Can Machine Learning Identify Meaningful Patterns in DNA Sequences? A Computational Study of DNA Motifs Associated with Transcription-Factor Binding

प्रत्येक जीवित कोशिका के भीतर, डीएनए (DNA) नामक एक लंबा, घुमावदार अणु होता है जो एक जीव के निर्माण और संचालन के निर्देशों को संजोए रखता है। यह अणु केवल चार अक्षरों की एक भाषा में लिखा गया है, जो रासायनिक निर्माण खंडों (building blocks) का प्रतिनिधित्व करते हैं। यद्यपि वर्णमाला छोटी है, लेकिन वे जो कहानियाँ सुनाती हैं वे विशाल हैं, जो यह निर्धारित करती हैं कि कोशिका को कब बढ़ना है, कब रुकना है, और किन जीनों को सक्रिय करना है। इन निर्देशों को पढ़ने के लिए, कोशिका विशेष प्रोटीनों का उपयोग करती है जिन्हें ट्रांसक्रिप्शन फैक्टर्स (transcription factors) कहा जाता है। ये प्रोटीन आणविक पाठकों (molecular readers) की तरह कार्य करते हैं, जो डीएनए स्ट्रैंड को स्कैन करके उन विशिष्ट लघु पैटर्न को खोजते हैं जो संकेत देते हैं कि जीन को कहाँ सक्रिय किया जाना चाहिए। इन पाठकों में से एक सबसे महत्वपूर्ण प्रोटीन CTCF है, जो मानव कोशिकाओं में जीनोम को व्यवस्थित करने और जीन अभिव्यक्ति को नियंत्रित करने में मदद करता है। वैज्ञानिकों के लिए केंद्रीय प्रश्न यह है कि क्या इन चार अक्षरों की विशिष्ट व्यवस्था में इतनी जानकारी निहित है कि एक कंप्यूटर उस संकेत को पहचान सके, या क्या यह पैटर्न इतना सूक्ष्म है कि मानवीय हस्तक्षेप के बिना इसे नहीं खोजा जा सकता।

एक हालिया कम्प्यूटेशनल अध्ययन ने इस प्रश्न का उत्तर देने के लिए यह पूछकर प्रयास किया कि क्या मशीन लर्निंग, जो कि डेटा से सीखने वाला एक प्रकार का कंप्यूटर प्रोग्राम है, CTCF के जुड़ने वाले विशिष्ट डीएनए अनुक्रमों को यादृच्छिक दिखने वाले अनुक्रमों के पृष्ठभूमि से अलग कर सकती है। शोधकर्ता, एक स्वतंत्र छात्र जो एक स्व-निर्देशित परियोजना पर काम कर रहा था, ने मानव कोशिकाओं के एक विशिष्ट डेटासेट पर ध्यान केंद्रित किया जिसे K562 के रूप में जाना जाता है। अध्ययन की शुरुआत लगभग 47,000 पुष्ट डीएनए अनुक्रमों के साथ हुई जहाँ CTCF के जुड़ने की पुष्टि की गई थी। यह परीक्षण करने के लिए कि क्या कंप्यूटर एक वास्तविक पैटर्न खोज सकता है, शोधकर्ता को एक नियंत्रण समूह (control group) की आवश्यकता थी। पूरे जीनोम से कहीं और के यादृच्छिक डीएनए का उपयोग करने के बजाय, शोधकर्ता ने मूल CTCF अनुक्रमों के अक्षरों को आपस में बदलकर (shuffling) "नकारात्मक" उदाहरणों का एक सेट बनाया। यह शफलिंग सावधानीपूर्वक की गई थी ताकि अक्षरों के जोड़ों का समग्र मिश्रण समान रहे, लेकिन क्रम को इस तरह से अस्त-व्यस्त किया जाए कि CTCF का विशिष्ट संकेत नष्ट हो जाए। इसने एक निष्पक्ष परीक्षण तैयार किया: क्या कंप्यूटर वास्तविक संकेत और एक ऐसे स्कैम्बल किए गए संस्करण के बीच अंतर कर सकता है जो सतह पर समान दिखता है लेकिन जिसमें वास्तविक पैटर्न का अभाव है?

कंप्यूटर को सिखाने के लिए, शोधकर्ता ने प्रत्येक डीएनए अनुक्रम को तीन और चार अक्षरों के छोटे टुकड़ों में विभाजित किया, जिन्हें k-mers कहा जाता है। कल्पना कीजिए कि आप एक लंबे वाक्य को देख रहे हैं और गिन रहे हैं कि विशिष्ट तीन-अक्षरों वाले शब्द कितनी बार आते हैं, चाहे वे वाक्य में कहीं भी स्थित हों। कंप्यूटर को इन गणनाओं को संख्याओं की एक सूची के रूप में दिया गया, जिससे प्रत्येक अनुक्रम की एक प्रोफाइल बन गई। शोधकर्ता ने फिर इस डेटा पर दो अलग-अलग प्रकार के लर्निंग प्रोग्राम प्रशिक्षित किए। पहला एक सरल, रैखिक मॉडल (linear model) था जो अक्षर गणनाओं और CTCF की उपस्थिति के बीच सीधे संबंधों को देखता था। दूसरा एक अधिक जटिल मॉडल था जो जटिल, गैर-रैखिक संबंधों को पहचानने में सक्षम था जहाँ अक्षरों की गणनाओं के बजाय उनके संयोजन अधिक महत्वपूर्ण थे। डेटा को इस तरह विभाजित किया गया कि कंप्यूटर 80 प्रतिशत अनुक्रमों पर सीखता था और शेष 20 प्रतिशत पर उसका परीक्षण किया जाता था, जिससे यह सुनिश्चित हो सके कि परिणाम केवल प्रशिक्षण डेटा की स्मृति मात्र नहीं हैं।

परिणामों ने दिखाया कि दोनों कंप्यूटर प्रोग्राम वास्तविक CTCF अनुक्रमों को स्कैम्बल किए गए अनुक्रमों से सफलतापूर्वक अलग कर सकते थे, लेकिन अधिक जटिल प्रोग्राम काफी बेहतर प्रदर्शन करता था। सरल मॉडल ने अनुक्रमों की लगभग 86 प्रतिशत बार सही पहचान की, जबकि उन्नत मॉडल ने 92.5 प्रतिशत की सटीकता प्राप्त की। दो समूहों के बीच अंतर करने की मानक माप के संदर्भ में, उन्नत प्रोग्राम ने पूर्ण 1.0 में से लगभग 0.98 का स्कोर किया, जबकि सरल वाले के लिए यह 0.94 था। यह अंतर यह सुझाव देता है कि CTCF बाइंडिंग साइट्स की पहचान करने के लिए आवश्यक जानकारी केवल अक्षर आवृत्तियों का एक साधारण योग नहीं है, बल्कि इसमें विभिन्न लघु पैटर्नों के बीच जटिल अंतःक्रियाएं शामिल हैं जिन्हें उन्नत मॉडल पहचान सका। कंप्यूटर ने यह भी उजागर किया कि कौन से विशिष्ट अक्षर संयोजन निर्णय लेने के लिए सबसे महत्वपूर्ण थे, जिससे उन आवर्ती पैटर्नों की ओर संकेत मिला जो वास्तविक अनुक्रमों में सबसे अधिक बार दिखाई दिए।

हालाँकि, अध्ययन कंप्यूटर द्वारा जो पाया गया और जैविक अर्थ के बीच एक स्पष्ट अंतर बनाता है। उच्च सटीकता यह सिद्ध करती है कि चयनित डीएनए अनुक्रमों में एक सांख्यिकीय पैटर्न है जो स्कैम्बल की गई पृष्ठभूमि से भिन्न है, लेकिन यह यह सिद्ध नहीं करता है कि कंप्यूटर ने एक नया जैविक नियम खोज लिया है या ये पैटर्न प्रोटीन के जुड़ने का कारण बनते हैं। नकारात्मक उदाहरण कृत्रिम थे, जिन्हें वास्तविक डेटा को शफल करके बनाया गया था, जिसका अर्थ है कि यह परीक्षण संपूर्ण मानव जीनोम की अव्यवस्थित, जटिल वास्तविकता के विरुद्ध नहीं था। शोधकर्ता स्पष्ट रूप से उल्लेख करता है कि यह परियोजना एक विधि का प्रदर्शन है न कि प्रकृति में CTCF के जुड़ने की भविष्यवाणी करने का अंतिम समाधान। यह कार्य एक पारदर्शी, पुनरुत्पादक पाइपलाइन के रूप में कार्य करता है जो आधुनिक डेटा विज्ञान के साथ आणविक जीव विज्ञान को जोड़ता है, यह दिखाते हुए कि लघु अनुक्रम पैटर्न सार्थक जानकारी ले जाते हैं, भले ही पूर्ण जैविक कहानी के लिए प्रयोगशाला में और अधिक परीक्षण की आवश्यकता हो। अध्ययन इस निष्कर्ष के साथ समाप्त होता है कि हालांकि कंप्यूटर इस नियंत्रित सेटिंग में संकेत खोज सकता है, लेकिन एक सांख्यिकीय पैटर्न से जैविक समझ तक की यात्रा एक अलग चुनौती बनी हुई है।