Unifying Disjoint Phenotypic Contexts: A Multimodal Soft Contrastive Approach to Identify DILI Activity Cliffs
यह शोध पत्र BioMol को प्रस्तुत करता है, जो एक मल्टीमॉडल फ्रेमवर्क है जो पारंपरिक विधियों की सीमाओं को दूर करने और ड्रग-इंड्यूस्ड लिवर इंजरी (DILI) एक्टिविटी क्लिफ्स की पहचान में महत्वपूर्ण सुधार करने के लिए एक सॉफ्ट कॉन्ट्रास्टिव ऑब्जेक्टिव का उपयोग करके विलगित फेनोटाइपिक डेटासेट्स को आणविक संरचनाओं के साथ एकीकृत 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
दवा की खोज (ड्रग डिस्कवरी) की उच्च-दांव वाली दुनिया में, एक रासायनिक विचार से जीवन रक्षक औषधि तक का मार्ग एक एकल, भयानक बाधा से भरा है: विषाक्तता। एक दवा टेस्ट ट्यूब में एकदम सटीक लग सकती है, अपने लक्ष्य से सटीकता से जुड़ सकती है, लेकिन जब वह मानव यकृत (लीवर) तक पहुँचती है, तो वह विनाशकारी रूप से विफल हो सकती है। यह ड्रग-इंड्यूस्ड लिवर इंजरी (दवा-प्रेरित यकृत क्षति) का क्षेत्र है, जो एक प्रमुख कारण है कि क्यों आशाजनक दवाओं को बाजार से वापस ले लिया जाता है या वे मरीजों तक पहुँच ही नहीं पातीं। चुनौती केवल यह नहीं है कि दवाएं विषाक्त हो सकती हैं, बल्कि यह है कि वे भ्रामक रूप से समान हो सकती हैं। वैज्ञानिक अक्सर "एक्टिविटी क्लिफ्स" (activity cliffs) का सामना करते हैं, जो एक ऐसी घटना है जहाँ दो अणु अपनी रासायनिक संरचना में लगभग समान दिखते हैं, फिर भी एक सुरक्षित उपचार होता है जबकि उसका जुड़वां गंभीर यकृत क्षति का कारण बनता है। इन रसायनों के विश्लेषण के पारंपरिक तरीके उनकी संरचनात्मक आकृतियों के मानचित्रण पर निर्भर करते हैं, लेकिन जब आकृतियाँ लगभग एक जैसी होती हैं, तो ये मानचित्र सुरक्षित और खतरनाक के बीच अंतर करने में विफल रहते हैं। इसे हल करने के लिए, शोधकर्ताओं ने रासायनिक संरचना से परे देखना शुरू कर दिया है, और इसके बजाय उन जैविक निशानों (बायोलॉजिकल फिंगरप्रिंट्स) की ओर मुड़ गए हैं जो दवाएं पीछे छोड़ देती हैं: वे परिवर्तन जो कोशिकाएं कैसी दिखती हैं और उनके जीन कैसे व्यवहार करते हैं, इसमें लाती हैं।
आल्टो यूनिवर्सिटी और एलिस इंस्टीट्यूट फिनलैंड (ELLIS Institute Finland) के शोधकर्ताओं की एक टीम ने इन खतरनाक ढलानों (क्लिफ्स) से निपटने के लिए एक नया दृष्टिकोण विकसित किया है, जिसमें उन्होंने एक प्रणाली पेश की है जिसे वे बायोएक्समोल (BioXMol) कहते हैं। उनका कार्य इस बात में एक महत्वपूर्ण अंतर को संबोधित करता है कि कंप्यूटर दवा सुरक्षा की भविष्यवाणी करना कैसे सीखते हैं। हालांकि रासायनिक डेटा को जैविक अवलोकनों के साथ मिलाने के पिछले प्रयास मौजूद थे, लेकिन वे दो प्रमुख खामियों से बाधित थे। पहला, उन्हें हर एक दवा का हर प्रकार के जैविक प्रयोग में परीक्षण किया जाना आवश्यक था, जो एक ऐसी स्थिति है जो वास्तविक दुनिया में शायद ही कभी पूरी होती है जहाँ विभिन्न शोध समूह रसायनों के विभिन्न सेटों के लिए अलग-तले प्रकार के डेटा उत्पन्न करते हैं। दूसरा, और अधिक सूक्ष्म रूप से, उन्होंने सभी गैर-मिलान वाली दवाओं को एक-दूसरे से समान रूप से भिन्न माना। इस धारणा ने जैविक वास्तविकता की अनदेखी की कि दो अलग-अलग दवाएं अभी भी कोशिका में समान प्रतिक्रियाएं उत्पन्न कर सकती हैं, और उन्हें इस तरह दंडित करना कि वे पूरी तरह से असंबंधित थीं, कंप्यूटर की समझ को विकृत कर दिया।
शोधकर्ताओं ने इन समस्याओं को हल करने के लिए एक ऐसा ढांचा बनाया जो डेटा के विलगित (disjoint) सेटों से सीख सकता है। उन्होंने आणविक संरचनाओं को दो विशाल, स्वतंत्र सार्वजनिक डेटासेट के साथ जोड़ा: एक जिसमें हजारों अलग-अलग यौगिकों के संपर्क में आने पर कोशिकाओं के आकार में होने वाले परिवर्तनों की विस्तृत छवियां शामिल हैं, और दूसरा जिसमें जीन एक्सप्रेशन प्रोफाइल शामिल हैं जो दिखाते हैं कि हजारों अन्य यौगिक कोशिकीय गतिविधि को कैसे बदलते हैं। महत्वपूर्ण रूप से, इन दोनों डेटासेट में एक ही यौगिक साझा नहीं थे। एक पूर्ण ओवरलैप की प्रतीक्षा करने के बजाय, नई प्रणाली ने दोनों प्रकार के जैविक डेटा को रासायनिक संरचनाओं से जोड़ दिया, जिससे यह सभी उपलब्ध जानकारी के मिलन से सीख सके। इसका अर्थ यह था कि कंप्यूटर एक दवा के आकार और उसके जैविक प्रभावों के बीच के संबंध को सीख सकता था, भले ही किसी एक दवा का इमेजिंग और जीन-एक्सप्रेशन प्रयोगों दोनों में परीक्षण न किया गया हो।
इस सीखने को परिष्कृत करने के लिए, टीम ने वस्तुओं को अलग करने के लिए कंप्यूटर को सिखाने के मानक "हार्ड" (hard) तरीके के स्थान पर एक "सॉफ्ट" (soft) दृष्टिकोण अपनाया। एक विशिष्ट प्रशिक्षण सत्र में, कंप्यूटर को बताया जाता है कि यदि दो वस्तुएं मेल नहीं खाती हैं, तो वे पूरी तरह से भिन्न हैं। हालाँकि, नया तरीका अधिक सूक्ष्म रणनीति का उपयोग करता है। यह पहचानता है कि भले ही दो दवाएं एक जैसी न हों, लेकिन वे जैविक रूप से समान हो सकती हैं। एक मोमेंटम-आधारित प्रणाली का उपयोग करते हुए जो एक स्थिर मार्गदर्शक के रूप में कार्य करती है, मॉडल दवाओं के बीच के अंतर को उनके वास्तविक जैविक साम्य के आधार पर तौलता है। यदि दो अलग-अलग दवाएं कोशिका में समान परिवर्तन लाती हैं, तो सिस्टम उन्हें दो दवाओं की तुलना में कम भिन्न मानता है जो पूरी तरह से विपरीत प्रभाव डालती हैं। यह "समान" और "भिन्न" के बीच एक बाइनरी विकल्प थोपने के बजाय, जैविक प्रतिक्रिया के निरंतर ग्रेडिएंट्स को संरक्षित करता है।
जब शोधकर्ताओं ने अपने सिस्टम का परीक्षण ज्ञात एक्टिविटी क्लिफ्स के एक सेट पर किया—जो संरचनात्मक रूप से समान दवाओं के जोड़े हैं जिनके यकृत विषाक्तता के परिणाम विपरीत हैं—तो परिणाम आश्चर्यजनक थे। नए सॉफ्ट-कॉन्ट्रास्टिव दृष्टिकोण ने 80.7% मामलों में विषाक्त दवा को सुरक्षित दवा की तुलना में अधिक खतरनाक के रूप में सही ढंग से रैंक किया। इसके विपरीत, उसी सिस्टम का एक संस्करण जिसे पारंपरिक "हार्ड" पद्धति के साथ प्रशिक्षित किया गया था, जिसने यह माना कि सभी गैर-मिलान वाली दवाएं समान रूप से भिन्न हैं, यादृच्छिक संभावना (random chance) से बेहतर प्रदर्शन नहीं कर सका, और इसने केवल 51% बार रैंकिंग को सही पाया। यहाँ तक कि मानक रासायनिक फिंगरप्रिंट्स, जो बिना किसी जैविक संदर्भ के केवल संरचनात्मक आकार पर निर्भर करते हैं, केवल 60.7% सटीकता ही प्राप्त कर सके। अध्ययन ने प्रदर्शित किया कि सुधार विशेष रूप रूप से इस तरीके से आया कि मॉडल दवाओं के बीच के अंतर को कैसे संभालता है, न कि केवल अधिक डेटा होने से।
ये निष्कर्ष बताते हैं कि हम दवा सुरक्षा मॉडल का मूल्यांकन कैसे करते हैं, इसके बारे में एक महत्वपूर्ण अंतर्दृष्टि प्रदान करते हैं। जब उन्हें मानक तरीकों का उपयोग करके रसायनों के एक व्यापक, सामान्य सेट पर परखा गया, तो सभी मॉडल समान रूप से प्रदर्शन करते थे, और बिना किसी स्पष्ट विजेता के एक साथ क्लस्टर (समूहबद्ध) हो गए। यह तभी हुआ जब परीक्षण को विशिष्ट, कठिन मामलों यानी एक्टिविटी क्लिफ्स तक सीमित कर दिया गया, तब नए दृष्टिकोण की वास्तविक शक्ति उभर कर आई। शोधकर्ताओं ने पाया कि मानक मूल्यांकन विधियां प्रभावी रूप से मॉडल की सबसे चिकित्सकीय रूप से खतरनाक स्थितियों को पहचानने की क्षमता को छिपा रही थीं। इन एज केसों (edge cases) पर ध्यान केंद्रित करके, उन्होंने दिखाया कि सॉफ्ट, जैविक रूप से जागरूक दृष्टिकोण एक ऐसा प्रतिनिधित्व बनाता है जहाँ सुरक्षित और विषाक्त एनालॉग्स एक स्पष्ट, सार्थक दूरी द्वारा अलग किए जाते हैं, जबकि पारंपरिक विधियां उन्हें एक साथ गुच्छे में छोड़ देती हैं। यह कार्य बताता है कि दवा सुरक्षा की भविष्यवाणी करने के लिए, हमें सरल संरचनात्मक मिलान से आगे बढ़ना होगा और यह समझने के लिए एक अधिक तरल, जैविक रूप से आधारित समझ को अपनाना होगा कि रसायन जीवित प्रणालियों के साथ कैसे परस्पर क्रिया करते हैं।
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।