Learning alignment topology improves structural variant discovery from long-read sequencing

मानव जीनोम को अक्सर जीवन की एक पुस्तक के रूप में वर्णित किया जाता है, जो रासायनिक अक्षरों का एक विशाल अनुक्रम है जो शरीर को यह निर्देश देता है कि वह खुद को कैसे बनाए और विकसित करे। दशकों से, वैज्ञानिक इस पुस्तक को बढ़ती गति के साथ पढ़ने में सक्षम रहे हैं, लेकिन उन्हें उन गलतियों (typos) को खोजने में संघर्ष करना पड़ा है जो सबसे अधिक महत्वपूर्ण हैं। जबकि कुछ त्रुटियां केवल एक अक्षर के स्थान पर दूसरे अक्षर के बदलने जैसी होती हैं, सबसे खतरनाक गलतियां अक्सर बड़े संरचनात्मक परिवर्तन होती हैं। ये आनुवंशिक कोड के वे हिस्से हैं जो हटा दिए जाते हैं, दोहराए जाते हैं, उल्टे कर दिए जाते हैं, या गलत स्थान पर डाल दिए जाते हैं। इस तरह के बड़े पैमाने पर होने वाले पुनर्गठन शरीर के निर्देशों को बाधित कर सकते हैं, जिससे गंभीर आनुवंशिक विकार, विकासात्मक स्थितियां और कैंसर हो सकता है।

लंबे समय तक, इन बड़ी गलतियों को खोजना किसी उपन्यास को एक बार में एक शब्द करके पढ़ने के माध्यम से उसमें से गायब किए गए पैराग्राफ को पहचानने जैसा था। जीनोम को पढ़ने की तकनीक में सुधार हुआ है, जिसमें नए उपकरण एक बार में पाठ के बहुत लंबे हिस्सों को पढ़ने में सक्षम हैं। हालांकि, एक नई समस्या उत्पन्न हुई: भले ही ये 'लॉन्ग रीड्स' (long reads) बेहतर थे, फिर भी त्रुटियों को खोजने के लिए उन्हें वापस जोड़ने की प्रक्रिया अव्यवस्थित बनी रही। बड़े बदलावों का संकेत देने वाले सिग्नल अक्सर बिखरे हुए, असंगत या जीनोम के दोहराव वाले अनुभागों के भीतर छिपे होते हैं जो उन्हें खोजने के लिए डिज़ाइन किए गए कंप्यूटर प्रोग्रामों को भ्रमित कर देते हैं। जब ये प्रोग्राम साक्ष्य को समूहित करने की कोशिश करते हैं, तो वे अक्सर वास्तविक त्रुटियों को मिस कर देते हैं या गलत अलार्म पैदा कर देते हैं, विशेष रूप से तब जब परिवर्तन छोटे या जटिल हों।

शोधकर्ताओं की एक टीम ने इस पहेली को सुलझाने के लिए एक नया दृष्टिकोण विकसित किया है, जो कठोर नियमों से दूर हटकर डेटा को समझने के अधिक लचीले तरीके की ओर बढ़ता है। केवल इस बात को देखने के बजाय कि जीनोम के टुकड़े कहाँ संरेखित (line up) होते हैं, उनका नया टूल, जिसे SGraV कहा जाता है, टुकड़ों के बीच के संबंधों को देखता है। कल्पना कीजिए कि आप भीड़ भरे कमरे में किसी विशिष्ट व्यक्ति की पहचान करने की कोशिश कर रहे हैं। एक पारंपरिक तरीका केवल यह देख सकता है कि वह व्यक्ति फर्श के एक विशिष्ट निर्देशांक (coordinate) पर खड़ा है। यदि वह व्यक्ति थोड़ा हिल जाता है या यदि भीड़ खिसक जाती है, तो खोज विफल हो जाती है। नया तरीका, लोगों के एक-दूसरे के सापेक्ष खड़े होने के पूरे पैटर्न को देखता है। यह समझता है कि लोगों का एक विशिष्ट गठन (formation) में खड़ा होना एक संकेत है, भले ही वह गठन थोड़ा बदल जाए या कुछ लोग आंशिक रूप से छिपे हुए हों।

शोधकर्ताओं ने इस सिस्टम को एक कंप्यूटर को उन सूक्ष्म पैटर्न को पहचानने के लिए प्रशिक्षित करके बनाया है जो वास्तविक आनुवंशिक परिवर्तन को अनुक्रमण (sequencing) प्रक्रिया के शोर (noise) से अलग करते हैं। उन्होंने लॉन्ग-रीड सीक्वेंसिंग मशीनों से प्राप्त कच्चे डेटा को विस्तृत विवरणों में तोड़कर शुरुआत की। इन विवरणों में न केवल यह शामिल था कि डीएनए कहाँ कटा या जुड़ा था, बल्कि स्थानीय रासायनिक वातावरण और मिलान की गुणवत्ता भी शामिल थी। कंप्यूटर ने फिर इन विवरणों को एक संक्षिप्त, गणितीय हस्ताक्षर (signature) में बदलने के लिए एक सीखने की प्रक्रिया का उपयोग किया जिसने सिग्नल के सार को पकड़ लिया। हजारों ऐसे हस्ताक्षरों का विश्लेषण करके, सिस्टम ने उन्हें उनके भौतिक स्थान के बजाय उनके अंतर्निहित संरचना के आधार पर समूहित करना सीखा। इसने इसे यह देखने की अनुमति दी कि बिखरे हुए, थोड़े अव्यवस्थित सिग्नलों का एक संग्रह वास्तव में एक एकल, सुसंगत घटना का हिस्सा था, जबकि अन्य बिखरे हुए सिग्नल केवल यादृच्छिक त्रुटियां थीं।

जब टीम ने मौजूदा तरीकों के मुकाबले इस नए टूल का परीक्षण किया, तो परिणाम आश्चर्यजनक थे। उन्होंने विभिन्न सीक्वेंसिंग मशीनों, जिनमें पैकबियो (PacBio) और ऑक्सफोर्ड नैनोपोर (Oxford Nanopore) शामिल हैं, से प्राप्त डेटा पर इस सिस्टम को चलाया, जो डीएनए को पढ़ने के लिए अलग-अलग रासायनिक प्रक्रियाओं का उपयोग करते हैं। हर मामले में, नए टूल ने अधिक वास्तविक आनुवंशिक परिवर्तनों को पाया और मानक प्रोग्रामों की तुलना में कम गलतियाँ कीं। सुधार विशेष रूप से सबसे कठिन प्रकार की त्रुटियों के लिए उल्लेखनीय था: 50 से 200 अक्षरों के बीच के छोटे परिवर्तन, और जटिल पुनर्गठन जहाँ डीएनए के खंडों को दोहराया या उल्टा किया जाता है। इन कठिन क्षेत्रों में, पुराने उपकरण अक्सर विफल हो जाते थे, या तो परिवर्तनों को पूरी तरह से मिस कर देते थे या एक एकल घटना को कई भ्रमित करने वाले टुकड़ों में तोड़ देते थे। हालाँकि, नए सिस्टम ने टुकड़ों को एक साथ रखा, घटना की सही पहचान की और उच्च सटीकता के साथ उसके स्थान को निर्धारित किया।

शोधकर्ताओं ने मानव जीनोम के एक बड़े संग्रह पर भी इस टूल का परीक्षण किया, जो 1000 जीनोम्स प्रोजेक्ट (1000 Genomes Project) का हिस्सा है, जो मानव आनुवंशिक विविधता का मानचित्र बनाने का एक विशाल अंतरराष्ट्रीय प्रयास है। उन्होंने दो अलग-अलग प्रकार की मशीनों पर अनुक्रमित किए गए 65 व्यक्तियों पर इस सिस्टम को लागू किया। टूल ने दोनों मशीनों पर लगभग समान परिणाम दिए, जिससे पता चला कि यह मशीन द्वारा उपयोग की जाने वाली तकनीक के बावजूद समान आनुवंशिक परिवर्तनों को खोज सकता है। यह निरंतरता उन बड़े अध्ययनों के लिए महत्वपूर्ण है जहाँ नमूने अलग-अलग लैब या अलग-अलग उपकरणों के साथ संसाधित किए जा सकते हैं। इसके अलावा, जब शोधकर्ताओं ने मोबाइल जेनेटिक एलिमेंट्स (चलने वाले आनुवंशिक तत्वों)—जो वायरस जैसे अनुक्रम हैं और जीनोम में इधर-उधर घूमते हैं—पर इस टूल के प्रदर्शन को देखा, तो इसने इन प्रविष्टियों (insertions) की पूर्ण लंबाई को सफलतापूर्वक पुनः प्राप्त किया। पुराने टूल्स ने अक्सर इन अनुक्रमों को टुकड़ों में काट दिया था, जिससे उनका अध्ययन करना कठिन हो गया था, लेकिन नए सिस्टम ने उनकी संरचना को सुरक्षित रखा, जिससे इन तत्वों के घूमने और जीनोम को प्रभावित करने के तरीके का स्पष्ट दृश्य प्राप्त हुआ।

यह समझने के लिए कि यह टूल इतना अच्छा क्यों काम कर रहा था, शोधकर्ताओं ने इसकी निर्णय लेने की प्रक्रिया के भीतर झाँका। उन्होंने पाया कि सिस्टम किसी एक कारक पर निर्भर नहीं था, जैसे कि कितने 'रीड्स' (reads) एक परिवर्तन का समर्थन करते हैं। इसके बजाय, इसने साक्ष्य की "सुसंगतता" (coherence) को तौला। इसने पूछा कि क्या सहायक सिग्नल उस अमूर्त स्थान (abstract space) में एक सुगठित, तार्किक समूह बनाते हैं जिसे कंप्यूटर ने सीखा है। यदि सिग्नल बिखरे हुए और असंगत थे, तो सिस्टम ने उन्हें शोर के रूप में सही ढंग से पहचाना। यदि वे एक सुसंगत पैटर्न बनाते थे, भले ही वे थोड़े अव्यवस्थित हों, तो सिस्टम ने उन्हें एक वास्तविक घटना के रूप में पहचाना। केवल सिग्नलों की गिनती करने के बजाय, उनके बीच के संबंध की गुणवत्ता का निर्णय लेने की इस क्षमता ने इसकी सफलता में मुख्य भूमिका निभाई।

अध्ययन ने एक समझौते (trade-off) को भी रेखांकित किया। चूंकि यह सिस्टम संबंधों का गहरा विश्लेषण करता है, इसलिए इसे सरल, नियम-आधारित उपकरणों की तुलना में अधिक कंप्यूटिंग शक्ति की आवश्यकता होती है। इसे चलाने में अधिक समय लगता है और यह अधिक मेमोरी का उपयोग करता है। हालांकि, शोधकर्ताओं का तर्क है कि जब लक्ष्य सबसे कठिन और जैविक रूप रूप से महत्वपूर्ण परिवर्तनों को खोजना हो, तो यह लागत उचित है। उन अध्ययनों के लिए जिन्हें दुर्लभ रोगों का पता लगाने, जटिल आनुवंशिक पुनर्गठन को समझने, या विभिन्न सीक्वेंसिंग प्लेटफॉर्मों के बीच जीनोम की तुलना करने की आवश्यकता है, यह नया दृष्टिकोण प्रदान की गई अतिरिक्त सटीकता एक महत्वपूर्ण लाभ है।

सरल निर्देशांकों (coordinates) से हटकर साक्ष्य की टोपोलॉजी (topology) पर ध्यान केंद्रित करके, यह कार्य जीनोमिक अनुसंधान के लिए एक नए पथ का सुझाव देता है। यह प्रदर्शित करता है कि जिस तरह से हम सिग्नलों को जोड़ते हैं, वह सिग्नलों के स्वयं के जितना ही महत्वपूर्ण है। जैसे-जैसे वैज्ञानिक मानव जीनोम का मानचित्र बनाना और रोगों के कारणों की खोज करना जारी रखते हैं, ऐसे उपकरण जो डेटा की जटिलता और शोर के साथ इस स्तर की परिष्कार के साथ नेविगेट कर सकें, अनिवार्य होंगे। निष्कर्ष पुष्टि करते हैं कि साक्ष्य की संरचना को सीखना हमें जीनोम को अधिक स्पष्टता से देखने की अनुमति देता है, जिससे उन छिपे हुए त्रुटियों का पता चलता है जो हमारे स्वास्थ्य और जीव विज्ञान को आकार देती हैं।