BioForm-LM: Generative Design of Biologics Formulations via In-Context Learning and Physics-Informed Decoding
BioForm-LM एक नवीन जनरेटिव सिस्टम है जो मेकेनिस्टिक सिमुलेशन, इन-कॉन्टेक्स्ट फ्यू-शॉट लर्निंग और फिजिक्स-इन्फॉर्म्ड डिकोडिंग को जोड़ता है ताकि स्वतः ही 'डी नोवो' बायोलॉजिक्स फॉर्मुलेशन को डिजाइन किया जा सके, जो वास्तविक दुनिया के बेंचमार्क पर पारंपरिक रैंकिंग विधियों और रैंडम सैंपलिंग की तुलना में काफी बेहतर प्रदर्शन करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
एक जीवन रक्षक प्रोटीन दवा बनाना केवल आधी लड़ाई है; दूसरी आधी लड़ाई इसे शेल्फ पर, एक सिरिंज में, या मानव शरीर में जीवित रहने के लिए पर्याप्त स्थिर बनाए रखने की है। बायोलॉजिक्स (biologics), जिनमें एंटीबॉडी और अन्य जटिल प्रोटीन शामिल हैं, नाजुक अणु होते हैं जो आसानी से आपस में गुच्छे बना सकते हैं या अपना आकार खो सकते हैं यदि जिस तरल में वे घुले हुए हैं, वह पूरी तरह से संतुलित नहीं है। दशकों से, उस सटीक संतुलन को खोजना परीक्षण और त्रुटि (trial and error) की एक धीमी, मैनुअल प्रक्रिया रही है। वैज्ञानिक एक प्रोटीन को विभिन्न बफर्स, शर्करा और लवणों के साथ मिलाते हैं, और फिर यह देखने के लिए हफ्तों प्रतीक्षा करते हैं कि क्या वह टिक पाता है। यह बाधा महंगी है और यह नई दवाओं के मरीजों तक पहुँचने की गति को सीमित करती है, विशेष रूप से उन स्थानों पर जहाँ विश्वसनीय प्रशीतन (refrigeration) की सुविधा नहीं है। मुख्य चुनौती यह है कि जबकि वैज्ञानिक जानते हैं कि प्रोटीन अपने वातावरण के साथ कैसे परस्पर क्रिया करते हैं, कंप्यूटर को यह सिखाने के लिए बहुत कम वास्तविक दुनिया का डेटा उपलब्ध है कि किसी नए ड्रग के लिए सही मिश्रण की भविष्यवाणी कैसे की जाए। अधिकांश मौजूदा कंप्यूटर उपकरण केवल उन मिश्रणों की सूची को रैंक कर सकते हैं जिन्हें मनुष्यों ने पहले ही सुझाया है; कोई भी नया, स्थिर मिश्रण शून्य से आविष्कार नहीं कर सकता।
एक शोधकर्ता ने अब 'BioForm-LM' नामक एक नई प्रणाली पेश की है जो इस समस्या को हल करने का प्रयास करती है, जो कंप्यूटर को स्थिर ड्रग मिश्रणों की कल्पना करना सिखाती है। पिछले प्रयोगों के विशाल पुस्तकालयों पर निर्भर रहने के बजाय, जो अधिकांश नए प्रोटीनों के लिए मौजूद नहीं हैं, यह प्रणाली एक तीन-भाग वाली रणनीति का उपयोग करती है। सबसे पहले, यह एक तेज़, भौतिकी-आधारित सिमुलेशन चलाता है जो विभिन्न तरल पदार्थों में प्रोटीन के व्यवहार की नकल करता है। यह सिम्युलेटर प्रोटीन मिश्रणों और उनकी स्थिरता के दस लाख कृत्रिम उदाहरण उत्पन्न करता है, जिससे कंप्यूटर को रसायन विज्ञान और भौतिकी के मौलिक नियमों का ज्ञान होता है। दूसरा, यह प्रणाली एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करती है जो केवल कुछ उदाहरणों से सीख सकती है। जब कोई वैज्ञानिक एक नए प्रोटीन को स्थिर करना चाहता है, तो वे कंप्यूटर को उस विशिष्ट प्रोटीन से संबंधित केवल तीन से दस वास्तविक माप प्रदान करते हैं। यह प्रणाली इन कुछ डेटा बिंदुओं का उपयोग करके अपनी समझ को तुरंत अनुकूलित करने के लिए करती है, बिना पुन: प्रशिक्षित (retrained) हुए। अंत में, एक विशेष चेकर, जो उन्हीं भौतिक नियमों पर प्रशिक्षित है, कंप्यूटर के सुझावों की समीक्षा करता है और उनमें से उन्हें चुनता है जिनके वास्तविक दुनिया में काम करने की सबसे अधिक संभावना होती है।
शोधकर्ता ने इस दृष्टिकोण का परीक्षण वैज्ञानिक साहित्य में पाए गए अठारह वास्तविक-दुनिया के ड्रग फॉर्मुलेशन के एक छोटे, सावधानीपूर्वक क्यूरेट किए गए संग्रह पर किया। परिणामों ने दिखाया कि यह प्रणाली नए, व्यवहार्य मिश्रण रेसिपी उत्पन्न कर सकती है जो यादृच्छिक अनुमानों (random guesses) की तुलना में काफी बेहतर थे। एक छोटे एंटीबॉडी फ्रैगमेंट से जुड़े एक विशिष्ट मामले में, सिस्टम ने अपने भविष्यवाणियों और वास्तविक प्रयोगात्मक परिणामों के बीच एक सटीक मिलान प्राप्त किया, जिसमें मार्गदर्शन के लिए केवल तीन वास्तविक डेटा बिंदुओं का उपयोग किया गया था। औसतन, इस प्रणाली ने एक ऐसे रासायनिक स्थान (chemical space) का अन्वेषण किया जो यादृच्छिक खोज की तुलना में लगभग पांच गुना बड़ा था, जो यह सुझाव देता है कि इसने पुराने डेटा को केवल याद करने के बजाय प्रोटीनों को स्थिर करने के बारे में वास्तविक पैटर्न सीख लिए हैं। सिस्टम ने यह भी प्रदर्शित किया कि वह विभिन्न प्रकार के प्रोटीनों के अनुकूल हो सकता है, और उस विशिष्ट अणु के आधार पर अपनी रणनीति बदल सकता है जिसे वह बचाने की कोशिश कर रहा है।
हालाँकि, लेखक यह स्पष्ट करने में सावधानी बरतते हैं कि ये परिणाम वर्तमान में कम्प्यूटेशनल परिकल्पनाएं (computational hypotheses) हैं, न कि तैयार दवाएं। इस बात का परीक्षण अभी तक 'वेट लैब' (wet laboratory) में नहीं किया गया है कि उत्पन्न मिश्रण वास्तव में एक भौतिक टेस्ट ट्यूब में काम करते हैं या नहीं। परीक्षण के लिए उपयोग किया गया डेटासेट बहुत छोटा था, जिसमें केवल अठारह रिकॉर्ड थे, जो आज इन निष्कर्षों को कितनी व्यापक रूप से लागू किया जा सकता है, इसे सीमित करता है। शोधकर्ता इस बात पर जोर देते हैं कि उनका टूल वैज्ञानिकों के परीक्षण के लिए उम्मीदवार प्रस्तावित करने के लिए बनाया गया है, न कि प्रयोगशाला के काम को पूरी तरह से बदलने के लिए। वे इसे एक ऐसे भविष्य की ओर पहला कदम मानते हैं जहाँ कंप्यूटर हजारों संभावित मिश्रणों को कुछ सबसे आशाजनक विकल्पों तक तेजी से कम कर सकते हैं, जिससे महीनों की मैनुअल स्क्रीनिंग बच सकती है। हालांकि सिस्टम ने सिमुलेशन में बड़ी क्षमता दिखाई, लेकिन अंतिम प्रमाण भौतिक प्रयोगों से आएगा जो सत्यापित करेंगे कि क्या ये कंप्यूटर-जनित रेसिपी वास्तव में नाजुक प्रोटीनों को वर्षों तक स्थिर रख सकती हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।