औषधीय रेणूंच्या संरचनेसाठी आवश्यक इष्ततम संप्रेरकांची निवड करण्यासाठी मशीन लर्निंग तंत्राचा वापर 

सध्याच्या काळात चर्चेत असलेले कृत्रिम प्रज्ञा आणि मशीन लर्निंग, अनेक क्षेत्रांत उपयोगी आहेत. या पद्धतींत, विशिष्ट कार्याबद्दलची पूर्वानुमाने करण्यासाठी किंवा त्याबद्दलचे निर्णय घेण्यासाठी, उपलब्ध विदासंचातील माहितीच्या आधारे तयार केलेल्या व शिक्षिेत केलेल्या प्रतिमानांचा उपयोग केला जातो. भारतीय तंत्रज्ञान संस्था मुंबई येथील संशोधकांनी औषधोपचार शास्त्रात उपयुक्त असणाऱ्या विशिष्ट पद्धतीच्या संप्रेरण क्रियांसाठी, रेण्वीय वर्णन वापरून मशीन लर्निंग पद्धती विकसित केली आहे.  

औषधांचा शोध आणि निर्माण प्रक्रिया गुंतागुंतीची असते. विशिष्ट प्रथिनांना लक्ष्य करणारे औषधीय रेणू तयार करण्यासाठी जैवरेणूंच्या वेगवेगळ्या गुणधर्मांबद्दलची माहिती आवश्यक असते. प्रथिने व शर्करा यांसारख्या पदार्थांच्या रेणूंच्या हस्तरूपता (कायरॅलिटी) ह्या गुणधर्मामुळे, त्या पदार्थांच्या रासायनिक रचनेतील अणू सारखेच असले तरी त्यांतील सर्व रेणूंच्या रचना सारख्या नसतात. यांना त्रिमितीय समघटक (स्टिरियोआयसोमर) किंवा इनान्शिओमर म्हणतात. जेव्हा एका प्रकारचे रेणू दुसऱ्या प्रकारच्या रेणूच्या आरशातील प्रतिमेप्रमाणे असतात (दक्षिणहस्त व वामहस्त, म्हणजे आपल्या उजव्या व डाव्या हातांसारखे), तेव्हा त्यांना प्रकाशीय समघटक (ऑप्टिकल आयसोमर) असेही म्हणतात. 

इच्छित हस्तरूपता असलेले समघटक तयार करणे किचकट काम असते व असममित संप्रेरण क्रियेद्वारे ते निर्मण करतात. ह्या पद्धतीत, एका हस्तरूपतेचे रेणू दुसऱ्या हस्तरूपतेच्या रेणूंपेक्षा जास्त प्रमाणात तयार होतील अशी व्यवस्था हस्तरूप संप्रेरकाच्या आधारे करतात. रेण्वीय वर्णनाचे ज्ञान (जे रासायनिक गुणधर्मांची माहिती देऊ शकते) असता, नवीन असममित संप्रेरण क्रियांचा अधिक जलद  शोध घेणे शक्य होईल.  

उच्च शुद्धतेच्या हस्तरूप संयुगांची आवश्यकता असणाऱ्या औषधीय अनुप्रयोगांसाठी असममित संप्रेरण क्रिया विकसित करणे विशेष लाभदायक ठरेल. नवीन संप्रेरके तयार करताना प्रयत्न-प्रमाद पद्धतींची अनेक आवर्तने घडतात आणि खूप संसाधने खर्च होतात. म्हणून संप्रेरके तयार करण्यासाठी एक जलद आणि विश्वसनीय पद्धती विकसित करणे आवश्यक आहे. 

प्रचलित पद्धतीनुसार, संप्रेरके संरचित करण्यासाठी, हस्तरूपता आणि विविध इतर गुणधर्म विचारात घेऊन बनवलेल्या गणीतीय प्रतिरूपांचा उपयोग करतात. यामध्ये देणाऱ्या समाश्रयण समीकरणात बसणारे अनेक रेण्वीय प्राचल वापरून उत्तम पूर्वानुमान दिले जाते. पण खूपदा ह्यात इतर अरेखीय प्राचलांचा समावेश करणे कठीण असते. ही आव्हाने लक्षात घेऊन, असममित संप्रेरके ओळखण्याकरिता मशीन लर्निंग ची जाही मदत होईल का, ह्या विचाराने भारतीय तंत्रज्ञान संस्था मुंबई येथील संशोधक मशीन लर्निंग कडे वळले.

संशोधकांनी ‘रॅंडम फॉरेस्ट’ आणि ‘डिसिजन ट्री’ सारखी मशीन लर्निंग तंत्र वापरून जास्त चांगल्या असममित संप्रेरकांचा शोध घेऊन संकल्पनेचा पुरावा दिला. अशी पद्धत वापरल्याने संगणन काळ तर कमी होतोच, शिवाय जास्त माहितीचे विश्लेषण करता येते. सदर पद्धत वापरताना, मशीन लर्निंग वर आधारित प्रतिमानाचे, माहीत असलेल्या संप्रेरकांची माहिती देऊन ‘शिक्षण’ केले जाते. नंतर ह्याचा उपयोग, इतर संप्रेरके किती प्रभावी असतील याचे पूर्वानुमान करायला केला जातो. अश्या तऱ्हेने संप्रेरकांच्या अधिक माहितीच्या आधारे अनेक वेळा प्रतिमानाचे शिक्षण केल्यावर एक चाचणी संच वापरून संशोधकांनी प्रतिमाने विधीग्राह्य केली. शिक्षण-पूर्वानुमान-शिक्षण अशी आवर्तने असणाऱ्या ह्या पद्धतीमुळे अनुकूल संप्रेरके शोधण्याची क्रिया जलद होते. 

कार्यद्रव्य-संप्रेरक जोड्यांच्या एका संचाचे रेण्वीय प्राचल वापरून तयार केलेल्या रॅंडम फॉरेस्ट ची पूर्वानुमान शक्ती लक्षणीय असल्याचे दिसून आले. इतर मशीन लर्निंग पद्धतींच्या तुलनेत रॅंडम फॉरेस्ट अधिक अचूक आहे. ह्या कार्यपद्धती मुळे संप्रेरकांच्या संरचनेस मोठी चालना मिळेल अशी अपेक्षा आहे. ह्याचा दूरगामी परिणाम असममित संप्रेरकांच्या व कार्यद्रव्यांच्या अभ्यासावर आणि त्यांचा संग्रह वाढवण्यावर होईल.

“स्वयंचलित प्रयोगाच्या कार्यपद्धतीला मशीन लर्निंग ची जोड दिल्यास त्यातून पुढे आलेल्या कार्यद्रव्य-संप्रेरक जोड्या यशस्वी होण्याची शक्यता अधिक. आमची पद्धत विस्तृत असममित अभिक्रियांसाठी वापरता येईल व त्यामुळे किफायती व कार्यक्षम असममित संप्रेरकांची संरचना करणे शक्य होईल,” असे भारतीय तंत्रज्ञान संस्था मुंबई येथील रसायनशास्त्र विभागातील प्राध्यापक राघवन सुनोज म्हणतात.

त्यांनी औद्योगिक अभियांत्रिकी व संक्रिया संशोधन विभागातील प्राध्यापक पी. बालमुरुगन यांच्या साथीने विविध ज्ञानशाखांतील संशोधक असलेल्या सदर अभ्यासाचे नेतृत्व केले होते.