BioGCN: Biologically Inspired Graph Convolutional Network to Predict Human Oral Bioavailability
यह शोध पत्र BioGCN को प्रस्तुत करता है, जो एक जैविक रूप से प्रेरित ग्राफ कन्वोल्यूशनल नेटवर्क (Graph Convolutional Network) है जो मानव मौखिक जैव उपलब्धता (human oral bioavailability) की भविष्यवाणी करने की सटीकता को पारंपरिक मशीन लर्निंग विधियों और मौजूदा मॉडलों की तुलना में महत्वपूर्ण रूप से सुधारने के लिए डोमेन ज्ञान के रूप में ATC कोड को एकीकृत करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन आपके अपराध स्थल के रूप में कोई अपराध स्थल नहीं, बल्कि मानव शरीर है। रहस्य क्या है? क्यों कुछ दवाएं उन्हें निगलते ही जादू की तरह काम करती हैं, जबकि अन्य बस आपके पेट में पड़ी रहती हैं और बिना कुछ किए गायब हो जाती हैं? यह ड्रग डिस्कवरी (दवा खोज) की दुनिया है, जहाँ वैज्ञानिक एक रासायनिक विचार को जीवन बचाने वाली गोली में बदलने के लिए अरबों डॉलर और एक दशक से अधिक समय खर्च करते हैं। सबसे बड़ी बाधा केवल एक ऐसा अणु (मॉलिक्यूल) खोजना नहीं है जो किसी वायरस को मार सके या ट्यूमर को रोक सके; बल्कि यह सुनिश्चित करना है कि वह अणु आपके पाचन तंत्र के माध्यम से आपके रक्तप्रवाह तक पहुँचने के सफर में जीवित रह सके। इस यात्रा को "ओरल बायोअवेलेबिलिटी" (मौखिक जैव उपलब्धता) कहा जाता है। इसे एक मैराथन धावक की तरह समझें: सिर्फ इसलिए कि एक धावक तेज़ है, इसका मतलब यह नहीं है कि वह दौड़ पूरी कर पाएगा यदि वह किसी बाधा से टकराकर गिर जाता है या रास्ता भटक जाता है। दवा की दुनिया में, यदि कोई अणु लीवर और आंतों के "फर्स्ट पास" (प्रथम पारगमन) में जीवित नहीं रह पाता है, तो वह विफल है, चाहे वह टेस्ट ट्यूब में कितना भी शक्तिशाली क्यों न दिखे।
लंबे समय तक, वैज्ञानिकों ने एक "चेकलिस्ट" का उपयोग करके इस यात्रा का अनुमान लगाने की कोशिश की, जैसे कोई मैकेनिक कार के पुर्जों की सूची देखकर यह अनुमान लगाता है कि कार कैसे चलेगी। लेकिन यह धीमा है, इसमें बहुत अधिक विशेषज्ञ अनुमान की आवश्यकता होती है, और यह अक्सर बड़ी तस्वीर को समझने में चूक जाता है। हाल ही में, एक नया प्रकार का AI जिसे "ग्राफ कन्वोल्यूशनल नेटवर्क" (GCN) कहा जाता है, दृश्य में आया है। एक GCN को चेकलिस्ट के रूप में नहीं, बल्कि एक मानचित्र (मैप) के रूप में देखें। यह पूरे अणु को परमाणुओं के एक जुड़े हुए जाल (जैसे सड़कों और चौराहों वाला एक शहर का नक्शा) के रूप में देखता है और सीखता है कि इसमें ट्रैफ़िक कैसे बहता है। यह शोध पत्र इस मानचित्र-पाठक के एक नए, अत्यंत स्मार्ट संस्करण को पेश करता है जिसे BioGCN कहा जाता है। यह "बायोलॉजिकली इंस्पायर्ड" (जैविक रूप से प्रेरित) है क्योंकि यह केवल मानचित्र को नहीं देखता; बल्कि यह इलाके को बेहतर ढंगм समझने के लिए दवाओं की श्रेणियों की एक "गाइडबुक" भी साथ लाता है।
शोधकर्ताओं ने, जो भारतीय सांख्यिकीय संस्थान की एक टीम है, यह देखना चाहा कि क्या इस गाइडबुक को जोड़ने से AI एक बेहतर जासूस बन सकता है। उन्होंने BioGCN को यह अनुमान लगाने के लिए बनाया कि क्या कोई दवा उच्च या निम्न बायोअवेलेबिलिटी रखेगी। ऐसा करने के लिए, उन्होंने AI को सीखने के लिए 1,480 ज्ञात दवाओं की एक विशाल लाइब्रेरी दी। लेकिन यहाँ एक मोड़ है: उन्होंने AI को दो अलग-अलग प्रकार की जानकारी दी। पहला केवल कच्चा रासायनिक मानचित्र (परमाणुओं की संरचना) था। दूसरा वह कच्चा मानचित्र प्लस एक विशेष कोड था जिसे ATC कोड कहा जाता है। ATC कोड को दवाओं के लिए लाइब्रेरी के "ड्यूई डेसिमल सिस्टम" की तरह समझें; यह आपको सटीक रूप से बताता है कि वह दवा वास्तव में क्या करने के लिए है और वह शरीर के किस हिस्से को लक्षित करती है। टीम का बड़ा विचार यह था कि एक ही "लाइब्रेरी सेक्शन" (समान ATC कोड) की दवाएं संभवतः शरीर के माध्यम से यात्रा करने के बारे में समान रहस्य साझा करती हैं।
जब उन्होंने BioGCN को परीक्षण के लिए रखा, तो परिणाम उत्साहजनक थे। AI, जो रासायनिक मानचित्र और लाइब्रेरी गाइडबुक दोनों से लैस था, ने नई दवाओं की सफलता का अनुमान लगाने में लगभग 65.83% से 76.5% की सटीकता दिखाई। जब उन्होंने पूरी तरह से नई, अनदेखी दवाओं (288 और 45 का एक समूह) पर इसका परीक्षण किया, तो इसने प्रभावशाली प्रदर्शन किया, जो विशिष्ट परिदृश्यों के आधार पर 53.82% और 77.78% के बीच सटीकता दर तक पहुँचा। अध्ययन से पता चलता है कि यह दृष्टिकोण पुराने तरीकों से बेहतर है जो केवल रासायनिक मानचित्र या पारंपरिक कंप्यूटर मॉडल पर निर्भर थे। वास्तव में, "HOBPre" या "Deep-PK" जैसे अन्य शीर्ष-स्तरीय मॉडलों की तुलना में, BioGemann लगभग हर श्रेणी में शीर्ष पर रहा, जिसमें सफल और विफल दवाओं के बीच अंतर करने की क्षमता भी शामिल है।
टीम ने यह भी जांचा कि क्या उनका मॉडल केवल उत्तरों को रट रहा था या वास्तव में सीख रहा था। उन्होंने "क्रॉस-वैलिडेशन" नामक एक तकनीक का उपयोग किया, जो एक टेस्ट लेने, उसे ग्रेड देने और फिर यह देखने के लिए एक अलग संस्करण लेने जैसा है कि क्या आपने वास्तव में सामग्री को समझा है। परिणामों ने सुझाव दिया कि BioGCN ने अच्छी तरह से सामान्यीकरण (जनरलाइज) किया, जिसका अर्थ है कि यह बिना भ्रमित हुए नई, अनदेखी दवाओं को संभाल सकता है। उन्होंने डेटा को व्यवस्थित करने के दो तरीकों की भी तुलना की: एक जिसमें केवल रासायनिक विशेषताएं (FM) थीं और एक जिसमें रासायनिक विशेषताएं प्लस ATC गाइडबुक (CFM) थी। डेटा ने दिखाया कि गाइडबुक वाला संस्करण (CFM) लगातार बेहतर प्रदर्शन करता रहा, जिससे पता चलता है कि किसी दवा के "परिवार" को जानना वास्तव में शरीर के माध्यम से उसकी यात्रा की भविष्यवाणी करने में मदद करता है।
हालांतु, पेपर सावधानी बरतता है कि इसे कोई जादुई समाधान (मैजिक बुलेट) न कहा जाए। लेखक नोट करते हैं कि हालांकि मॉडल एक महत्वपूर्ण कदम है, फिर भी इसे चुनौतियों का सामना करना पड़ता है, विशेष रूप से वास्तविक दुनिया के असंतुलित डेटा के साथ। उन्होंने पाया कि मॉडल का प्रदर्शन इस बात पर निर्भर करता है कि वे डेटा को कैसे संभालते हैं (उदाहरण के लिए, सफल बनाम विफल दवाओं की संख्या को संतुलित करने के लिए "SMOTE" जैसी तकनीक का उपयोग करना)। हालांकि BioGCN ने अन्य तरीकों से बेहतर प्रदर्शन किया, लेकिन टेस्ट सेट्स पर सटीकता एकदम सटीक नहीं थी, जो सर्वोत्तम मामलों में भी लगभग 77% के आसपास रही। यह सुझाव देता है कि हालांकि "बायोलॉजिकली इंस्पायर्ड" दृष्टिकोण एक शक्तिशाली उपकरण है, फिर भी भविष्यवाणियों को त्रुटिहीन बनाने के लिए अभी भी काम किया जाना बाकी है। अध्ययन निष्कर्ष निकालता है कि एक अणु के संरचनात्मक मानचित्र को उसके जैविक वर्गीकरण के साथ जोड़कर, हम स्मार्ट उपकरण बना सकते हैं जो दवा डेवलपर्स को यह तय करने में मदद करें कि किन उम्मीदवारों में फार्मेसी की शेल्फ तक लाने के लिए लाखों डॉलर और वर्षों के समय की आवश्यकता 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।