ترتیب کا تجزیہ اور بایو انفارمیٹکس: ڈی این اے، آر این اے اور پروٹین

فائدہ:

بنیادی ترتیب کے تجزیہ کی کارروائیوں کے کوڈ کو پرنٹ کرنے کی صلاحیت جیسے فاسٹا ریڈنگ، ترجمہ، الائنمنٹ اور بلاسٹ اور نتائج کی تشریح
ای ویلیو، کوریج ریٹ اور ریڈنگ فریم جیسے تصورات کی صحیح تشریح کرکے غلط نتائج سے بچنے کی صلاحیت
آفیشل ڈیٹا بیس (NCBI، UniProt، Ensembl) کے ساتھ ترتیب کے فنکشن کلیم کی تصدیق کی ضرورت کو سمجھنے کی صلاحیت۔

حیاتیات کا سب سے بنیادی ڈیٹا ترتیب ہے: DNA کی ترتیب جس میں حروف A, T, G, C; آر این اے کی اے، یو، جی، سی ترتیب؛ پروٹین کے 20 امینو ایسڈ حروف کا سلسلہ۔ ہم سمجھتے ہیں کہ جین کیا ہے، دو پرجاتیوں کا آپس میں کتنا تعلق ہے، اور ان ترتیبوں کے ذریعے ایک تغیر (ترتیب میں تبدیلی) اور بیماری کے درمیان تعلق۔ اس یونٹ میں، ہم ترتیب کے تجزیہ کے لیے مصنوعی ذہانت کو کوڈ اور تشریحی معاون کے طور پر استعمال کرنا سیکھیں گے: FASTA فائلوں کو پڑھنا، ترتیبوں کا ترجمہ کرنا، سیدھ میں لانا (سیدھ کرنا: دو ترتیبوں کا حرف بہ حرف موازنہ کرنا اور ان کی مماثلت دیکھنا)، اور BLAST جیسے ٹولز کو سمجھنا۔

شروع سے ہی اہم انتباہ: AI کسی ترتیب کے اصل کام کو "جانتا" نہیں ہے۔ صرف سرکاری ڈیٹا بیس (NCBI، UniProt، Ensembl) اور تجرباتی ثبوت یہ کہتے ہیں۔

بنیادی تصورات اور اوزار

فاسٹا: ٹیکسٹ فارمیٹ جو تاروں کو محفوظ کرتا ہے۔ ہر صف ایک ہیڈر لائن پر مشتمل ہوتی ہے جو اس کے نیچے > سے شروع ہوتی ہے۔
BLAST (بنیادی لوکل الائنمنٹ سرچ ٹول): ایک ٹول جو آپ کے پاس موجود ایک ترتیب کا موازنہ ایک بڑے ڈیٹا بیس میں موجود لاکھوں ترتیبوں سے کرتا ہے اور سب سے زیادہ ملتے جلتے تلاش کرتا ہے۔ "یہ سلسلہ کیسا لگتا ہے؟" سوال کا معیاری جواب۔
سیدھ: دو یا زیادہ صفوں کو ترتیب دینا تاکہ ایک جیسے خطوں کو دوسرے کے نیچے رکھا جائے۔ یہ جوڑا یا ایک سے زیادہ ترتیب سیدھ (MSA) ہو سکتا ہے۔
ترجمہ: DNA/RNA کوڈنگ کی ترتیب کو ٹرپل لیٹر گروپس (کوڈنز) کے ذریعے امینو ایسڈ کی ترتیب میں تبدیل کرنا۔
شکل: ترتیب میں ایک مختصر بار بار چلنے والا نمونہ جس کا عملی معنی ہے (مثال کے طور پر، ایک پابند سائٹ)۔

مشورہ: آپ AI کو "اس سیریز کو BLAST کرنے" کے لیے نہیں کہہ سکتے۔ ماڈل BLAST ڈیٹا بیس تک رسائی حاصل نہیں کر سکتا۔ لیکن "میں اپنے BLAST نتیجہ کی تشریح کیسے کروں، e-value (E-value) کا کیا مطلب ہے؟" آپ پوچھ سکتے ہیں، اور یہاں تک کہ کوڈ لکھ سکتے ہیں جو BLAST کو بایوپیتھون کے ساتھ پروگرام کے مطابق کال کرتا ہے۔

مرحلہ وار: ایک صف کی شناخت کی چھان بین کرنا

ترتیب حاصل کریں: فاسٹا کے بطور فائل میں محفوظ کریں۔
بنیادی جانچ: لمبائی، خط کا مواد (کیا یہ صرف A/T/G/C ہے یا کوئی نامعلوم "N" ہے)، GC تناسب (Guanine-cytosine کا فیصد: انواع اور علاقے کے لحاظ سے مختلف ہوتا ہے)۔
BLAST: NCBI ویب انٹرفیس میں یا پروگرام کے لحاظ سے تلاش کریں۔
تبصرہ: بہترین مماثلت کی ای-ویلیو کو دیکھیں (یہ جتنا چھوٹا ہے، اس کا امکان اتنا ہی کم ہے) اور استفسار کی کوریج۔
تصدیق: UniProt یا NCBI میں مماثل جین/پروٹین کھولیں اور تصدیق کریں کہ یہ دراصل اس فنکشن سے میل کھاتا ہے جس کی آپ تلاش کر رہے ہیں۔

AI آپ کو مرحلہ 2 میں کوڈ کرنے اور مرحلہ 4 میں تبصرہ کرنے میں مدد کرتا ہے۔ لیکن مرحلہ 3 اور 5 میں اصل ڈیٹا خود اور آپ کے ٹولز کے ذریعے فراہم کیا جاتا ہے۔

کاپی کرنے کے قابل پرامپٹ ٹیمپلیٹس

کردار: آپ بایو انفارمیٹکس اسسٹنٹ ہیں۔ ٹاسک: بایوپیتھون کے ساتھ فاسٹا فائل (sequences.fasta) پڑھیں۔ میں چاہتا ہوں: ایک ٹیبل میں ہر ترتیب کے لیے نام، لمبائی اور جی سی تناسب لکھیں۔ نتیجہ کو CSV کے بطور محفوظ کریں۔ تبصروں کے ساتھ ورکنگ پائتھون کوڈ دیں۔

میرے پاس موجود ڈی این اے کی ترتیب کو پروٹین کی ترتیب میں ترجمہ کریں۔ Biopython Seq.translate استعمال کریں۔ شو سٹاپ کوڈن (*)؛ پڑھنے کے فریم کی نشاندہی کریں۔ کوڈ دیں، وضاحت کریں۔ ترتیب: [فاسٹا]

میرے BLAST نتیجہ کی تشریح کریں۔ ذیل میں سرفہرست 5 میچوں کی قدر و قیمت، شناخت کا فیصد، اور کوریج کی شرح دی گئی ہے۔ مجھے وضاحت کریں کہ کون سا میچ قابل اعتماد ہے اور کیوں، درست فنکشن کے دعوے نہ کریں، مجھے ان اقدامات کے بارے میں بتائیں جن کی مجھے تصدیق کرنے کی ضرورت ہے۔ ٹیبل: [ڈیٹا]

دو پروٹین کی ترتیب کو جوڑے کی طرف سیدھ کریں اور فیصد کی مماثلت تلاش کریں۔ Biopython pairwise2 یا Bio.Align استعمال کریں۔ سیدھ کو پڑھنے کے ساتھ پرنٹ کریں۔ کوڈ دیں اور اسکورنگ اسکیم کی وضاحت کریں۔

کمزور فوری / مضبوط اشارہ

کمزور: "یہ کون سا جین ہے؟"

مضبوط: "میرے پاس 1,140 بیس جوڑوں کا انسانی DNA ترتیب ہے (نیچے فاسٹا)۔ میں نے اس ترتیب کو خود ہی بلاسٹ کیا؛ بہترین مماثلت TP53، ای-ویلیو 0.0، شناخت 99.8٪، کوریج 100% ہے۔ وضاحت کریں کہ یہ نتیجہ مضبوط ثبوت کیوں ہے؛ تاہم، مجھے بتائیں کہ مجھے اس کی تصدیق کرنے سے پہلے کس 2 کی تصدیق کرنے کی ضرورت ہے۔"

فرق: مضبوط پرامپٹ میں، اصل ڈیٹا (لمبائی، BLAST نتیجہ) ماڈل کو فراہم کیا جاتا ہے۔ آپ ماڈل سے اپنے فراہم کردہ ثبوت کی تشریح کرنے کے لیے کہہ رہے ہیں، نہ کہ اسے "یاد رکھنے" کے لیے۔ وہ کمزور اشارے پر ماڈل بنانے پر مجبور ہے۔

تین چھوٹے مقدمات

کیس 1 — پڑھنے کا غلط فریم: ایک طالب علم نے ڈی این اے کی ترتیب کو پروٹین میں ترجمہ کیا، لیکن شروع سے، درست اسٹارٹ کوڈن (ATG) تلاش کیے بغیر۔ نتیجہ ایک بے معنی، جلد روکنے والا پروٹین تھا۔ جب ماڈل نے تینوں ریڈنگ فریموں کو آزمایا اور کوڈ لکھا جس میں ATG سے شروع ہونے والا سب سے لمبا اوپن ریڈنگ فریم (ORF) ملا تو درست 380 امینو ایسڈ پروٹین سامنے آیا۔

کیس 2 — ای-ویلیو کی غلط فہمی: ایک ٹیکنیشن نے 2.0 کی ای-ویلیو کے ساتھ BLAST میچ کو "ملا" کے طور پر رپورٹ کیا۔ جبکہ، 1 سے زیادہ ای ویلیو اس بات کی نشاندہی کرتی ہے کہ میچ غالباً اتفاقیہ ہے۔ ماڈل نے اس کی وضاحت کی اور یاد دلایا کہ e <1e-5 عام طور پر ایک قابل اعتماد حد کے طور پر استعمال ہوتا ہے۔

کیس 3 - آلودگی: لیبارٹری میں بیکٹیریل تسلسل کے دھماکے نے انسانی ڈی این اے کو بہترین میچ قرار دیا۔ یہ نمونے کی آلودگی کی علامت تھی۔ AI نے یہ کہہ کر صحیح شک پیدا کیا کہ "غیر متوقع قسم کا میچ آلودگی کا اشارہ ہو سکتا ہے"؛ ٹیکنیشن نے مثال دہرائی۔

موازنہ: مصنوعی ذہانت کا کردار

جستجو

مصنوعی ذہانت

ٹول/ڈیٹا بیس

انسان

فاسٹا پڑھنا، جی سی/لمبائی

کوڈ لکھتا ہے۔

آؤٹ پٹ کو کنٹرول کرتا ہے۔

ترجمہ، ORF تلاش کرنا

کوڈ لکھتا ہے۔

Biopython چلاتا ہے۔

فریم کی توثیق کرتا ہے۔

صف کی شناخت

تبصرے

BLAST/NCBI تلاش کرتا ہے۔

تصدیق کرتا ہے

فنکشن کا دعوی

تجاویز پیش کرتا ہے۔

یونی پروٹ ثبوت دیتا ہے۔

فیصلہ کرتا ہے

عام غلطیاں

ماڈل سے سٹرنگ آئی ڈی کو "یاد رکھنے" کے لیے کہنا: ماڈل تاروں کو یاد نہیں رکھتا ہے۔ BLAST استعمال کریں۔
ای قدر کی غلط تشریح: چھوٹا اچھا ہے، بڑا برا ہے؛ دہلیز کو یاد رکھیں۔
ریڈنگ فریم کی جانچ نہ کرنا: غلط فریم بکواس پروٹین پیدا کرتا ہے۔
کوریج کو نظر انداز کرنا: زیادہ شناخت لیکن کم کوریج کا مطلب جزوی میچ ہے۔
لاپتہ آلودگی: غیر متوقع پرجاتیوں کا ملاپ ایک سنگین انتباہ ہے۔

احتیاط: صرف اس وجہ سے کہ ایک ترتیب "99% TP53 سے ملتی جلتی ہے" یہ ثابت نہیں کرتا کہ اس ترتیب میں TP53 فنکشن موجود ہے۔ یہ ایک مضبوط مفروضہ ہے۔ فنکشن کو تجرباتی شواہد اور ڈیٹا بیس کی وضاحتوں سے تعاون کرنا چاہیے۔ AI کے لیے صرف اتنا کہنا کافی نہیں ہے کہ "یہ ٹیومر کو دبانے والا ہے۔"

ایک سے زیادہ ترتیب کی سیدھ اور فائیلوجنی کی بنیاد

صرف دو کی بجائے درجنوں ترتیبوں کو ایک ساتھ سیدھ میں لانا ایک سے زیادہ ترتیب سیدھ (MSA) کہلاتا ہے اور یہ بہت سے تجزیوں کی بنیاد ہے: محفوظ علاقوں کی تلاش (وہ حصے جو ارتقاء میں کوئی تبدیلی نہیں رکھتے اور اس وجہ سے فعال طور پر اہم ہیں)، فائیلوجنیٹک درختوں کی تعمیر، پروٹین خاندانوں کی شناخت۔ MAFFT، MUSCLE اور Clustal جیسے اوزار یہ کام کرتے ہیں۔ AI وہ کوڈ لکھتا ہے جو ان ٹولز کو Python سے کال کرتا ہے (مثال کے طور پر Biopython کے ذریعے) اور آپ کو آؤٹ پٹ کی تشریح کرنے میں مدد کرتا ہے۔ لیکن صف بندی خود ٹول بناتی ہے، ماڈل کو "روٹ کے ذریعے" نہیں۔

ایم ایس اے کی تشریح کرتے وقت، محفوظ کالموں پر توجہ دیں: ایک امینو ایسڈ جو تمام ترتیبوں میں یکساں رہتا ہے، غالباً پروٹین کے کام کے لیے اہم ہوتا ہے (مثلاً، انزائم کی فعال جگہ)۔ اس سے ایک مضبوط اشارہ ملتا ہے کہ تبدیلی کیوں نقصان دہ ہو سکتی ہے۔ لیکن "محفوظ = اہم" ایک مفروضہ ہے۔ تجرباتی تصدیق کی ضرورت ہے۔

میری متعدد الائنمنٹ فائل (aligned.fasta) پڑھیں، جو کہ MAFFT آؤٹ پٹ ہے، Biopython کے ساتھ۔ ہر کالم کے لیے برقرار رکھنے کی شرح کا حساب لگائیں؛ 90% سے زیادہ محفوظ عہدوں کی فہرست بنائیں۔ وضاحت کریں کہ یہ پوزیشن کیوں عملی اہمیت کی حامل ہو سکتی ہیں، قطعی فعل کا دعوی نہ کریں۔

اتپریورتن اور مختلف تشریحی جال

جب آپ سٹرنگ میں حروف کی تبدیلی (متغیر) دیکھتے ہیں، تو یہ کہنا ایک بڑی چھلانگ ہے کہ یہ "نقصان دہ" ہے۔ زیادہ تر متغیرات غیر جانبدار (غیر موثر) ہیں۔ کسی ویرینٹ کے اثر کی تشریح کرتے وقت، کسی کو ڈیڈیکیٹڈ ویرینٹ ڈیٹا بیس (جیسے ClinVar) اور آبادی کی فریکوئنسی ڈیٹا (جیسے gnomAD) کو دیکھنے کی ضرورت ہوتی ہے، نہ کہ AI کے لفظ کو۔ اگر ماڈل کا دعویٰ ہے کہ کوئی قسم "پیتھوجینک" ہے، تو اسے ان ذرائع سے تصدیق کیے بغیر کبھی بھی طبی یا تحقیقی نتیجے میں نہ لکھیں۔

تصدیق کے لیے بیس ڈیٹا بیس

سیریز کے تجزیے میں ہر دعوے کی تصدیق کے لیے سرکاری ذرائع کو جاننا مصنوعی ذہانت کے من گھڑت کاموں کے خلاف آپ کی مضبوط ترین ڈھال ہے۔ اکثر استعمال کیا جاتا ہے:

ڈیٹا بیس

کس کے لیے

عام تصدیق

NCBI GenBank/RefSeq

ڈی این اے/آر این اے کی ترتیب، جین ریکارڈ

سٹرنگ ID، لمبائی

یونی پروٹ

پروٹین کی ترتیب اور افعال

فنکشن، امینو ایسڈ کی تعداد

جوڑنا

جینوم تشریح، جین کے مقامات

جین کروموسوم میپنگ

ClinVar

مختلف حالتوں کی طبی اہمیت

روگجنک/غیر جانبدار فیصلہ

gnomAD

آبادی میں متغیر تعدد

نایاب/عام قسم

AI تجویز کر سکتا ہے کہ آپ کو ان میں سے کن اڈوں کو دیکھنا چاہیے۔ لیکن آپ استفسار کرتے ہیں اور آپ نتیجہ پڑھتے ہیں۔ "ماڈل نے کہا کہ یہ وہی ہے جو UniProt کہتا ہے" کوئی تصدیق نہیں ہے۔ تصدیق خود UniProt صفحہ کھول رہی ہے۔

خلاصہ میں

ترتیب کا تجزیہ بایو انفارمیٹکس کا مرکز ہے۔ فاسٹا، بلاسٹ، الائنمنٹ اور ترجمہ بنیادی کام ہیں۔ AI ان آپریشنز کے لیے کوڈ لکھتا ہے اور آپ کو ان کے نتائج کی تشریح کرنے میں مدد کرتا ہے، لیکن ٹولز (BLAST) اور ڈیٹا بیس (NCBI، UniProt) اصل ترتیب کی شناخت فراہم کرتے ہیں۔ ای-ویلیو، کوریج، اور ریڈنگ فریم جیسے تصورات کو درست طریقے سے سمجھنا غلط نتیجے سے بچنے کی کلید ہے۔ فنکشن کلیم کے لیے ہمیشہ آزاد ثبوت کی ضرورت ہوتی ہے۔

درخواست کا کام

ڈی این اے کی ترتیب کا نمونہ لیں (یا ایک جین جسے آپ نے NCBI سے ڈاؤن لوڈ کیا ہے)۔ AI سے Biopython کے ساتھ لمبائی اور GC تناسب کا حساب لگائیں، پھر اسے تینوں ریڈنگ فریموں اور پرنٹ کوڈ میں ترجمہ کریں جو سب سے طویل ORF تلاش کرتا ہے۔ نتیجہ چلائیں۔ پھر اس ترتیب کو خود NCBI BLAST میں تلاش کریں اور ماڈل سے بہترین میچ کی ای-ویلیو اور کوریج کی شرح کی ترجمانی کریں۔ UniProt میں ماڈل کے فعال دعوے کی تصدیق کریں۔

چیک لسٹ

میں نے سٹرنگ پر کارروائی کرنے سے پہلے لمبائی اور خط کے مواد کو چیک کیا۔
میں نے ترجمہ میں پڑھنے کا صحیح فریم استعمال کیا۔
میں نے خود BLAST چلایا، میں نے ماڈل کو "یاد دلایا" نہیں تھا۔
میں نے ای ویلیو اور کوریج ریشو کی صحیح تشریح کی۔
[ ] میں نے آلودگی کے لیے غیر متوقع پرجاتیوں کے میچ کا جائزہ لیا۔
میں نے آفیشل ڈیٹا بیس کے ساتھ فنکشن کلیم کی تصدیق کی۔