From single-sequence structure prediction to protein fitness landscape through a composable, epistasis-aware mutation atlas
सेरेब्रा-एपिस्टेसिस (Cerebra-Epistasis) एक एंड-टू-एंड फ्रेमवर्क है जो सिंगल-सीक्वेंस स्ट्रक्चर प्रेडिक्शन को स्पष्ट एपिस्टेसिस मॉडलिंग के साथ एकीकृत करता है ताकि मल्टी-म्यूटेंट प्रोटीन फिटनेस लैंडस्केप्स का सटीक अनुमान लगाया जा सके और उच्च-क्रम के उत्परिवर्तन संयोजनों (high-order mutation combinations) के तीव्र, वन-शॉट इन्फरेंस को सक्षम बनाया 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
प्रोटीन वे आणविक मशीनें हैं जो जीवन को चलाती हैं, जो भोजन पचाने से लेकर संक्रमण से लड़ने जैसे कार्यों को करने के लिए जटिल त्रि-आयामी आकारों में मुड़ते हैं। वैज्ञानिकों ने लंबे समय से इन प्रोटीनों को पुनर्गठित करने का प्रयास किया है, उनके आनुवंशिक ब्लूप्रिंट में बदलाव करके उद्योग के लिए बेहतर एंजाइम या अधिक प्रभावी दवाएं बनाने की कोशिश की है। चुनौती संभावनाओं के विशाल पैमाने में निहित है: एक एकल प्रोटीन को लाखों अलग-अलग तरीकों से बदला जा सकता है, और प्रयोगशाला में हर एक भिन्नता का परीक्षण करना असंभव है। इस विशाल स्थान में नेविगेट करने के लिए, शोधकर्ता कंप्यूटर मॉडल पर भरोसा करते हैं ताकि यह अनुमान लगाया जा सके कि कौन से परिवर्तन प्रोटीन के कार्य में सुधार करेंगे और कौन से उसे बिगाड़ देंगे। हालांकि, एक बड़ी बाधा यह रही है कि कई परिवर्तन एक-दूसरे के साथ कैसे परस्पर क्रिया करते हैं, इसे समझना। जीव विज्ञान में, दो उत्परिवर्तनों (mutations) का संयुक्त प्रभाव अक्सर उनके व्यक्तिगत प्रभावों का केवल योग नहीं होता है; वे जटिल तरीकों से एक-दूसरे को बढ़ा या रद्द कर सकते हैं, जिसे एपिस्टेसिस (epistasis) के रूप में जाना जाता है। इन गैर-रेखीय अंतःक्रियाओं की भविष्यवाणी करना एक निरंतर कठिनाई रही है, विशेष रूप से कई उत्परिवर्तनों वाले प्रोटीनों के व्यवहार का पूर्वानुमान लगाने के प्रयास में।
त्सिंहहुआ विश्वविद्यालय और झोंगनान यूनिवर्सिटी ऑफ इकोनॉमिक्स एंड लॉ के शोधकर्ताओं द्वारा विकसित 'सेरेब्रा-एपिस्टेसिस' (Cerebra-Epistasis) नामक एक नया ढांचा इस समस्या के लिए एक नया दृष्टिकोण प्रदान करता है। प्रत्येक संभावित प्रोटीन वेरिएंट को शून्य से हल किए जाने वाले एक अद्वितीय पहेली के रूप में मानने के बजाय, टीम ने एक ऐसी प्रणाली बनाई है जो पहले प्रोटीन की संरचना को मैप करती है और फिर इस बात का एक पुन: प्रयोज्य "एटलस" बनाती है कि प्रत्येक संभावित एकल परिवर्तन उस संरचना को कैसे प्रभावित करता है। एक तेज़, एकल-अनुक्रम संरचना भविष्यवक्ता (single-sequence structure predictor) और एक नेटवर्क को जोड़कर, जो उत्परिवर्तनों की परस्पर क्रिया को सीखने के लिए डिज़ाइन किया गया है, यह प्रणाली इस पूर्व-निर्मित मानचित्र से डेटा निकालकर जटिल, बहु-उत्परिवर्तित प्रोटीनों के लिए भविष्यवाणियों को संकलित कर सकती है। यह विधि मॉडल को प्रोटीन के त्रि-आयामी संदर्भ को देखने की अनुमति देती है, यह समझते हुए कि आनुवंशिक अनुक्रम में दूर स्थित अवशेष (residues), मुड़े हुए आकार में निकट पड़ोसी हो सकते हैं और एक-दूसरे के व्यवहार को प्रभावित कर सकते हैं।
शोधकर्ताओं ने विविध प्रोटीन डेटासेट का उपयोग करके अपने सिस्टम का मौजूदा विधियों के विरुद्ध परीक्षण किया। लाखों वेरिएंट वाले मानक परीक्षणों में, सेरेब्रा-एपिस्टेसिस ने प्रोटीन के कार्य करने की क्षमता की भविष्यवाणी करने में अन्य अग्रणी मॉडलों को पछाड़ दिया। इसका लाभ उत्परिवर्तनों की जटिलता बढ़ने के साथ और भी स्पष्ट हो गया। जहाँ अन्य मॉडल तीन या अधिक परिवर्तनों वाले प्रोटीनों के व्यवहार की भविष्यवाणी करने में संघर्ष करते हैं, वहीं सेरेब्रा-एपिस्टेसिस ने उच्च सटीकता बनाए रखी, जो यह सुझाव देता है कि इसने सफलतापूर्वक उन छिपे हुए नियमों को पकड़ लिया है कि उत्परिवर्तन कैसे संयोजित होते हैं। यह प्रणाली उत्परिवर्तनों के उन जोड़ों के बीच अनदेखी अंतःक्रियाओं की भविष्यवाणी करने में भी सक्षम थी जिन्हें इसने प्रशिक्षण के दौरान कभी नहीं देखा था, जो कि नए प्रोटीनों को शून्य से डिजाइन करने के लिए एक महत्वपूर्ण क्षमता है। विशिष्ट केस स्टडीज में, जैसे कि ट्रिप्टोफैन सिंथेज़ (tryptophan synthase) एंजाइम का विश्लेषण करते समय, मॉडल ने अमीनो एसिड के बीच सबसे मजबूत लाभकारी अंतःक्रियाओं की सही पहचान की और उन्हें प्रोटीन की संरचना के भीतर सही भौतिक स्थानों पर मैप किया।
सटीकता के अलावा, इस प्रणाली ने गति में एक महत्वपूर्ण छलांग लगाई है। पारंपरिक विधियों के लिए कंप्यूटर को प्रत्येक उम्मीदवार प्रोटीन के संरचना और अनुक्रम का व्यक्तिगत रूप से विश्लेषण करने की आवश्यकता होती है, एक ऐसी प्रक्रिया जो संभावित वेरिएंट की संख्या बढ़ने के साथ तेजी से धीमी होती जाती है। इसके विपरीत, सेरेब्रा-एपिस्टेसिस, अपने एटलस को उत्पन्न करने के लिए मूल, अपरिवर्तित प्रोटीन को केवल एक बार एनकोड करता है। एक बार जब यह एटलस बन जाता है, तो सिस्टम प्रासंगिक डेटा के टुकड़ों को प्राप्त करके और उन्हें संकलित करके लाखों संभावित संयोजनों का तुरंत मूल्यांकन कर सकता है। शोधकर्ताओं ने अनुमान लगाया कि एक विशिष्ट प्रोटीन के लिए सभी संभावित तीन-उत्परिवर्तन वेरिएंट के पूर्ण परिदृश्य की स्क्रीनिंग करने में उनके सिस्टम को केवल कुछ मिनट लगेंगे, जबकि अन्य शीर्ष-स्तरीय मॉडलों को समान कार्य पूरा करने में कई दिन या वर्षों की आवश्यकता होगी। यह दक्षता प्रोटीन स्पेस के उन विशाल क्षेत्रों की खोज का द्वार खोलती है जो पहले बहुत अधिक कम्प्यूटेशनल रूप से महंगे थे।
अध्ययन ने यह भी पता लगाया कि क्या संरचना भविष्यवक्ता और फिटनेस भविष्यवक्ता को अलग-अलग करने के बजाय एक साथ प्रशिक्षित करने से बेहतर परिणाम मिलेंगे। उन्होंने पाया कि दोनों भागों को एक-दूसरे से सीखने की अनुमति देने से संरचनात्मक मानचित्रों की गुणवत्ता को खराब किए बिना फिटनेस भविष्यवाणियों की सटीकता में सुधार हुआ। यह सुझाव देता है कि संरचनात्मक संदर्भ केवल एक स्थिर पृष्ठभूमि नहीं है, बल्कि एक सक्रिय घटक है जिसे यह समझने के लिए सूक्ष्म रूप से ट्यून किया जा सकता है कि उत्परिवर्तन कार्य को कैसे प्रभावित करते हैं। हालाँकि यह प्रणाली मूल प्रोटीन की संरचना पर निर्भर करती है और अभी तक उत्परिवर्तनों के कारण होने वाले नाटकीय आकार-परिवर्तन (shape-shifting) को ध्यान में नहीं रखती है, फिर भी यह प्रोटीन इंजीनियरिंग को अधिक अनुमानित और कुशल बनाने की दिशा में एक शक्तिशाली कदम है। एक विशाल, अराजक खोज समस्या को एक संरचित संयोजन कार्य में बदलकर, यह कार्य वैज्ञानिकों को अगली पीढ़ी के जैविक उपकरणों को डिजाइन करने के लिए एक नया उपकरण प्रदान करता है।
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।