በህይወት ውስጥ ካሉት ታላላቅ ሚስጥሮች አንዱን - ፕሮቲን መታጠፍን ለመመለስ አርቴፊሻል ኢንተለጀንስ ብንጠቀምስ? ሳይንቲስቶች በዚህ ላይ ለብዙ አሥርተ ዓመታት ሲሠሩ ቆይተዋል.
ማሽኖች አሁን ጥልቅ የመማሪያ ሞዴሎችን፣ የመድሃኒት ልማትን፣ ባዮቴክኖሎጂን እና ስለ መሰረታዊ ባዮሎጂካል ሂደቶች ያለንን እውቀት በመጠቀም የፕሮቲን አወቃቀሮችን በሚያስደንቅ ትክክለኛነት ሊተነብዩ ይችላሉ።
ቆራጥ ቴክኖሎጂ ከራሱ የህይወት ውስብስብነት ጋር በሚጋጭበት ወደሚገርም የኤአይአይ ፕሮቲን መታጠፍ ፍለጋ ላይ ተቀላቀሉኝ።
የፕሮቲን እጥፋትን ምስጢር መፍታት
ፕሮቲኖች በሰውነታችን ውስጥ እንደ ምግብ መሰባበር ወይም ኦክሲጅን ማጓጓዝ ያሉ ወሳኝ ተግባራትን ለማከናወን እንደ ትናንሽ ማሽኖች ይሠራሉ። ውጤታማ በሆነ መንገድ እንዲሰሩ በትክክል መታጠፍ አለባቸው፣ ልክ ቁልፉ ከመቆለፊያ ጋር ለመገጣጠም በትክክል መቁረጥ አለበት። ፕሮቲን እንደተፈጠረ, በጣም የተወሳሰበ የማጠፍ ሂደት ይጀምራል.
ፕሮቲን መታጠፍ ሂደት ነው ረዣዥም የአሚኖ አሲድ ሰንሰለቶች፣ የፕሮቲን ህንጻ ብሎኮች፣ ወደ ሶስት አቅጣጫዊ አወቃቀሮች በመታጠፍ የፕሮቲንን ተግባር የሚወስኑት።
በትክክለኛ ቅርጽ ሊታዘዝ የሚገባውን ረጅም የዶቃዎች ሕብረቁምፊ አስቡበት; ፕሮቲን በሚታጠፍበት ጊዜ የሚከሰተው ይህ ነው. ሆኖም እንደ ዶቃዎች በተቃራኒ አሚኖ አሲዶች ልዩ ባህሪያት አሏቸው እና እርስ በእርስ በተለያዩ መንገዶች ይገናኛሉ, ይህም ፕሮቲን ማጠፍ ውስብስብ እና ጥንቃቄ የተሞላበት ሂደት ያደርገዋል.
እዚህ ያለው ሥዕል የሰውን ሄሞግሎቢን ይወክላል, እሱም በጣም የታወቀ የታጠፈ ፕሮቲን ነው
ፕሮቲኖች በፍጥነት እና በትክክል መታጠፍ አለባቸው፣ አለበለዚያ እነሱ የተሳሳቱ እና የተበላሹ ይሆናሉ። ይህ እንደ አልዛይመር እና ፓርኪንሰንስ ያሉ በሽታዎችን ሊያስከትል ይችላል. የሙቀት መጠን, ግፊት እና በሴል ውስጥ ያሉ ሌሎች ሞለኪውሎች መኖራቸው ሁሉም በማጠፍ ሂደት ላይ ተጽእኖ ያሳድራሉ.
ከብዙ አሥርተ ዓመታት ጥናት በኋላ ሳይንቲስቶች አሁንም ፕሮቲኖች እንዴት እንደሚታጠፉ ለማወቅ እየሞከሩ ነው።
ደስ የሚለው ነገር በአርቴፊሻል ኢንተለጀንስ መሻሻሎች በዘርፉ ልማትን እያሻሻሉ ነው። የሳይንስ ሊቃውንት የፕሮቲን አወቃቀሮችን በመጠቀም ከመቼውም ጊዜ በበለጠ በትክክል ሊገምቱ ይችላሉ የማሽን ስልተ ቀመሮች ከፍተኛ መጠን ያለው መረጃን ለመመርመር.
ይህ የመድሃኒት እድገትን የመቀየር እና ስለበሽታው ያለንን ሞለኪውላዊ እውቀት ለመጨመር አቅም አለው.
ማሽኖች የተሻለ መስራት ይችላሉ?
የተለመዱ የፕሮቲን ማጠፍ ዘዴዎች ገደብ አላቸው
ሳይንቲስቶች ለብዙ አሥርተ ዓመታት የፕሮቲን እጥፋትን ለማወቅ ሲሞክሩ ቆይተዋል, ነገር ግን የሂደቱ ውስብስብነት ይህን ፈታኝ ርዕሰ ጉዳይ አድርጎታል.
የተለመዱ የፕሮቲን አወቃቀሮች ትንበያ አቀራረቦች የሙከራ ዘዴዎችን እና የኮምፒዩተር ሞዴሊንግ ጥምረትን ይጠቀማሉ ፣ ሆኖም ፣ እነዚህ ዘዴዎች ሁሉም ድክመቶች አሏቸው።
እንደ ኤክስ ሬይ ክሪስታሎግራፊ እና ኒውክሌር ማግኔቲክ ሬዞናንስ (NMR) ያሉ የሙከራ ቴክኒኮች ጊዜ የሚወስድ እና ብዙ ወጪ የሚጠይቁ ሊሆኑ ይችላሉ። እና, የኮምፒዩተር ሞዴሎች አንዳንድ ጊዜ በቀላል ግምቶች ላይ ይመረኮዛሉ, ይህም ወደ የተሳሳቱ ትንበያዎች ሊያመራ ይችላል.
AI እነዚህን መሰናክሎች ማሸነፍ ይችላል።
እንደ ዕድል ሆኖ, ሰው ሰራሽ እውቀት ለበለጠ ትክክለኛ እና ቀልጣፋ የፕሮቲን አወቃቀር ትንበያ አዲስ ተስፋ እየሰጠ ነው። የማሽን መማሪያ ስልተ ቀመሮች ከፍተኛ መጠን ያላቸውን መረጃዎች መመርመር ይችላሉ። እና፣ ሰዎች የሚያመልጣቸውን ቅጦች ይገልጣሉ።
ይህም የፕሮቲን አወቃቀሩን ወደር የለሽ ትክክለኛነት ለመተንበይ የሚችሉ አዳዲስ የሶፍትዌር መሳሪያዎች እና መድረኮች እንዲፈጠሩ ምክንያት ሆኗል።
ለፕሮቲን አወቃቀር ትንበያ በጣም ተስፋ ሰጪ የማሽን የመማሪያ ስልተ-ቀመሮች
በGoogle የተገነባው የአልፋ ፎልድ ስርዓት Deepmind ቡድን በዚህ አካባቢ ውስጥ በጣም ተስፋ ሰጪ እድገቶች አንዱ ነው. በቅርብ ዓመታት ውስጥ በመጠቀም ትልቅ እድገት አግኝቷል ጥልቅ የመማር ስልተ ትምህርቶች በአሚኖ አሲድ ቅደም ተከተላቸው መሰረት የፕሮቲኖችን አወቃቀር ለመተንበይ.
የነርቭ ኔትወርኮች፣ የቬክተር ማሽኖች ድጋፍ እና የዘፈቀደ ደኖች የፕሮቲን አወቃቀርን ለመተንበይ ተስፋ ከሚያሳዩ ተጨማሪ የማሽን መማሪያ ዘዴዎች መካከል ናቸው።
እነዚህ ስልተ ቀመሮች ከትልቅ የውሂብ ስብስቦች መማር ይችላሉ። እና፣ በተለያዩ አሚኖ አሲዶች መካከል ያለውን ትስስር መገመት ይችላሉ። ስለዚህ, እንዴት እንደሚሰራ እንይ.
የጋራ የዝግመተ ለውጥ ትንተናዎች እና የመጀመሪያው የአልፋ ፎልድ ትውልድ
የ ስኬት አልፋፎልድ አብሮ-የዝግመተ ለውጥ ትንታኔን በመጠቀም በተሰራው ጥልቅ የነርቭ አውታረ መረብ ሞዴል ላይ የተገነባ ነው። የጋራ-ዝግመተ ለውጥ ጽንሰ-ሐሳብ በፕሮቲን ውስጥ ያሉ ሁለት አሚኖ አሲዶች እርስ በርስ ከተገናኙ, የተግባር ግንኙነታቸውን ለመጠበቅ አንድ ላይ ያድጋሉ.
ተመራማሪዎች የበርካታ ተመሳሳይ ፕሮቲኖችን የአሚኖ አሲድ ቅደም ተከተሎች በማነፃፀር በ3D መዋቅር ውስጥ የትኛዎቹ ጥንዶች አሚኖ አሲዶች ሊገናኙ እንደሚችሉ ማወቅ ይችላሉ።
ይህ መረጃ ለመጀመሪያው የአልፋፎልድ ድግግሞሽ መሰረት ሆኖ ያገለግላል። በአሚኖ አሲድ ጥንዶች መካከል ያለውን ርዝማኔ እንዲሁም እነሱን የሚያገናኙትን የፔፕታይድ ቦንዶች ማዕዘኖች ይተነብያል። ይህ ዘዴ የፕሮቲን አወቃቀሩን በቅደም ተከተል ለመተንበይ ከቀደሙት አቀራረቦች ሁሉ በልጦ ነበር፣ ምንም እንኳን ምንም እንኳን ግልጽ አብነት ለሌላቸው ፕሮቲኖች ትክክለኛነት አሁንም የተገደበ ቢሆንም።
አልፋፎልድ 2፡ በጣም አዲስ ዘዴ
አልፋ ፎልድ2 በ DeepMind የተፈጠረ የኮምፒውተር ሶፍትዌር ሲሆን የፕሮቲን አሚኖ አሲድ ቅደም ተከተልን በመጠቀም የፕሮቲን 3D አወቃቀርን ለመተንበይ ነው።
ይህ በጣም አስፈላጊ ነው ምክንያቱም የፕሮቲን አወቃቀሩ እንዴት እንደሚሰራ ስለሚገልጽ እና ተግባሩን መረዳቱ ሳይንቲስቶች ፕሮቲኑን የሚያነጣጥሩ መድኃኒቶችን እንዲያዘጋጁ ይረዳቸዋል።
የአልፋ ፎልድ2 ነርቭ አውታር እንደ ግብአት የፕሮቲን አሚኖ አሲድ ቅደም ተከተል ይቀበላል እንዲሁም ይህ ቅደም ተከተል በመረጃ ቋት ውስጥ ካሉ ሌሎች ቅደም ተከተሎች ጋር እንዴት እንደሚወዳደር ዝርዝሮችን ይቀበላል (ይህ “ተከታታይ አሰላለፍ” ይባላል)።
የነርቭ አውታረመረብ በዚህ ግቤት ላይ በመመስረት ስለ ፕሮቲን 3D መዋቅር ትንበያ ይሰጣል።
ከአልፋፎልድ2 የሚለየው ምንድን ነው?
ከሌሎች አቀራረቦች በተቃራኒ፣ AlphaFold2 በአሚኖ አሲዶች ጥንዶች መካከል ያለውን መለያየት ወይም በማያያዣዎቹ መካከል ባሉት ማዕዘኖች (ከቀደምት ስልተ ቀመሮች እንዳደረጉት) ከመለያየት ይልቅ ትክክለኛውን የፕሮቲን 3D መዋቅር ይተነብያል።
የነርቭ አውታረመረብ ሙሉውን መዋቅር በአንድ ጊዜ ለመገመት, አወቃቀሩ ከጫፍ እስከ ጫፍ ይገለጻል.
ሌላው የ AlphaFold2 ቁልፍ ባህሪ በትንበያው ላይ ምን ያህል በራስ እንደሚተማመኑ ግምቱን ያቀርባል። ይህ በተጠበቀው መዋቅር ላይ እንደ ቀለም ኮድ ቀርቧል, ቀይ ከፍተኛ በራስ መተማመን እና ሰማያዊ ዝቅተኛ በራስ መተማመንን ያመለክታል.
ስለ ትንበያው መረጋጋት ለሳይንቲስቶች ስለሚያሳውቅ ይህ ጠቃሚ ነው.
የበርካታ ቅደም ተከተሎች ጥምር መዋቅርን መተንበይ
አልፋፎርድ መልቲመር በመባል የሚታወቀው የ Alphafold2 የቅርብ ጊዜ መስፋፋት የበርካታ ቅደም ተከተሎችን ጥምር መዋቅር ይተነብያል። ከቀደምት ቴክኒኮች በተሻለ ሁኔታ ቢሰራም አሁንም ከፍተኛ የስህተት ደረጃዎች አሉት። ከ25 የፕሮቲን ውህዶች %4500 ብቻ በተሳካ ሁኔታ ተንብየዋል።
70% የሚሆኑት የግንኙነቶች አፈጣጠር አስቸጋሪ አካባቢዎች በትክክል ተንብየዋል፣ ነገር ግን የሁለቱ ፕሮቲኖች አንጻራዊ አቅጣጫ ትክክል አልነበረም። የመካከለኛው አሰላለፍ ጥልቀት በግምት ከ30 ቅደም ተከተሎች ያነሰ ሲሆን የአልፋፎድ መልቲመር ትንበያ ትክክለኛነት በከፍተኛ ሁኔታ ይቀንሳል።
የ Alphafold ትንበያዎችን እንዴት መጠቀም እንደሚቻል
ከአልፋፎልድ የተገመቱት ሞዴሎች በተመሳሳይ የፋይል ቅርጸቶች ቀርበዋል እና እንደ የሙከራ መዋቅሮች በተመሳሳይ መልኩ ጥቅም ላይ ሊውሉ ይችላሉ. አለመግባባቶችን ለመከላከል በአምሳያው የቀረበውን ትክክለኛነት ግምት ውስጥ ማስገባት በጣም አስፈላጊ ነው.
በተለይም እንደ የተጠላለፉ ሆሞመሮች ወይም ፕሮቲኖች ባሉበት ብቻ ለሚታጠፉ ውስብስብ አወቃቀሮች ይረዳል
የማይታወቅ ligand.
አንዳንድ ተግዳሮቶች
የተገመቱ አወቃቀሮችን የመጠቀም ዋናው ችግር የፕሮቲን እና የባዮፊዚካል መረጃዎችን ሳያገኙ ተለዋዋጭ ሁኔታዎችን ፣ ligand selectivityን ፣ ቁጥጥርን ፣ ውህድነትን ፣ ከትርጉም በኋላ ለውጦችን እና ኪነቲክስ አስገዳጅነትን መረዳት ነው።
የማሽን መማሪያ እና ፊዚክስ ላይ የተመሰረተ የሞለኪውላር ተለዋዋጭ ምርምር ይህንን ችግር ለመቅረፍ ጥቅም ላይ ሊውል ይችላል።
እነዚህ ምርመራዎች ልዩ እና ቀልጣፋ የኮምፒውተር አርክቴክቸር ሊጠቀሙ ይችላሉ። አልፋ ፎልድ የፕሮቲን አወቃቀሮችን በመተንበይ እጅግ በጣም ጥሩ መሻሻሎችን ቢያሳይም፣ በመዋቅራዊ ባዮሎጂ መስክ ብዙ የሚማሩት ነገር አለ፣ እና የአልፋ ፎልድ ትንበያዎች ለወደፊት ጥናት መነሻ ብቻ ናቸው።
ሌሎች አስደናቂ መሣሪያዎች ምንድናቸው?
RoseTTAFold
በዋሽንግተን ዩኒቨርሲቲ ተመራማሪዎች የተፈጠረው RoseTTAFold በተመሳሳይ የፕሮቲን አወቃቀሮችን ለመተንበይ ጥልቅ የመማሪያ ስልተ ቀመሮችን ይጠቀማል፣ነገር ግን የተገመቱትን አወቃቀሮች ለማሻሻል “የቶርሽን አንግል ዳይናሚክስ ሲሙሌሽን” በመባል የሚታወቀውን ልብ ወለድ አካሄድ ያዋህዳል።
ይህ ዘዴ አበረታች ውጤቶችን አስገኝቷል እና ያሉትን የ AI ፕሮቲን ማጠፊያ መሳሪያዎች ውስንነቶችን ለማሸነፍ ጠቃሚ ሊሆን ይችላል።
TRRosetta
ሌላ መሳሪያ, trRosetta, a በመጠቀም ፕሮቲን መታጠፍ ይተነብያል የነርቭ ኔትወርክ በሚሊዮኖች በሚቆጠሩ የፕሮቲን ቅደም ተከተሎች እና አወቃቀሮች ላይ የሰለጠኑ.
እንዲሁም የታለመውን ፕሮቲን ከታወቁ አወቃቀሮች ጋር በማነፃፀር የበለጠ ትክክለኛ ትንበያዎችን ለመፍጠር "በአብነት ላይ የተመሰረተ ሞዴል" ዘዴን ይጠቀማል።
TrRosetta የትናንሽ ፕሮቲኖችን እና የፕሮቲን ውህዶችን አወቃቀሮችን መተንበይ እንደሚችል ታይቷል።
DeepMetaPSICOV
DeepMetaPSICOV ሌላው የፕሮቲን ግንኙነት ካርታዎችን በመተንበይ ላይ የሚያተኩር መሳሪያ ነው። እነዚህ, የፕሮቲን እጥፋትን ለመተንበይ እንደ መመሪያ ይጠቀማሉ. ይጠቀማል ጥልቀት ያለው ትምህርት በፕሮቲን ውስጥ የተረፈውን መስተጋብር የመተንበይ ዘዴዎች።
እነዚህ በመቀጠል አጠቃላይ የእውቂያ ካርታውን ለመተንበይ ያገለግላሉ። DeepMetaPSICOV ቀደምት አቀራረቦች ሳይሳኩ ቢቀሩም የፕሮቲን አወቃቀሮችን በከፍተኛ ትክክለኛነት የመተንበይ አቅም አሳይቷል።
የወደፊቱ ጊዜ ምን ይሆናል?
የወደፊቱ የ AI ፕሮቲን እጥፋት ብሩህ ነው. ጥልቅ ትምህርትን መሰረት ያደረጉ ስልተ ቀመሮች፣ በተለይም AlphaFold2፣ በቅርቡ የፕሮቲን አወቃቀሮችን በአስተማማኝ ሁኔታ በመተንበይ ትልቅ እድገት አሳይተዋል።
ይህ ግኝት የሳይንስ ሊቃውንት የፕሮቲን አወቃቀሮችን እና ተግባራቸውን በደንብ እንዲረዱ በመፍቀድ የመድሃኒት እድገትን የመለወጥ አቅም አለው, እነዚህም የተለመዱ የሕክምና ዒላማዎች ናቸው.
ቢሆንም፣ እንደ የፕሮቲን ውስብስቦች መተንበይ እና የሚጠበቁ መዋቅሮችን ትክክለኛ የስራ ሁኔታ ማወቅ ያሉ ጉዳዮች ይቀራሉ። እነዚህን ጉዳዮች ለመፍታት እና የ AI ፕሮቲን መታጠፍ ስልተ ቀመሮችን ትክክለኛነት እና አስተማማኝነት ለመጨመር ተጨማሪ ምርምር ያስፈልጋል።
ሆኖም የዚህ ቴክኖሎጂ ጥቅሞች እጅግ በጣም ብዙ ናቸው, እና የበለጠ ውጤታማ እና ትክክለኛ መድሃኒቶችን ለማምረት የሚያስችል አቅም አለው.
መልስ ይስጡ