Comparative Analysis of Classical Machine Learning and Deep Learning Regression Models for Codon-Level k-mer Composition Analysis of the Nipah Virus Genome

वायरस सूक्ष्म और निरंतर हमला करने वाले आक्रमणकारी होते हैं, लेकिन उन वैज्ञानिकों के लिए जो उनका अध्ययन करते हैं, वे चार-अक्षर वाले कोड में लिखी सूचनाओं के विशाल पुस्तकालय भी हैं। यह कोड, जो एडेनिन, थाइमिन, गुआनिन और साइटोसिन से बना है, यह निर्धारित करता है कि एक वायरस कैसे प्रतिकृति बनाता है और जीवित रहता है। दशकों से, शोधकर्ता इन आनुवंशिक पुस्तकालयों को पढ़ने की कोशिश कर रहे हैं ताकि यह समझ सकें कि वायरस कैसे विकसित होते हैं या उनके व्यवहार का पूर्वानुमान लगाया जा सके। इसे करने का एक सामान्य तरीका यह गिनना है कि वायरल जीनोम में विशिष्ट तीन-अक्षर वाले शब्दों, या "कोडोन" (codons), का कितनी बार उपयोग किया जाता है। यह एक उपन्यास को पढ़ने के बजाय इस बात का विश्लेषण करने जैसा है कि "the", "and", और "cat" जैसे शब्द कितनी बार आते हैं। 'k-mer' विश्लेषण के रूप में जानी जाने वाली यह विधि, आनुवंशिक डेटा की एक लंबी, जटिल स्ट्रिंग को संख्याओं की एक सरल सूची में बदल देती है जिसे कंप्यूटर आसानी से संसाधित कर सकते हैं। हालाँकि, जब पुस्तकालय बहुत छोटा होता है, जैसा कि निपा (Nipah) वायरस के मामले में है, तो यह कार्य आश्चर्यजनक रूप से कठिन हो जाता है। SARS-CoV-2 वायरस के विपरीत, जिसके अध्ययन के लिए उपलब्ध सैकड़ों हजारों आनुवंशिक अनुक्रम मौजूद हैं, निपा वायरस के सार्वजनिक डेटाबेस में केवल कुछ ही पूर्ण जीनोम दर्ज हैं। यह कमी एक अनूठी चुनौती पैदा करती है: क्या विशाल डेटासेट में पैटर्न खोजने के लिए डिज़ाइन किए गए शक्तिशाली, जटिल कंप्यूटर प्रोग्राम इतने छोटे डेटा संग्रह से वास्तव में कुछ उपयोगी सीख सकते हैं?

पाकिस्तान के नामल यूनिवर्सिटी के शोधकर्ताओं ने निपा वायरस के जीनोम को एक सांख्यिकीय पहेली के रूप में मानकर इस प्रश्न का उत्तर देने का प्रयास किया। उन्होंने एक सार्वजनिक डेटाबेस से वायरस के 93 पूर्ण आनुवंशिक अनुक्रम एकत्र किए और प्रत्येक को उसके घटक तीन-अक्षर वाले शब्दों में विभाजित किया। इस प्रक्रिया ने प्रत्येक वायरस के लिए 64 विभिन्न प्रकार के कोडोन की एक विशाल सूची तैयार की, जो यह दर्शाती है कि प्रत्येक संयोजन कितनी बार आया। शोधकर्ताओं ने एक मौलिक प्रश्न पूछा: यदि वे इन कोडोन में से कुछ की आवृत्ति (frequency) जानते हैं, तो क्या वे दूसरे की आवृत्ति का सटीक अनुमान लगा सकते हैं? इसका परीक्षण करने के लिए, उन्होंने एक रिग्रेशन मॉडल बनाया, जो अनिवार्य रूप से एक गणितीय उपकरण है जो डेटा बिंदुओं के समूह के माध्यम से एक रेखा खींचने की कोशिश करता है ताकि भविष्यवाणियाँ की जा सकें। उन्होंने पांचवें कोडोन, CCG, की गणना का अनुमान लगाने के लिए चार विशिष्ट कोडोन की गणनाओं का उपयोग किया। लक्ष्य कोई नया जैविक रहस्य खोजना नहीं था, बल्कि यह देखना था कि जब डेटा कम हो और विशेषताएं अत्यधिक दोहराव वाली हों, तो किस प्रकार का कंप्यूटर एल्गोरिदम सबसे अच्छा काम करता है।

शोधकर्ताओं ने पहली चीज़ जो खोजी वह यह थी कि डेटा स्वयं उनकी अपेक्षा से कहीं अधिक दोहराव वाला था। जब उन्होंने 64 विभिन्न कोडोन गणनाओं को देखा, तो उन्होंने पाया कि लगभग सभी एक ही ताल में चलते थे। यदि एक कोडोन बार-बार आता था, तो अन्य भी बार-बार आने की प्रवृत्ति रखते थे, जिससे एक ऐसी स्थिति बन गई जहाँ 64 विशेषताएं स्वतंत्र संकेत नहीं बल्कि एक ही बात कहने के 64 अलग-अलग तरीके थे। यह वायरल जीनोम में एक सामान्य घटना है, जहाँ वायरस की समग्र रासायनिक संरचना कुछ पैटर्न को दोहराने के लिए मजबूर करती है। इसे समझने के लिए, शोधकर्ताओं ने अनावश्यक जानकारी को हटाने के लिए एक सांख्यिकीय फिल्टर का उपयोग किया, जिससे उनकी सूची 64 विशेषताओं से घटकर केवल पांच तक रह गई जो वास्तव में विशिष्ट थीं। फिर उन्होंने इन पांच संख्याओं को सात अलग-अलग कंप्यूटर मॉडलों में डाला यह देखने के लिए कि कौन सा मॉडल लक्षित कोडोन की गणना का सबसे अच्छा अनुमान लगा सकता है। ये मॉडल दशकों से उपयोग किए जा रहे सरल, क्लासिक एल्गोरिदम से लेकर मानव मस्तिष्क की नकल करने के लिए डिज़ाइन किए गए जटिल, डीप लर्निंग सिस्टम तक विस्तृत थे।

परिणामों ने जटिलता की सीमाओं के बारे में एक स्पष्ट और कुछ हद तक आश्चर्यजनक सबक दिया। सबसे परिष्कृत मॉडल, जिनमें डीप लर्निंग नेटवर्क भी शामिल हैं जो आमतौर पर अनुक्रमों के विश्लेषण के लिए स्वर्ण मानक माने जाते हैं, वे सरल विधियों से बेहतर प्रदर्शन नहीं कर सके। वास्तव में, सबसे अच्छे परिणाम एक 'डिसीजन ट्री' (Decision Tree) मॉडल से मिले, जो एक सीधा एल्गोरिदम है जो डेटा के बारे में 'हाँ' या 'नहीं' वाले प्रश्नों की एक श्रृंखला पूछकर निर्णय लेता है। इस सरल मॉडल ने लगभग पूर्ण सटीकता के साथ भविष्यवाणी की, जिसके ठीक बाद एक बुनियादी लीनियर रिग्रेशन मॉडल और एक 'रैंडम फॉरेस्ट' (Random Forest) आया, जो मिलकर काम करने वाले कई डिसीजन ट्री का एक संग्रह है। डीप लर्निंग मॉडल, विशेष रूप से 'लॉन्ग शॉर्ट-टर्म मेमोरी' (LSTM) और 'सिंपल रिकरेंट न्यूरल नेटवर्क' (RNN) ने अच्छा प्रदर्शन किया लेकिन वे सरल उपकरणों से आगे नहीं निकल पाए। उन्होंने डेटा के सामान्य रुझान को पकड़ लिया लेकिन वे उन छिपे हुए, जटिल संबंधों को खोजने में विफल रहे जिन्हें सरल मॉडलों ने मिस कर दिया था। शोधकर्ताओं ने नोट किया कि ये डीप लर्निंग मॉडल अनिवार्य रूप से अधिकांश वायरसों के लिए औसत मान (average value) की भविष्यवाणी करना सीख गए, जो एक सामान्य व्यवहार है जब एक जटिल प्रणाली को सीखने के लिए बहुत कम डेटा दिया जाता है।

सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि 'सपोर्ट वेक्टर मशीन' (SVR) ने कितना खराब प्रदर्शन किया। यह एक शक्तिशाली एल्गोरिदम है जिसका उपयोग अक्सर मशीन लर्निंग में किया जाता है, लेकिन इस विशिष्ट मामले में, यह सटीक भविष्यवाणी करने में पूरी तरह संघर्ष करता रहा, भले ही शोधकर्ताओं ने डेटा को कंप्यूटर के लिए पढ़ने में आसान बनाने के लिए समायोजित किया हो। इस मॉडल की विफलता, डिसीजन ट्री की सफलता के साथ मिलकर, यह सुझाव देती है कि निपा वायरस जैसे बहुत छोटे डेटासेट के लिए, जटिलता की परतें जोड़ने से कोई मदद नहीं मिलती है। डेटा में इतनी अनूठी जानकारी नहीं है जो उन्नत, डीप लर्निंग आर्किटेक्चर के उपयोग को उचित ठहरा सके। शोधकर्ताओं ने इस बात पर जोर दिया कि उनके द्वारा प्राप्त उच्च सटीकता स्कोर इसलिए नहीं थे क्योंकि उन्होंने कोई गहरा नया जैविक नियम खोज लिया था, बल्कि इसलिए थे क्योंकि डेटा अत्यधिक सह-संबंधित (correlated) था कि एक संख्या से दूसरी का अनुमान लगाना लगभग अपरिहार्य था। यह अध्ययन कम्प्यूटेशनल बायोलॉजी के लिए एक चेतावनी के रूप में कार्य करता है: दुर्लभ रोगजनकों और सीमित डेटा के साथ काम करते समय, सबसे प्रभावी उपकरण अक्सर सबसे सरल वाला होता है।

अध्ययन का निष्कर्ष मॉडल चुनने से पहले डेटा की प्रकृति को समझने के महत्व पर प्रकाश डालते हुए होता है। शोधकर्ताओं ने दिखाया कि निपा वायरस का जीनोम, हालांकि जैविक रूप से जटिल है, एक ऐसा सांख्यिकीय परिदृश्य प्रस्तुत करता है जो आश्चर्यजनक रूप से सपाट और दोहराव वाला है। डेटा को इसके आवश्यक घटकों तक कम करके, उन्होंने प्रदर्शित किया कि सरल, व्याख्या योग्य मॉडल इस विशिष्ट संदर्भ में अपने जटिल समकक्षों से बेहतर प्रदर्शन कर सकते हैं। इसका मतलब यह नहीं है कि वायरोलॉजी के लिए डीप लर्निंग बेकार है, बल्कि यह है कि यह हर समस्या के लिए एक जादुई समाधान (magic bullet) नहीं है। फिलहाल, निपा वायरस की आनुवंशिक संरचना को समझने का सबसे अच्छा तरीका स्पष्ट, प्रत्यक्ष विधियों का उपयोग करना है जो चित्र को अत्यधिक जटिल न बनाएं। यह दृष्टिकोण भविष्य के अध्ययनों के लिए एक ठोस आधार प्रदान करता है, यह सुनिश्चित करता है कि जैसे-जैसे अधिक आनुवंशिक डेटा उपलब्ध होगा, वैज्ञानिक वहां जटिलता के आकर्षण के पीछे भागने के बजाय विश्वसनीय, पारदर्शी परिणामों के आधार पर आगे बढ़ सकें जहाँ इसकी आवश्यकता नहीं है।