PaperAtlas: an automatically constructed atlas of computational methods and software from 6.4 million open-access articles
PaperAtlas एक ओपन-सोर्स, स्वचालित रूप से निर्मित एटलस है जो 6.4 मिलियन ओपन-एक्सेस लेखों से प्राप्त हुआ है, जो कम्प्यूटेशनल विधियों और सॉफ़्टवेयर की पहचान और क्लस्टरिंग करता है, जिससे यह पता चलता है कि इन संसाधनों का एक महत्वपूर्ण हिस्सा वर्तमान में मौजूदा क्यूरेटेड रजिस्ट्रियों से गायब है।
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
आधुनिक जीव विज्ञान बदल गया है। यह अब केवल सूक्ष्मदर्शी (microscopes) से देखने या लैब में कल्चर उगाने के बारे में नहीं रह गया है; यह तेजी से कोड लिखने के बारे में होता जा रहा है। वैज्ञानिक डीएनए का विश्लेषण करने, बीमारियों के प्रसार का मॉडल बनाने और प्रोटीन कैसे मुड़ते हैं (fold होते हैं), इसका अनुकरण करने के लिए जटिल कंप्यूटर प्रोग्रामों का उपयोग करते हैं। ये उपकरण आवश्यक हैं, लेकिन वे बिखरे हुए हैं। वे लाखों वैज्ञानिक शोध पत्रों (scientific papers) के भीतर छिपे हुए हैं, जो अक्सर टेक्स्ट के बीच में दबे होते हैं जहाँ मुख्य ध्यान किसी जैविक खोज पर होता है न कि स्वयं सॉफ्टवेयर पर। क्योंकि ये पेपर मनुष्यों द्वारा मनुष्यों के लिए लिखे जाते हैं, इसलिए एक ही टूल को अलग-अलग नामों से बुलाया जा सकता है, या किसी प्रोग्राम का उल्लेख केवल एक बार किया जा सकता है बिना किसी केंद्रीय सूची के औपचारिक लिंक के। यह एक शोधकर्ता के लिए अपने काम के लिए सही टूल ढूंढना, या एक क्यूरेटर के लिए यह ट्रैक रखना कि क्या मौजूद है, अविश्वसनीय रूप से कठिन बना देता है। इसका परिणाम डिजिटल संसाधनों का एक विशाल, अव्यवस्थित पुस्तकालय है जिसे नेविगेट करना कठिन है।
इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने 'पेपरएटलस' (PaperAtlas) नामक एक नई प्रणाली बनाई। इसे एक विशाल, स्वचालित लाइब्रेरियन के रूप में समझें जो एक साथ लाखों वैज्ञानिक शोध पत्रों को पढ़ सकता है ताकि उनके अंदर छिपे कंप्यूटर टूल्स को खोजा जा सके। शोधकर्ताओं ने छह मिलियन से अधिक खुले-पहुंच वाले (open-access) वैज्ञानिक लेखों के एक विशाल संग्रह से शुरुआत की। उन्होंने इन शोध पत्रों के एब्स्ट्रैक्ट्स (abstracts) को स्कैन करने के लिए उन्नत कंप्यूटर मॉडल, जो मानव भाषा को समझने के लिए प्रशिक्षित प्रोग्राम हैं, का उपयोग किया। लक्ष्य उन शोध पत्रों को अलग करना था जो जीव विज्ञान के प्रयोगों के बारे में हैं और उन शोध पत्रों को जो एक नए कंप्यूटर मेथड या सॉफ्टवेयर के बारे में हैं। सिस्टम ने सफलतापूर्वक एक मिलियन से अधिक शोध पत्रों की पहचान की जो मुख्य रूप से गणनात्मक (computational) थे।
एक बार प्रासंगिक शोध पत्र मिल जाने के बाद, सिस्टम ने उन शोध पत्रों की गहराई में जाकर उनके विशिष्ट विवरण निकाले: सॉफ्टवेयर का नाम, वह किस जैविक समस्या को हल करता है, और वह किस प्रकार का टूल है, जैसे कि एक वेब सर्वर या एक नया एल्गोरिदम। शोधकर्ताओं ने इन निष्कर्षों को एक संरचित मानचित्र (structured map) में व्यवस्थित किया। उन्होंने समान शोध पत्रों को उनकी सामग्री के आधार पर समूहों में विभाजित किया, जिससे क्लस्टर बने जो एक पुस्तक के अध्यायों की तरह कार्य करते हैं। इन अध्यायों को व्यापक विषयों में और अधिक व्यवस्थित किया गया, जिसके परिणामस्वरूप बायोमेडिकल कंप्यूटिंग के सबसे महत्वपूर्ण क्षेत्रों को कवर करने वाले एक हजार विशिष्ट समूहों का एक अंतिम संग्रह प्राप्त हुआ। यह मानचित्र किसी को भी विषय के आधार पर साहित्य को ब्राउज़ करने की अनुमति देता है, जिससे वे देख सकते हैं कि विभिन्न टूल्स एक-दूसरे से कैसे संबंधित हैं, बिना हर एक पेपर को पढ़े।
शोधकर्ताओं ने यह भी परीक्षण किया कि उनका सिस्टम मौजूदा सॉफ्टवेयर सूचियों के मुकाबले कितनी अच्छी तरह काम करता है। उन्होंने शोध पत्रों में पाए गए टूल्स के नामों की तुलना पांच प्रमुख, हस्त-क्यूरेटेड (hand-curated) रजिस्ट्रियों से की जहाँ वैज्ञानिक आमतौर पर अपने सॉफ्टवेयर पंजीकृत करते हैं। परिणामों ने एक महत्वपूर्ण अंतर प्रकट किया। सिस्टम द्वारा निकाले गए हजारों अद्वितीय सॉफ्टवेयर नामों में से, साठ प्रतिशत से अधिक का किसी भी आधिकारिक रजिस्ट्री में सटीक मिलान नहीं हुआ। यह सुझाव देता है कि विज्ञान में उपयोग किया जाने वाला एक बड़ा हिस्सा या तो बिल्कुल पंजीकृत नहीं है, या उसे उस नाम से पंजीकृत किया गया है जो वैज्ञानिक पेपर में दिखने वाले नाम से भिन्न है। सिस्टम 'बायो.टूल्स' (bio.tools) नामक एक प्रमुख रजिस्ट्री के लगभग सत्तावन प्रतिशत प्रविष्टियों को पूरी प्रक्रिया के दौरान रिकवर करने में सक्षम रहा। हालाँकि, यदि उस टूल का वर्णन करने वाला पेपर वास्तव में एटलस में शामिल हो गया, तो रिकवरी दर उछलकर असी से अधिक हो गई। यह इंगित करता है कि मुख्य चुनौती केवल शोध पत्रों को खोजना नहीं है, बल्कि यह सुनिश्चित करना है कि टूल्स के नाम साहित्य और आधिकारिक सूचियों के बीच पूरी तरह से मेल खाएं।
इस अध्ययन में इसके अपने काम की सावधानीपूर्वक जांच भी शामिल थी। एक मानव विशेषज्ञ ने परिणामों के एक छोटे नमूने की समीक्षा की कि क्या कंप्यूटर का निष्कर्ष तर्कसंगत है। मानव विशेषज्ञ अधिकांश मामलों में इस बात से सहमत था कि कंप्यूटर का वर्गीकरण (कि कोई पेपर गणनात्मक था या नहीं) सही था, और निकाले गए टूल्स के नाम आम तौर पर सटीक थे। हालाँकि, मानव विशेषज्ञ ने यह भी नोट किया कि किसी टूल के नाम को रजिस्ट्री प्रविष्टि से मिलाना सबसे कठिन चरण था, जो अक्सर तब विफल हो जाता था जब नाम थोड़े अलग होते थे। यह पुष्टि करता है कि हालांकि स्वचालित प्रणाली शक्तिशाली है, लेकिन वैज्ञानिकों द्वारा अपने टूल्स को नाम देने का तरीका असंगत बना हुआ है।
पेपरएटलस अब एक मुफ्त, ओपन-सोर्स वेब टूल के रूप में उपलब्ध है। यह केवल शोध पत्रों को सूचीबद्ध नहीं करता है; यह उन्हें एक ऐसे नेविगेबल ढांचे में व्यवस्थित करता है जो विभिन्न विधियों के बीच संबंधों को उजागर करता है। कम्प्यूटेशनल बायोलॉजी के परिदृश्य को मैप करके, यह शोधकर्ताओं को आवश्यक टूल्स खोजने में मदद करता है और उन्हें दिखाता है कि वैज्ञानिक समुदाय में कहाँ कमियाँ हैं। यह कार्य प्रदर्शित करता है कि जबकि हमारे पास उत्पादित विशाल वैज्ञानिक साहित्य को पढ़ने और व्यवस्थित करने की तकनीक है, लेकिन टूल्स को नाम देने और पंजीकृत करने का मानवीय तत्व अभी भी पीछे है। एटलस इस विच्छेद (disconnect) का एक स्पष्ट दृश्य प्रदान करता है, जो भविष्य में बेहतर संगठन के लिए एक आधार प्रदान करता है, बिना पूरी तरह से असंगत नामकरण की समस्या को हल करने का दावा किए।
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।