Revisiting Xia's Index of Substitution Saturation, Part II: Iss.c is a power boundary, not a saturation threshold

जीवन के विशाल पुस्तकालय में, डीएनए अनुक्रम वे पृष्ठ हैं जो यह बताते हैं कि प्रजातियां एक-दूसरे से कैसे संबंधित हैं। वैज्ञानिक इन पृष्ठों को पढ़कर वंशावली वृक्ष (फैमिली ट्री) बनाते हैं, जो मनुष्यों को चिंपांजी से, पक्षियों को डायनासोर से, और बैक्टीरिया को एक-दूसरे से जोड़ते हैं। लेकिन लाखों वर्षों में, इन जेनेटिक कोड के अक्षर बदल जाते हैं। कभी-कभी, एक अक्षर इतनी बार बदल जाता है कि यह बताना असंभव हो जाता है कि वह मूल रूप से क्या था। इसे 'प्रतिस्थापन संतृप्ति' (substitution saturation) कहा जाता है। कल्पना कीजिए कि एक शब्द को इतनी बार फिर से लिखा गया है कि उसकी मूल वर्तनी खो गई है; आनुवंशिकी में, जब बहुत अधिक परिवर्तन जमा हो जाते हैं, तो वास्तविक वंशावली वृक्ष का संकेत शोर (noise) में दब जाता है। दशकों से, शोधकर्ता एक विशिष्ट गणितीय जांच पर भरोसा करते रहे हैं, जिसे एक 'इंडेक्स' (सूचकांक) के रूप में जाना जाता है, ताकि यह तय किया जा सके कि क्या कोई डीएनए अनुक्रम इतना संतृप्त हो गया है कि वह उपयोगी न रहे। यदि यह जांच कहती है कि डेटा बहुत अधिक शोर भरा है, तो वैज्ञानिक उसे हटा देते हैं, इस उम्मीद में कि बिखरे हुए हिस्सों को हटाकर वे विकास की स्पष्ट तस्वीर को अधिक आसानी से देख पाएंगे।

डोंगहुआ विश्वविद्यालय के एक शोधकर्ता, झी-जी एक्सु (Zhi-Jie Xu) ने इस लंबे समय से चले आ रहे नियम पर एक नया दृष्टिकोण अपनाया है। बीस हजार सिम्युलेटेड डीएनए खंडों वाले एक विशाल अध्ययन में, एक्सु ने पाया कि वैज्ञानिक जिस नियम का उपयोग कर रहे हैं, वह वास्तव में वह नहीं माप रहा है जिसका वह दावा करता है। इंडेक्स को यह पता लगाने के लिए डिज़ाइन किया गया था कि क्या कोई अनुक्रम इतना संतृप्त हो गया है कि उससे सही वंशावली वृक्ष को पुनः प्राप्त करना संभव नहीं है। हालांकि, अध्ययन से पता चलता है कि इंडेक्स सबसे महत्वपूर्ण कारक को पहचानने में अंधा है: स्वयं वंशावली वृक्ष का वास्तविक आकार। शोधकर्ताओं ने पाया कि आपके पास डीएनए डेटा के दो ऐसे सेट हो सकते हैं जो इंडेक्स के लिए समान दिखते हों, फिर भी एक सेट वंशावली वृक्ष को पूरी तरह से प्रकट कर सकता है जबकि दूसरा कुछ भी प्रकट नहीं करता। इंडेक्स उस डेटा को फेंकने का निर्णय लेने के लिए एक विश्वसनीय द्वारपाल नहीं है जिसे हटाया जाना चाहिए।

समस्या का मूल कारण यह है कि इंडेक्स कैसे व्यवहार करता है। अध्ययन दर्शाता है कि इंडेक्स डेटा में होने वाले औसत परिवर्तन का एक माप है, लेकिन इसे इस बात की परवाह नहीं है कि वह परिवर्तन कैसे व्यवस्थित है। इसे सिद्ध करने के लिए, शोधकर्ताओं ने अनुक्रम के प्रत्येक कॉलम के भीतर जेनेटिक डेटा को शफल (shuffle) करने वाला एक परिदृश्य बनाया। इस शफलिंग ने वं近期 वृक्ष को पुनर्गठित करने की क्षमता को नष्ट कर दिया, जिससे सही वृक्ष खोजने की सफलता दर लगभग पूर्ण से गिरकर एक रैंडम अनुमान तक पहुँच गई। फिर भी, इंडेक्स बिल्कुल वैसा ही रहा, जिसमें एक सूक्ष्म अंश का भी बदलाव नहीं आया। यह ऐसा था जैसे एक थर्मामीटर जमने वाली झील और उबलते हुए बर्तन दोनों के लिए एक ही रीडिंग दे रहा हो। यह सिद्ध करता है कि इंडेक्स उस विशिष्ट मात्रा को नहीं माप रहा है जो यह निर्धारित करती है कि क्या एक वृक्ष को पुनः प्राप्त किया जा सकता है।

इसके अलावा, अध्ययन से पता चलता है कि डेटा "संतृप्त" है या नहीं, यह तय करने के लिए उपयोग किया जाने वाला थ्रेशोल्ड (सीमा) कोई निश्चित संख्या नहीं है। यह डीएनए अनुक्रम की लंबाई और अध्ययन किए जा रहे वंशावली वृक्ष के विशिष्ट आकार के आधार पर बदल जाता है। शोधकर्ताओं ने पाया कि डेटा की मात्रा और वृक्ष खोजने की क्षमता के बीच का संबंध एक सरल, सार्वभौमिक नियम नहीं है। इसके बजाय, यह वृक्ष की शाखाओं की ज्यामिति के आधार पर बदलने वाला एक जटिल संतुलन है। कुछ वृक्ष आकारों में, थोड़े से परिवर्तन के साथ ही डेटा को पढ़ना बहुत कठिन हो जाता है, जबकि अन्य में, भारी मात्रा में परिवर्तन के बाद भी यह पठनीय रहता है। पुराने टेबल जिनका उपयोग वैज्ञानिक अपनी सीमाएं निर्धारित करने के लिए करते हैं, इस भिन्नता को ध्यान में नहीं रखते, जिससे अक्सर मनमाने निर्णय लिए जाते हैं।

एक वास्तविक संदर्भ में इन निष्कर्षों का परीक्षण करने के लिए, शोधकर्ताओं ने सोलह विभिन्न प्रजातियों वाले एक बड़े जीनोम का सिमुलेशन किया। उन्होंने इस जीनोम को छोटे टुकड़ों में विभाजित किया और उन्हें इंडेक्स के स्कोर के आधार पर वर्गीकृत किया। फिर उन्होंने केवल उन टुकड़ों का उपयोग करके वंशावली वृक्ष को फिर से बनाने की कोशिश की जिन्हें इंडेक्स ने "साफ" (clean) बताया था बनाम उन टुकड़ों को जिन्हें "संतृप्त" (saturated) बताया गया था। परिणाम आश्चर्यजनक था। आधुनिक जीनोमिक डेटा के पैमाने पर, जिसमें हजारों बेस पेयर्स शामिल हैं, जिन टुकड़ों को इंडेक्स ने खारिज कर दिया था, वे उन टुकड़ों के समान ही अच्छे थे जिन्हें उसने रखा था। इंडेक्स रेत पर एक ऐसी रेखा खींच रहा था जहाँ पानी अभी भी उथला था। वह डेटा जिसे उसने वैज्ञानिकों को त्यागने के लिए कहा, वास्तव में अनुपयोगी नहीं था; वह केवल एक ऐसे ग्रेडिएंट का हिस्सा था जिसे इंडेक्स सही ढंग से मापने में विफल रहा।

अध्ययन ने एक विशिष्ट पद्धति का भी परीक्षण किया जिसे उन कठिन वंशावली वृक्षों को संभालने के लिए डिज़ाइन किया गया है जहाँ लंबी शाखाएं एक-दूसरे को आकर्षित करती हैं, जो विकासात्मक जीव विज्ञान में एक सामान्य समस्या है। शोधकर्ताओं ने पाया कि इस पद्धति को इंडेक्स की छंटनी से कोई लाभ नहीं हुआ। वास्तव में, जब डेटा छोटा और संतृप्त था, तो मानक पद्धति विशेष पद्धति से बेहतर प्रदर्शन कर रही थी। यह सुझाव देता है कि विशेष पद्धति संतृप्ति से उत्पन्न समस्या को ठीक नहीं कर रही थी, बल्कि इसके विपरीत, छंटनी की प्रक्रिया उपयोगी जानकारी को हटा रही थी। विशेष पद्धति को एक विशिष्ट प्रकार की त्रुटि को सुधारने के लिए डिज़ाइन किया गया था, लेकिन अध्ययन ने दिखाया कि परीक्षण किए गए डेटा के संदर्भ में, वह त्रुटि मौजूद नहीं थी, और फिल्टर ने केवल उस डेटा को फेंक दिया जो मदद कर सकता था।

अंततः, पेपर यह निष्कर्ष निकालता है कि इंडेक्स संतृप्ति के लिए एक थ्रेशोल्ड नहीं है, बल्कि सांख्यिकीय शक्ति (statistical power) की एक सीमा है। यह हमें बताता है कि एक विशिष्ट पहेली को हल करने के लिए कितने डेटा की आवश्यकता है, लेकिन यह हमें यह नहीं बताता कि पहेली के टुकड़े टूटे हुए हैं या नहीं। शोधकर्ता तर्क देते हैं कि वैज्ञानिकों को डेटा को हटाने के लिए इस इंडेक्स को एक सख्त नियम के रूप में उपयोग करना बंद कर देना चाहिए। इसके बजाय, उन्हें यह पहचानना चाहिए कि वंशावली वृक्ष को पुनः प्राप्त करने की क्षमता शाखाओं के विशिष्ट विन्यास और उपलब्ध डेटा की कुल मात्रा पर निर्भर करती है। अध्ययन हमें इन सीमाओं को समझने का एक अधिक सटीक तरीका प्रदान करता है, यह दिखाते हुए कि एक समाधान योग्य वृक्ष और एक समाधान अयोग्य वृक्ष के बीच की सीमा एक निश्चित रेखा नहीं है, बल्कि एक गतिशील लक्ष्य है जो अध्ययन किए जा रहे विकासवादी इतिहास की अनूठी ज्यामिति पर निर्भर करता है।

इसके निहितार्थ क्षेत्र के लिए महत्वपूर्ण हैं। वर्षों से, शोधकर्ता अपने जेनेटिक डेटा के हिस्सों को इसलिए हटा रहे थे क्योंकि एक इंडेक्स ने उन्हें बताया था कि वह बहुत शोर भरा है। यह अध्ययन बताता है कि कई मामलों में, वह डेटा शोर भरा नहीं था, बल्कि एक जटिल पैटर्न का हिस्सा था जिसे इंडेक्स देख नहीं सका। इस डेटा को रखकर, वैज्ञानिक उन वंशावली वृक्षों को भी सुलझा सकते हैं जिन्हें पहले सुलझाना बहुत कठिन माना जाता था। यह कार्य यह नहीं कहता कि संतृप्ति एक समस्या नहीं है; यह कहता है कि इसे पहचानने के लिए उपयोग किया जाने वाला उपकरण दोषपूर्ण है। शोधकर्ताओं ने समस्या को देखने का एक नया तरीका प्रदान किया है, जो वास्तविक दूरी पर केंद्रित है—वास्तविक वंशावली वृक्ष और एक रैंडम अनुमान के बीच की दूरी पर, न कि परिवर्तनों के एक साधारण औसत पर। दृष्टिकोण में यह बदलाव हमें यह अधिक सटीक मूल्यांकन करने की अनुमति देता है कि डेटा हमें जीवन के इतिहास के बारे में क्या और कितना बता सकता है।

अंत में, अध्ययन एक स्पष्ट मार्ग प्रदान करता है। यह एक कठोर नियम के स्थान पर डेटा, वृक्ष के आकार और लंबाई के बीच परस्पर क्रिया की एक सूक्ष्म समझ को स्थापित करता है। शोधकर्ताओं ने दिखाया है कि यह तय करने के लिए कि डेटा उपयोगी है या नहीं, कोई एक संख्या नहीं है जो सभी पर लागू होती हो। यह एक ऐसा मान है जो अध्ययन की विशिष्ट परिस्थितियों के साथ बदलता है। इसका अर्थ यह है कि वैज्ञानिकों को अपने डेटा की व्याख्या करने में अधिक सावधान रहना चाहिए, सरल थ्रेशोल्ड से परे जाकर उन गहरे संरचनाओं को समझना चाहिए जिन्हें वे पकड़ने का प्रयास कर रहे हैं। यह कार्य एक व्यापक रूप से उपयोग की जाने वाली पद्धति के सुधार के रूप में खड़ा है, जो यह सुनिश्चित करता है कि विकासात्मक जीव विज्ञान के उपकरण उतने ही सटीक हों जितने कि वे प्रश्न जिनका वे उत्तर खोजने का प्रयास करते हैं।