Bəs süni intellektdən həyatın ən böyük sirlərindən birinə - zülal qatlanmasına cavab vermək üçün istifadə edə bilsək nə olardı? Elm adamları bunun üzərində onilliklər ərzində çalışırlar.
Maşınlar indi dərin öyrənmə modellərindən istifadə edərək, dərmanların hazırlanmasını, biotexnologiyanı və fundamental bioloji proseslər haqqında biliklərimizi dəyişdirərək zülal strukturlarını heyrətamiz dəqiqliklə proqnozlaşdıra bilir.
Ən müasir texnologiyanın həyatın mürəkkəbliyi ilə toqquşduğu süni intellekt zülal qatlanmasının maraqlı sahəsinə kəşfiyyata qoşulun.
Zülal qatlanmasının sirrinin açılması
Zülallar bədənimizdə qida parçalamaq və ya oksigeni daşımaq kimi mühüm vəzifələri yerinə yetirmək üçün kiçik maşınlar kimi işləyir. Effektiv işləməsi üçün onlar düzgün şəkildə qatlanmalıdırlar, necə ki, açarın kilidə sığması üçün düzgün kəsilməlidir. Zülal yaranan kimi çox mürəkkəb bir bükülmə prosesi başlayır.
Zülal qatlanması zülalın quruluş blokları olan amin turşularının uzun zəncirlərinin zülalın funksiyasını diktə edən üçölçülü strukturlara qatlanması prosesidir.
Dəqiq formada sifariş edilməli olan uzun bir muncuq silsiləsini nəzərdən keçirin; bu, zülal qatlananda baş verir. Bununla belə, muncuqlardan fərqli olaraq, amin turşuları özünəməxsus xüsusiyyətlərə malikdir və bir-biri ilə müxtəlif yollarla qarşılıqlı əlaqədə olur, zülal qatlanmasını mürəkkəb və həssas bir proses edir.
Buradakı şəkil tanınmış qatlanmış zülal olan insan hemoglobinini təmsil edir
Zülallar tez və dəqiq şəkildə qatlanmalıdır, əks halda onlar səhv qatlanacaq və qüsurlu olacaqlar. Bu, Alzheimer və Parkinson kimi xəstəliklərə səbəb ola bilər. Temperatur, təzyiq və hüceyrədə digər molekulların olması bükülmə prosesinə təsir göstərir.
Onilliklər ərzində aparılan araşdırmalardan sonra alimlər hələ də zülalların necə qatlandığını anlamağa çalışırlar.
Şükürlər olsun ki, süni intellektdə irəliləyişlər sektorda inkişafı yaxşılaşdırır. Alimlər istifadə edərək zülalların quruluşunu hər zamankindən daha dəqiq təxmin edə bilirlər maşın öyrənmə alqoritmləri böyük həcmdə məlumatları araşdırmaq.
Bu, dərmanların inkişafını dəyişdirmək və xəstəlik haqqında molekulyar biliklərimizi artırmaq potensialına malikdir.
Maşınlar daha yaxşı işləyə bilərmi?
Adi Zülal Qatlama Texnikalarının Məhdudiyyətləri Var
Elm adamları onilliklərdir ki, zülalların qatlanmasını anlamağa çalışırlar, lakin prosesin mürəkkəbliyi bunu çətin bir mövzuya çevirib.
Zülal strukturunun proqnozlaşdırılması üçün ənənəvi yanaşmalar eksperimental metodologiyaların və kompüter modelləşdirməsinin birləşməsindən istifadə edir, lakin bu metodların hamısının çatışmazlıqları var.
X-ray kristalloqrafiyası və nüvə maqnit rezonansı (NMR) kimi eksperimental üsullar vaxt aparan və baha başa gələ bilər. Və kompüter modelləri bəzən səhv proqnozlara səbəb ola biləcək sadə fərziyyələrə əsaslanır.
Süni intellekt bu maneələri dəf edə bilər
Xoşbəxtlikdən, süni intellekt daha dəqiq və səmərəli protein strukturunun proqnozlaşdırılması üçün təzə vəd verir. Maşın öyrənmə alqoritmləri böyük həcmdə məlumatları araşdıra bilər. Və insanların darıxacağı nümunələri ortaya qoyurlar.
Bu, zülal strukturunu misilsiz dəqiqliklə proqnozlaşdıra bilən yeni proqram vasitələri və platformalarının yaradılması ilə nəticələndi.
Protein strukturunun proqnozlaşdırılması üçün ən perspektivli maşın öyrənmə alqoritmləri
Google tərəfindən qurulmuş AlphaFold sistemi DeepMind komanda bu sahədə ən perspektivli irəliləyişlərdən biridir. İstifadə etməklə son illərdə böyük irəliləyiş əldə etmişdir dərin öyrənmə alqoritmləri amin turşusu ardıcıllığına əsasən zülalların quruluşunu proqnozlaşdırmaq.
Neyron şəbəkələri, dəstək vektor maşınları və təsadüfi meşələr zülal strukturunu proqnozlaşdırmaq üçün vəd verən daha çox maşın öyrənmə üsulları arasındadır.
Bu alqoritmlər nəhəng verilənlər bazasından öyrənə bilər. Və onlar müxtəlif amin turşuları arasındakı əlaqəni təxmin edə bilirlər. Beləliklə, bunun necə işlədiyini görək.
Birgə təkamül analizləri və İlk AlphaFold Nəsil
Uğuru AlphaFold birgə təkamül analizindən istifadə etməklə hazırlanmış dərin neyron şəbəkə modeli üzərində qurulub. Birgə təkamül konsepsiyası bildirir ki, bir zülaldakı iki amin turşusu bir-biri ilə qarşılıqlı əlaqədə olarsa, funksional əlaqəni saxlamaq üçün birlikdə inkişaf edəcəklər.
Tədqiqatçılar çoxsaylı oxşar zülalların amin turşusu ardıcıllığını müqayisə edərək 3D strukturda hansı cüt amin turşularının təmasda ola biləcəyini müəyyən edə bilərlər.
Bu məlumatlar AlphaFold-un ilk iterasiyası üçün əsas rolunu oynayır. O, amin turşusu cütləri arasındakı uzunluqları və onları birləşdirən peptid bağlarının açılarını proqnozlaşdırır. Bu üsul zülal strukturunu ardıcıllıqla proqnozlaşdırmaq üçün bütün əvvəlki yanaşmaları üstələdi, baxmayaraq ki, heç bir şablonu olmayan zülallar üçün dəqiqlik hələ də məhdud idi.
AlphaFold 2: Kökdən Yeni Metodologiya
AlphaFold2 zülalın 3D strukturunu proqnozlaşdırmaq üçün zülalın amin turşusu ardıcıllığından istifadə edən DeepMind tərəfindən yaradılmış kompüter proqramıdır.
Bu vacibdir, çünki zülalın quruluşu onun necə işləməsini diktə edir və onun funksiyasını başa düşmək elm adamlarına zülalı hədəfləyən dərmanlar hazırlamağa kömək edə bilər.
AlphaFold2 neyron şəbəkəsi giriş kimi zülalın amin turşusu ardıcıllığını, eləcə də həmin ardıcıllığın verilənlər bazasındakı digər ardıcıllıqla müqayisəsi haqqında təfərrüatları alır (buna “ardıcıllığın düzülməsi” deyilir).
Neyron şəbəkə bu giriş əsasında zülalın 3D strukturu haqqında proqnoz verir.
Onu AlphaFold2-dən nə ilə fərqləndirir?
Digər yanaşmalardan fərqli olaraq, AlphaFold2 amin turşuları cütləri və ya onları birləşdirən bağlar arasındakı açılar (əvvəlki alqoritmlərdə olduğu kimi) arasındakı ayrılmadan daha çox zülalın real 3D strukturunu proqnozlaşdırır.
Neyron şəbəkənin bir anda tam strukturu təxmin edə bilməsi üçün struktur uçdan-uca kodlanır.
AlphaFold2-nin başqa bir əsas xüsusiyyəti, proqnozunda nə qədər əmin olduğuna dair bir təxmin təklif etməsidir. Bu, gözlənilən strukturda rəng kodlaması kimi təqdim olunur, qırmızı yüksək inamı, mavi isə aşağı inamı ifadə edir.
Bu faydalıdır, çünki elm adamlarını proqnozun sabitliyi haqqında məlumatlandırır.
Bir neçə ardıcıllığın birləşmiş strukturunun proqnozlaşdırılması
Alphafold Multimer kimi tanınan Alphafold2-nin ən son genişləndirilməsi bir neçə ardıcıllığın birləşmiş strukturunu proqnozlaşdırır. Əvvəlki üsullardan daha yaxşı performans göstərsə də, hələ də yüksək səhv nisbətlərinə malikdir. 25 protein kompleksinin yalnız 4500%-i uğurla proqnozlaşdırıldı.
Kontakt meydana gəlməsinin kobud bölgələrinin 70% -i düzgün proqnozlaşdırıldı, lakin iki zülalın nisbi oriyentasiyası səhv idi. Median düzülmə dərinliyi təxminən 30 ardıcıllıqdan az olduqda, Alphafold multimer proqnozlarının dəqiqliyi əhəmiyyətli dərəcədə azalır.
Alphafold proqnozlarından necə istifadə etmək olar
AlphaFold-dan proqnozlaşdırılan modellər eyni fayl formatlarında təklif olunur və eksperimental strukturlarla eyni şəkildə istifadə edilə bilər. Anlaşılmazlıqların qarşısını almaq üçün modellə təklif olunan dəqiqlik təxminlərini nəzərə almaq çox vacibdir.
Xüsusilə bir-birinə qarışmış homomerlər və ya zülallar kimi mürəkkəb strukturlar üçün faydalıdır.
naməlum liqand.
Bəzi Çağırışlar
Proqnozlaşdırılan strukturların istifadəsində əsas problem zülal və biofiziki məlumatlara çıxış olmadan dinamika, liqand seçiciliyi, nəzarət, allosteriya, post-translational dəyişikliklər və bağlanmanın kinetikasını başa düşməkdir.
Maşın öyrənmək və fizikaya əsaslanan molekulyar dinamika tədqiqatı bu problemi aradan qaldırmaq üçün istifadə edilə bilər.
Bu araşdırmalar xüsusi və səmərəli kompüter arxitekturasından faydalana bilər. AlphaFold zülal strukturlarının proqnozlaşdırılmasında böyük irəliləyişlər əldə etsə də, struktur biologiya sahəsində hələ öyrənilməli çox şey var və AlphaFold proqnozları gələcək tədqiqatlar üçün yalnız başlanğıc nöqtəsidir.
Digər diqqətəlayiq alətlər hansılardır?
RoseTTAFold
Vaşinqton Universitetinin tədqiqatçıları tərəfindən yaradılan RoseTTAFold eyni şəkildə zülal strukturlarını proqnozlaşdırmaq üçün dərin öyrənmə alqoritmlərindən istifadə edir, eyni zamanda proqnozlaşdırılan strukturları təkmilləşdirmək üçün “burulma bucağı dinamikası simulyasiyaları” kimi tanınan yeni yanaşmanı birləşdirir.
Bu üsul ümidverici nəticələr verdi və mövcud AI protein qatlama alətlərinin məhdudiyyətlərini aradan qaldırmaqda faydalı ola bilər.
trRosetta
Başqa bir vasitə, trRosetta, a istifadə edərək zülal qatlanmasını proqnozlaşdırır neyron şəbəkə milyonlarla zülal ardıcıllığı və strukturları üzrə təlim keçmişdir.
O, həmçinin hədəf zülalı müqayisə edilə bilən məlum strukturlarla müqayisə edərək daha dəqiq proqnozlar yaratmaq üçün “şablon əsaslı modelləşdirmə” texnikasından istifadə edir.
trRosetta-nın kiçik zülalların və zülal komplekslərinin strukturlarını proqnozlaşdırmağa qadir olduğu nümayiş etdirilmişdir.
DeepMetaPSICOV
DeepMetaPSICOV zülallarla əlaqə xəritələrini proqnozlaşdırmağa yönəlmiş başqa bir vasitədir. Bunlar protein qatlanmasını proqnozlaşdırmaq üçün bələdçi kimi istifadə olunur. İstifadə edir dərin öyrənmə bir zülal daxilində qalıq qarşılıqlı əlaqə ehtimalını proqnozlaşdırmaq üçün yanaşmalar.
Bunlar sonradan ümumi əlaqə xəritəsini proqnozlaşdırmaq üçün istifadə olunur. DeepMetaPSICOV, əvvəlki yanaşmalar uğursuz olsa belə, zülal strukturlarını böyük dəqiqliklə proqnozlaşdırmaqda potensial nümayiş etdirdi.
Gələcək nədir?
AI protein qatlanmasının gələcəyi parlaqdır. Dərin öyrənməyə əsaslanan alqoritmlər, xüsusən AlphaFold2, zülal strukturlarını etibarlı şəkildə proqnozlaşdırmaqda bu yaxınlarda böyük irəliləyiş əldə etdi.
Bu tapıntı elm adamlarına ümumi terapevtik hədəflər olan zülalların strukturunu və funksiyasını daha yaxşı başa düşməyə imkan verməklə dərmanların inkişafını dəyişdirmək potensialına malikdir.
Buna baxmayaraq, zülal komplekslərinin proqnozlaşdırılması və gözlənilən strukturların real funksional vəziyyətinin aşkarlanması kimi məsələlər qalır. Bu problemləri həll etmək və AI protein qatlama alqoritmlərinin dəqiqliyini və etibarlılığını artırmaq üçün daha çox araşdırma tələb olunur.
Bununla belə, bu texnologiyanın potensial faydaları çox böyükdür və o, daha effektiv və dəqiq dərmanların istehsalına səbəb ola bilər.
Cavab yaz