SynNat-BERT: An interpretable dual-modal BERT framework for blood–brain barrier permeability prediction and novel scaffold discovery

मानव मस्तिष्क की रक्षा एक दुर्जेय द्वारपाल द्वारा की जाती है जिसे रक्त-मस्तिष्क अवरोध (ब्लड-ब्रेन बैरियर) कहा जाता है। यह पतली, चयनात्मक दीवार मस्तिष्क की रक्त वाहिकाओं के चारों ओर होती है और एक सख्त फिल्टर के रूप में कार्य करती है, जो केवल विशिष्ट पदार्थों को रक्तप्रवाह से मस्तिष्क के ऊतकों में जाने की अनुमति देती है और बाकी सब कुछ को रोक देती है। जबकि यह रक्षा मस्तिष्क को विषाक्त पदार्थों और संक्रमणों से सुरक्षित रखने के लिए महत्वपूर्ण है, यह दवाइयों के लिए एक बहुत बड़ी बाधा भी पेश करती है। लगभग अट्ठानवे प्रतिशत संभावित दवा उम्मीदवार इस अवरोध को पार नहीं कर पाते हैं, जिसका अर्थ है कि वे अल्जाइमर, पार्किंसंस या मस्तिष्क के ट्यूमर जैसी स्थितियों के इलाज के लिए बेकार हैं, चाहे वे टेस्ट ट्यूब में कितने भी प्रभावी क्यों न हों। दशकों से, वैज्ञानिक इस बात की भविष्यवाणी करने के लिए संघर्ष कर रहे हैं कि कौन से अणु इस द्वार से फिसल सकते हैं और किन्हें दरवाजे पर ही रोक दिया जाएगा। पारंपरिक तरीके जीवित कोशिकाओं या जानवरों में रसायनों का परीक्षण करने पर निर्भर करते हैं, जो एक धीमी, महंगी प्रक्रिया है और अक्सर प्रकृति में मौजूद रासायनिक संरचनाओं की विशाल विविधता को कवर करने में विफल रहती है।

शोधकर्ताओं की एक टीम ने अब इस भविष्यवाणी समस्या को अधिक गति और स्पष्टता के साथ हल करने के लिए डिज़ाइन किए गए एक नए कम्प्यूटेशनल टूल को विकसित किया है। उन्होंने SynNat-BERT नामक एक प्रणाली बनाई है, जो रसायन विज्ञान के लिए एक परिष्कृत भाषा मॉडल के रूप में कार्य करती है। ज्ञात दवाओं के छोटे सेट से सीखने के बजाय, इस प्रणाली को 1.7 मिलियन अणुओं के एक विशाल पुस्तकालय पर प्रशिक्षित किया गया था, जो प्रयोगशाला में निर्मित सिंथेटिक रसायनों और पौधों एवं कवक में पाए जाने वाले प्राकृतिक उत्पादों दोनों से लिया गया है। यह प्रणाली अणुओं को केवल व्यक्तिगत परमाणुओं के बजाय सार्थक उप-संरचनात्मक टुकड़ों में तोड़कर उनके "व्याकरण" को सीखती है, जिससे यह समझ पाती है कि विभिन्न रासायनिक भाग एक साथ कैसे फिट होते हैं। महत्वपूर्ण रूप से, शोधकर्ताओं ने इस संरचनात्मक समझ को अणुओं के सात विशिष्ट भौतिक गुणों के साथ जोड़ा, जैसे कि उनका आकार, पानी के साथ उनकी अंतःक्रिया, और बंध बनाने की उनकी क्षमता। इस प्रकार की जानकारी को मिलाकर, यह प्रणाली न केवल यह भविष्यवाणी कर सकती है कि क्या कोई अणु रक्त-मस्तिष्क अवरोध को पार करेगा, बल्कि यह भी समझा सकती है कि अणु का कौन सा हिस्सा उस क्षमता के लिए जिम्मेदार है।

शोधकर्ताओं ने अपने पुस्तकालय के प्राकृतिक उत्पादों की जांच करके इस नए ढांचे का परीक्षण किया ताकि छिपे हुए रत्नों को खोजा जा सके—ऐसे अणु जो मस्तिष्क में प्रवेश कर सकते थे लेकिन पहले कभी ऐसे पहचाने नहीं गए थे। सिस्टम ने सफलतापूर्वक हजारों उम्मीदवारों को रैंक किया, उन लोगों को प्राथमिकता दी जिनमें इस अवरोध को पार करने के लिए सही भौतिक विशेषताएं थीं। यह पुष्टि करने के लिए कि कंप्यूटर की ये भविष्यवाणियां वास्तविक थीं, टीम ने पांच अलग-अलग एल्कलॉइड यौगिकों (एक वर्ग जो प्राकृतिक रूप से पाए जाने वाले रसायनों का है) को चुना और मानव मस्तिष्क कोशिकाओं का उपयोग करके एक डिश में प्रयोगशाला सेटिंग में उनका परीक्षण किया। परिणाम आश्चर्यजनक थे: पांच में से तीन उम्मीदवारों ने सफलतापूर्वक सेल बैरियर को पार कर लिया, जिसमें एक ने सकारात्मक नियंत्रण (पॉजिटिव कंट्रोल) के रूप में उपयोग की जाने वाली एक मानक दवा से भी बेहतर प्रदर्शन किया। इसने पुष्टि की कि कंप्यूटर मॉडल ने सही ढंग से नए, पारगम्य संरचनाओं की पहचान की थी जिन्हें पहले अनदेखा कर दिया गया था।

केवल नए उम्मीदवारों को खोजने से परे, इस अध्ययन ने खुलासा किया कि क्यों ये अणु काम कर रहे थे। सिस्टम के आंतरिक विश्लेषण ने एक विशिष्ट संरचनात्मक विशेषता की ओर इशारा किया: एक लचीला, हाइड्रोजनयुक्त वलय ढांचा जिसे 'बर्बिन स्कैफोल्ड' (berbine scaffold) के रूप में जाना जाता है। जब शोधकर्ताओं ने इस लचीले आकार की तुलना उसी संरचना के एक कठोर, सुगंधित (एरोमैटिक) संस्करण से की, तो उन्होंने पाया कि कठोर संस्करण अवरोध को पार करने में विफल रहा। इस अंतर की पुष्टि विस्तृत कंप्यूटर सिमुलेशन के माध्यम से की गई, जिसने एक लिपिड झिल्ली के माध्यम से अणुओं की गति का मॉडल तैयार किया, जिससे पता चला कि लचीला आकार अणु को अधिक आसानी से विसरित (डिफ्यूज) होने की अनुमति देता है। अध्ययन स्पष्ट रूप से इस विचार के विरुद्ध तर्क देता है कि मस्तिष्क प्रवेश के लिए हमेशा कठोर, सपाट संरचनाएं ही सबसे अच्छी होती हैं, और यह प्रदर्शित करता है कि लचीलापन एक महत्वपूर्ण भूमिका निभाता है।

इस कार्य ने इस क्षेत्र में कृत्रिम बुद्धिमत्ता (AI) के पिछले मॉडलों की सीमाओं को भी चुनौती दी। कई शुरुआती प्रणालियां करोड़ों अणुओं वाले विशाल डेटासेट पर निर्भर करती थीं लेकिन अक्सर उन्हें वर्णों (characters) की सरल स्ट्रिंग्स के रूप में मानती थीं, जिससे गहरा रासायनिक संदर्भ छूट जाता था। शोधकर्ताओं ने पाया कि उनके 1.7 मिलियन अणुओं के छोटे, अधिक केंद्रित डेटासेट ने, उनके उप-संरचना-जागरूक दृष्टिकोण के साथ मिलकर, वास्तव में इन बड़े, कम व्याख्या योग्य मॉडलों से बेहतर प्रदर्शन किया। उन्होंने प्रदर्शित किया कि विशिष्ट, समझने योग्य भौतिक विवरणों को मॉडल में जोड़ना आवश्यक था; इन विवरणों को हटाने से भविष्यवाणी की सटीकता काफी कम हो गई। यह सुझाव देता है कि मस्तिष्क पारगम्यता जैसे जटिल कार्यों के लिए, एक ऐसा मॉडल जो अणु के आकार और उसके भौतिक व्यवहार दोनों को समझता है, उस मॉडल से श्रेष्ठ है जो केवल कच्चे डेटा को देखता है।

अंत में, यह शोध दवा खोज के लिए एक व्यावहारिक मार्ग प्रदान करता है। आणविक संरचना की गहरी समझ को स्पष्ट भौतिक नियमों के साथ जोड़कर, SynNat-BERT ढांचा प्राकृतिक उत्पादों के विशाल पुस्तकालयों में से नए लीड्स खोजने के लिए छानबीन कर सकता है। अध्ययन ने केवल एक परिणाम की भविष्यवाणी नहीं की; इसने एक सत्यापित तंत्र प्रदान किया, जिसने प्रयोगशाला प्रयोगों और कंप्यूटर सिमुलेशन दोनों के माध्यम से दिखाया कि विशिष्ट लचीली संरचनाएं रक्त-मस्तिष्क अवरोध को पार करने के लिए महत्वपूर्ण हैं। यह दृष्टिकोण उन आशाजनक दवा उम्मीदवारों की पहचान करने का एक विश्वसनीय तरीका प्रदान करता है जो पहले स्पष्ट रूप से सामने होते हुए भी छिपे हुए थे, जो वैज्ञानिकों को ऐसी दवाएं डिजाइन करने के लिए एक नया उपकरण प्रदान करता है जो अंततः मस्तिष्क तक पहुंच सकें।