जैव प्रौद्योगिकी की तेजी से विकसित होती दुनिया में, बढ़ी हुई स्थिरता वाले प्रोटीन को इंजीनियर करने की क्षमता एक महत्वपूर्ण चुनौती है। चाहे औद्योगिक जैव उत्प्रेरक विकसित करना हो या अधिक प्रभावी फार्मास्युटिकल बायोलॉजिक्स डिजाइन करना हो, प्रोटीन जो अनफोल्डिंग और एकत्रीकरण का सामना कर सकते हैं, आवश्यक हैं। कम्प्यूटेशनल विधियाँ जो सटीक रूप से भविष्यवाणी कर सकती हैं कि अमीनो एसिड उत्परिवर्तन प्रोटीन की थर्मोडायनामिक स्थिरता को कैसे प्रभावित करेंगे, प्रोटीन इंजीनियरिंग प्रक्रिया में क्रांति ला सकती हैं। हालाँकि, अब तक, मौजूदा कम्प्यूटेशनल उपकरण स्थिर उत्परिवर्तन की विश्वसनीय रूप से पहचान करने के लिए संघर्ष कर रहे हैं।

स्टेबिलिटी ऑरेकल, एक नया डीप लर्निंग फ्रेमवर्क है जो थर्मोडायनामिक रूप से स्थिर प्रोटीन उत्परिवर्तन की भविष्यवाणी करने में अत्याधुनिक तरीकों से बेहतर प्रदर्शन करता है। ऑस्टिन में टेक्सास विश्वविद्यालय के शोधकर्ताओं की एक टीम द्वारा विकसित, स्टेबिलिटी ऑरेकल बेहतर स्थिरता के साथ प्रोटीन को कम्प्यूटेशनल रूप से इंजीनियर करने की हमारी क्षमता में एक बड़ी छलांग का प्रतिनिधित्व करता है।

बेहतर स्थिरता पूर्वानुमान की आवश्यकता

प्रोटीन जीव विज्ञान के सबसे महत्वपूर्ण अंग हैं, जो जीवित जीवों के भीतर कई महत्वपूर्ण कार्य करते हैं। जटिल त्रि-आयामी संरचनाओं में मुड़ने और उन संरचनाओं को बनाए रखने की उनकी क्षमता उनके कार्य के लिए आवश्यक है। प्रोटीन जो खुलने या एकत्र होने के लिए प्रवण होते हैं, वे अक्सर कम प्रभावी होते हैं या पूरी तरह से गैर-कार्यात्मक होते हैं।

प्रोटीन-आधारित जैव प्रौद्योगिकी के विकास में यह एक बड़ी चुनौती है। उदाहरण के लिए, विनिर्माण प्रक्रियाओं में उपयोग किए जाने वाले औद्योगिक एंजाइमों को उच्च तापमान या कार्बनिक सॉल्वैंट्स की उपस्थिति जैसी कठोर परिस्थितियों का सामना करने में सक्षम होना चाहिए। इसी तरह, फार्मास्युटिकल प्रोटीन दवाओं को उत्पादन, भंडारण और प्रशासन के दौरान अपनी संरचनात्मक अखंडता बनाए रखनी चाहिए। इन प्रोटीनों की थर्मोडायनामिक स्थिरता में सुधार करना एक प्रमुख प्राथमिकता है।

परंपरागत रूप से, यह एक श्रमसाध्य, परीक्षण-और-त्रुटि प्रक्रिया रही है। शोधकर्ता प्रोटीन के अनुक्रम में पुनरावृत्त उत्परिवर्तन करते हैं, प्रयोगात्मक रूप से स्थिरता पर प्रभावों का परीक्षण करते हैं, और धीरे-धीरे अधिक स्थिर संस्करण की दिशा में काम करते हैं। लेकिन यह दृष्टिकोण समय लेने वाला और संसाधन-गहन है। कम्प्यूटेशनल विधियाँ जो प्रोटीन स्थिरता पर उत्परिवर्तन के प्रभावों की सटीक भविष्यवाणी कर सकती हैं, इस प्रक्रिया को बहुत तेज़ कर सकती हैं।

पिछले 15 वर्षों में, भौतिकी-आधारित और मशीन लर्निंग दोनों दृष्टिकोणों का उपयोग करते हुए, विभिन्न प्रकार के कम्प्यूटेशनल स्थिरता पूर्वानुमान उपकरण विकसित किए गए हैं। हालाँकि, इन विधियों को कई प्रमुख मुद्दों से जूझना पड़ा है, जिसने उन्हें प्रोटीन इंजीनियरिंग पर परिवर्तनकारी प्रभाव डालने से रोक दिया है।

स्टेबिलिटी ऑरेकल अध्ययन के प्रमुख लेखकों में से एक, डैनियल डियाज़ बताते हैं, "डेटा की कमी और मशीन लर्निंग इंजीनियरिंग के मुद्दों ने डीप लर्निंग एल्गोरिदम को प्रोटीन स्थिरता की भविष्यवाणी पर समान रूप से क्रांतिकारी प्रभाव डालने से रोक दिया है, जैसा कि उन्होंने जीव विज्ञान और रसायन विज्ञान के अन्य क्षेत्रों में किया है।"

प्राथमिक चुनौतियों में डेटा की कमी, पक्षपात और रिसाव, साथ ही अनुचित प्रदर्शन मीट्रिक का उपयोग शामिल है। वर्तमान डेटासेट अस्थिर उत्परिवर्तनों के प्रति अत्यधिक पक्षपाती हैं, जिसमें स्थिर उत्परिवर्तन डेटा का केवल 30% या उससे कम हिस्सा बनाते हैं। प्रशिक्षण और परीक्षण सेटों के बीच भी महत्वपूर्ण ओवरलैप है, जिसके कारण अत्यधिक आशावादी प्रदर्शन मूल्यांकन होते हैं जो वास्तविक दुनिया के सामान्यीकरण को प्रतिबिंबित नहीं करते हैं।

शायद सबसे महत्वपूर्ण बात यह है कि इस क्षेत्र में पियर्सन सहसंबंध और मूल माध्य वर्ग त्रुटि (आरएमएसई) जैसे मैट्रिक्स पर अत्यधिक ध्यान केंद्रित किया गया है, जो स्थिरीकरण उत्परिवर्तनों की पहचान करने के लिए मॉडल की क्षमता को पर्याप्त रूप से नहीं पकड़ते हैं - जो प्रोटीन इंजीनियरिंग अनुप्रयोगों के लिए मुख्य लक्ष्य है।

डियाज़ ने कहा, "इन मेट्रिक्स में सुधार जरूरी नहीं कि स्थिरीकरण उत्परिवर्तन की पहचान करने में सुधार में तब्दील हो जाए।" "परिशुद्धता, रिकॉल और रिसीवर ऑपरेटिंग विशेषता वक्र के तहत क्षेत्र जैसे मेट्रिक्स इन मॉडलों की व्यावहारिक उपयोगिता का मूल्यांकन करने के लिए अधिक प्रासंगिक हैं।"

स्टेबिलिटी ऑरेकल का परिचय

इन दीर्घकालिक चुनौतियों का समाधान करने के लिए, स्टेबिलिटी ऑरेकल टीम ने बहुआयामी दृष्टिकोण अपनाया, नई डेटा क्यूरेशन तकनीकें, नवीन गहन शिक्षण आर्किटेक्चर और अधिक उपयुक्त प्रदर्शन मूल्यांकन विधियां विकसित कीं।

स्टेबिलिटी ऑरेकल का आधार एक ग्राफ-ट्रांसफॉर्मर न्यूरल नेटवर्क है जो लक्ष्य एमिनो एसिड अवशेष के आसपास के स्थानीय रासायनिक वातावरण से संरचनात्मक विशेषताओं को निकालना सीखता है। इस "मास्क्ड माइक्रोएनवायरनमेंट" को फिर जंगली-प्रकार और उत्परिवर्ती एमिनो एसिड का प्रतिनिधित्व करने वाले एम्बेडिंग के साथ जोड़ा जाता है ताकि उस उत्परिवर्तन के परिणामस्वरूप थर्मोडायनामिक स्थिरता (ΔΔG) में परिवर्तन की भविष्यवाणी की जा सके।

एक अन्य प्रमुख लेखक चेंगयु गोंग बताते हैं, "कम्प्यूटेशन द्वारा उत्पन्न उत्परिवर्ती संरचनाओं पर निर्भर रहने के बजाय, जो महंगी और त्रुटि-प्रवण हो सकती हैं, स्टेबिलिटी ऑरेकल यह स्पष्ट रूप से मॉडल बनाना सीखता है कि 'से' और 'तक' अमीनो एसिड स्थानीय रसायन विज्ञान के साथ कैसे अंतःक्रिया करते हैं।"

यह डिज़ाइन विकल्प स्टेबिलिटी ऑरेकल को एक एकल प्रोटीन संरचना से शुरू करके सभी 380 संभावित एकल-बिंदु उत्परिवर्तनों के लिए कुशलतापूर्वक पूर्वानुमान उत्पन्न करने की अनुमति देता है - जो पिछले संरचना-आधारित विधियों की तुलना में कम्प्यूटेशनल दक्षता में एक बड़ा सुधार है।

डेटा चुनौतियों से निपटने के लिए, शोधकर्ताओं ने कई नए प्रशिक्षण और परीक्षण डेटासेट तैयार किए। उन्होंने प्रशिक्षण और परीक्षण सेट में प्रोटीन के बीच न्यूनतम ओवरलैप सुनिश्चित करने के लिए अनुक्रम क्लस्टरिंग का उपयोग किया, जो सामान्यीकरण का उचित मूल्यांकन करने के लिए एक महत्वपूर्ण कदम है।

उन्होंने "थर्मोडायनामिक क्रमपरिवर्तन" (टीपी) नामक एक नई डेटा वृद्धि तकनीक भी पेश की। टीपी प्रयोगात्मक ΔΔG माप के अपेक्षाकृत छोटे सेट को बहुत बड़े, थर्मोडायनामिक रूप से मान्य डेटासेट में विस्तारित करने के लिए गिब्स मुक्त ऊर्जा की स्थिति-फ़ंक्शन संपत्ति का लाभ उठाता है। महत्वपूर्ण रूप से, टीपी पिछले काम में इस्तेमाल किए गए भारी विषम डेटासेट के बजाय स्थिर और अस्थिर उत्परिवर्तन का संतुलित वितरण उत्पन्न करता है।

डियाज़ कहते हैं, "टीपी हमें स्थिरीकरण उत्परिवर्तनों की पहचान करने के लिए मॉडल की क्षमता का बेहतर आकलन करने की अनुमति देता है, जो प्रोटीन इंजीनियरिंग अनुप्रयोगों के लिए मुख्य लक्ष्य है।"

टीपी-संवर्धित डेटासेट के अतिरिक्त, टीम ने 2 मिलियन से अधिक प्रोटीन स्थिरता मापों के विशाल डेटासेट पर स्थिरता ऑरेकल ढांचे को भी परिष्कृत किया, जो प्राकृतिक और डी नोवो मिनी-प्रोटीन डोमेन पर उच्च-थ्रूपुट प्रोटियोलिसिस परख से प्राप्त हुआ था।

अत्याधुनिक तकनीक से बेहतर प्रदर्शन

With these innovations in data curation and model architecture, Stability Oracle demonstrates a remarkable ability to predict thermodynamically stabilizing protein mutations. On a rigorously curated test set, Stability Oracle achieved a precision of 0.70 and a recall of 0.69 in identifying stabilizing mutations (defined as ΔΔG < -0.5 kcal/mol).

महत्वपूर्ण बात यह है कि यह प्रदर्शन मौजूदा अत्याधुनिक कम्प्यूटेशनल उपकरणों से बेहतर है, जो आम तौर पर स्थिरीकरण उत्परिवर्तन की पहचान करने में केवल 20% सफलता प्राप्त करते हैं। इस कार्य में स्थिरता ऑरेकल की सटीकता मुक्त ऊर्जा गड़बड़ी (FEP) विधियों के बराबर है, जिन्हें कम्प्यूटेशनल स्थिरता भविष्यवाणी के लिए स्वर्ण मानक माना जाता है, लेकिन बड़े पैमाने पर प्रोटीन इंजीनियरिंग अनुप्रयोगों के लिए कम्प्यूटेशनल रूप से निषेधात्मक रूप से महंगे हैं।

अध्ययन के वरिष्ठ लेखक एडम क्लिवान्स कहते हैं, "स्थिरता ऑरेकल की एफईपी विधियों के प्रदर्शन से मेल खाने की क्षमता, जबकि यह कई गुना अधिक तेज है, एक बड़ी सफलता है।"

टीम ने शक्तिशाली प्रोटीन भाषा मॉडल ESM-2 को परिष्कृत करके स्टैबिलिटी ओरेकल के लिए अनुक्रम-आधारित प्रतिरूप भी विकसित किया, जिसे प्रोस्टेटा-IFML कहा जाता है। जबकि प्रोस्टेटा-IFML ने भी प्रभावशाली प्रदर्शन किया, स्टैबिलिटी ओरेकल के संरचना-आधारित दृष्टिकोण ने अभी भी मैट्रिक्स की एक श्रृंखला में अनुक्रम-केवल मॉडल से बेहतर प्रदर्शन किया।

गोंग बताते हैं, "यह तथ्य कि स्टैबिलिटी ऑरेकल, प्रोस्टेटा-आईएफएमएल की तुलना में बहुत कम मापदंडों के साथ, अत्याधुनिक अनुक्रम मॉडल से बेहतर प्रदर्शन कर सकता है, संरचनात्मक जानकारी को शामिल करने के मूल्य को उजागर करता है।" "प्रोटीन संरचनाओं में केवल अमीनो एसिड अनुक्रम से परे महत्वपूर्ण जानकारी होती है।"

स्थिरता ऑरेकल की संरचनात्मक जागरूकता प्रोटीन के विभिन्न क्षेत्रों में स्थिरीकरण उत्परिवर्तनों की सटीक भविष्यवाणी करने की इसकी क्षमता से और भी प्रमाणित होती है। मॉडल की भविष्यवाणियों के विश्लेषण से प्रोटीन की सतह बनाम कोर पर स्थिरीकरण उत्परिवर्तनों की पहचान करने के प्रति कोई पूर्वाग्रह नहीं दिखा, जो पिछले संरचना-आधारित तरीकों की एक सामान्य सीमा है।

"स्थिरता ऑरेकल प्रोटीन के विलायक-उजागर और दबे हुए दोनों क्षेत्रों में उत्परिवर्तन को अच्छी तरह से सामान्यीकृत करने में सक्षम है," डियाज़ ने नोट किया। "यह बढ़ी हुई स्थिरता वाले प्रोटीन की इंजीनियरिंग के लिए एक महत्वपूर्ण क्षमता है।"

प्रोटीन इंजीनियरिंग में तेजी

स्टेबिलिटी ऑरेकल के प्रदर्शन के निहितार्थ सिर्फ़ अकादमिक बेंचमार्किंग से कहीं आगे तक जाते हैं। इस उपकरण में प्रोटीन-आधारित जैव प्रौद्योगिकी की एक विस्तृत श्रृंखला के विकास को नाटकीय रूप से तेज़ करने की क्षमता है।

प्रोटीन इंजीनियरिंग के सह-लेखक और विशेषज्ञ एंड्रयू एलिंगटन कहते हैं, "स्थिरीकरण उत्परिवर्तनों की सटीक पहचान, अधिक शेल्फ-लाइफ वाले प्रोटीन उपचारों की भविष्यवाणी से लेकर कठोर औद्योगिक परिस्थितियों का सामना करने में सक्षम एंजाइमों की इंजीनियरिंग तक, हर चीज को प्रभावित करेगी।"

उदाहरण के लिए, प्रोटीन-आधारित दवाओं के विकास में, लाखों संभावित उत्परिवर्तनों की कम्प्यूटेशनल स्क्रीनिंग करने और सबसे अधिक स्थिर करने वाले उत्परिवर्तनों की पहचान करने की क्षमता प्रयोगात्मक अनुकूलन के समय और लागत को बहुत कम कर सकती है। इसी तरह, औद्योगिक जैव उत्प्रेरक में, स्थिरता ऑरेकल उन एंजाइमों की इंजीनियरिंग का मार्गदर्शन कर सकता है जो विकृतीकरण के प्रति अधिक प्रतिरोधी हैं, जिससे उन प्रक्रियाओं की सीमा का विस्तार हो सकता है जिन पर उन्हें लागू किया जा सकता है।

एकल-बिंदु उत्परिवर्तन के प्रभावों की भविष्यवाणी करने के अलावा, स्टेबिलिटी ऑरेकल टीम पहले से ही उच्च-क्रम उत्परिवर्तन को संभालने के लिए ढांचे का विस्तार करने पर काम कर रही है। "एक साथ कई उत्परिवर्तन के प्रभावों की भविष्यवाणी करने के लिए डेटा की कमी एक और भी बड़ी चुनौती है," डियाज़ बताते हैं। "लेकिन स्टेबिलिटी ऑरेकल के साथ हमने जो नवाचार विकसित किए हैं, जैसे थर्मोडायनामिक क्रमपरिवर्तन, इस समस्या से निपटने के लिए एक रोडमैप प्रदान करते हैं।"

शोधकर्ता स्टेबिलिटी ऑरेकल को अत्यधिक स्थिर प्रोटीन स्कैफोल्ड के नए सिरे से डिजाइन को निर्देशित करने के लिए डीप लर्निंग का उपयोग करने के व्यापक लक्ष्य की ओर एक कदम के रूप में भी देखते हैं। क्लिवांस कहते हैं, "अगर हम सटीक रूप से मॉडल बना सकते हैं कि उत्परिवर्तन स्थिरता को कैसे प्रभावित करते हैं, तो अगला कदम उस ज्ञान का उपयोग करके पूरी तरह से नए प्रोटीन संरचनाओं को खरोंच से कम्प्यूटेशनल रूप से डिजाइन करना है।"

प्रोटीन इंजीनियरिंग के लिए आगे का रास्ता

स्टेबिलिटी ऑरेकल का विकास प्रोटीन इंजीनियरिंग के लिए डीप लर्निंग की शक्ति का दोहन करने की खोज में एक महत्वपूर्ण मील का पत्थर है। डेटा गुणवत्ता, मॉडल आर्किटेक्चर और प्रदर्शन मूल्यांकन में लंबे समय से चली आ रही चुनौतियों का समाधान करके, यह ढांचा जैव प्रौद्योगिकी की एक विस्तृत श्रृंखला को बदलने के लिए एआई-निर्देशित प्रोटीन डिज़ाइन की क्षमता को प्रदर्शित करता है।

"स्थिरता ऑरेकल कम्प्यूटेशनल स्थिरता भविष्यवाणी के लिए एक नया मानक स्थापित करता है, और वस्तुतः किसी भी प्रोटीन फेनोटाइप के लिए संरचना-आधारित ट्रांसफार्मर को ठीक करने के लिए एक स्पष्ट मार्ग प्रदान करता है," डियाज़ ने निष्कर्ष निकाला। "यह आने वाले वर्षों में प्रोटीन-आधारित जैव प्रौद्योगिकी के विकास को गति देने के लिए एक आवश्यक कार्य है।"

जैसे-जैसे प्रोटीन इंजीनियरिंग का क्षेत्र विकसित होता जा रहा है, स्टेबिलिटी ऑरेकल जैसे उपकरण निस्संदेह एक केंद्रीय भूमिका निभाएंगे। शोधकर्ताओं को अधिक स्थिर, अधिक प्रभावी प्रोटीन-आधारित उत्पादों को इंजीनियर करने के लिए सशक्त बनाकर, यह तकनीक फार्मास्यूटिकल्स से लेकर स्वच्छ ऊर्जा तक के उद्योगों पर दूरगामी प्रभाव डाल सकती है। जैव प्रौद्योगिकी का भविष्य पहले से कहीं अधिक स्थिर दिख रहा है।

संदर्भ

1. https://doi.org/10.1038/s41467-024-49780-2

संबंधित लेख देखने के लिए टैग पर क्लिक करें:

जीवविज्ञान | जैव प्रौद्योगिकी | औषधि विकास | औषधीय दवा | प्रोटीन