A systematic investigation of molecular encoding methods for drug property predictions across neural network and Transformer encoder-based model

नई दवाओं की खोज की दौड़ में, वैज्ञानिक एक कठिन चुनौती का सामना करते हैं: संभावित दवा अणुओं का ब्रह्मांड विशाल है, लेकिन प्रयोगशाला में उन सभी का परीक्षण करना असंभव है। इस राह को सुगम बनाने के लिए, शोधकर्ता किसी अणु के संश्लेषण से पहले ही यह अनुमान लगाने के लिए कंप्यूटर का उपयोग करते हैं कि वह कैसा व्यवहार करेगा। यह प्रक्रिया एक महत्वपूर्ण पहले चरण पर निर्भर करती है: एक रासायनिक संरचना के जटिल, त्रि-आयामी आकार को ऐसी भाषा में अनुवादित करना जिसे कंप्यूटर पढ़ सके। इस अनुवाद को एक भौतिक वस्तु को बारकोड में बदलने के रूप में समझें; उस बारकोड को जिस तरह से डिज़ाइन किया जाता है, उससे यह निर्धारित होता है कि कंप्यूटर उस वस्तु के गुणों को कितनी अच्छी तरह समझ पाएगा, जैसे कि क्या वह पानी में घुलेगा, मस्तिष्क में प्रवेश करेगा, या नुकसान पहुँचाएगा। वर्षों से, वैज्ञानिक इस बात पर बहस करते रहे हैं कि कौन सी "बारकोड" प्रणाली सबसे अच्छी काम करती है, अक्सर यह मानकर कि अधिक जटिल कंप्यूटर मॉडल स्वतः ही समस्या को हल कर देंगे। हालाँकि, इन भविष्यवाणियों की प्रभावशीलता केवल विश्लेषण करने वाले कंप्यूटर की परिष्कारता पर नहीं, बल्कि प्रारंभिक अनुवाद की गुणवत्ता पर बहुत अधिक निर्भर करती है।

नेशनल त्सिंग हुआ यूनिवर्सिटी, ताइवान के शोधकर्ताओं के एक दल ने यह निर्धारित करने के लिए कि आणविक संरचनाओं को कूटबद्ध (encode) करने के विभिन्न तरीके भविष्यवाणी की सटीकता को कैसे प्रभावित करते हैं, इस बहस को सुलझाने का प्रयास किया। उन्होंने दो अलग-अलग प्रकार के कंप्यूटर आर्किटेक्चर पर ध्यान केंद्रित किया: एक मानक न्यूरल नेटवर्क, जो एक सरल, स्तरित निर्णय लेने वाले की तरह कार्य करता है, और एक अधिक उन्नत ट्रांसफॉर्मर-आधारित मॉडल, जो मूल रूप से मानव भाषा को समझने के लिए डिज़ाइन किया गया एक प्रकार का आर्टिफिशियल इंटेलिजेंस है और वाक्य के विभिन्न हिस्सों के महत्व को एक साथ तौलने में सक्षम है। शोधकर्ताओं ने दोनों मॉडलों को विभिन्न प्रकार के आणविक "बारकोड" दिए, जिनमें पारंपरिक टोपोलॉजिकल फिंगरप्रिंट शामिल थे जो परमाणु कनेक्शन को मैप करते हैं, सबस्ट्रक्चर-आधारित कोड जो विशिष्ट रासायनिक समूहों की पहचान करते हैं, और स्ट्रिंग-आधारित निरूपण जो अणुओं को टेक्स्ट के रूप में देखते हैं। उन्होंने इन प्रणालियों को सात प्रसिद्ध डेटासेट्स पर प्रशिक्षित किया जो विषाक्तता (toxicity) और उत्परिवर्तजनता (mutagenicity) से लेकर यह अनुमान लगाने तक के विविध कार्यों को कवर करते हैं कि एक दवा रक्त-मस्तिष्क अवरोध (blood-brain barrier) को कितनी अच्छी तरह पार कर सकती है।

परिणामों ने इस क्षेत्र के लिए एक स्पष्ट, व्यावहारिक मार्गदर्शिका प्रदान की। इस धारणा के विपरीत कि अधिक जटिल ट्रांसफॉर्मर मॉडल लगातार सरल न्यूरल नेटवर्क से बेहतर प्रदर्शन करेगा, अध्ययन में पाया गया कि मानक मॉडल अक्सर अधिकांश कार्यों में समान या थोड़ी बेहतर सटीकता प्राप्त करता है। वास्तव में, आणविक एन्कोडिंग विधि का चयन स्वयं कंप्यूटर मॉडल के चयन की तुलना में कहीं अधिक महत्वपूर्ण साबित हुआ। उदाहरण के लिए, यह भविष्यवाणी करने के कार्य पर कि क्या कोई अणु विषाक्त होगा, MACCS नामक एक विशिष्ट प्रकार के फिंगरप्रिंट ने सरल मॉडल के लिए सबसे अच्छे परिणाम दिए, जबकि FCFP नामक एक अलग फिंगरप्रिंट ने जटिल मॉडल के लिए सबसे अच्छा काम किया। यह सुझाव देता है कि सभी रासायनिक समस्याओं के लिए कोई एक "परफेक्ट" कोड नहीं है; सबसे अच्छा दृष्टिकोण पूरी तरह से अनुमानित की जाने वाली विशिष्ट विशेषता पर निर्भर करता है। शोधकर्ताओं ने बाहरी डेटासेट्स पर अपने निष्कर्षों को मान्य भी किया, जिससे पुष्टि हुई कि उनके मॉडल नई, अनदेखी डेटा के सामने भी मजबूत बने रहे, जिसमें औसत सटीकता स्कोर कई जैविक वर्गीकरण कार्यों पर लगातार 0.9 से अधिक रहा।

कच्चे प्रदर्शन (raw performance) से परे, अध्ययन ने आर्टिफिशियल इंटेलिजेंस की एक बड़ी बाधा को भी संबोधित किया: व्याख्यात्मकता (interpretability)। अक्सर, शक्तिशाली AI मॉडल "ब्लैक बॉक्स" की तरह कार्य करते हैं, जो बिना कारण बताए उत्तर प्रदान करते हैं। शोधकर्ताओं ने प्रदर्शित किया कि ट्रांसफॉर्मर मॉडल, हालांकि हमेशा सबसे सटीक नहीं होता है, अपने स्वयं के तर्क में एक अनूठा झरोखा प्रदान करता है। मॉडल के आंतरिक "अटेंशन" भार (attention weights) का विश्लेषण करके—जो यह दर्शाते हैं कि कंप्यूटर ने इनपुट के किन हिस्सों पर सबसे अधिक ध्यान केंद्रित किया—वे बाहरी स्पष्टीकरण उपकरणों की आवश्यकता के बिना उन विशिष्ट रासायनिक उप-संरचनाओं की पहचान कर सकते थे जो एक भविष्यवाणी को संचालित कर रही थीं। मॉर्फिन और हेरोइन की तुलना करने वाले एक सम्मोहक केस स्टडी में, मॉडल ने सही ढंग से पहचाना कि मॉर्फिन में हाइड्रॉक्सिल समूहों (ऑक्सीजन युक्त संरचनाओं) की उपस्थिति इसे हेरोइन की तुलना में रक्त-मस्तिष्क अवरोध को पार करने में कम संभावित बनाती है, जिसमें ये समूह नहीं होते हैं। मॉडल ने मॉर्फिन में इन हाइड्रॉक्सिल विशेषताओं पर उच्च अटेंशन दिया, जो स्थापित रासायनिक ज्ञान को दर्शाता है। व्याख्यात्मक पैटर्न को उजागर करने की यह क्षमता बताती है कि ये मॉडल न केवल परिणामों की भविष्यवाणी कर सकते हैं, बल्कि वैज्ञानिकों को उनके पीछे के संरचनात्मक कारणों को समझने में भी मदद कर सकते हैं।

अंततः, यह कार्य केवल बड़े, अधिक जटिल मॉडल बनाने से ध्यान हटाकर सही काम के लिए सही उपकरणों के चयन पर केंद्रित करता है। शोधकर्ताओं ने निष्कर्ष निकाला कि जबकि ट्रांसफॉर्मर्स जैसे उन्नत आर्किटेक्चर अणुओं के परस्पर क्रिया के बारे में मूल्यवान अंतर्दृष्टि प्रदान करते हैं, वे स्वतः ही श्रेष्ठ भविष्यवाणियों की गारंटी नहीं देते हैं। इसके बजाय, सबसे प्रभावी रणनीति विशिष्ट आणविक एन्कोडिंग विधि को भविष्यवाणी कार्य और चुने गए मॉडल आर्किटेक्चर के साथ मिलाना है। सटीकता के साथ-साथ व्याख्यात्मकता को प्राथमिकता देकर, यह दृष्टिकोण दवा की खोज के लिए एक अधिक व्यवस्थित मार्ग प्रदान करता है, यह सुनिश्चित करता है कि जीवन रक्षक दवाओं को डिजाइन करने के लिए उपयोग किए जाने वाले कंप्यूटर मॉडल न केवल शक्तिशाली हों, बल्कि समझने योग्य और विश्वसनीय भी हों।