Beth pe gallem ddefnyddio deallusrwydd artiffisial i ateb un o ddirgelion mwyaf bywyd - plygu protein? Mae gwyddonwyr wedi bod yn gweithio ar hyn ers degawdau.
Gall peiriannau nawr ragweld strwythurau protein yn fanwl gywir gan ddefnyddio modelau dysgu dwfn, gan newid datblygiad cyffuriau, biotechnoleg, a'n gwybodaeth am brosesau biolegol sylfaenol.
Ymunwch â mi ar archwiliad i faes diddorol plygu protein AI, lle mae technoleg flaengar yn gwrthdaro â chymhlethdod bywyd ei hun.
Datrys Dirgelwch Plygu Protein
Mae proteinau yn gweithio yn ein cyrff fel peiriannau bach i gyflawni tasgau hanfodol fel torri bwyd i lawr neu gludo ocsigen. Rhaid eu plygu'n gywir er mwyn iddynt weithio'n effeithiol, yn union fel rhaid torri allwedd yn gywir i ffitio i mewn i glo. Cyn gynted ag y bydd y protein yn cael ei greu, mae proses blygu gymhleth iawn yn dechrau.
Plygiad protein yw'r broses lle mae cadwyni hir o asidau amino, sef blociau adeiladu'r protein, yn plygu i strwythurau tri dimensiwn sy'n pennu swyddogaeth y protein.
Ystyriwch linyn hirfaith o fwclis y mae'n rhaid eu trefnu'n union; dyma sy'n digwydd pan fydd protein yn plygu. Ac eto, yn wahanol i gleiniau, mae gan asidau amino nodweddion unigryw ac maent yn rhyngweithio â'i gilydd mewn gwahanol ffyrdd, gan wneud plygu protein yn broses gymhleth a sensitif.
Mae'r llun yma yn cynrychioli haemoglobin dynol, sy'n brotein plygu adnabyddus
Rhaid i broteinau blygu'n gyflym ac yn fanwl gywir, neu fe fyddant yn mynd yn anghywir ac yn ddiffygiol. Gallai hynny arwain at salwch fel Alzheimer’s a Parkinson’s. Mae tymheredd, pwysau, a phresenoldeb moleciwlau eraill yn y gell i gyd yn cael effaith ar y broses blygu.
Ar ôl degawdau o ymchwil, mae gwyddonwyr yn dal i geisio darganfod yn union sut mae proteinau'n plygu.
Diolch byth, mae datblygiadau mewn deallusrwydd artiffisial yn gwella datblygiad yn y sector. Gall gwyddonwyr ragweld strwythur proteinau yn fwy cywir nag erioed o'r blaen trwy ddefnyddio algorithmau dysgu peiriannau i archwilio symiau enfawr o ddata.
Mae gan hyn y potensial i newid datblygiad meddyginiaeth a chynyddu ein gwybodaeth foleciwlaidd o'r salwch.
A all Peiriannau Berfformio'n Well?
Mae Cyfyngiadau i Dechnegau Plygu Protein Confensiynol
Mae gwyddonwyr wedi bod yn ceisio darganfod plygu protein ers degawdau, ond mae cymhlethdod y broses wedi gwneud hwn yn bwnc heriol.
Mae dulliau rhagfynegi strwythur protein confensiynol yn defnyddio cyfuniad o fethodolegau arbrofol a modelu cyfrifiadurol, fodd bynnag, mae anfanteision i'r dulliau hyn i gyd.
Gall technegau arbrofol fel crisialeg pelydr-X a chyseiniant magnetig niwclear (NMR) gymryd llawer o amser a chostus. Ac, mae modelau cyfrifiadurol weithiau'n dibynnu ar ragdybiaethau syml, a all arwain at ragfynegiadau gwallus.
Gall AI Oresgyn y Rhwystrau Hyn
Yn ffodus, deallusrwydd artiffisial yn darparu addewid newydd ar gyfer rhagfynegiad strwythur protein mwy cywir ac effeithlon. Gall algorithmau dysgu peiriant archwilio symiau enfawr o ddata. Ac, maen nhw'n datgelu patrymau y byddai pobl yn eu colli.
Mae hyn wedi arwain at greu offer meddalwedd a llwyfannau newydd sy'n gallu rhagfynegi strwythur protein yn fanwl gywir heb ei ail.
Yr Algorithmau Dysgu Peiriannau Mwyaf Addawol ar gyfer Rhagfynegi Strwythur Protein
Y system AlphaFold a adeiladwyd gan Google DeepMind tîm yw un o'r datblygiadau mwyaf addawol yn y maes hwn. Mae wedi ennill cynnydd mawr yn y blynyddoedd diwethaf trwy ddefnyddio algorithmau dysgu dwfn i ragfynegi adeiledd proteinau yn seiliedig ar eu dilyniannau asid amino.
Mae rhwydweithiau niwral, peiriannau fector cymorth, a choedwigoedd ar hap ymhlith mwy o ddulliau dysgu peiriannau sy'n dangos addewid ar gyfer rhagfynegi strwythur protein.
Gall yr algorithmau hyn ddysgu o setiau data enfawr. A gallant ragweld y cydberthynas rhwng gwahanol asidau amino. Felly, gadewch i ni weld sut mae'n gweithio.
Dadansoddiadau Cyd-esblygiadol a'r Genhedlaeth AlphaFold Gyntaf
Mae llwyddiant AlphaPlyg wedi'i adeiladu ar fodel rhwydwaith niwral dwfn a ddatblygwyd gan ddefnyddio dadansoddiad cyd-esblygiadol. Mae'r cysyniad o gyd-esblygiad yn nodi os bydd dau asid amino mewn protein yn rhyngweithio â'i gilydd, byddant yn datblygu gyda'i gilydd i gadw eu cyswllt swyddogaethol.
Gall ymchwilwyr ganfod pa barau o asidau amino sy'n debygol o fod mewn cysylltiad yn y strwythur 3D trwy gymharu dilyniannau asid amino nifer o broteinau tebyg.
Mae'r data hwn yn sylfaen ar gyfer iteriad cyntaf AlphaFold. Mae'n rhagweld yr hydoedd rhwng parau asid amino yn ogystal ag onglau'r bondiau peptid sy'n eu cysylltu. Perfformiodd y dull hwn yn well na'r holl ddulliau blaenorol ar gyfer rhagfynegi strwythur protein o ddilyniant, er bod cywirdeb yn dal i fod yn gyfyngedig ar gyfer proteinau heb unrhyw dempledi ymddangosiadol.
AlphaFold 2: Methodoleg Radical Newydd
Meddalwedd cyfrifiadurol yw AlphaFold2 a grëwyd gan DeepMind sy'n defnyddio dilyniant asid amino protein i ragfynegi strwythur 3D y protein.
Mae hyn yn arwyddocaol oherwydd bod strwythur protein yn pennu sut mae'n gweithredu, a gall deall ei swyddogaeth helpu gwyddonwyr i ddatblygu meddyginiaethau sy'n targedu'r protein.
Mae rhwydwaith niwral AlphaFold2 yn derbyn dilyniant asid amino y protein fel mewnbwn yn ogystal â manylion am sut mae'r dilyniant hwnnw'n cymharu â dilyniannau eraill mewn cronfa ddata (gelwir hyn yn “aliniad dilyniant”).
Mae'r rhwydwaith niwral yn rhagfynegi strwythur 3D y protein yn seiliedig ar y mewnbwn hwn.
Beth sy'n ei Gosod ar wahân i AlphaFold2?
Mewn cyferbyniad â dulliau eraill, mae AlphaFold2 yn rhagweld strwythur 3D go iawn y protein yn hytrach na dim ond y gwahaniad rhwng parau o asidau amino neu'r onglau rhwng y bondiau sy'n eu cysylltu (fel y gwnaeth algorithmau blaenorol).
Er mwyn i'r rhwydwaith niwral ragweld y strwythur llawn ar unwaith, mae'r strwythur wedi'i amgodio pen-i-ben.
Nodwedd allweddol arall o AlphaFold2 yw ei fod yn cynnig amcangyfrif o ba mor hyderus ydyw yn ei ragolwg. Cyflwynir hwn fel cod lliw ar y strwythur a ragwelir, gyda choch yn cynrychioli hyder uchel a glas yn awgrymu hyder isel.
Mae hyn yn ddefnyddiol gan ei fod yn hysbysu gwyddonwyr am sefydlogrwydd y rhagfynegiad.
Rhagweld Strwythur Cyfunol Sawl Dilyniant
Mae ehangiad diweddaraf Alphafold2, a elwir yn Alphafold Multimer, yn rhagweld strwythur cyfunol sawl dilyniant. Mae ganddo gyfraddau camgymeriad uchel o hyd hyd yn oed os yw'n perfformio'n llawer gwell na thechnegau cynharach. Dim ond % 25 o 4500 o gyfadeiladau protein a ragwelwyd yn llwyddiannus.
Rhagfynegwyd 70% o'r rhanbarthau garw o ffurfio cyswllt yn gywir, ond roedd cyfeiriadedd cymharol y ddau brotein yn anghywir. Pan fo dyfnder yr aliniad canolrif yn llai na thua 30 o ddilyniannau, mae cywirdeb rhagfynegiadau amlmer Alphafold yn gostwng yn sylweddol.
Sut i Ddefnyddio Rhagfynegiadau Alphafold
Mae'r modelau a ragwelir o AlphaFold yn cael eu cynnig yn yr un fformatau ffeil a gellir eu defnyddio yn yr un ffyrdd â strwythurau arbrofol. Mae'n hanfodol cymryd i ystyriaeth yr amcangyfrifon cywirdeb a gynigir gyda'r model er mwyn atal camddealltwriaeth.
Mae'n arbennig o ddefnyddiol ar gyfer strwythurau cymhleth fel homomerau wedi'u cydblethu neu broteinau sydd ond yn plygu ym mhresenoldeb an
ligand anhysbys.
Rhai Heriau
Y brif broblem wrth ddefnyddio strwythurau rhagfynegedig yw deall deinameg, detholedd ligand, rheolaeth, alosteri, newidiadau ôl-gyfieithu, a chineteg rhwymo heb fynediad at ddata protein a bioffisegol.
Dysgu peiriant a gellir defnyddio ymchwil deinameg moleciwlaidd sy'n seiliedig ar ffiseg i oresgyn y broblem hon.
Gallai'r ymchwiliadau hyn elwa o saernïaeth gyfrifiadurol arbenigol ac effeithlon. Er bod AlphaFold wedi cyflawni datblygiadau aruthrol wrth ragweld strwythurau protein, mae llawer i'w ddysgu o hyd ym maes bioleg strwythurol, a dim ond man cychwyn ar gyfer astudio yn y dyfodol yw rhagfynegiadau AlphaFold.
Beth yw Offer Rhyfeddol Eraill?
RoseTTAFold
Mae RoseTTAFold, a grëwyd gan ymchwilwyr Prifysgol Washington, yn yr un modd yn defnyddio algorithmau dysgu dwfn i ragfynegi strwythurau protein, ond mae hefyd yn integreiddio dull newydd a elwir yn “efelychiadau deinameg ongl dirdro” i wella'r strwythurau a ragwelir.
Mae'r dull hwn wedi esgor ar ganlyniadau calonogol a gall fod yn ddefnyddiol i oresgyn cyfyngiadau offer plygu protein AI presennol.
trRosetta
Mae offeryn arall, trRosetta, yn rhagweld plygu protein trwy ddefnyddio a rhwydwaith nefol hyfforddi ar filiynau o ddilyniannau a strwythurau protein.
Mae hefyd yn defnyddio techneg “modelu seiliedig ar dempled” i greu rhagfynegiadau mwy manwl gywir trwy gymharu'r protein targed â strwythurau hysbys tebyg.
Dangoswyd bod trRosetta yn gallu rhagweld strwythurau proteinau bach a chymhlygion protein.
DeepMetaPSICOV
Offeryn arall yw DeepMetaPSICOV sy'n canolbwyntio ar ragweld mapiau cyswllt protein. Defnyddir y rhain fel canllaw i ragweld plygu protein. Mae'n defnyddio dysgu dwfn dulliau o ragweld y tebygolrwydd o ryngweithio gweddillion y tu mewn i brotein.
Defnyddir y rhain wedyn i ragweld y map cyswllt cyffredinol. Mae DeepMetaPSICOV wedi dangos potensial wrth ragweld strwythurau protein gyda chywirdeb mawr, hyd yn oed pan fydd dulliau blaenorol wedi methu.
Beth Mae'r Dyfodol yn Ei Ddal?
Mae dyfodol plygu protein AI yn ddisglair. Mae algorithmau dwfn seiliedig ar ddysgu, yn enwedig AlphaFold2, wedi gwneud cynnydd mawr yn ddiweddar wrth ragweld strwythurau protein yn ddibynadwy.
Mae gan y canfyddiad hwn y potensial i drawsnewid datblygiad cyffuriau trwy ganiatáu i wyddonwyr ddeall yn well strwythur a swyddogaeth proteinau, sy'n dargedau therapiwtig cyffredin.
Serch hynny, erys materion fel rhagweld cyfadeiladau protein a chanfod statws swyddogaethol gwirioneddol strwythurau a ragwelir. Mae angen mwy o ymchwil i ddatrys y materion hyn a chynyddu cywirdeb a dibynadwyedd algorithmau plygu protein AI.
Eto i gyd, mae manteision posibl y dechnoleg hon yn enfawr, ac mae ganddo'r potensial i arwain at gynhyrchu meddyginiaethau mwy effeithiol a manwl gywir.
Gadael ymateb