An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

बैक्टीरिया स्थिर कण नहीं हैं; वे जीवित मशीनें हैं जो खतरा महसूस होने पर अपना आकार और आंतरिक संरचना बदल लेते हैं। जब कोई बैक्टीरिया एंटीबायोटिक का सामना करता है, तो वह केवल मरने के लिए चुपचाप बैठा नहीं रहता। इसके बजाय, वह प्रतिक्रिया देता है। कुछ कोशिकाएं खिंचकर लंबी हो जाती हैं, कुछ सिकुड़ जाती हैं, और उनके भीतर के डीएनए (DNA) के उलझे हुए धागे आपस में जुड़ सकते हैं या टूट सकते हैं। ये भौतिक परिवर्तन कोशिका का संकट का संकेत देने या, कुछ मामलों में, बचाव करने का तरीका है। दशकों से, वैज्ञानिक यह देखने के लिए इंतजार करने पर निर्भर रहे हैं कि क्या कोई दवा काम कर रही है या नहीं, जिसमें एक डिश में बैक्टीरिया को बढ़ने में पूरा एक दिन या उससे अधिक समय लग सकता है। यह देरी एक ऐसी दुनिया में खतरनाक है जहाँ दवा-प्रतिरोधी संक्रमण बढ़ रहे हैं, जिससे कभी इलाज योग्य बीमारियाँ जीवन के लिए संकट बन जाती हैं। इस लड़ाई को तेज करने के लिए, शोधकर्ता अब इन सूक्ष्म भौतिक परिवर्तनों को तुरंत पढ़ने के तरीके खोज रहे हैं, जिसमें कोशिका के अपने स्वरूप का उपयोग यह समझने के लिए एक मानचित्र के रूप में किया जाता है कि अंदर क्या हो रहा है।

शोधकर्ताओं की एक टीम ने ठीक ऐसा करने के लिए एक नया तरीका विकसित किया है, एक ऐसी प्रणाली बनाई है जो एक एकल बैक्टीरिया को देख सकती है और आपको बता सकती है कि कौन सा एंटीबायोटिक उस पर हमला कर रहा है। उन्होंने एस्चेरिचिया कोली (Escherichia coli) पर ध्यान केंद्रित किया, जो एक सामान्य बैक्टीरिया है जिसका उपयोग अक्सर यह अध्ययन करने के लिए किया जाता है कि दवाएं कैसे काम करती हैं। अपनी प्रयोगशाला में, उन्होंने इन बैक्टीरिया को चार अलग-अलग प्रकार के एंटीबायोटिक्स के संपर्क में रखा, जिनमें से प्रत्येक को कोशिका पर अनूठे तरीके से हमला करने के लिए डिज़ाइन किया गया था। एक दवा ने कोशिका को प्रोटीन बनाने से रोक दिया, दूसरे ने इसे एक मजबूत बाहरी दीवार बनाने से रोका, तीसरे ने उस आंतरिक ढांचे को बाधित किया जो कोशिका को छड़ के आकार (rod-shaped) में रखता है, और चौथे ने इसकी आनुवंशिक सामग्री की नकल करने को रोक दिया। परिणामों को देखने के लिए, उन्होंने बैक्टीरिया के उच्च-रिज़ॉल्यूशन वाले चित्र लिए, विशेष रंगों (dyes) का उपयोग किया जिससे कोशिका की बाहरी झिल्ली लाल चमकने लगी और उसका आंतरिक डीएनए नीला चमकने लगा।

चुनौती यह थी कि ये परिवर्तन सूक्ष्म हैं और इतने छोटे पैमाने पर होते हैं जिसे मानवीय आंख तेजी से वर्गीकृत नहीं कर सकती। इसे हल करने के लिए, शोधकर्ताओं ने डीप लर्निंग पर आधारित एक कंप्यूटर सिस्टम बनाया, जो एक प्रकार का कृत्रिम बुद्धिमत्ता (AI) है जो हजारों उदाहरणों को देखकर सीखता है। सबसे पहले, उन्होंने कंप्यूटर को भीड़भाड़ वाली माइक्रोस्कोप छवियों में व्यक्तिगत बैक्टीरिया को खोजने और उन्हें अलग करने के लिए प्रशिक्षित किया, जैसे कि भीड़भाड़ वाली तस्वीर से किसी एक व्यक्ति को अलग करना। फिर, उन्होंने इन अलग की गई छवियों को तेरह अलग-अलग कंप्यूटर मॉडलों के समूह में डाला। इनमें से कुछ मॉडल आकृतियों के पैटर्न को पहचानने के लिए डिज़ाइन किए गए थे, जबकि अन्य एक छवि के विभिन्न हिस्सों के बीच संबंधों को समझने के लिए बनाए गए थे, ठीक वैसे ही जैसे कोई इंसान चेहरे को देखकर आंखों और मुंह के बीच के संबंध को पहचानता है।

शोधकर्ताओं ने पाया कि हालांकि इनमें से कुछ कंप्यूटर मॉडल सही एंटीबायोटिक का अनुमान लगाने में काफी अच्छे थे, लेकिन उनमें से कोई भी अकेले पूर्ण नहीं था। सबसे अच्छा एकल मॉडल, जिसने 'स्विन ट्रांसफॉर्मर' (Swin Transformer) नामक एक परिष्कृत आर्किटेक्चर का उपयोग किया था, ने लगभग 91 प्रतिशत बार दवा की सही पहचान की। हालांकि, टीम ने महसूस किया कि कई अलग-अलग मॉडलों की राय को मिलाकर, वे और भी बेहतर कर सकते थे। उन्होंने एक "एन्सेम्बल" (ensemble) बनाया, एक ऐसी प्रणाली जहाँ कंप्यूटर तीन अलग-अलग विशेषज्ञों—स्विन ट्रांसफॉर्मर, 'कोएट' (CoaT) नामक एक मॉडल, और 'रेस्नेट18' (ResNet18) नामक एक क्लासिक मॉडल—से उत्तर पर वोट करने के लिए कहता है। इन वोटों को सावधानीपूर्वक तौलकर, सिस्टम ने सटीकता के एक नए स्तर तक पहुँच बनाई, और 94 प्रतिशत मामलों में एंटीबायोटिक की सही पहचान की। इस दृष्टिकोण ने सिद्ध किया कि एक विविध समूह के AI मॉडलों को सुनना केवल एक पर भरोसा करने की तुलना में अधिक विश्वसनीय है।

केवल दवा का अनुमान लगाने के अलावा, सिस्टम ने यह भी सीखा कि बैक्टीरिया वास्तव में कैसे बदल रहे हैं। यह एक ऐसी कोशिका के बीच अंतर कर सका जिसकी दीवार विफल होने के कारण वह गोलाकार हो गई थी और एक ऐसी कोशिका के बीच जो आंतरिक संरचना के क्षतिग्रस्त होने के कारण खिंचकर लंबी हो गई थी। उदाहरण के लिए, सिस्टम ने सीखा कि जब एक विशिष्ट दवा डीएनए की नकल को रोकती है, तो बैक्टीरिया अपना छड़ जैसा आकार बनाए रखते हैं लेकिन उनके आंतरिक डीएनए के धागे लंबे और खिंचे हुए हो जाते हैं। जब दूसरी दवा प्रोटीन उत्पादन को रोकती है, तो बैक्टीरिया छड़ के आकार के रहते हैं लेकिन उनका आंतरिक डीएनए कसकर पैक हो जाता है। इन विशिष्ट दृश्य संकेतोंों (visual signatures) ने कंप्यूटर को न केवल दवा का नाम बताने में सक्षम बनाया, बल्कि यह समझने में भी मदद की कि वह कोशिका को कैसे नुकसान पहुँचा रही है।

अध्ययन सुझाव देता है कि इस तरह का स्वचालित, छवि-आधारित विश्लेषण एंटीबायोटिक प्रतिरोध से लड़ने के लिए एक शक्तिशाली उपकरण बन सकता है। बैक्टीरिया के बढ़ने के लिए दिनों तक इंतजार करने के बजाय, डॉक्टर या शोधकर्ता संभावित रूप से एक नमूना ले सकते हैं, एक तस्वीर खींच सकते हैं, और इस प्रणाली का उपयोग करके तुरंत देख सकते हैं कि बैक्टीरिया कैसे प्रतिक्रिया दे रहे हैं। शोधकर्ताओं ने उल्लेख किया कि हालांकि उनका सिस्टम अच्छी तरह से काम करता है, लेकिन यह अभी तक अस्पतालों के लिए तैयार उत्पाद नहीं है। उन्होंने बताया कि इसे वास्तव में मजबूत बनाने के लिए, उन्हें इसे और अधिक छवियों पर प्रशिक्षित करने की आवश्यकता होगी और शायद समय-अंतराल (time-lapse) वीडियो के साथ परीक्षण करने की आवश्यकता होगी ताकि यह देखा जा सके कि बैक्टीरिया समय के साथ कैसे बदलते हैं। फिर भी, यह कार्य यह दर्शाता है कि कंप्यूटर को बैक्टीरिया के आकार की सूक्ष्म भाषा को समझने के लिए सिखाकर, विज्ञान एंटीबायोटिक-प्रतिरोधी संक्रमणों के प्रसार को समझने और रोकने की दिशा में तेजी से आगे बढ़ सकता है।