Machine Learning based Classification of Ocular Pathogens using Host-transcriptomic Signatures: a proof-of-concept
यह प्रूफ-ऑफ-कॉन्सेप्ट अध्ययन प्रदर्शित करता है कि होस्ट ट्रांसक्रिप्टोमिक हस्ताक्षरों पर प्रशिक्षित मशीन लर्निंग मॉडल, डेटासेट प्रोवेनेंस से संबंधित वर्तमान सीमाओं के बावजूद, कठोर और अध्ययन-स्वतंत्र क्रॉस-वैलिडेशन के तहत भी, विविध नेत्र संबंधी रोगजनकों (वायरल, फंगल और बैक्टीरियल) को संयोग से काफी अधिक सटीकता के साथ प्रभावी ढंग से वर्गीकृत कर सकते हैं।
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
जब आँख में संक्रमण घर कर लेता है, तो शरीर केवल निष्क्रिय होकर नहीं बैठा रहता; वह एक जटिल, आणविक रक्षा प्रणाली शुरू कर देता है जो एक विशिष्ट रासायनिक छाप छोड़ती है। यह प्रतिक्रिया कोशिका के अपने निर्देशों की भाषा में लिखी जाती है, जो सक्रिय जीन का एक विशाल पुस्तकालय है जो इस बात पर निर्भर करता है कि हमलावर वायरस, कवक (फंगस), या बैक्टीरिया है। दशकों से, डॉक्टर इन दृष्टि-खतरे वाले संक्रमणों का निदान करने के लिए स्वयं रोगाणु को खोजने पर निर्भर रहे हैं, जिसमें ऐसी विधियों का उपयोग किया जाता है जो रोगजनक के डीएनए की तलाश करती हैं या उसे प्रयोगशाला में उगाने का प्रयास करती हैं। हालाँकि, ये तकनीकें अक्सर तब विफल हो जाती हैं जब नमूना बहुत छोटा होता है या संक्रमण अपने शुरुआती चरणों में होता है, जिससे रोगजनक इतना दुर्लभ हो जाता है कि उसे पहचाना नहीं जा सके। यदि डॉक्टर दुश्मन को देख नहीं सकता, तो वह सही हथियार नहीं चुन सकता, और इस देरी से स्थायी अंधापन हो सकता है।
एक नया दृष्टिकोण दुश्मन को खोजने के बजाय युद्धक्षेत्र को देखने का सुझाव देता है। लुप्त रोगजनक की तलाश करने के बजाय, शोधकर्ता मेजबान (होस्ट) की प्रतिक्रिया को पढ़ सकते हैं, जो प्रचुर मात्रा में है और हमेशा मौजूद रहती है। यह अध्ययन इस बात की जांच करता है कि क्या एक कंप्यूटर इन मेजबान प्रतिक्रियाओं के पैटर्न का विश्लेषण करके विशिष्ट प्रकार के संक्रमण की पहचान करना सीख सकता है। पिछले प्रयोगों से हजारों आनुवंशिक संकेतों पर एक मशीन लर्निंग सिस्टम को प्रशिक्षित करके, शोधकर्ताओं ने परीक्षण किया कि क्या कंप्यूटर विभिन्न हमलावरों के बीच अंतर कर सकता है, भले ही डेटा कई अलग-अलग प्रयोगशालाओं और कोशिका प्रकारों से आया हो। लक्ष्य मौजूदा परीक्षणों को बदलना नहीं था, बल्कि यह देखना था कि क्या यह "होस्ट सिग्नेचर" विधि पारंपरिक पहचान विफल होने पर एक विश्वसनीय बैकअप के रूप में काम कर सकती है।
शोधकर्ताओं ने सार्वजनिक अभिलेखों से आनुवंशिक डेटा का एक विशाल संग्रह एकत्र किया, जिसमें 330 नमूने शामिल थे जो छह अलग-अलग रोगजनकों द्वारा किए गए संक्रमणों का प्रतिनिधित्व करते थे: दो वायरस, दो कवक और दो बैक्टीरिया। ये नमूने 24 विभिन्न प्रकार की मानव कोशिकाओं से जुड़े 36 अलग-अलग अध्ययनों से आए थे, जो स्थितियों का एक अव्यवस्थित लेकिन वास्तविक मिश्रण बना रहे थे। इस विविधता को समझने के लिए, टीम को सबसे पहले शोर (नॉइज़) को फ़िल्टर करना पड़ा। उन्होंने उन जीनों की तलाश की जो प्रत्येक विशिष्ट रोगजनक के लिए कई स्वतंत्र अध्ययनों में एक ही दिशा में बदलते हैं। इस प्रक्रिया ने लगभग 600 के कुल "मजबूत" (रोबस्ट) जीनों के एक मुख्य सेट की पहचान की, जो प्रयोगशाला या कोशिका प्रकार की परवाह किए बिना संक्रमण के प्रति लगातार प्रतिक्रिया देते हैं। इन जीनों ने कंप्यूटर के प्रशिक्षण के लिए आधार बनाया, जो पृष्ठभूमि के शोर के बीच एक विश्वसनीय संकेत के रूप में कार्य करते हैं।
इन क्यूरेटेड जीनों की सूची के साथ, टीम ने एक कंप्यूटर एल्गोरिदम को विभिन्न रोगजनकों को पहचानने के लिए प्रशिक्षित किया। उन्होंने एक कठोर परीक्षण पद्धति का उपयोग किया जहाँ कंप्यूटर को कुछ अध्ययनों के डेटा पर प्रशिक्षित किया गया और फिर उसे उन अध्ययनों में संक्रमण के प्रकार की भविष्यवाणी करने के लिए कहा गया जिन्हें उसने पहले कभी नहीं देखा था। इस दृष्टिकोण ने यह सुनिश्चित किया कि कंप्यूटर संक्रमण के जीव विज्ञान को सीख रहा है, न कि केवल किसी विशिष्ट प्रयोगशाला के उपकरणों की विचित्रताओं को याद कर रहा है। परिणाम उत्साहजनक थे। इन अनदेखे अध्ययनों का सामना करते समय, कंप्यूटर ने लगभग 63 से 70 प्रतिशत बार रोगजनक वर्ग की सही पहचान की। हालांकि यह पूर्ण नहीं है, लेकिन यह यादृच्छिक अनुमान (रैंडम गेसिंग) से काफी बेहतर है, जो विकल्पों की संख्या को देखते हुए केवल लगभग 14 प्रतिशत बार सफल होता। सिस्टम व्यापक श्रेणियों, जैसे वायरस बनाम बैक्टीरिया के बीच अंतर करने में विशेष रूप से अच्छा था, और परीक्षण किए गए अधिकांश विशिष्ट रोगजनकों के लिए अच्छा प्रदर्शन किया।
हालाँकि, अध्ययन ने स्पष्ट सीमाएँ भी उजागर कीं जो यह बताती हैं कि यह प्रणाली अभी अस्पताल के क्लिनिक के लिए तैयार क्यों नहीं है। एक बैक्टीरिया, Pseudomonas aeruginosa, को कंप्यूटर के लिए लगातार पहचानना कठिन साबित हुआ। शोधकर्ताओं ने इस विफलता का पता डेटा से लगाया: अन्य की तुलना में इस विशिष्ट कीटाणु के लिए उपलब्ध अध्ययन बहुत कम थे। पर्याप्त उदाहरणों के बिना जिससे सीखा जा सके, कंप्यूटर एक स्थिर पैटर्न नहीं खोज सका। इसके अलावा, सिस्टम संक्रमण और 'स्टेराइल इन्फ्लेमेशन' (एक ऐसी स्थिति जहाँ आँख लाल और सूजी हुई होती है लेकिन कोई कीटाणु मौजूद नहीं होता) के बीच अंतर करने में संघर्ष करता है। कंप्यूटर वर्तमान में संक्रमण की पुष्टि होने के बाद संक्रमण के प्रकार की पहचान करने के लिए डिज़ाइन किया गया है, न कि यह तय करने के लिए कि संक्रमण मौजूद है या नहीं।
इस कार्य का सबसे उल्लेखनीय निष्कर्ष एक सरल परीक्षण बनाम एक वास्तविक परीक्षण में कंप्यूटर की क्षमता के बीच का अंतर था। जब शोधकर्ताओं ने कंप्यूटर को प्रशिक्षण और परीक्षण दोनों के दौरान उसी अध्ययन के डेटा को देखने की अनुमति दी, तो इसकी सटीकता बढ़कर 90 प्रतिशत से अधिक हो गई। यह उच्च स्कोर एक भ्रम था जो कंप्यूटर द्वारा उस प्रयोगशाला के विशिष्ट "फिंगरप्रिंट" को पहचानने के कारण हुआ जिसने डेटा तैयार किया था, न कि संक्रमण के जीव विज्ञान को। जब उन्होंने इस अनुचित लाभ को हटा दिया और कंप्यूटर को नए अध्ययनों के लिए सामान्यीकरण करने के लिए मजबूर किया, तो सटीकता गिरकर 63 से 70 प्रतिशत की सीमा में आ गई। यह गिरावट कोई विफलता नहीं थी, बल्कि एक आवश्यक सुधार था जिसने पद्धति की वास्तविक शक्ति को दिखाया: यह काम करता है, लेकिन यह इस बात के प्रति संवेदनशील है कि डेटा कैसे एकत्र किया जाता है।
अंततः, यह शोध प्रदर्शित करता है कि आँख के संक्रमण के प्रति मानव शरीर की आनुवंशिक प्रतिक्रिया में अपराधी की पहचान करने के लिए पर्याप्त जानकारी होती है, भले ही कीटाणु को देखा न जा सके। अध्ययन सिद्ध करता है कि एक कंप्यूटर डेटा के एक अव्यवस्थित मिश्रण से इन पैटर्न को सीख सकता है और उन्हें नई स्थितियों में लागू कर सकता है। हालांकि वर्तमान प्रणाली एक पूर्ण नैदानिक उपकरण नहीं है, यह भविष्य के विकास के लिए एक नया मार्ग खोलती है। अधिक डेटा एकत्र करके, विशेष रूप से उन रोगजनकों के लिए जो वर्तमान में कम प्रतिनिधित्व वाले हैं, और इस पद्धति का मानकीकृत नैदानिक नमूनों पर परीक्षण करके, यह दृष्टिकोण अंततः डॉक्टरों के लिए एक महत्वपूर्ण बैकअप बन सकता है। यह मेजबान द्वारा सुनाई जाने वाली कहानी को पढ़कर अदृश्य दुश्मन को देखने का एक तरीका प्रदान करता है, जो एक जैविक प्रतिक्रिया को एक स्पष्ट चिकित्सा उत्तर में बदल देता 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।