Multimodal Deep Learning for Drug–Drug Interaction Prediction using Structural Biological and Semantic Information

आधुनिक चिकित्सा की दुनिया में, जटिल स्वास्थ्य स्थितियों का प्रबंधन करने के लिए मरीज अक्सर एक साथ कई अलग-अलग दवाएं लेते हैं। हालांकि यह दृष्टिकोण जीवन रक्षक हो सकता है, लेकिन इसमें एक छिपा हुआ जोखिम भी है: जब शरीर के भीतर दो या दो से अधिक दवाएं मिलती हैं, तो वे कभी-कभी अप्रत्याशित तरीकों से प्रतिक्रिया कर सकती हैं। ये प्रतिक्रियाएं, जिन्हें ड्रग-ड्रग इंटरैक्शन (दवा-दवा परस्पर क्रिया) कहा जाता है, एक सहायक उपचार को खतरनाक उपचार में बदल सकती हैं, गंभीर दुष्प्रभाव पैदा कर सकती हैं, दवा की प्रभावशीलता को कम कर सकती हैं, या यहाँ तक कि अस्पताल में भर्ती होने का कारण भी बन सकती हैं। दशकों से, वैज्ञानिक इन खतरनाक संयोजनों को मरीजों तक पहुँचने से पहले खोजने के लिए प्रयोगशाला प्रयोगों और क्लिनिकल परीक्षणों पर भरोसा करते आए हैं। हालांकि, जैसे-जैसे स्वीकृत दवाओं की संख्या तेजी से बढ़ रही है, हर संभावित संयोजन का हाथ से परीक्षण करना असंभव होता जा रहा है। यह बहुत धीमा, बहुत महंगा है, और नए खोजों की गति के साथ तालमेल नहीं बिठा सकता। इसने शोधकर्ताओं को इन परस्पर क्रियाओं की भविष्यवाणी करने के लिए कंप्यूटरों का उपयोग करने की ओर धकेल दिया है, इस उम्मीद में कि वे लाखों संभावित संयोजनों की तेजी से और सुरक्षित रूप से जांच कर सकें।

ईरान के 'इंस्टीट्यूट फॉर एडवांस्ड स्टडीज इन बेसिक साइंसेज' के शोधकर्ताओं का एक नया अध्ययन इस पहेली को सुलझाने का एक शक्तिशाली नया तरीका प्रदान करता है। महादी नूरूजी, मोहसेन हुशमंद और फतिमेह नसीरी के नेतृत्व वाली टीम ने HySEAtt-DDI नामक एक कंप्यूटर प्रणाली विकसित की है। केवल एक नजरिए से दवाओं को देखने के बजाय, उनकी प्रणाली एक जासूस की तरह काम करती है जो यह समझने के लिए तीन अलग-अलग प्रकार के सुराग जुटाती है कि दवाएं कैसे व्यवहार करती हैं। सबसे पहले, यह दवाओं की रासायनिक संरचना की जांच करती है, परमाणुओं की उस विशिष्ट व्यवस्था को देखती है जो प्रत्येक अणु को अद्वितीय बनाती है। दूसरा, यह दवाओं के जैविक प्रोफाइल का अध्ययन करती है, यह जाँचती है कि वे शरीर में किन प्रोटीनों से जुड़ती हैं और मानव प्रणाली के साथ कैसे परस्पर क्रिया करती हैं। तीसरा, और शायद सबसे आश्चर्यजनक रूप से, यह चिकित्सा डेटाबेस में पाई जाने वाली दवाओं के लिखित विवरणों को पढ़ती है, और शब्दों के पीछे के संदर्भ और अर्थ को समझने के लिए उन्नत भाषा तकनीक का उपयोग करती है।

शोधकर्ताओं ने अपनी प्रणाली को 'ड्रगबैंक' (DrugBank) से प्राप्त एक विशाल, सावधानीपूर्वक साफ किए गए डेटा संग्रह पर बनाया है, जो फार्मास्युटिकल जानकारी का एक विश्वसनीय वैश्विक भंडार है। इस डेटासेट में 2,148 स्वीकृत स्मॉल-मॉलिक्यूल (लघु-अणु) दवाओं और 2,000 से अधिक प्रोटीन लक्ष्यों की जानकारी शामिल है, जो लगभग 6,00,000 ज्ञात परस्पर क्रियाओं को कवर करती है। यह सुनिश्चित करने के लिए कि उनका कंप्यूटर मॉडल केवल नामों को याद करने के बजाय दवाओं के बीच होने वाली वास्तविक परस्पर क्रिया को सीखे, टीम ने डेटा को गुमनाम कर दिया, जिससे विशिष्ट दवा नामों को जेनेरिक लेबल से बदल दिया गया। इसने सिस्टम को सरल शब्द जुड़ाव के बजाय रसायन विज्ञान और जीव विज्ञान के अंतर्निहित पैटर्न पर ध्यान केंद्रित करने के लिए मजबूर किया। इसके बाद, उन्होंने इस समृद्ध, बहु-स्तरीय जानकारी को एक परिष्कृत न्यूरल नेटवर्क में डाला, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) है जिसे उन जटिल पैटर्न को खोजने के लिए डिज़ाइन किया गया है जिन्हें इंसान छोड़ सकते हैं। यह प्रणाली डेटा की विशाल मात्रा को एक संक्षिप्त, सार्थक सारांश में संकुचित करने के लिए विशेष परतों की एक श्रृंखला का उपयोग करती है, और फिर दवाओं के विभिन्न लक्षणों के बीच स्थानीय विवरणों और लंबी दूरी के संबंधों का विश्लेषण करके अपनी भविष्यवाणियां करती है।

जब टीम ने अपनी नई प्रणाली का परीक्षण किया, तो परिणाम चौंकाने वाले थे। HySEAtt-DDI ढांचा लगातार पारंपरिक कंप्यूटर विधियों और अन्य उन्नत डीप लर्निंग मॉडलों से बेहतर प्रदर्शन करता रहा जिनका उपयोग इस कार्य के लिए किया जाता था। वास्तविक दुनिया के परिदृश्यों की नकल करने वाले परीक्षणों में, जहाँ कुछ परस्पर क्रियाएं दुर्लभ हैं और अन्य सामान्य हैं, नई प्रणाली ने उच्च स्तर की सटीकता हासिल की, और प्रतिस्पर्धियों की तुलना में दवा जोड़ों के बीच परस्पर क्रिया के प्रकार को अधिक विश्वसनीयता के साथ सही ढंग से पहचाना। अध्ययन ने दिखाया कि रासायनिक, जैविक और पाठ्य (टेक्स्टुअल) जानकारी को मिलाना किसी एक स्रोत के डेटा पर निर्भर रहने की तुलना में कहीं अधिक प्रभावी था। उदाहरण के लिए, सिस्टम ने सिद्ध किया कि दवाओं के पाठ्य विवरणों को पढ़ने से महत्वपूर्ण अंतर्दृष्टि प्राप्त हुई जो रासायनिक संरचनाओं और प्रोटीन लक्ष्यों द्वारा अकेले प्रकट नहीं की जा सकती थी।

शोधकर्ताओं ने यह देखने के लिए विशिष्ट परीक्षण भी चलाए कि उनके सिस्टम के कौन से हिस्से सबसे अधिक काम कर रहे हैं। उन्होंने पाया कि उनके द्वारा बनाया गया प्रत्येक घटक अंतिम सफलता में योगदान देता है। सिस्टम का वह हिस्सा जो टेक्स्ट पढ़ता है, वह हिस्सा जो जैविक लक्ष्यों का विश्लेषण करता है, और वह हिस्सा जो रासायनिक आकृतियों को देखता है—तीनों ने अद्वितीय मूल्य जोड़ा। जब उन्होंने इनमें से किसी भी तत्व को हटाया, तो सिस्टम का प्रदर्शन गिर गया, जिससे पुष्टि हुई कि एक पूर्ण चित्र के लिए इन तीनों प्रकार की जानकारी की आवश्यकता होती है। इसके अलावा, अध्ययन ने इस बात पर प्रकाश डाला कि भले ही सरल, अच्छी तरह से स्थापित मशीन लर्निंग विधियां इस उच्च-गुणवत्ता वाले, बहु-आयामी डेटा के साथ बहुत अच्छा प्रदर्शन कर सकती हैं, लेकिन नए डीप लर्निंग आर्किटेक्चर ने दवाओं के बीच सूक्ष्म, जटिल संबंधों को पकड़कर सटीकता को और भी ऊंचा कर दिया।

हालांकि यह प्रणाली एक महत्वपूर्ण कदम है, लेखक इसकी वर्तमान सीमाओं के बारे में स्पष्ट हैं। इसे विशेष रूप से स्मॉल-मॉलिक्यूल दवाओं के लिए डिज़ाइन किया गया है, जो सबसे आम प्रकार की दवाएं हैं, और यह अभी तक बड़ी जैविक चिकित्साओं (बायोलॉजिकल थेरेपी) को कवर नहीं करती है। इसके अतिरिक्त, यह प्रणाली डेटा के एक एकल स्रोत पर निर्भर है, और शोधकर्ताओं ने उल्लेख किया है कि भविष्य के कार्यों को अधिक विविध डेटा को एकीकृत करने और यह पता लगाने की आवश्यकता होगी कि ये विधियां दुर्लभ या अधिक जटिल दवा संयोजनों पर कैसे लागू हो सकती हैं। फिर भी, यह कार्य यह प्रदर्शित करता है कि कंप्यूटर को विभिन्न प्रकार की वैज्ञानिक जानकारी को पढ़ने, विश्लेषण करने और जोड़ने के लिए सिखाकर, हम ऐसे उपकरण बना सकते हैं जो सुरक्षा जोखिमों की भविष्यवाणी करने में कहीं अधिक बेहतर हैं। यह दृष्टिकोण खतरनाक दवा संयोजनों की पहचान करने के लिए एक स्केलेबल मार्ग प्रदान करता है, इससे पहले कि वे कभी मरीज तक पहुँचें, जो संभावित रूप से जीवन बचा सकता है और आधुनिक चिकित्सा की जटिल दुनिया को सभी के लिए सुरक्षित बना सकता है।