Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

दवा की खोज (ड्रग डिस्कवरी) की उच्च-दांव वाली दुनिया में, वैज्ञानिक अक्सर एक ऐसी पहेली का सामना करते हैं जो रेडियो को किसी विशिष्ट फ्रीक्वेंसी पर ट्यून करने जैसा महसूस होता है, बिना स्टेशन बदले। उनके पास एक आशाजनक अणु (मॉलिक्यूल) होता है, एक रासायनिक संरचना जो बीमारी से लड़ने की क्षमता दिखाती है, लेकिन इसे सूक्ष्म सुधार (फाइन-ट्यूनिंग) की आवश्यकता होती है। दवा को मानव शरीर में बेहतर ढंग से काम करने के लिए, शोधकर्ताओं को विशिष्ट भौतिक गुणों को समायोजित करना पड़ता है, जैसे कि अणु कितने हाइड्रोजन बॉन्ड बना सकता है, इसमें कितनी रिंग-नुमा संरचनाएं हैं, या इसके कितने हिस्से घूम और मुड़ सकते हैं। ये समायोजन महत्वपूर्ण हैं क्योंकि वे निर्धारित करते हैं कि क्या कोई दवा शरीर द्वारा अवशोषित की जा सकती है या वह बस सीधे निकल जाएगी। हालांकि, ये बदलाव करना बेहद कठिन है। यदि कोई वैज्ञानिक दवा के अवशोषण में सुधार करने के लिए अणु के एक हिस्से को बदलने की कोशिश करता है, तो वे अक्सर अनजाने में दूसरे हिस्से को बिगाड़ देते हैं, जिससे लक्ष्य से जुड़ने की दवा की क्षमता नष्ट हो जाती है। चुनौती एक जटिल रासायनिक संरचना में उसके मूल स्वरूप (कोर आइडेंटिटी) को नष्ट किए बिना सटीक और नियंत्रित संपादन करने की है।

इस समस्या को हल करने के लिए, शिगा यूनिवर्सिटी के एक शोधकर्ता ने 'स्कैफोल्ड-ट्यूनर' (Scaffold-tuner) नामक एक नया डिजिटल टूल विकसित किया है। एक अणु को एक मजबूत नींव और एक अद्वितीय छत वाले घर के रूप में सोचें; नींव वह मुख्य संरचना है जो यह परिभाषित करती है कि वह किस प्रकार की इमारत है, जबकि छत और दीवारों को संशोधित किया जा सकता है। रसायन विज्ञान में, इस अपरिवर्तनीय कोर को 'स्कैफोल्ड' कहा जाता है। लक्ष्य उस स्कैफोल्ड को बरकरार रखते हुए घर के गुणों को बदलने के लिए "दीवारों" को बदलना है। इसे करने के लिए पिछले तरीके अक्सर अंधेरे में तीर चलाने जैसे थे: वे हजारों यादृच्छिक (रैंडम) विविधताओं को उत्पन्न करते थे, इस उम्मीद में कि शायद कोई काम करने वाला मिल जाए, या वे जटिल आर्टिफिशियल इंटेलिजेंस पर निर्भर थे जो कभी-कभी दीवारों के साथ नींव को भी बदल देता था, जिससे पूरी तरह से अलग इमारत बन जाती थी। ये दृष्टिकोण अक्षम थे और अक्सर मूल दवा से बहुत अलग परिणाम पैदा करते थे जो उपयोगी न हों।

नया टूल, स्कैफोल्ड-ट्यूनर, एक अलग और अधिक सुविचारित दृष्टिकोण अपनाता है। अनुमान लगाने या ब्लैक-बॉक्स एल्गोरिदम का उपयोग करने के बजाय, यह रासायनिक अंशों (फ्रैग्मेंट्स) के एक क्यूरेटेड लाइब्रेरी का उपयोग करता है—अणुओं के छोटे, पूर्व-परीक्षित टुकड़े जो विशिष्ट कार्यों को करने के लिए जाने जाते हैं। यदि किसी शोधकर्ता को हाइड्रोजन-बॉन्ड डोनर जोड़ने की आवश्यकता है, तो टूल विशेष रूप से उस कार्य के लिए डिज़ाइन किए गए अंश का चयन करता है। यदि उन्हें एक रोटेटेबल बॉन्ड (घूमने योग्य बंधन) को हटाने की आवश्यकता है, तो यह ऐसा अंश चुनता है जो संरचना को एक जगह स्थिर कर दे। इन लक्षित अंशों को मूल अणु के कोर स्कैफोल्ड के साथ जोड़कर, टूल नए संभावित यौगिक (कंपाउंड्स) बनाता है जो यह गारंटी देते हैं कि मूल संरचना का हृदय सुरक्षित रहेगा और वांछित भौतिक परिवर्तन भी प्राप्त होंगे। यह संपादन की एक ऐसी विधि है जो शुद्ध मात्रा के बजाय नियंत्रण और पूर्वानुमान को प्राथमिकता देती है।

यह जांचने के लिए कि क्या यह तरीका वास्तव में काम करता है, शोधकर्ता ने इसे एक हजार ड्रग-लाइक कंपाउंड्स के माध्यम से एक कठोर परीक्षण में डाला, जो 'ChEMBL' नामक एक सार्वजनिक डेटाबेस से लिए गए थे। ये यौगिक प्रयोग के लिए शुरुआती बिंदु, या "पैरेंट" के रूप में काम करते थे। टूल को आठ अलग-अलग प्रकार के संपादन करने के लिए कहा गया था, जैसे कि हाइड्रोजन-बॉन्ड डोनर को जोड़ना या हटाना, एरोमैटिक रिंग जोड़ना या हटाना, या रोटेटेबल बॉन्ड्स की संख्या बदलना। तुलना के लिए, उन्हीं शुरुआती कंपाउंड्स को तीन अन्य विधियों में डाला गया: एक सरल रैंडम एडिटिंग टूल, CReM नामक एक विधि जो रासायनिक रूप से तर्कसंगत लेकिन बिना किसी मार्गदर्शन के बदलाव करती है, और REINVENT4 नामक एक परिष्कृत आर्टिफिशियल इंटेलिजेंस सिस्टम। लक्ष्य यह देखना था कि कौन सी विधि मूल संरचना के प्रति वफादार रहते हुए वांछित परिवर्तन को सफलतापूर्वक पूरा करने में सक्षम है।

परिणामों ने दिखाया कि स्कैफोल्ड-ट्यूनर सटीकता में उत्कृष्ट था, विशेष रूप से तब जब शोधकर्ता केवल कुछ ही विकल्पों को देख सकते थे। एक परिदृश्य में जहाँ प्रत्येक विधि द्वारा उत्पन्न किए गए बिल्कुल पहले उम्मीदवार (कैंडिडेट) पर विचार किया गया, स्कैफोल्ड-ट्यूनर वांछित परिवर्तन बनाने में 42.3 प्रतिशत मामलों में सफल रहा। यह अन्य विधियों की तुलना में काफी अधिक था, जो क्रमशः केवल 13.9 प्रतिशत, 15.6 प्रतिशत और 17.1 प्रतिशत मामलों में सफल रहे। यह निष्कर्ष बताता है कि जब किसी वैज्ञानिक को किसी प्रोजेक्ट को आगे बढ़ाने के लिए त्वरित और विश्वसनीय सुझाव की आवश्यकता होती है, तो स्कैफोल्ड-ट्यूनर तुरंत एक उपयोगी उत्तर देने में कहीं अधिक सक्षम है। हालांकि आर्टिफिशियल इंटेलिजेंस टूल अंततः बराबरी कर गया और एक सौ उम्मीदवारों तक उत्पन्न करने की अनुमति देने पर अधिक विविध सफल बदलाव करने में सक्षम रहा, लेकिन इसने अणुओं में बहुत बड़े और अधिक नाटकीय बदलाव किए। वे AI-जनित अणु मूल से बहुत अलग दिखते थे, जिससे वैज्ञानिकों के लिए यह समझना कठिन हो जाता था कि परिवर्तनों ने दवा के व्यवहार को कैसे प्रभावित किया।

इसके विपरीत, स्कैफोल्ड-ट्यूनर द्वारा उत्पादित अणु अपने पैरेंट कंपाउंड्स के बहुत समान रहे। औसतन, सफल उम्मीदवारों ने मूल कोर स्कैफोल्ड संरचना का लगभग 75 प्रतिशत हिस्सा बनाए रखा, और मूल अणु के साथ उनकी समग्र समानता उच्च थी। यह एक महत्वपूर्ण लाभ है क्योंकि दवा विकास में, वैज्ञानिकों को ठीक से पता होना चाहिए कि किस परिवर्तन के कारण गतिविधि में बदलाव आया है। यदि संरचना बहुत भिन्न हो जाती है, तो यह बताना असंभव हो जाता है कि नया गुण इच्छित बदलाव से आया है या परमाणुओं की पूरी तरह से नई व्यवस्था से। अध्ययन में पाया गया कि स्कैफोल्ड-ट्यूनर एरोमैटिक रिंग जोड़ने में विशेष रूप से प्रभावी था, एक ऐसा कार्य जहाँ अन्य विधियाँ संघर्ष करती हैं या लगभग पूरी तरह विफल हो जाती हैं। इसने रोटेटेबल बॉन्ड्स को बढ़ाने या घटाने में भी सफलता के ऐसे स्तर को प्रबंधित किया, जो पूर्ण तो नहीं था, लेकिन सुसंगत और विश्वसनीय था।

हालाँकि, यह टूल सीमाओं से रहित नहीं है। अध्ययन में नोट किया गया कि संपादन की सफलता अनुरोधित परिवर्तन के विशिष्ट प्रकार पर बहुत अधिक निर्भर थी। उदाहरण के लिए, जबकि टूल रिंग जोड़ने में उत्कृष्ट था, यह उन्हें हटाने में संघर्ष करता था, जिसमें सफलता की दर शून्य प्रतिशत रही। इसी तरह, रोटेटेबल बॉन्ड्स की संख्या बढ़ाना कठिन था, जिसमें सफलता की दर केवल 15.2 प्रतिशत थी। यह इंगित करता है कि टूल कोई सार्वभौमिक समाधान नहीं है बल्कि एक विशिष्ट उपकरण है जो कुछ प्रकार के संरचनात्मक समायोजनों के लिए सबसे अच्छा काम करता है। शोधकर्ताओं ने यह भी देखा कि जबकि वे एक गुण को सफलतापूर्वक बदल सकते थे, अक्सर एक ही समय में अन्य गुणों को अनजाने में बदलना भी कठिन था। उदाहरण के लिए, रोटेटेबल बॉन्ड्स की संख्या को बदलने से अक्सर अणुओं के अन्य हिस्सों में अनचाहे बदलाव आ जाते थे, जो एक ऐसी चुनौती है जिसे कोई भी एडिटिंग टूल पूरी तरह से पार करने में संघर्ष करता है।

इन बाधाओं के बावजूद, अध्ययन का निष्कर्ष है कि स्कैलाइड-ट्यूनर अमूर्त रासायनिक लक्ष्यों को ठोस आणविक संरचनाओं में अनुवादित करने के लिए एक मूल्यवान नया ढांचा प्रदान करता है। यह सैद्धांतिक मॉडलों, जो भविष्यवाणी करते हैं कि एक दवा को कैसे व्यवहार करना चाहिए, और उस दवा को बनाने की व्यावहारिक वास्तविकता के बीच के अंतर को पाटता है। अणु की मूल पहचान को संरक्षित करते हुए विशिष्ट, व्याख्या योग्य परिवर्तन करने का एक तरीका प्रदान करके, यह शोधकर्ताओं को संरचना और कार्य के बीच के संबंध को अधिक स्पष्टता के साथ खोजने की अनुमति देता है। यह टूल व्यापक, अधिक खोजपूर्ण तरीकों की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि एक विशिष्ट स्थान भरता है जहाँ सटीकता और गति सर्वोपरि है। उन वैज्ञानिकों के लिए जो एक लीड कंपाउंड को रिफाइन करने की कोशिश कर रहे हैं, यह हजारों यादृच्छिक विविधताओं को छानने के बजाय, कुछ अत्यधिक प्रासंगिक विकल्प जल्दी प्राप्त करने का एक तरीका प्रदान करता है। इस टूल का सोर्स कोड अब दूसरों के उपयोग और सुधार के लिए उपलब्ध है, जो यह सुझाव देता है कि यह प्रॉपर्टी-डायरेक्टेड दृष्टिकोण दवा खोज के टूलकिट का एक मानक हिस्सा बन सकता है, जिससे आणविक संपादन की जटिल कला को अधिक अनुमानित और कुशल विज्ञान में बदलने में मदद मिल सकती है।