SPRINT enables spatial proteomic profile reconstruction through multimodal fusion of histology and transcriptomics
SPRINT एक मल्टीमॉडल कम्प्यूटेशनल फ्रेमवर्क है जो स्थानिक ट्रांसक्रिप्टोमिक्स और H&E हिस्टोलॉजिकल छवियों को संलयित करके स्थानिक प्रोटिओमिक प्रोफाइल को पुनर्गठित करता है, जिससे प्रोटीन वितरण को सटीक रूप से अनुमान लगाने, क्रॉस-स्पीशीज विश्लेषण का समर्थन करने और ऊतक डोमेन लक्षण वर्णन को बढ़ाने के लिए एकल-मोडैलिटी विधियों की सीमाओं को दूर किया जा 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
ऊतक (tissues) केवल कोशिकाओं के स्थिर संग्रह मात्र नहीं हैं; वे गतिशील, संगठित शहर हैं जहाँ विभिन्न पड़ोस विशिष्ट कार्य करते हैं। इन शहरों के कामकाज को समझने के लिए, विशेष रूप से स्वास्थ्य और रोग के संदर्भ में, वैज्ञानिकों को न केवल यह देखने की आवश्यकता है कि कौन सी कोशिकाएं मौजूद हैं, बल्कि यह भी कि वे वास्तव में क्या कर रही हैं। दशकों से, ऊतक गतिविधि के सबसे विस्तृत मानचित्रों ने RNA को मापने पर भरोसा किया है, जो वे आणविक निर्देश हैं जिनका उपयोग कोशिकाएं प्रोटीन बनाने के लिए करती हैं। हालाँकि, RNA केवल एक ब्लूप्रिंट (खाका) है; प्रोटीन स्वयं वे कार्यकर्ता, मशीनें और संकेत हैं जो वास्तव में कार्य को संपन्न करते हैं। जबकि हम अब यह मानचित्रित कर सकते हैं कि ऊतक के नमूने में जीन कहाँ सक्रिय हैं, उन्हीं सटीक स्थानों पर वास्तविक प्रोटीन को मापना कठिन, महंगा और धीमा रहा है। यह अंतराल शोधकर्ताओं के पास एक अधूरा चित्र छोड़ देता है, जहाँ वे योजनाओं को तो जानते हैं, लेकिन निर्माण स्थल को नहीं देख पाते।
SPRINT नामक एक नया कम्प्यूटेशनल टूल इस लापता विवरण को भरने का एक तरीका प्रदान करता है। पहले से ही आमतौर पर उपलब्ध दो प्रकार के डेटा—ऊतक के सूक्ष्मदर्शी चित्र (microscope images) और जीन गतिविधि के मानचित्र—को मिलाकर, SPRINT उच्च सटीकता के साथ यह अनुमान लगा सकता है कि विशिष्ट प्रोटीन कहाँ स्थित हैं। हारबिन इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं ने विकसित किया है कि कैसे एक प्रणाली यह सीख सकती है कि ऊतक सूक्ष्मदर्शी के नीचे कैसा दिखता है, जीन सक्रिय होते हैं, और परिणामी प्रोटीन कहाँ पहुँचते हैं। एक बार प्रशिक्षित होने के बाद, यह प्रणाली उन ऊतक खंडों के लिए विस्तृत प्रोटीन मानचित्रों का पुनर्निर्माण कर सकती है जहाँ प्रोटीन को कभी सीधे मापा नहीं गया था, जिससे मानक सूक्ष्मदर्शी स्लाइड और जीन मानचित्र प्रभावी रूप से व्यापक प्रोटीन एटलस (atlases) में बदल जाते हैं।
प्रोटीन को स्थान के संदर्भ में मानचित्रित करने की चुनौती महत्वपूर्ण है क्योंकि प्रोटीन जीन की तुलना में अलग व्यवहार करते हैं। कुछ प्रोटीन ऊतक की भौतिक संरचना से मजबूती से जुड़े होते हैं, जैसे कि वे जो रक्त वाहिकाओं की दीवारों या त्वचा की बाहरी परत का निर्माण करते हैं, जिससे उन्हें सूक्ष्मदर्शी चित्र में पहचानना आसान हो जाता है। हालाँकि, अन्य प्रोटीन जटिल रासायनिक संकेतों या प्रतिरक्षा प्रतिक्रियाओं में शामिल होते हैं जो कोई स्पष्ट दृश्य निशान नहीं छोड़ते। केवल सूक्ष्मदर्शी छवियों पर निर्भर करने वाले पारंपरिक तरीके अक्सर इन अदृश्य प्रोटीनों को चूक जाते हैं, जबकि केवल जीन मानचित्रों पर निर्भर करने वाली विधियाँ अपूर्ण हो सकती हैं क्योंकि एक कोशिका में प्रोटीन की मात्रा हमेशा उसके अनुरूप जीन निर्देशों की मात्रा के बराबर नहीं होती है। शोधकर्ताओं ने पाया कि केवल इनमें से एक स्रोत पर निर्भर रहने से पूर्ण चित्र देखने की क्षमता सीमित हो जाती है।
इस समस्या को हल करने के लिए, टीम ने एक ऐसा ढांचा तैयार किया जो सूक्ष्मदर्शी चित्र और जीन मानचित्र को एक ही जैविक वास्तविकता का वर्णन करने वाली दो पूरक भाषाओं के रूप प्रकार से मानता है। प्रणाली पहले ऊतक की भौतिक संरचना को समझने के लिए छवि का अवलोकन करती है, जैसे कि कोशिकाओं की व्यवस्था और ऊतक की बनावट। इसके बाद, यह उन कोशिकाओं की आणविक अवस्था को समझने के लिए जीन अभिव्यक्ति (gene expression) डेटा को देखती है। इन दोनों सूचना धाराओं को जोड़कर, मॉडल प्रोटीन के स्थानों की भविष्यवाणी करना सीखता है, भले ही प्रोटीन चित्र में स्पष्ट न हो या जीन निर्देश अंतिम प्रोटीन मात्रा का सटीक अनुमान न दे रहे हों। यह प्रणाली लचीली बनाई गई है, जो व्यक्तिगत कोशिका विवरण दिखाने वाले उच्च-रिज़ॉल्यूशन वाले चित्रों और व्यापक ऊतक पैटर्न कैप्चर करने वाले निम्न-रिज़ॉल्यूशन वाले चित्रों, दोनों को संभाल सकती है, जिससे यह सुनिश्चित होता है कि यह विभिन्न प्रकार के प्रयोगशाला उपकरणों में काम कर सके।
शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण विभिन्न जैविक नमूनों पर किया ताकि यह देखा जा सके कि क्या यह उस विशिष्ट डेटा से परे सामान्यीकरण (generalize) कर सकता जिस पर इसे प्रशिक्षित किया गया था। उन्होंने मानव टॉन्सिल ऊतक से शुरुआत की, मॉडल को एक खंड पर प्रशिक्षित किया और फिर इसे एक अलग व्यक्ति के एक पूरी तरह से अलग खंड में प्रोटीन स्थानों की भविष्यवाणी करने के लिए कहा। प्रणाली ने दर्जनों प्रोटीनों के स्थानिक पैटर्न का सफलतापूर्वक पुनर्निर्माण किया, जिनमें प्रतिरक्षा रक्षा और ऊतक संरचना से जुड़े प्रोटीन शामिल थे। इसने मौजूदा विधियों से बेहतर प्रदर्शन किया जो या तो छवियों या जीन पर आधारित थीं, और ऊतक के व्यापक संगठन और स्थानीय प्रोटीन वितरण के सूक्ष्म विवरणों, दोनों को सटीक रूप से कैप्चर किया। यह सफलता तब भी बनी रही जब शोधकर्ताओं ने परीक्षण किया कि मॉडल माउस प्लीहा (spleen) ऊतक पर, जिसे बहुत कम रिज़ॉल्यूशन पर इमेज किया गया था, अनुकूलित हो सकता है।
शायद सबसे कठोर परीक्षण एक मानव मस्तिष्क के नमूने में शामिल था, जहाँ शोधकर्ताओं ने एक एकल ऊतक खंड को तिरछा (diagonally) विभाजित किया। उन्होंने मॉडल को एक आधे भाग पर प्रशिक्षित किया और दूसरे आधे भाग के प्रोटीन परिदृश्य की भविष्यवाणी करने के लिए कहा, जो एक ऐसा क्षेत्र था जिसे उन्होंने पहले कभी नहीं देखा था और जिसमें विभिन्न प्रकार की कोशिकाएं अलग-अलग अनुपात में थीं। इस स्थानिक अलगाव और कोशिकीय संरचना में बदलाव के बावजूद, मॉडल ने अनदेखे क्षेत्र में प्रोटीन पैटर्न का सटीक पुनर्निर्माण किया। इसने जटिल जैविक कार्यक्रमों की सही पहचान की, जैसे कि प्रतिरक्षा सक्रियण और ऊतक मरम्मत वाले क्षेत्र, जो यह दर्शाता है कि मॉडल ने केवल प्रशिक्षण नमूने के विशिष्ट लेआउट को याद करने के बजाय, ऊतक संरचना, जीन गतिविधि और प्रोटीन स्थान को जोड़ने वाले मौलिक नियमों को सीख लिया है।
इस दृष्टिकोण की उपयोगिता केवल लापता डेटा को भरने तक ही सीमित नहीं है। जब शोधकर्ताओं ने पहचाने गए प्रोटीन मानचित्रों का उपयोग ऊतक के भीतर विशिष्ट क्षेत्रों की पहचान करने के लिए किया, तो परिणाम जीन डेटा या छवियों की तुलना में काफी अधिक स्पष्ट थे। माउस प्लीहा और मस्तिष्क के नमूनों में, अनुमानित प्रोटीन जानकारी जोड़ने से कंप्यूटर को उन शारीरिक क्षेत्रों के बीच अंतर करने में मदद मिली जो पहले धुंधले थे, जैसे कि प्लीहा का मार्जिनल ज़ोन। यह सुझाव देता है कि सिस्टम द्वारा उत्पन्न प्रोटीन मानचित्र जैविक विवरण का एक ऐसा स्तर प्रदान करते हैं जो यह समझने के लिए आवश्यक है कि ऊसे कैसे व्यवस्थित होते हैं और वे रोग के प्रति कैसे प्रतिक्रिया करते हैं।
शोधकर्ताओं ने यह भी पता लगाया कि क्या यह विधि प्रजातियों के बीच और प्रोटीनों के अलावा अन्य अणुओं के लिए भी काम कर सकती है। उन्होंने मानव स्तन ऊतक (breast tissue) पर मॉडल को प्रशिक्षित किया और इसे माउस स्तन ऊतक पर लागू किया, और बिना किसी माउस प्रोटीन डेटा को देखे, माउस के नमूने में प्रोटीन स्थानों की सफलतापूर्वक भविष्यवाणी की। यह इंगित करता है कि ऊतक संरचना, जीन और प्रोटीन के बीच के संबंध इतने संरक्षित हैं कि उन्हें मनुष्यों और चूहों के बीच स्थानांतरित किया जा सकता है। इसके अलावा, उन्होंने इस ढांचे का परीक्षण मेटाबोलाइट्स (metabolites) पर किया, जो वे छोटे अणु हैं जिनका उपयोग कोशिकाएं ऊर्जा और सिग्नलिंग के लिए करती हैं। मेटाबोलाइट डेटा पर सिस्टम को प्रशिक्षित करके, वे एक माउस मस्तिष्क में इन अणुओं के स्थानिक मानचित्रों का पुनर्निर्माण करने में सक्षम रहे, जिससे पता चलता है कि अंतर्निहित रणनीति केवल प्रोटीनों तक सीमित नहीं है बल्कि विभिन्न प्रकार के आणविक परिदृश्यों के पुनर्निर्माण के लिए अनुकूलित की जा सकती है।
यह कार्य मौजूदा जैविक डेटा से अधिकतम मूल्य निकालने का एक नया तरीका स्थापित करता है। कई शोध प्रयोगशालाओं के पास पहले से ही ऊतक छवियों और जीन मानचित्रों के विशाल संग्रह मौजूद हैं, लेकिन इन नमूनों के लिए प्रोटीन डेटा अक्सर गायब या अधूरा होता है। SPRINT इन स्थानिक आणविक प्रोफाइलों को पूरा करने के लिए एक सामान्य ढांचा प्रदान करता है, जिससे वैज्ञानिक विभिन्न ऊतकों, प्रजातियों और इमेजिंग स्थितियों में प्रोटीनों और संभावित रूप से अन्य अणुओं की उपस्थिति और स्थान का अनुमान लगा सकते हैं। जो हम आसानी से माप सकते हैं और जिसे हमें जानने की आवश्यकता है, उनके बीच के अंतर को पाटकर, यह उपकरण जीवन की आणविक वास्तुकला की अधिक पूर्ण समझ की ओर द्वार खोलता है, जिससे आंशिक स्नैपशॉट को ऊतक कैसे बने हैं और कैसे कार्य करते हैं, इसके व्यापक दृश्यों में बदला जा सकता है।
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।