Structure-Based Drug–Drug Interaction Prediction from Morgan Fingerprints: A Degree-Controlled and Cold-Start Evaluation of a Random Forest Baseline

चिकित्सा की दुनिया में, सबसे खतरनाक क्षण अक्सर तब नहीं होते जब कोई एक दवा विफल हो जाती है, बल्कि तब होते हैं जब दो सुरक्षित दवाएं आपस में मिलती हैं और एक विषाक्त प्रतिक्रिया पैदा करती हैं। दशकों से, डॉक्टर इन टकरावों की जांच करने के लिए विशाल डेटाबेस पर भरोसा करते रहे हैं, लेकिन ये सूचियाँ अनिवार्य रूप से उन चीजों के स्थिर रिकॉर्ड हैं जो पहले से ही खोज ली जा चुकी हैं। वे भविष्य के बारे में कोई अंतर्दृष्टि नहीं देतीं, जिससे चिकित्सक तब अंधे हो जाते हैं जब किसी रोगी को एक ऐसी नई दवा दी जाती है जिसे उनके द्वारा ली जा रही अन्य दवाओं के विरुद्ध कभी नहीं परखा गया है। इसे हल करने के लिए, वैज्ञानिकों ने कंप्यूटर की ओर रुख किया है, इस उम्मीद में कि वे उन्हें आणविक रसायन विज्ञान के नियमों को सिखा सकें ताकि वे होने से पहले ही खतरनाक जोड़ियों की भविष्यवाणी कर सकें। विचार यह है कि दो दवाओं की रासायनिक संरचना—उनके परमाणु आकार और गुणों—को देखा जाए और यह देखा जाए कि क्या कंप्यूटर एक ऐसा पैटर्न पहचान सकता है जो यह सुझाव देता है कि वे एक-दूसरे से लड़ेंगे। हालाँकि, एक विश्वसनीय भविष्यवाणी उपकरण बनाने का मार्ग छिपे हुए जाल से भरा है, विशेष रूप से इस बात में कि शोधकर्ता कंप्यूटर को सिखाने के लिए एक "सुरक्षित" जोड़ी किसे मानते हैं। यदि प्रशिक्षण डेटा दोषपूर्ण है, तो कंप्यूटर रसायन विज्ञान सीखने के बजाय डेटा आर्टिफैक्ट्स (डेटा के कृत्रिम संकेतों) पर निर्भर होना सीख सकता है।

संजिवनी यूनिवर्सिटी, भारत के शोधकर्ताओं की एक टीम ने इन सफलताओं को बढ़ाकर दिखाने वाले शॉर्टकटों को हटाकर इन कंप्यूटर मॉडलों की वास्तविक शक्ति का परीक्षण करने का निर्णय लिया। उन्होंने दवाओं को दर्शाने के लिए उपयोग किए जाने वाले एक विशिष्ट प्रकार के डिजिटल फिंगरप्रिंट पर ध्यान केंद्रित किया, जिसे 'मॉर्गन फिंगरप्रिंट्स' कहा जाता है, जो एक अणु को उसके संरचनात्मक लक्षणों का वर्णन करने वाली बिट्स की एक लंबी स्ट्रिंग में तोड़ देता है। उन्होंने इसमें आणविक भार और वसा में घुलने की क्षमता जैसे दस बुनियादी भौतिक माप भी जोड़े। शोधकर्ताओं ने 'रैंडम फॉरेस्ट' नामक पद्धति का उपयोग करके एक कंप्यूटर मॉडल बनाया, जो विशेषज्ञों के एक पैनल की तरह काम करता है जो इस पर मतदान करता है कि क्या दो दवाओं के बीच परस्पर क्रिया होगी। लेकिन इससे पहले कि वे परिणामों पर भरोसा कर सकें, उन्हें इस बुनियादी समस्या को ठीक करना था कि इन मॉडलों का परीक्षण आमतौर पर कैसे किया जाता है। मानक परीक्षण में, शोधकर्ता "नकारात्मक" उदाहरण बनाते हैं—ऐसी जोड़ियाँ जिन्हें सुरक्षित माना जाता है—जो केवल उन यादृच्छिक संयोजनों को चुनकर बनाई जाती हैं जो अभी तक दर्ज नहीं किए गए हैं। टीम ने पाया कि यह सामान्य विधि गहराई से त्रुटिपूर्ण है। जब उन्होंने अपने स्वयं के परीक्षण प्रोटोकॉल का ऑडिट किया, तो उन्होंने पाया कि उनके द्वारा "सुरक्षित" लेबल की गई लगभग इक्कीस प्रतिशत जोड़ियाँ वास्तव में पूर्ण डेटाबेस में दर्ज परस्पर क्रियाएं थीं। कंप्यूटर को यह सोचने के लिए मूर्ख बनाया जा रहा था कि वह रसायन विज्ञान सीख रहा है, जबकि वास्तव में, वह केवल यह याद रख रहा था कि कौन सी दवाएं डेटा में बार-बार दिखाई देती हैं।

मॉडल की वास्तविक क्षमता का सटीक माप प्राप्त करने के लिए, शोधकर्ताओं ने अपने परीक्षण को शून्य से फिर से बनाया। उन्होंने दो नए, कठोर बेंचमार्क बनाए। पहला एक मानक परीक्षण था जहाँ नकारात्मक जोड़ियाँ यादृच्छिक रूप से चुनी गई थीं, लेकिन एक महत्वपूर्ण सुधार के साथ कि प्रत्येक ज्ञात परस्पर क्रिया को "सुरक्षित" सूची से हटा दिया गया था। दूसरा, अधिक कठिन बेंचमार्क बनाया गया था ताकि कंप्यूटर को लोकप्रियता का उपयोग करके डेटा आर्टिफैक्ट्स पर निर्भर होने से रोका जा सके। इस संस्करण में, प्रत्येक दवा "सुरक्षित" सूची में उतनी ही बार दिखाई देती थी जितनी बार वह "खतरे" की सूची में दिखाई देती थी, जिससे मॉडल को उसके रासायनिक आकार और गुणों पर पूरी तरह से निर्भर होने के लिए मजबूर किया गया, न कि इस पर कि कोई दवा कितनी प्रसिद्ध है। परिणाम चौंकाने वाले थे। पहले, आसान परीक्षण पर, एक नियंत्रण प्रणाली जिसने दवाओं के नामों का उपयोग किया था—रसायन विज्ञान को पूरी तरह से अनदेखा करते हुए—जटिल रासायनिक मॉडल के समान ही प्रदर्शन करती थी। इससे पता चला कि सरल परीक्षणों पर, मॉडल मुख्य रूप से यह सीख रहा था कि कौन सी दवाएं लोकप्रिय हैं, न कि वे कैसे परस्पर क्रिया करती हैं।

जब शोधकर्ता सख्त, लोकप्रियता-नियंत्रित परीक्षण पर पहुंचे, तो तस्वीर नाटकीय रूप से बदल गई। सरल नाम-आधारित प्रणाली ढह गई, और उसका प्रदर्शन यादृच्छिक अनुमान से बेहतर नहीं रहा, जिससे सिद्ध हुआ कि पिछला सफल प्रदर्शन वास्तव में एक शॉर्टकट था। रासायनिक मॉडल का प्रदर्शन भी गिरा, लेकिन वह पूरी तरह से विफल नहीं हुआ। यह लगभग साठ-दो प्रतिशत बार परस्पर क्रिया करने वाले और न करने वाले जोड़ों के बीच अंतर करने में सफल रहा। मॉडल तब और भी खराब प्रदर्शन करता है जब जोड़ी में दोनों दवाएं सिस्टम के लिए पूरी तरह से नई होती हैं, जिसे "कोल्ड स्टार्ट" कहा जाता है, जहाँ कंप्यूटर ने उनमें से किसी भी दवा को पहले कभी नहीं देखा होता। इस सबसे कठिन परीक्षण में, सटीकता गिरकर लगभग अट्ठावन प्रतिशत हो गई। हालांकि यह यादृच्छिक संभावना से बेहतर है, लेकिन यह नैदानिक उपयोग के लिए आवश्यक लगभग पूर्ण विश्वसनीयता से बहुत दूर है। शोधकर्ताओं ने यह भी पाया कि रासायनिक डेटा को कैसे संयोजित किया जाता है, यह उपयोग किए गए एल्गोरिदम के प्रकार से अधिक महत्वपूर्ण था। एक विशिष्ट विधि जिसने दो दवाओं को एक एकल, क्रम-स्वतंत्र इकाई के रूप में माना और उनके भौतिक गुणों को शामिल किया, वह केवल उनके रासायनिक कोडों को एक साथ चिपकाने की तुलना में काफी बेहतर काम करती थी।

अध्ययन निष्कर्ष निकालता है कि हालांकि संरचना-आधारित भविष्यवाणी आशाजनक है, लेकिन रासायनिक आकारों में छिपा संकेत पिछले अध्ययनों द्वारा सुझाए गए संकेत से बहुत कमजोर है। शोधकर्ताओं ने अपने अंतिम मॉडल का परीक्षण सिल्डिनाफिल (Sildenafil) और नाइट्रोग्लिसरीन (Nitroglycerin) के खतरनाक मिश्रण सहित दस प्रसिद्ध दवा संयोजनों पर किया। मॉडल इस विशिष्ट जोड़ी को खतरनाक के रूप में चिह्नित करने में विफल रहा, इसे "कोई परस्पर क्रिया अनुमानित नहीं" के रूप में स्कोर किया, जो एक महत्वपूर्ण सीमा को उजागर करता है: कंप्यूटर केवल अणुओं के आकार को देखता है, न कि जैविक तंत्रों को, जैसे कि वे रक्त वाहिकाओं या एंजाइमों को कैसे प्रभावित करते हैं, जो वास्तव में नुकसान पहुंचाते हैं। इस अनिश्चितता को दूर करने के लिए, टीम ने एक प्रोटोटाइप एप्लिकेशन बनाया जो केवल 'हाँ' या 'ना' में उत्तर नहीं देता है। इसके बजाय, यह तीन-स्तरीय आउटपुट प्रदान करता है: कोई परस्पर क्रिया नहीं होने का अनुमान, संभावित परस्पर क्रिया का अनुमान, और एक मध्य मार्ग जिसे "अनिश्चित" लेबल किया गया है। सिस्टम को तब निश्चित उत्तर देने से बचने के लिए डिज़ाइन किया गया है जब वह अनिश्चित हो, और उपयोगकर्ता को एक विश्वसनीय चिकित्सा संदर्भ देखने की सलाह देता है।

यह कार्य दवा सुरक्षा के क्षेत्र के लिए एक आवश्यक वास्तविकता की जाँच के रूप में कार्य करता है। यह प्रदर्शित करता है कि अतीत के कई उच्च-प्रदर्शन के दावे संभवतः दोषपूर्ण परीक्षण विधियों द्वारा बढ़ाकर दिखाए गए थे, जिन्होंने कंप्यूटर को डेटा आर्टिफैक्ट्स पर निर्भर होने की अनुमति दी। शोधकर्ताओं ने एक ठोस, ईमानदार आधार प्रदान किया है जिसे भविष्य के अधिक उन्नत मॉडलों को अपनी योग्यता सिद्ध करने के लिए हराना होगा। वे इस बात पर जोर देते हैं कि उनका उपकरण एक अनुसंधान प्रोटोटाइप है, न कि एक नैदानिक उपकरण, और इसका उपयोग अपने आप में चिकित्सा निर्णय लेने के लिए नहीं किया जाना चाहिए। आगे का रास्ता अधिक परिष्कृत मॉडलों का उपयोग करने में निहित है, जैसे कि वे जो जैविक अंतःक्रियाओं के संपूर्ण नेटवर्क को मैप करते हैं, और उन्हें इन्हीं सख्त नियंत्रणों के विरुद्ध परखना है। तब तक, रोगी सुरक्षा सुनिश्चित करने का सबसे विश्वसनीय तरीका डॉक्टरों का सावधानीपूर्ण निर्णय और वे क्यूरेटेड डेटाबेस हैं जिन पर वे भरोसा करते हैं, जिसमें कंप्यूटर एक सहायक, लेकिन सतर्क, दूसरे मत के रूप में कार्य करता है।