात्रा में जैविक डेटा में पैटर्न पहचानने के लिए प्रशिक्षित करके इस प्रणाली का निर्माण किया। उन्होंने 'कनेक्टिविटी मैप' नामक एक सार्वजनिक डेटाबेस से एकत्र किए गए जीन गतिविधि में दवा-प्रेरित परिवर्तनों के एक विशाल संग्रह से शुरुआत की। इस डेटाबेस में दस लाख से अधिक स्नैपशॉट हैं कि विभिन्न कोशिकाएं विभिन्न रसायनों के प्रति कैसे प्रतिक्रिया करती हैं। टीम ने इन रासायनिक स्नैपशॉट्स को उन प्रोटीनों के जेनेटिक अनुक्रमों (जेनेटिक सीक्वेंस) के साथ जोड़ा जिन्हें दवाएं लक्षित करने वाली होती हैं। उन्होंने एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग किया जो प्रोटीन अनुक्रमों को समझता है, ठीक वैसे ही जैसे एक लैंग्वेज मॉडल वाक्यों को समझता है, ताकि लक्षित प्रोटीनों का प्रतिनिधित्व किया जा सके। फिर, उन्होंने सिस्टम को एक विशिष्ट प्रोटीन को उसके द्वारा उत्पन्न जीन परिवर्तनों के अनूठे पैटर्न से जोड़ने के लिए प्रशिक्षित किया। यह प्रणाली केवल यह नहीं कहती कि कोई संपर्क होगा या नहीं; बल्कि यह एक विस्तृत मानचित्र तैयार करती है कि यदि उस विशिष्ट प्रोटीन को ब्लॉक किया जाए तो कोशिका के जीन कैसे ऊपर या नीचे जाएंगे।

जब टीम ने अपने नए सिस्टम का मौजूदा तरीकों के विरुद्ध परीक्षण किया, तो परिणाम चौंकाने वाले थे। उन्होंने TDEP की तुलना उन पुराने मॉडलों से की जो आणविक आकारों पर निर्भर करते हैं और अन्य मॉडलों से जो कृत्रिम रूप से जीन को साइलेंस करने वाले प्रयोगों से प्राप्त जेनेटिक डेटा पर निर्भर करते हैं। उन दवाओं के परीक्षणों में जिन्हें सिस्टम ने पहले कभी नहीं देखा था, TDEP ने इंटरैक्शन की सही पहचान करने में 0.87 का AUC प्राप्त किया। यह प्रदर्शन उन सर्वश्रेष्ठ आकार-आधारित मॉडलों के तुलनीय है, जिन्हें वर्तमान में गोल्ड स्टैंडर्ड माना जाता है, और उन पुराने जेनेटिक तरीकों से काफी बेहतर है, जो 0.6 के AUC तक पहुँचने में भी संघर्ष करते हैं। शोधकर्ताओं ने पाया कि सिस्टम दिए गए डेटा से सीखने में विशेष रूप से कुशल था, जिससे वह केवल उत्तरों को याद करने के सामान्य जाल से बच गया। इसने उस अंतर्निहित जैविक तर्क को पहचानना सीखा जो एक प्रोटीन को उसके कोशिकीय परिणामों से जोड़ता है।

सबसे महत्वपूर्ण खोजों में से एक यह थी कि सिस्टम विभिन्न प्रकार के अज्ञात तत्वों को कैसे संभालता है। शोधकर्ताओं ने मॉडल का दो परिदृश्यों में परीक्षण किया: एक जहाँ दवाएं नई थीं लेकिन प्रोटीन परिचित थे, और दूसरा जहाँ प्रोटीन पूरी तरह से नए थे। उन्होंने पाया कि सिस्टम इन समस्याओं को हल करने के लिए दो अलग-अलग उपकरणों का उपयोग करता है। जब प्रोटीन ज्ञात होता है, तो सिस्टम जीन परिवर्तनों के विस्तृत मानचित्र पर भरोसा करता है। जब प्रोटीन नया होता है, तो सिस्टम एक शिक्षित अनुमान लगाने के लिए प्रोटीन के जेनेटिक अनुक्रम की गहरी समझ पर निर्भर करता है। यह दोहरा दृष्टिकोण सिस्टम को मजबूत बनाता है, जिससे यह नई दवा या नए लक्ष्य के साथ भी प्रभावी ढंग से कार्य करता है। इसके अलावा, सिस्टम ने दिखाया कि वह विभिन्न प्रकार की कोशिकाओं में अपने ज्ञान को स्थानांतरित (ट्रांसफर) कर सकता है। एक प्रकार की कैंसर कोशिका पर प्रशिक्षित मॉडल दूसरे प्रकार की कैंसर कोशिका पर लागू होने पर भी सटीक भविष्यवाणियां कर सकता है, जो यह सुझाव देता है कि ये प्रोटीन जीन को कैसे प्रभावित करते हैं, इसके मौलिक नियम विभिन्न जैविक संदर्भों में साझा किए जाते हैं।

टीम ने इस बात की भी बारीकी से जांच की कि क्या सिस्टम वास्तव में जीव विज्ञान को सीख रहा है या केवल शॉर्टकट ढूंढ रहा है। उन्होंने उन विशिष्ट जीनों की जांच की जिन्हें सिस्टम ने लक्षित प्रोटीन को ब्लॉक करने पर बदलने की भविष्यवाणी की थी और उनकी तुलना अन्य प्रयोगों के वास्तविक दुनिया के डेटा से की। उन्होंने एक मजबूत सहमति पाई। उदाहरण के लिए, जब सिस्टम ने एक विशिष्ट हृदय-संबंधी प्रोटीन को ब्लॉक करने के प्रभाव की भविष्यवाणी की, तो जिन जीनों को उसने सबसे अधिक बदलने की संभावना के रूप में चिह्नित किया, वे उन्हीं जीनों से मेल खाते थे जो स्वतंत्र प्रयोगों में बदले थे जहाँ उस प्रोटीन को हटा दिया गया था। यह दर्शाता है कि सिस्टम केवल सांख्यिकीय शोर के बजाय वास्तविक जैविक संकेतों को पकड़ रहा है। शोधकर्ताओं ने नोट किया कि हालांकि भविष्यवाणियां पूर्णतः सटीक नहीं हैं और प्रभाव का आकार कभी-कभी छोटा होता है, लेकिन किसी दवा की क्रिया के लिए जीन-स्तरीय स्पष्टीकरण उत्पन्न करने की क्षमता एक महत्वपूर्ण कदम है। यह इस बारे में परिकल्पनाएं (हाइपोथेसिस) उत्पन्न करने का एक तरीका प्रदान करता है कि कोई दवा कैसे काम करती है, जिसे प्रयोगशाला में परखा जा सकता है।

इन सफलताओं के बावजूद, शोधकर्ता अपने कार्य की सीमाओं को स्पष्ट करने में सावधानी बरतते हैं। सिस्टम वर्तमान में कैंसर सेल लाइनों और उन दवाओं के एक विशिष्ट सेट पर निर्भर है जिनका प्रोफाइलिंग सार्वजनिक डेटाबेस में पहले से ही किया जा चुका है। यह अभी उन पूरी तरह से नए रासायनिक संरचनाओं के प्रभावों की भविष्यवाणी नहीं कर सकता जिनका प्रयोगशाला में कभी परीक्षण नहीं किया गया है। इसके अतिरिक्त, सिस्टम यह भविष्यवाणी करता है कि क्या कोई दवा किसी लक्ष्य के साथ संपर्क करेगी, लेकिन यह यह नहीं मापता कि वे कितनी मजबूती से बंधते हैं। शोधकर्ता यह भी स्वीकार करते हैं कि उनके द्वारा उपयोग किया गया जैविक डेटा एक विशिष्ट तकनीक से आता है, और यदि इसे अलग माप प्लेटफार्मों के डेटा पर लागू किया जाए तो परिणाम भिन्न हो सकते हैं। हालाँकि, मुख्य उपलब्धि बनी हुई है: उन्होंने यह प्रदर्शित किया है कि एक विशिष्ट प्रोटीन को लक्षित करने के विस्तृत ट्रांसक्रिप्शनल परिणामों की उच्च सटीकता के साथ भविष्यवाणी करना संभव है।

यह कार्य इस बात पर एक नया दृष्टिकोण प्रदान करता है कि हम औषधि खोज (ड्रग डिस्कवरी) को कैसे देखते हैं। सरल 'हाँ या ना' की भविष्यवाणियों से आगे बढ़कर, TDEP क्रिया के तंत्र (मैकेनिज्म ऑफ एक्शन) में एक खिड़की प्रदान करता है। यह वैज्ञानिकों को किसी दवा के संभावित दुष्प्रभावों या चिकित्सीय लाभों को देखने की अनुमति देता है, जैसा कि वह विशिष्ट जीन परिवर्तनों के पैटर्न को देखकर कर सकता है। शोधकर्ताओं का सुझाव है कि यह दृष्टिकोण यह तय करने में मदद कर सकता है कि किन ड्रग टारगेट्स पर काम करना सार्थक है, मौजूदा दवाओं के काम करने के तरीके के बारे में नए विचार उत्पन्न कर सकता है, और यहाँ तक कि पुरानी दवाओं के नए उपयोग खोजने में भी मदद कर सकता है। जैसे-जैसे जैविक डेटा के डेटाबेस बढ़ते रहेंगे और आर्टिफिशियल इंटेलिजेंस मॉडल अधिक परिष्कृत होते जाएंगे, प्रोटीन लक्ष्यों को उनके पूर्ण कोशिकीय परिणामों से जोड़ने की यह विधि बीमारी को समझने और इलाज करने की खोज में एक मानक उपकरण बन सकती है। यह अध्ययन इस बात का प्रमाण है कि जेनेटिक अनुक्रमों को कोशिकीय प्रतिक्रिया डेटा के साथ मिलाने से ऐसे निष्कर्ष प्राप्त किए जा सकते हैं जो अकेले किसी भी दृष्टिकोण से प्राप्त नहीं किए जा सकते थे।