Neighbor-Contrastive Heterogeneous Graph Learning for Spatially Coherent Representation of Single-Cell Data

मानव शरीर में, ऊतक (tissues) कोशिकाओं के यादृच्छिक ढेर नहीं हैं, बल्कि अत्यधिक संगठित पड़ोस हैं। जिस तरह एक शहर के विशिष्ट जिले होते हैं—एक हलचल भरा बाजार, एक शांत पार्क, एक घना आवासीय ब्लॉक—ऊतकों में ऐसे निरंतर क्षेत्र होते हैं जहाँ कोशिकाओं के विशिष्ट समूह एक साथ रहते और काम करते हैं। हाल के वर्षों में, वैज्ञानिकों ने शक्तिशाली सूक्ष्मदर्शी विकसित किए हैं जो एक साथ लाखों व्यक्तिगत कोशिकाओं की एक तस्वीर लेने में सक्षम हैं, जो न केवल यह रिकॉर्ड करते हैं कि प्रत्येक कोशिका किस जीन का उपयोग कर रही है, बल्कि यह भी कि वह ऊतक में ठीक कहाँ स्थित है। इस तकनीक ने जीव विज्ञान में एक नया क्षितिज खोल दिया है: सूक्ष्म स्तर पर जीवन की वास्तुकला को मैप करने की क्षमता। हालाँकि, इन विशाल मानचित्रों को सार्थक अंतर्दृष्टि में बदलने के लिए कोशिकाओं को उनके सही पड़ोस में समूहित करने का एक तरीका चाहिए। चुनौती यह है कि एक ही प्रकार की कोशिकाएं अपने स्थान के आधार पर बहुत अलग दिख सकती हैं, और विभिन्न प्रकार की कोशिकाएं अक्सर एक ही कार्यात्मक जिले में एक-दूसरे के बगल में रहती हैं। इसे हल करने के लिए, शोधकर्ता कंप्यूटर मॉडल का उपयोग करते हैं जो ऊतक को एक नेटवर्क के रूप में देखते हैं, जहाँ पड़ोसी कोशिकाओं के बीच के संबंध यह परिभाषित करने में मदद करते हैं कि एक क्षेत्र क्या है।

एक शोधकर्ता ने हाल ही में इस मौलिक समस्या पर काम किया कि कैसे ये कंप्यूटर मॉडल ऊतक के पड़ोस को पहचानना सीखते हैं। वर्षों से, इन मॉडलों को प्रशिक्षित करने के लिए मानक विधि एक ऐसी तर्क पद्धति पर आधारित थी जो मनुष्यों द्वारा चेहरे पहचानने के तरीके से ली गई थी: कंप्यूटर को एक ही वस्तु की दो थोड़ी अलग तस्वीरें दिखाई जाती हैं और बताया जाता है कि वे एक ही हैं, जबकि उसे बताया जाता है कि कमरे में मौजूद हर अन्य वस्तु अलग है। यह दृष्टिकोण कंप्यूटर को प्रत्येक कोशिका को एक अद्वितीय व्यक्ति के रूप में मानने के लिए मजबूर करता है, जिससे वह प्रत्येक कोशिका को एक-दूसरे से अलग करने की कोशिश करता है। हालांकि यह विशिष्ट कोशिका प्रकारों की पहचान करने के लिए अच्छा काम करता है, लेकिन यह उन बड़े पड़ोस को खोजने में विफल रहता है जहाँ कोशिकाएं एक साथ रहती हैं। एक ऊतक में, जो कोशिकाएं भौतिक रूप से एक-दूसरे को छू रही हैं, उन्हें एक ही समूह से संबंधित होना चाहिए, फिर भी मानक प्रशिक्षण विधि कंप्यूटर को उन्हें सक्रिय रूप से एक-दूसरे से दूर करने के लिए सिखा रही थी।

इस विसंगति को ठीक करने के लिए, सिविल एविएशन यूनिवर्सिटी ऑफ चाइना के शोधकर्ता झेंग झाओ ने कंप्यूटर सीखने के तरीके में एक सरल लेकिन क्रांतिकारी बदलाव का प्रस्ताव दिया। प्रत्येक कोशिका को एक अद्वितीय वर्ग के रूप में मानने के बजाय, नई विधि कंप्यूटर को यह सिखाती है कि जो कोशिकाएं भौतिक रूप से एक-दूसरे को छू रही हैं, उन्हें एक 'पॉजिटिव पेयर' (सकारात्मक जोड़ी), या एक मेल माना जाना चाहिए। मॉडल को मानव कोलन ऊतक के नौ अलग-अलग खंडों से लगभग 459,000 कोशिकाओं के विशाल डेटासेट पर प्रशिक्षित किया गया था, जिसमें स्वस्थ नमूने और सूजन संबंधी आंत्र रोग (इन्फ्लेमेटरी बाउल डिजीज) वाले रोगी दोनों शामिल थे। शोधकर्ता ने एक जटिल मानचित्र बनाया जहाँ कोशिकाएं अपनी भौतिक निकटता के आधार पर जुड़ी हुई थीं, जिससे 2.6 मिलियन से अधिक कनेक्शन वाला एक नेटवर्क बना। उन्होंने फिर एक न्यूरल नेटवर्क (एक प्रकार का आर्टिफिशियल इंटेलिजेंस जो इन कनेक्शनों को संसाधित करने के लिए डिज़ाइन किया गया है) को प्रशिक्षित किया ताकि वह छूने वाली कोशिकाओं के 'रिप्रेजेंटेशन' को उनकी आंतरिक मेमोरी में एक-दूसरे के करीब ला सके, न कि उन्हें दूर धकेले।

इसके परिणाम आश्चर्यजनक थे। जब शोधकर्ता ने नए मॉडल का मौजूदा सबसे मजबूत तरीकों के मुकाबले परीक्षण किया, तो नए दृष्टिकोण ने ऊतक संगठन की एक बहुत अधिक स्पष्ट तस्वीर प्रस्तुत की। एक मानक माप, जो यह बताता है कि मॉडल ने ऊतक के प्राकृतिक प्रवाह को कितनी अच्छी तरह पकड़ा है, 0.633 से बढ़कर 0.756 हो गया। एक अन्य माप, जो यह बताता है कि एक ही पड़ोस की कोशिकाएं कितनी लगातार एक साथ समूहित होती हैं, 0.765 से बढ़कर 0.862 हो गया। ये सुधार आधे कंप्यूटिंग समय और आधे मेमोरी उपयोग के साथ प्राप्त किए गए थे, जो पिछले सर्वोत्तम तरीकों की तुलना में कम थे। मॉडल ने ऊतक के नमूनों में दस विशिष्ट क्षेत्रों की सफलतापूर्वक पहचान की। इनमें से कुछ क्षेत्र विशिष्ट कोशिका प्रकारों के प्रभुत्व वाले थे, जैसे कि एक क्षेत्र जो लगभग पूरी तरह से उपकला कोशिकाओं (epithelial cells) से बना था, जबकि अन्य विभिन्न कोशिका प्रकारों के जटिल मिश्रण थे जो केवल विशिष्ट रोग अवस्थाओं में दिखाई देते हैं, जैसे कि क्रोहन रोग या अल्सरेटिव कोलाइटिस में पाए जाने वाले विशिष्ट क्षेत्र।

अध्ययन ने कुछ आश्चर्यजनक सच्चाइयों का भी खुलासा किया कि इन मॉडलों का मूल्यांकन कैसे किया जाना चाहिए और उन्हें किससे बचना चाहिए। शोधकर्ता ने परीक्षण किया कि क्या एक ऐसा फीचर जोड़ने से मदद मिलेगी जो कंप्यूटर को मूल सेल डेटा को एक दूषित (corrupted) संस्करण से पुनर्गठित करने के लिए कहता है, जो इस क्षेत्र में एक सामान्य अभ्यास है। उन्होंने पाया कि इसके विपरीत: इस पुनर्गठन कार्य को जोड़ने से मॉडल पड़ोस की पहचान करने में और खराब हो गया, जिससे उनके द्वारा मापे गए प्रत्येक मीट्रिक पर प्रदर्शन गिर गया। इसके अलावा, अध्ययन ने इस बात पर प्रकाश डाला कि वैज्ञानिक अक्सर इन मानचित्रों की गुणवत्ता को कैसे आंकते हैं। एक सामान्य मीट्रिक, जो पहचाने गए क्षेत्रों की सघनता को मापता है, अत्यधिक अस्थिर पाया गया। जब शोधकर्ता ने बिल्कुल उसी मॉडल को एक अलग रैंडम शुरुआती बिंदु के साथ चलाया, तो इस मीट्रिक का स्कोर नाटकीय रूप से बदल गया, जो 2.4 के कारक से बदल गया। इसका अर्थ है कि विभिन्न तरीकों की निष्पक्ष तुलना करने के लिए एकल परीक्षण रन पर भरोसा नहीं किया जा सकता है, क्योंकि परिणाम मॉडल की गुणवत्ता के बजाय उसके रैंडम शुरुआती बिंदु पर अधिक निर्भर हो सकते हैं।

एक अन्य प्रमुख निष्कर्ष कोशिका प्रकारों के बीच परस्पर क्रिया (interaction) के परीक्षण से संबंधित था। एक सामान्य सांख्यिकीय उपकरण यह मान लेता है कि यदि दो कोशिका प्रकार आपस में क्रिया नहीं कर रहे हैं, तो उनकी व्यवस्था पूरे ऊतक में लेबल के रैंडम शफल की तरह होनी चाहिए। शोधकर्ता ने दिखाया कि यह धारणा उन ऊतकों के लिए त्रुटिपूर्ण है जहाँ कोशिकाएं स्वाभाविक रूप से क्लस्टर (समूह) बनाती हैं। जब उन्होंने इस मानक परीक्षण को लागू किया, तो इसने गलत तरीके से संकेत दिया कि मैक्रोफेज और फाइब्रोब्लास्ट एक-दूसरे से बच रहे थे। हालाँकि, जब उन्होंने एक अधिक सावधानीपूर्वक परीक्षण का उपयोग किया जो स्थानीय पड़ोस की संरचना का सम्मान करता था, तो वह गलत अलार्म गायब हो गया, जिससे पता चला कि ये कोशिकाएं अपेक्षित दर पर परस्पर क्रिया कर रही थीं। यह निष्कर्ष चेतावनी देता है कि मानक उपकरण भ्रामक निष्कर्ष निकाल सकते हैं यदि वे ऊतक में कोशिकाओं के प्राकृतिक क्लस्टरिंग को ध्यान में नहीं रखते हैं।

अंततः, यह कार्य प्रदर्शित करता है कि कंप्यूटर को कैसे सिखाया जाता है, यह इस बात जितना ही महत्वपूर्ण है कि वह क्या डेटा देखता है। केवल एक "मैच" की परिभाषा को "एक ही कोशिका" से बदलकर "छूते हुए पड़ोसी" करने से, शोधकर्ता ने मॉडल को ऊतक को अलग-थलग व्यक्तियों के संग्रह के बजाय सुसंगत पड़ोस के संग्रह के रूप में देखने में सक्षम बनाया। मॉडल ने न केवल बेहतर प्रदर्शन किया; बल्कि इसने एक अलग प्रकार का मानचित्र तैयार किया, जो ऊतक संगठन की जैविक वास्तविकता को दर्शाता है। हालांकि यह अध्ययन कोलन ऊतक तक सीमित था और इसने स्वयं की तुलना अन्य सभी मौजूदा तरीकों से नहीं की, फिर भी यह स्थानिक डेटा (spatial data) के विश्लेषण के लिए एक स्पष्ट मार्ग प्रदान करता है। यह सुझाव देता है कि ऊतक क्षेत्रों की खोज से जुड़े कार्यों के लिए, लक्ष्य स्थान की निरंतरता को बनाए रखना होना चाहिए, और सफलता को मापने के लिए उपयोग किए जाने वाले उपकरण क्लस्टरिंग एल्गोरिदम की अंतर्निहित परिवर्तनशीलता को संभालने के लिए पर्याप्त मजबूत होने चाहिए। इस नए दृष्टिकोण के लिए कोड अब अन्य वैज्ञानिकों के उपयोग के लिए उपलब्ध है, जो मानव शरीर के जटिल पड़ोसों को मैप करने का एक अधिक कुशल और सटीक तरीका प्रदान करता है।