Copy aware deconvolution of Hi-C interactions in extrachromosomal DNA using CADET
यह शोध पत्र CADET को प्रस्तुत करता है, जो एक्सट्राक्रोमोसोमल डीएनए (ecDNA) के लिए कॉपी-विशिष्ट Hi-C इंटरेक्शन मैट्रिसेस को सीधे एक्सपेक्टेशन-मैक्सिमाइजेशन का उपयोग करके अनुमानित करने वाली एक कम्प्यूटेशनल विधि है, जिससे बिना किसी त्रि-आयामी संरचनात्मक पुनर्निर्माण की आवश्यकता के, डुप्लिकेट जीनोमिक खंडों से उत्पन्न होने वाली अस्पष्टता को हल किया जा सके।
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
कैंसर कोशिका के केंद्रक (न्यूक्लियस) के भीतर, जेनेटिक ब्लूप्रिंट अक्सर अराजकता की स्थिति में होता है। जहाँ स्वस्थ कोशिकाएँ अपने डीएनए को लंबे, रैखिक गुणसूत्रों (क्रोमोसोम) में व्यवस्थित रखती हैं, वहीं कैंसर कोशिकाएँ अक्सर इन धागों को तोड़कर उन्हें एक्सट्राक्रोमोसोमल डीएनए (extrachomosomal DNA) नामक गोलाकार लूपों में पुनर्गठित कर देती हैं। ये लूप केवल यादृच्छिक उलझनें नहीं हैं; वे कैंसर के विकास के लिए शक्तिशाली इंजन के रूप में कार्य करते हैं, जो अक्सर उन जीनों की अतिरिक्त कॉपियाँ लेकर चलते हैं जो बीमारी को आगे बढ़ाते हैं। चूँकि ये गोलाकार अणु एक ही जेनेटिक सेगमेंट की कई कॉपियाँ रख सकते हैं, इसलिए ये वैज्ञानिकों के लिए कोशिका की आंतरिक संरचना का मानचित्र बनाने की कोशिश में एक अनूठी समस्या पैदा करते हैं। जब शोधकर्ता यह देखने के लिए उच्च-थ्रूपुट तकनीकों का उपयोग करते हैं कि डीएनए के विभिन्न हिस्से कैसे आपस में जुड़ते और परस्पर क्रिया करते हैं, तो इन डुप्लिकेट कॉपियों से मिलने वाले संकेत एक ही धुंधली छवि में विलीन हो जाते हैं। यह एक ऐसी तस्वीर देखने जैसा है जहाँ तीन समान जुड़वा बच्चों को एक के ऊपर एक आरोपित (superimposed) किया गया हो; आप समूह को देख सकते हैं, लेकिन यह नहीं बता सकते कि कौन सा जुड़वा क्या कर रहा है।
कैंसर कोशिकाओं के कामकाज को समझने के लिए, वैज्ञानिकों को इन ओवरलैपिंग संकेतों को अलग करने की आवश्यकता है। उन्हें यह जानने की जरूरत है कि जीन की कौन सी विशिष्ट प्रति (copy) जीनोम के किस विशिष्ट भाग के साथ परस्पर क्रिया कर रही है ताकि बीमारी को आगे बढ़ाया जा सके। शोधकर्ता बिस्वनाथ चौधरी द्वारा विकसित 'CADET' नामक एक नई विधि, ठीक यही करने का एक तरीका प्रदान करती है। डीएनए के आकार का 3D मॉडल बनाने और कॉपियों के स्थान का अनुमान लगाने के बजाय, यह दृष्टिकोण सीधे 'कॉन्टैक्ट डेटा' (संपर्क डेटा) के साथ काम करता है। यह समस्या को ओवरलैपिंग आवाजों की एक गांठ को सुलझाने की तरह देखता है। गोलाकार डीएनए के ज्ञात लेआउट का उपयोग करके और डीएनए की कॉपियों के उनके निकटतम पड़ोसियों के साथ होने वाले सूक्ष्म अंतरों को देखकर, यह विधि विलय हुए संकेतों को गणितीय रूप से अलग कर सकती है। यह प्रत्येक व्यक्तिगत प्रति की विशिष्ट अंतःक्रियाओं को देखने की अनुमति देता है, जिससे उस नियामक संरचना (regulatory architecture) की एक स्पष्ट तस्वीर सामने आती है जो कैंसर को ईंधन देती है।
शोधकर्ताओं ने सबसे पहले कंप्यूटर सिमुलेशन का उपयोग करके इस नए दृष्टिकोण का परीक्षण किया, जिसमें उन्होंने नकली डेटासेट बनाए जहाँ उन्हें पता था कि डीएनए कॉपियों के बीच की अंतःक्रिया की सटीक सच्चाई क्या है। उन्होंने डुप्लिकेशन के विभिन्न स्तरों को पेश किया, कभी कॉपियों को बिल्कुल समान व्यवहार करने दिया और कभी उन्हें अलग-अलग व्यवहार दिया। हर परिदृश्य में, इस विधि ने धुंधले डेटा से छिपी हुई, कॉपी-विशिष्ट अंतःक्रियाओं को सफलतापूर्वक पुनः प्राप्त किया। यह विशेष रूप से तब प्रभावी सिद्ध हुआ जब डुप्लिकेट कॉपियों के स्थानीय वातावरण अलग-अलग थे, जिससे इसने उन्हें पहचानने के लिए उन सूक्ष्म अंतरों का उपयोग किया। सिमुलेशन ने दिखाया कि जटिल स्थितियों में यह विधि लगभग 80 से 83 प्रतिशत बार यह सटीक रूप से पहचान सकती थी कि किसी विशिष्ट संपर्क के लिए कौन सी कॉपी जिम्मेदार है, और इसने मूल डेटा में देखे गए कुल संपर्कों की संख्या को बदले बिना ऐसा किया। इसने पुष्टि की कि यह विधि नई जानकारी का आविष्कार नहीं कर रही थी, बल्कि मौजूदा जानकारी को अधिक उपयोगी प्रारूप में पुनर्वितरित कर रही थी।
इसके बाद टीम ने वास्तविक दुनिया के डेटा का उपयोग करके तीन अलग-अलग कैंसर सेल लाइन्स पर CADET को लागू किया, जिनमें से प्रत्येक में एक्सट्राक्रोमोसोमल डीएनए की अपनी अनूठी व्यवस्था थी। एक मामले में, एक फेफड़ों के कैंसर की सेल लाइन में, डीएनए अत्यधिक डुप्लिकेट था, जिसमें जीनोम के बड़े खंड कई बार दोहराए गए थे। विधि ने इन दोहरावों को सफलतापूर्वक सुलझा लिया, जिससे पता चला कि डीएनए के कुछ हिस्से 'हब' के रूप में कार्य कर रहे थे, जो बार-बार विभिन्न भागीदारों के साथ परस्पर क्रिया कर रहे थे। एक अन्य मामले में, एक मस्तिष्क कैंसर की सेल लाइन में, गोलाकार डीएनए ने दो अलग-अलग गुणसूत्रों (क्रोमोसोम) के खंडों को एक साथ ला दिया। यहाँ, विधि ने एक कैंसर-ड्राइविंग जीन और दूसरे क्रोमोसोम पर स्थित एक दूरस्थ नियामक तत्व के बीच एक विशिष्ट, मजबूत अंतःक्रिया की पहचान की, जो पिछले अध्ययनों से मेल खाती थी, लेकिन अब इसे अणु के 3D आकार के पुनर्निर्माण की आवश्यकता के बिना हल कर लिया गया था। न्यूरोब्लास्टोमा सेल लाइन से जुड़े तीसरे मामले में, डीएनए एक क्रोमोसोम पर 'टैंडम रिपीट' के रूप में व्यवस्थित था, न कि एक वृत्त के रूप में। भले ही इस डेटासेट में व्यक्तिगत संकेत कमजोर थे, फिर भी विधि ने उन विशिष्ट जीनों के आसपास अंतःक्रिया के आवर्ती पैटर्न खोजे जो बीमारी में शामिल होने के लिए जाने जाते हैं।
जो इस दृष्टिकोण को विशिष्ट बनाता है वह है इसका डुप्लिकेटेड डीएनए की अस्पष्टता को संभालना। पिछले तरीके अक्सर इसे डीएनए के 3D मॉडल को पहले बनाकर हल करने की कोशिश करते थे, यह मानकर कि अणु का आकार यह निर्धारित करेगा कि संकेतों को कैसे विभाजित किया जाना चाहिए। हालाँकि, CADET इस चरण को छोड़ देता है। यह सीधे कॉन्टैक्ट मैप को देखता है और यह तय करने के लिए सांख्यिकीय तर्क का उपयोग करता है कि सिग्नल को कैसे विभाजित किया जाए, जो खंडों के बीच की दूरी और प्रत्येक कॉपी को मिलने वाले स्थानीय समर्थन (local support) पर आधारित होता है। इसका अर्थ है कि अंतःक्रियाओं का परिणामी मानचित्र किसी भी विशिष्ट 3D आकार की धारणा से स्वतंत्र है। शोधकर्ताओं ने पाया कि जबकि यह विधि हमेशा प्रत्येक एकल अंतःक्रिया की सटीक ताकत का पता नहीं लगा पाती थी, लेकिन यह उन अंतःक्रियाओं के परिवारों को पहचानने में बहुत अच्छी थी जो उम्मीद से अधिक समृद्ध या मजबूत थे। उदाहरण के लिए, मस्तिष्क कैंसर की सेल लाइन में, विधि ने एक प्रमुख कैंसर जीन से जुड़ी अंतःक्रियाओं के एक मॉड्यूल की पहचान की जो अन्य अध्ययनों के निष्कर्षों से मेल खाती थी, लेकिन इसने इस अंतःक्रिया को एक एकल संरचनात्मक घटना के बजाय आवर्ती संपर्क पैटर्न के संदर्भ में रखा।
अध्ययन ने इस प्रकार के डेटा से क्या जाना जा सकता है, इसकी सीमाओं को भी रेखांकित किया। जब डीएनए खंड की दो कॉपियां एक जैसे स्थानीय वातावरण में होती हैं, तो यह विधि उनके बीच अंतर नहीं कर सकती है, ठीक वैसे ही जैसे एक श्रोता दो समान आवाजों के बीच अंतर नहीं कर सकता यदि वे एक ही शब्द एक ही वॉल्यूम में बोल रही हों। ऐसे मामलों में, यह विधि सिग्नल को समान रूप से आवंटित करती है, यह स्वीकार करते हुए कि डेटा में सूक्ष्म अंतर करने के लिए पर्याप्त जानकारी नहीं है। शोधकर्ता इस बात पर ध्यान देने में सावधानी बरतते हैं कि हालांकि वे संभावित अंतःक्रियाओं की पहचान कर सकते थे और उन्हें कार्यात्मक मॉड्यूल में समूहित कर सकते थे, लेकिन ये निष्कर्ष परिकल्पनाएं (hypotheses) हैं जिन्हें आगे के प्रयोगों के साथ परीक्षण करने की आवश्यकता है। उन्होंने यह दावा नहीं किया कि उन्होंने कैंसर जीन विनियमन की समस्या को हल कर दिया है, बल्कि उन्होंने जटिल, उलझी हुई अंतःक्रियाओं को देखने के लिए एक नया, स्पष्ट लेंस प्रदान किया है।
डुप्लिकेटेड डीएनए के विलय हुए संकेतों को अलग करके, यह कार्य कैंसर को चलाने वाले नियामक नेटवर्क का अध्ययन करने का एक अधिक सीधा तरीका प्रदान करता है। यह वैज्ञानिकों को यह देखने की अनुमति देता है कि जीन की कौन सी विशिष्ट कॉपियाँ सक्रिय हैं और वे शेष जीनोम के साथ कैसे संवाद कर रही हैं। इस विधि ने पहले ही विभिन्न प्रकार के कैंसर में अंतःक्रिया के विशिष्ट पैटर्न को प्रकट किया है, जो यह दर्शाता है कि ये गोलाकार डीएनए अणु विविध तरीकों से खुद को व्यवस्थित करते हैं। चाहे डीएनए एक वृत्त के रूप में व्यवस्थित हो या एक लंबे रिपीट के रूप में, इन कॉपी-विशिष्ट संपर्कों को हल करने की क्षमता कैंसर कोशिकाओं के भीतर जटिल, उलझी हुई अंतःक्रियाओं की गहरी समझ के द्वार खोलती है। यह स्पष्टता अंततः शोधकर्ताओं को चिकित्सा के लिए नए लक्ष्यों की पहचान करने में मदद कर सकती है, जो उन विशिष्ट अंतःक्रियाओं पर ध्यान केंद्रित करती है जो बीमारी के लिए सबसे महत्वपूर्ण 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।