Knowledge Graph-Based Hypothesis Generation and Experimental Validation in Yeast
यह शोध पत्र *Saccharomyces cerevisiae* में जीन-केमिकल इंटरैक्शन को प्राथमिकता देने और प्रयोगात्मक रूप से मान्य करने के लिए एक पदानुक्रम-जागरूक ग्राफ न्यूरल नेटवर्क का उपयोग करते हुए एक नॉलेज ग्राफ-आधारित दृष्टिकोण प्रस्तुत करता है, जो सफलतापूर्वक दस समर्थित परिकल्पनाओं की पहचान करता है और समर्थित एवं असमर्थ निष्कर्षों दोनों को व्यवस्थित रूप से ट्रैक करने के लिए RIMBO ऑन्टोलॉजी का विस्तार करता 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
विज्ञान अक्सर एक विशाल जिग्सॉ पहेली को हल करने जैसा महसूस होता है जहाँ डिब्बे पर बनी तस्वीर गायब है, और टुकड़े हजारों अलग-अलग मेजों पर बिखरे हुए हैं। जीव विज्ञान में, ये टुकड़े जीवित चीजों के काम करने के तरीके के बारे में तथ्य हैं: कौन से जीन किन प्रोटीनों को नियंत्रित करते हैं, कोशिकाएं रसायनों के प्रति कैसे प्रतिक्रिया करती हैं, और क्या होता है जब कोशिका का एक विशिष्ट हिस्सा टूट जाता है। दशकों से, वैज्ञानिकों ने इन तथ्यों को विशाल डिजिटल पुस्तकालयों में एकत्र किया है, लेकिन सूचना की अत्यधिक मात्रा के कारण किसी भी मनुष्य के लिए हर टुकड़े को देखना और यह अनुमान लगाना लगभग असंभव है कि कौन से टुकड़े आपस में फिट बैठते हैं। यहीं पर "नॉलेज ग्राफ" (ज्ञान ग्राफ) का विचार आता है। एक विशाल, परस्पर जुड़े हुए जाल की कल्पना करें जहाँ प्रत्येक तथ्य एक बिंदु है, और तथ्यों के बीच प्रत्येक संबंध उन्हें जोड़ने वाली एक रेखा है। इस वेब के आकार का अध्ययन करने के लिए कंप्यूटर प्रोग्रामों का उपयोग करके, शोधकर्ता पैटर्न देख सकते हैं और भविष्यवाणी कर सकते हैं कि कौन से लापता कनेक्शन वास्तविक होने की सबसे अधिक संभावना रखते हैं, जिससे प्रभावी रूप से एक भी टेस्ट ट्यूब छूने से पहले नए प्रयोगों का सुझाव मिलता है।
यह दृष्टिकोण विशेष रूप से यह समझने के लिए महत्वपूर्ण है कि जीव तनाव (stress) से कैसे जीवित रहते हैं। यीस्ट (yeast), जो एक छोटा एकल-कोशिकीय कवक है, पृथ्वी पर सबसे अधिक अध्ययन किए जाने वाले जीवन रूपों में से एक है, जो यह समझने के लिए एक सरल मॉडल के रूप में कार्य करता है कि अधिक जटिल कोशिकाएं, जिनमें हमारी अपनी कोशिकाएं भी शामिल हैं, कैसे कार्य करती हैं। यीस्ट कोशिकाएं अपने वातावरण से निरंतर खतरों, जैसे कि जहरीले रसायन या अत्यधिक तापमान का सामना करती हैं। जब एक यीस्ट कोशिका सिरका या अल्कोहल जैसे तनाव कारक (stressor) का सामना करती है, तो वह जीवित रहने में मदद करने के लिए विशिष्ट जीनों पर निर्भर करती है। यदि कोई जीन जो इस रक्षा के लिए महत्वपूर्ण है, गायब या टूटा हुआ है, तो कोशिका को संघर्ष करना पड़ेगा। वैज्ञानिकों के लिए चुनौती यह पता लगाना है कि वास्तव में कौन से जीन कोशिका को विशिष्ट रसायनों के खिलाफ सुरक्षा प्रदान करते हैं। हजारों जीनों और सैकड़ों रसायनों के साथ, संभावित संयोजनों की संख्या खगोलीय है। हाथ से उन सभी का परीक्षण करने में एक जीवन बीत जाएगा।
इस समस्या से निपटने के लिए, स्वीडन के चाल्मर्स यूनिवर्सिटी ऑफ टेक्नोलॉजी और गोथेनबर्ग यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने एक ऐसी प्रणाली बनाई जो यीस्ट जीव विज्ञान के डिजिटल मानचित्र को स्वचालित प्रयोगशाला रोबोटों के साथ जोड़ती है। उनका लक्ष्य यह भविष्यवाणी करना था कि कौन से जीन यीस्ट को छह विशिष्ट रासायनिक तनावों के प्रति प्रतिरोध करने में मदद करते हैं: हाइड्रोजन पेरोक्साइड, ट्यूनिकमाइसिन (tunicamycin), कैफीन, सोडियम क्लोराइड, एसिटिक एसिड और इथेनॉल। उन्होंने एक कंप्यूटर प्रोग्राम में यीस्ट जीन, प्रोटीन और रासायनिक प्रतिक्रियाओं के बारे में सभी ज्ञात तथ्यों को एक नॉलेज ग्राफ में फीड करके शुरुआत की। यह ग्राफ एक विशाल डेटाबेस की तरह कार्य करता है जहाँ प्रत्येक जानकारी दूसरी चीज़ से जुड़ी होती है। फिर कंप्यूटर ने एक परिष्कृत प्रकार के कृत्रिम बुद्धिमत्ता (AI), जिसे 'ग्राफ न्यूरल नेटवर्क' कहा जाता है, का उपयोग करके इस संबंधों के जाल को समझने के लिए किया। नेटवर्क ने केवल तथ्यों को याद नहीं किया; इसने संबंधों की संरचना को समझना सीखा, और ज्ञात कनेक्शनों का उपयोग करके यह अनुमान लगाया कि कौन से अज्ञात कनेक्शन मौजूद होने की सबसे अधिक संभावना है। विशेष रूप से, इसने उन जीनों की तलाश की जिन्हें हटाने से यीस्ट अधिक संवेदनशील हो जाएगा।
कंप्यूटर ने सबसे आशाजनक अनुमानों की एक सूची तैयार की, और उन्हें उनकी सत्यता की संभावना के आधार पर रैंक किया। शोधकर्ताओं ने वास्तविक दुनिया में परीक्षण करने के लिए शीर्ष पैंतीस भविष्यवाणियों को चुना। इसमें छह रसायनों में से प्रत्येक के लिए पांच सर्वश्रेष्ठ अनुमान, और पांच अतिरिक्त अनुमान शामिल थे जिनमें वे जीन शामिल थे जो कम समझे जाते थे, यानी यीस्ट जीनोम के अज्ञात चर (variables)। इन विचारों का परीक्षण करने के लिए, उन्होंने 'ईव' (Eve) नामक एक स्वचालित प्रयोगशाला प्लेटफॉर्म का उपयोग किया। इस रोबोट सिस्टम ने पूरी प्रक्रिया को सटीकता के साथ संभाला, जिसमें हजारों यीस्ट कल्चर को छोटी कुओं (wells) में उगाया गया। रोबोट ने यीस्ट को विशिष्ट रसायनों के साथ मिलाया, चौबीस घंटों तक उनकी वृद्धि की निगरानी की, और डेटा रिकॉर्ड किया। यह निर्धारित करने के लिए कि उनके कंप्यूटर अनुमान सही थे या नहीं, टीम ने देखा कि उत्परिवर्तित (mutant) यीस्ट (जिसमें विशिष्ट जीन गायब है) और सामान्य यीस्ट की वृद्धि दर में क्या अंतर है।
परिणाम इस पद्धति की स्पष्ट सफलता थे। कंप्यूटर द्वारा उत्पन्न पैंतीस परिकल्पनाओं में से दस की प्रयोगों द्वारा पुष्टि की गई। इसका मतलब है कि दस विशिष्ट जीन-रसायन जोड़ों के लिए, कंप्यूटर ने सही भविष्यवाणी की कि जीन को हटाने से उस रसायन के संपर्क में आने पर यीस्ट काफी कमजोर हो जाएगा। सफलता दर रसायन के आधार पर भिन्न थी। हाइड्रोजन पेरोक्साइड के लिए, जो कोशिकाओं को नुकसान पहुँचाने वाला एक प्रतिक्रियाशील रसायन है, पांच में से चार शीर्ष भविष्यवाणियां सही थीं। कैफीन और एसिटिक एसिड के लिए, पांच में से दो की पुष्टि हुई। सोडियम क्लोराइड और ट्यूनिकमाइसिन के लिए, पांच में से एक की पुष्टि हुई। आश्चर्यजनक रूप से, इथेनॉल के लिए पांच में से एक भी भविष्यवाणी डेटा द्वारा समर्थित नहीं थी। सबसे दिलचस्प निष्कर्षों में से एक एक ऐसे जीन से संबंधित था जो पहले एक रहस्य था, जिसका कोई स्पष्ट कार्य निर्धारित नहीं था। कंप्यूटर ने भविष्यवाणी की थी कि यह अज्ञात जीन ट्यूनिकमाइसिन के प्रतिरोध के लिए महत्वपूर्ण है, और प्रयोग ने इसे सही साबित किया, जिससे दिखाया गया कि जीन गायब होने पर वृद्धि में महत्वपूर्ण गिरावट आती है। यह सुझाव देता है कि कंप्यूटर उन जीनों के लिए भी नए जैविक अंतर्दृष्टि खोज सकता है जिनके बारे में वैज्ञानिक बहुत कम जानते हैं।
अध्ययन ने यह भी खुलासा किया कि यीस्ट तनाव को कैसे संभालता है। जिन जीनों की पहचान कंप्यूटर ने सफलतापूर्वक की थी, वे अक्सर कोशिका की बाहरी परतों के निर्माण या रखरखाव और उसके आंतरिक परिवहन प्रणालियों से जुड़े थे। उदाहरण के लिए, एक मजबूत निष्कर्ष GET2 नामक जीन से संबंधित था, जो कोशिका की आंतरिक झिल्ली में प्रोटीन डालने में मदद करता है। जब इस जीन को हटा दिया गया, तो यीस्ट की हाइड्रोजन पेरोक्साइड तनाव के तहत बढ़ने की क्षमता में 83.4% की भारी गिरावट आई। एक अन्य सफल भविष्यवाणी CAX4 नामक जीन से संबंधित थी, जो प्रोटीन से जुड़े शर्करा को संसाधित करने में मदद करता है। जब यह जीन गायब था, तो यीस्ट ने कैफीन तनाव के तहत काफी संघर्ष किया, जिससे फिटनेस में 44% की गिरावट आई। ये परिणाम बताते हैं कि कोशिका की आंतरिक संरचना और सामग्री के परिवहन का प्रबंधन करने की क्षमता रासायनिक हमलों से बचने के लिए महत्वपूर्ण है। हालाँकि, शोधकर्ताओं ने नोट किया कि कंप्यूटर के कॉन्फिडेंस स्कोर वास्तविक दुनिया के परिणामों से पूरी तरह मेल नहीं खाते थे। जबकि कंप्यूटर ने कई भविष्यवाणियों को उच्च स्कोर दिया, शीर्ष अनुमानों में से केवल लगभग 30% ही लक्षित रसायनों के लिए सही साबित हुए। यह इंगित करता है कि हालांकि यह प्रणाली संभावनाओं को सीमित करने में अच्छी है, लेकिन यह अभी तक पूर्ण निश्चितता के साथ परिणाम की भविष्यवाणी नहीं कर सकती है।
यह सुनिश्चित करने के लिए कि यह नया ज्ञान संरक्षित रहे और भविष्य के वैज्ञानिकों के लिए उपयोगी हो, टीम ने पूरी प्रक्रिया को रिकॉर्ड करने का एक तरीका विकसित किया, जिसमें सफलता और विफलता दोनों शामिल हैं। उन्होंने 'रिमबो' (RIMBO) नामक एक डिजिटल ढांचे का विस्तार किया, जिसे समय के साथ वैज्ञानिक मॉडलों के परिवर्तन को ट्रैक करने के लिए डिज़ाइन किया गया है। इस प्रणाली में, प्रत्येक प्रयोग को उसके साक्ष्य के साथ लॉग किया जाता है। यदि किसी परिकल्पना का समर्थन किया गया, तो नया संबंध डिजिटल नॉलेज ग्राफ में जोड़ दिया जाता है। यदि किसी परिकल्पना का समर्थन नहीं किया गया, तो उसे फेंका नहीं जाता है; इसके बजाय, इसे सभी डेटा के साथ एक विफल प्रयास के रूप में रिकॉर्ड किया जाता है। यह खोज के एक पारदर्शी इतिहास का निर्माण करता है, जिससे भविष्य के शोधकर्ता न केवल यह देख सकते हैं कि क्या ज्ञात है, बल्कि यह भी कि क्या परीक्षण किया गया और खारिज कर दिया गया। यह दृष्टिकोण वैज्ञानिक प्रक्रिया को एक निरंतर लूप में बदल देता है: कंप्यूटर एक अनुमान लगाता है, रोबोट उसका परीक्षण करता है, परिणाम रिकॉर्ड किए जाते हैं, और अपडेट किया गया ज्ञान बेहतर अनुमान लगाने के लिए वापस सिस्टम में फीड किया जाता है।
यह अध्ययन प्रदर्शित करता है कि कृत्रिम बुद्धिमत्ता को स्वचालित प्रयोगों के साथ जोड़ना जीव विज्ञान की जटिलता को समझने का एक शक्तिशाली तरीका है। नॉलेज ग्राफ का उपयोग करके यह प्राथमिकता देने के बाद कि कौन से प्रयोग किए जाने चाहिए, वैज्ञानिक अपने प्रयासों को सबसे आशाजनक दिशाओं में केंद्रित कर सकते हैं, जिससे समय और संसाधनों की बचत होती है। हालांकि यह प्रणाली पूर्ण नहीं है और इसमें अभी भी मानवीय निरीक्षण और आगे की जांच की आवश्यकता है, इसने सफलतापूर्वक उन नए संबंधों की पहचान की है जो पहले अज्ञात थे। यह कार्य इस बात पर प्रकाश डालता है कि जीव विज्ञान जैसे जटिल क्षेत्र में भी, संरचित डेटा और मशीन लर्निंग खोज का मार्गदर्शन कर सकते हैं, जिससे तथ्यों के ढेर को जीवन के आंतरिक कामकाज के एक सुलभ मानचित्र में बदला जा सकता है। शोधकर्ता इन निष्कर्षों का उपयोग भविष्य में इन समर्थित अंतःक्रियाओं का पता लगाने के लिए करने की योजना बना रहे हैं, जिससे यह समझा जा सके कि वास्तव में ये जीन कोशिका की रक्षा कैसे करते हैं। फिलहाल, यह अध्ययन एक प्रमाण के रूप में खड़ा है कि कंप्यूटर वैज्ञानिकों को सही प्रश्न पूछने में मदद कर सकते हैं, भले ही उत्तरों के लिए अभी भी प्रयोगशाला के सावधानीपूर्ण स्पर्श की आवश्यकता हो।
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।