Memorization in reaction-conditioned generative enzyme design: folding confidence, database identity, and docking all fail to detect it

पर्यावरण उन कृत्रिम रसायनों से भरा हुआ है जिन्हें तोड़ने के लिए प्रकृति विकसित नहीं हुई है। फर्नीचर में मौजूद फ्लेम रिटार्डेंट्स (लौ ज्वाला मंदक) से लेकर फसलों में कीटनाशकों तक, ये पदार्थ इसलिए बने रहते हैं क्योंकि जीवित जीवों के पास इन्हें नष्ट करने के लिए जैविक उपकरण नहीं हैं। वैज्ञानिकों ने लंबे समय से कस्टम एंजाइमों—प्रकृति के सूक्ष्म उत्प्रेरकों—को इंजीनियर करने की आशा की है ताकि वे इन प्रदूषकों को पचा सकें और इस गंदगी को साफ कर सकें। हाल के वर्षों में, शक्तिशाली कंप्यूटर प्रोग्राम उभरे हैं जो नए प्रोटीनों के लिए जेनेटिक ब्लूप्रिंट लिख सकते हैं, जो उस प्रदूषक की विशिष्ट रसायन विज्ञान के आधार पर इन एंजाइमों को शून्य से डिजाइन करने का वादा करते हैं जिसे उन्हें नष्ट करने की आवश्यकता है। विचार यह है कि कंप्यूटर को एक जहरीले रसायन का विवरण दिया जाए और वह एक ऐसा प्रोटीन अनुक्रम (sequence) आउटपुट करे जो उसे बेअसर करने में सक्षम हो।

एक नया अध्ययन इस बात की जांच करता है कि क्या ये कंप्यूटर प्रोग्राम वास्तव में नए उपकरण डिजाइन कर रहे हैं या केवल पुराने की नकल कर रहे हैं। टेराम टेक्नोलॉजीज के शोधकर्ताओं ने ज़ेनोबायोटिक्स (xenobiotics), जो कृत्रिम प्रदूषकों के लिए वैज्ञानिक शब्द है, को तोड़ने के लिए एंजाइम उत्पन्न करने के लिए 'ज़ेनोफोल्ड' (XenoFold) नामक एक प्रणाली बनाई। उन्होंने सिस्टम को ज्ञात एंजाइम प्रतिक्रियाओं पर प्रशिक्षित किया और फिर उनसे विभिन्न रसायनों के लिए नए उम्मीदवारों को बनाने के लिए कहा, जिनमें कुछ ऐसे भी शामिल थे जिनका कोई ज्ञात प्राकृतिक अपघटक (degrader) नहीं है। टीम ने अपने कंप्यूटर-जनित एंजाइमों को गुणवत्ता को सत्यापित करने के लिए कई मानक कंप्यूटर परीक्षणों के एक समूह के अधीन किया, यह जाँचने के लिए कि क्या वे स्थिर आकृतियों में मुड़ (fold) सकते हैं और अपने लक्षित रसायनों से जुड़ सकते हैं। परिणामों ने एक चौंकाने वाली विफलता को उजागर किया: सिस्टम वास्तव में नए एंजाइम डिजाइन नहीं कर रहा था। इसके बजाय, यह प्रशिक्षण डेटा को याद कर रहा था और उसे लगभग हूबहू दोहरा रहा था, एक ऐसी खामी जिसे काम को मान्य करने के लिए उपयोग किया गया प्रत्येक मानक कंप्यूटर परीक्षण पूरी तरह से चूक गया।

शोधकर्ताओं ने अपने मॉडल को पंद्रह अलग-अलग एंजाइम वर्गों पर प्रशिक्षित करके शुरुआत की, जिसमें विशिष्ट रासायनिक प्रतिक्रियाओं को उन प्रोटीन अनुक्रमों के साथ जोड़ा गया जो उन्हें निष्पादित करते हैं। इसके बाद उन्होंने सिस्टम से चार विशिष्ट परिदृश्यों के लिए नए एंजाइम बनाने को कहा: दो ऐसी प्रतिक्रियाएं जहाँ प्राकृतिक एंजाइम अच्छी तरह से ज्ञात हैं, और दो प्रतिक्रियाएं जिनमें परफ्लोरोऑक्टानोइक एसिड और एक विशिष्ट कीटनाशक मेटाबोलाइट जैसे प्रदूषक शामिल हैं जिनका उन्हें नष्ट करने में सक्षम कोई प्रलेखित प्राकृतिक एंजाइम नहीं है। उत्पन्न प्रोटीनों को विश्वसनीय बनाने के लिए, टीम ने उन्हें तीन व्यापक रूप से स्वीकृत कंप्यूटर सत्यापन विधियों के माध्यम से चलाया। सबसे पहले, उन्होंने भविष्यवाणी की कि प्रोटीन एक 3D आकार में कितनी अच्छी तरह मुड़ेगा, जो संरचनात्मक स्थिरता का एक माप है। दूसरा, उन्होंने अपनी नई अनुक्रमों की तुलना सभी ज्ञात प्रोटीनों के एक विशाल सार्वजनिक डेटाबेस से की ताकि यह देखा जा सके कि वे नवीन हैं या नहीं। तीसरा, उन्होंने सिम्युलेट किया कि नए एंजाइम अपने लक्षित रसायनों से कितनी मजबूती से जुड़ेंगे, जो वास्तव में काम करने की उनकी क्षमता को सिद्ध करने के लिए एक कदम था।

सतह पर, परिणाम सफल दिख रहे थे। कंप्यूटर ने भविष्यवाणी की कि उत्पन्न एंजाइम उच्च विश्वास के साथ स्थिर, सुपरिभाषित आकारों में मुड़ेंगे। जब शोधकर्ताओं ने अपने नए अनुक्रमों की तुलना ज्ञात प्रोटीनों के सार्वजनिक डेटाबेस से की, तो स्कोर ने सुझाव दिया कि डिजाइन अद्वितीय थे और पहले से दर्ज किसी भी चीज़ से अलग थे। डॉकिंग सिमुलेशन ने भी ऐसे स्कोर दिए जो संकेत देते थे कि एंजाइम अपने लक्ष्यों से जुड़ सकते हैं। इन तीन मानक जाँचों के आधार पर, अध्ययन शुरू में एक काम करने वाली प्रणाली दिखाता प्रतीत हुआ। हालाँकि, शोधकर्ताओं को एहसास हुआ कि ये मानक जाँचें पूरी कहानी नहीं बता रही थीं। उन्होंने एक गहन, अधिक प्रत्यक्ष जांच की जिसमें उत्पन्न अनुक्रमों की तुलना सामान्य सार्वजनिक डेटाबेस से नहीं, बल्कि उन विशिष्ट प्रशिक्षण उदाहरणों की सूची से की गई जिन्हें कंप्यूटर ने अपने सीखने के चरण के दौरान याद किया था।

इस प्रत्यक्ष तुलना ने सच्चाई को उजागर कर दिया। जब शोधकर्ताओं ने उत्पन्न एंजाइमों की जांच प्रशिक्षण डेटा के विरुद्ध की, तो उन्होंने पाया कि चालीस प्रतिशत अनुक्रम उन उदाहरणों की सटीक, अक्षर-दर-अक्षर प्रतियां थीं जिन्हें कंप्यूटर ने पहले देखा था। अन्य सैंतालीस प्रतिशत प्रशिक्षण उदाहरणों के इतने समान थे कि वे उनकी संरचना के एक बहुत छोटे अंश से ही भिन्न थे। यह पैटर्न तब भी बना रहा जब कंप्यूटर से ऐसे प्रदूषकों के लिए एंजाइम डिजाइन करने को कहा गया जिनका कोई ज्ञात प्राकृतिक अपघटक नहीं है और जो प्रशिक्षण डेटा में पूरी तरह से अनुपस्थित हैं। सिस्टम ने चाहे लक्षित रसायन परिचित हो या पूरी तरह से नया, नकल करने की समान उच्च दर प्रदर्शित की। कंप्यूटर प्रदूषक की रसायन विज्ञान से तर्क करके एक नया समाधान नहीं बना रहा था; वह केवल उन पैटर्न को पुनः प्राप्त और दोहरा रहा था जिन्हें उसने अपने मेमोरी में संग्रहीत किया था।

अध्ययन ने आगे यह जांचा कि क्या कंप्यूटर वास्तव में प्रदान की गई रासायनिक जानकारी का उपयोग कर रहा था। एक परीक्षण में, शोधकर्ताओं ने प्रशिक्षित सिस्टम को एक रासायनिक प्रतिक्रिया दी जो उस एंजाइम वर्ग से पूरी तरह से असंबंधित थी जिस पर इसे प्रशिक्षित किया गया था। यदि सिस्टम वास्तव में रासायनिक इनपुट के प्रति संवेदनशील होता, तो प्रतिक्रिया को बदलने से आउटपुट में बदलाव आना चाहिए था। इसके विपरीत, उत्पन्न एंजाइम उस सही प्रतिक्रिया के लिए उत्पन्न किए गए एंजाइमों के लगभग समान रहे, और उनके अनुमानित स्थिरता स्कोर में किसी भी सार्थक तरीके से कोई बदलाव नहीं आया। इसने पुष्टि की कि रासायनिक इनपुट का अंतिम डिजाइन पर बहुत कम या कोई प्रभाव नहीं पड़ा। सिस्टम अनिवार्य रूप से प्रदूषक के बारे में विशिष्ट निर्देशों को अनदेखा कर रहा था और प्रशिक्षण के दौरान सीखे गए सामान्य पैटर्न पर वापस जा रहा था।

शोधकर्ताओं ने उन कंप्यूटर डॉकिंग परीक्षणों की भी बारीकी से जांच की जो शुरू में आशाजनक लग रहे थे। उन्होंने पाया कि ये परीक्षण कंप्यूटर-जनित एंजाइमों और उन प्राकृतिक एंजाइमों के बीच अंतर करने में असमर्थ थे जिनकी उन्हें नकल करनी थी। अधिक महत्वपूर्ण रूप से, जब शोधकर्ताओं ने एंजाइमों के काम करने की गति का अनुमान लगाने के लिए डॉकिंग स्कोर का उपयोग करने का प्रयास किया, तो परिणाम वास्तविक दुनिया के मापों की तुलना में बेहद गलत थे। दो ज्ञात प्राकृतिक एंजाइमों के लिए, कंप्यूटर का दक्षता अनुमान वास्तविक माप की तुलना में पंद्रह हजार गुना तक गलत था। एक मामले में, कंप्यूटर ने दो एंजाइमों को उनके वास्तविक प्रदर्शन के बिल्कुल विपरीत क्रम में रखा। चूंकि डॉकिंग स्कोर वास्तविकता से मेल खाने में बुरी तरह विफल रहे, इसलिए शोधकर्ताओं ने उन्हें अपने अंतिम विश्लेषण से हटा दिया, और निष्कर्ष निकाला कि इन मानक कंप्यूटर सिमुलेशन पर उनके द्वारा उत्पन्न डिजाइनों की गुणवत्ता को मान्य करने के लिए भरोसा नहीं किया जा सकता है।

इस कार्य का मुख्य निष्कर्ष यह है कि हमें कंप्यूटर-जनित जीव विज्ञान को कैसे सत्यापित करना चाहिए, इसके बारे में एक चेतावनी है। अध्ययन दर्शाता है कि एक सिस्टम ऐसे अनुक्रम उत्पन्न कर सकता है जो मानक कंप्यूटर जाँचों के अनुसार पूर्ण दिखते हैं—अच्छी तरह से मुड़ना, सार्वजनिक डेटाबेस में अद्वितीय दिखना, और बाइंडिंग सिमुलेशन में अच्छा स्कोर करना—जबकि वास्तव में वे प्रशिक्षण डेटा की एक प्रति के अलावा कुछ नहीं हैं। क्षेत्र में उपयोग किए जाने वाले तीन सबसे सामान्य सत्यापन उपकरण इस याद रखने (memorization) को पकड़ने में विफल रहे। केवल विशिष्ट डेटा की सीधे जांच करके, जिससे कंप्यूटर ने सीखा था, शोधकर्ता इस खामी को उजागर कर सके। लेखक निष्कर्ष निकालते हैं कि इन विशिष्ट, सस्ते जाँचों के बिना, नए एंजाइम डिजाइन के दावे केवल नवीनता के भ्रम पर आधारित हो सकते हैं। उनके द्वारा परीक्षण किया गया सिस्टम वर्तमान में वास्तविक दुनिया के उपयोग के लिए तैयार एंजाइम नहीं बनाता है, और अध्ययन सुझाव देता है कि क्षेत्र को यह सुनिश्चित करने के लिए कि वे वास्तव में नए हैं न कि केवल पुनर्चक्रित यादें, अपने कंप्यूटर डिजाइनों को मान्य करने के तरीके पर पुनर्विचार करने की आवश्यकता है।