Ի՞նչ կլիներ, եթե մենք կարողանայինք արհեստական ինտելեկտով պատասխանել կյանքի ամենամեծ առեղծվածներից մեկին` սպիտակուցների ծալմանը: Գիտնականները դրա վրա աշխատել են տասնամյակներ շարունակ:
Մեքենաներն այժմ կարող են զարմանալի ճշգրտությամբ կանխատեսել սպիտակուցային կառուցվածքները՝ օգտագործելով խորը ուսուցման մոդելները, փոխելով դեղերի զարգացումը, կենսատեխնոլոգիան և հիմնարար կենսաբանական գործընթացների մեր գիտելիքները:
Միացե՛ք ինձ արհեստական ինտելեկտի սպիտակուցների ծալման ինտրիգային ոլորտի հետախուզմանը, որտեղ առաջադեմ տեխնոլոգիան բախվում է բուն կյանքի բարդությանը:
Սպիտակուցների ծալման առեղծվածի բացահայտում
Սպիտակուցները մեր մարմնում աշխատում են փոքր մեքենաների նման՝ իրականացնելու կարևորագույն խնդիրներ, ինչպիսիք են սննդի քայքայումը կամ թթվածնի տեղափոխումը: Նրանք պետք է ճիշտ ծալվեն, որպեսզի արդյունավետ գործեն, ճիշտ այնպես, ինչպես բանալին պետք է ճիշտ կտրված լինի՝ կողպեքի մեջ տեղավորվելու համար: Հենց որ սպիտակուցը ստեղծվում է, սկսվում է շատ բարդ ծալման գործընթաց։
Սպիտակուցի ծալումն այն գործընթացն է, որով ամինաթթուների երկար շղթաները՝ սպիտակուցի կառուցման բլոկները, ծալվում են եռաչափ կառուցվածքների, որոնք թելադրում են սպիտակուցի գործառույթը:
Մտածեք ուլունքների երկար շարանը, որը պետք է պատվիրել ճշգրիտ ձևով. սա այն է, ինչ տեղի է ունենում, երբ սպիտակուցը ծալվում է: Այնուամենայնիվ, ի տարբերություն ուլունքների, ամինաթթուներն ունեն յուրահատուկ հատկություններ և փոխազդում են միմյանց հետ տարբեր ձևերով՝ դարձնելով սպիտակուցի ծալումը բարդ և զգայուն գործընթաց:
Այստեղ նկարը ներկայացնում է մարդու հեմոգլոբինը, որը հայտնի ծալված սպիտակուց է
Սպիտակուցները պետք է արագ և ճշգրիտ ծալվեն, հակառակ դեպքում դրանք կդառնան սխալ ծալված և թերի: Դա կարող է հանգեցնել այնպիսի հիվանդությունների, ինչպիսիք են Ալցհեյմերը և Պարկինսոնը: Ջերմաստիճանը, ճնշումը և բջիջում այլ մոլեկուլների առկայությունը ազդում են ծալման գործընթացի վրա:
Տասնամյակների հետազոտություններից հետո գիտնականները դեռ փորձում են պարզել, թե ինչպես են սպիտակուցները ծալվում:
Բարեբախտաբար, արհեստական ինտելեկտի առաջընթացը բարելավում է ոլորտի զարգացումը: Գիտնականները կարող են կանխատեսել սպիտակուցների կառուցվածքն ավելի ճշգրիտ, քան երբևէ՝ օգտագործելով մեքենայի ուսուցման ալգորիթմներ ուսումնասիրել հսկայական ծավալի տվյալներ:
Սա կարող է փոխել դեղորայքի զարգացումը և բարձրացնել մեր մոլեկուլային գիտելիքները հիվանդության վերաբերյալ:
Կարո՞ղ են մեքենաներն ավելի լավ գործել:
Սպիտակուցների ծալման սովորական տեխնիկան սահմանափակումներ ունի
Գիտնականները տասնամյակներ շարունակ փորձում էին պարզել սպիտակուցների ծալումը, սակայն գործընթացի բարդությունը դա դժվար թեմա է դարձրել:
Սպիտակուցի կառուցվածքի կանխատեսման սովորական մոտեցումները օգտագործում են փորձարարական մեթոդոլոգիաների և համակարգչային մոդելավորման համադրություն, սակայն այս մեթոդները բոլորն էլ ունեն թերություններ:
Փորձարարական մեթոդները, ինչպիսիք են ռենտգենյան բյուրեղագրությունը և միջուկային մագնիսական ռեզոնանսը (NMR) կարող են ժամանակատար և ծախսատար լինել: Եվ համակարգչային մոդելները երբեմն հիմնվում են պարզ ենթադրությունների վրա, որոնք կարող են հանգեցնել սխալ կանխատեսումների:
AI-ն կարող է հաղթահարել այս խոչընդոտները
Բարեբախտաբար, Արհեստական բանականություն ապահովում է թարմ խոստում սպիտակուցի կառուցվածքի ավելի ճշգրիտ և արդյունավետ կանխատեսման համար: Մեքենայի ուսուցման ալգորիթմները կարող են ուսումնասիրել տվյալների հսկայական ծավալներ: Եվ նրանք բացահայտում են օրինաչափություններ, որոնք մարդիկ բաց կթողնեն:
Սա հանգեցրել է նոր ծրագրային գործիքների և հարթակների ստեղծմանը, որոնք կարող են անզուգական ճշգրտությամբ կանխատեսել սպիտակուցի կառուցվածքը:
Ամենահեռանկարային մեքենայական ուսուցման ալգորիթմները սպիտակուցի կառուցվածքի կանխատեսման համար
Google-ի կողմից ստեղծված AlphaFold համակարգը DeepMind- ը թիմն այս ոլորտում ամենախոստումնալից առաջընթացներից մեկն է: Վերջին տարիներին այն մեծ առաջընթաց է գրանցել՝ օգտագործելով խորը ուսման ալգորիթմներ կանխատեսել սպիտակուցների կառուցվածքը՝ ելնելով նրանց ամինաթթուների հաջորդականությունից։
Նյարդային ցանցերը, օժանդակ վեկտորային մեքենաները և պատահական անտառները մեքենայական ուսուցման ավելի շատ մեթոդներից են, որոնք խոստումնալից են սպիտակուցի կառուցվածքը կանխատեսելու համար:
Այս ալգորիթմները կարող են սովորել հսկայական տվյալների հավաքածուներից: Եվ նրանք կարող են կանխատեսել տարբեր ամինաթթուների փոխհարաբերությունները: Այսպիսով, եկեք տեսնենք, թե ինչպես է այն աշխատում:
Համատեղ էվոլյուցիոն վերլուծություններ և առաջին AlphaFold սերունդը
Հաջողությունը AlphaFold կառուցված է խորը նեյրոնային ցանցի մոդելի վրա, որը մշակվել է համաէվոլյուցիոն վերլուծության միջոցով: Համատեղ էվոլյուցիայի հայեցակարգը նշում է, որ եթե սպիտակուցի երկու ամինաթթուները փոխազդում են միմյանց հետ, դրանք կզարգանան միասին՝ պահպանելու իրենց ֆունկցիոնալ կապը:
Հետազոտողները կարող են հայտնաբերել, թե որ զույգ ամինաթթուները կարող են շփվել 3D կառուցվածքում` համեմատելով բազմաթիվ նմանատիպ սպիտակուցների ամինաթթուների հաջորդականությունը:
Այս տվյալները ծառայում են որպես AlphaFold-ի առաջին կրկնության հիմքը: Այն կանխատեսում է ամինաթթուների զույգերի երկարությունները, ինչպես նաև դրանք կապող պեպտիդային կապերի անկյունները։ Այս մեթոդը գերազանցեց սպիտակուցի կառուցվածքը հաջորդականությունից կանխատեսելու բոլոր նախկին մոտեցումները, թեև ճշգրտությունը դեռևս սահմանափակված էր ակնհայտ ձևանմուշներ չունեցող սպիտակուցների համար:
AlphaFold 2. Արմատապես նոր մեթոդաբանություն
AlphaFold2-ը DeepMind-ի կողմից ստեղծված համակարգչային ծրագիր է, որն օգտագործում է սպիտակուցի ամինաթթուների հաջորդականությունը՝ կանխատեսելու սպիտակուցի 3D կառուցվածքը:
Սա նշանակալի է, քանի որ սպիտակուցի կառուցվածքը թելադրում է, թե ինչպես է այն գործում, և դրա գործառույթը հասկանալը կարող է օգնել գիտնականներին դեղամիջոցներ մշակել, որոնք ուղղված են սպիտակուցին:
AlphaFold2 նեյրոնային ցանցը որպես մուտք է ստանում սպիտակուցի ամինաթթուների հաջորդականությունը, ինչպես նաև մանրամասներ այն մասին, թե ինչպես է այդ հաջորդականությունը համեմատվում տվյալների բազայի այլ հաջորդականությունների հետ (սա կոչվում է «հաջորդականության հավասարեցում»):
Նյարդային ցանցը կանխատեսում է անում սպիտակուցի 3D կառուցվածքի մասին՝ հիմնվելով այս տվյալների վրա:
Ի՞նչն է այն առանձնացնում AlphaFold2-ից:
Ի տարբերություն այլ մոտեցումների, AlphaFold2-ը կանխատեսում է սպիտակուցի իրական 3D կառուցվածքը, այլ ոչ թե զուտ ամինաթթուների զույգերի բաժանումը կամ դրանք միացնող կապերի միջև եղած անկյունները (ինչպես անում էին նախկին ալգորիթմները):
Որպեսզի նեյրոնային ցանցը միանգամից ակնկալի ամբողջական կառուցվածքը, կառուցվածքը կոդավորված է ծայրից ծայր:
AlphaFold2-ի մեկ այլ հիմնական հատկանիշն այն է, որ այն առաջարկում է գնահատական, թե որքան վստահ է իր կանխատեսմանը: Սա ներկայացված է որպես գունային կոդավորում ակնկալվող կառուցվածքի վրա, կարմիրը ներկայացնում է բարձր վստահություն, իսկ կապույտը՝ ցածր վստահություն:
Սա օգտակար է, քանի որ այն տեղեկացնում է գիտնականներին կանխատեսման կայունության մասին:
Մի քանի հաջորդականությունների համակցված կառուցվածքի կանխատեսում
Alphafold2-ի վերջին ընդլայնումը, որը հայտնի է որպես Alphafold Multimer, կանխատեսում է մի քանի հաջորդականությունների համակցված կառուցվածքը: Այն դեռևս ունի սխալների բարձր տոկոսադրույքներ, նույնիսկ եթե այն շատ ավելի լավ է գործում, քան նախկին մեթոդները: 25 սպիտակուցային համալիրներից ընդամենը 4500%-ը հաջողությամբ կանխատեսվել է:
Կոնտակտային ձևավորման կոպիտ շրջանների 70%-ը ճիշտ էր կանխատեսվել, սակայն երկու սպիտակուցների հարաբերական կողմնորոշումը սխալ էր: Երբ հավասարեցման միջին խորությունը մոտավորապես 30 հաջորդականությունից պակաս է, Alphafold մուլտիմերային կանխատեսումների ճշգրտությունը զգալիորեն նվազում է:
Ինչպես օգտագործել Alphafold կանխատեսումները
AlphaFold-ի կանխատեսված մոդելները առաջարկվում են նույն ֆայլի ձևաչափերով և կարող են օգտագործվել նույն ձևերով, ինչպես փորձարարական կառույցները: Շատ կարևոր է հաշվի առնել մոդելի հետ առաջարկվող ճշգրտության գնահատականները՝ թյուրիմացությունները կանխելու համար:
Այն հատկապես օգտակար է բարդ կառուցվածքների համար, ինչպիսիք են միահյուսված հոմոմերները կամ սպիտակուցները, որոնք միայն ծալվում են
անհայտ լիգանդ.
Որոշ մարտահրավերներ
Կանխատեսված կառուցվածքների օգտագործման հիմնական խնդիրն է հասկանալ դինամիկան, լիգանդի ընտրողականությունը, վերահսկումը, ալոստերիան, հետթարգմանական փոփոխությունները և կապի կինետիկան՝ առանց սպիտակուցների և կենսաֆիզիկական տվյալների հասանելիության:
մեքենա ուսուցման և ֆիզիկայի վրա հիմնված մոլեկուլային դինամիկայի հետազոտությունը կարող է օգտագործվել այս խնդիրը հաղթահարելու համար:
Այս հետազոտությունները կարող են օգուտ քաղել մասնագիտացված և արդյունավետ համակարգչային ճարտարապետությունից: Թեև AlphaFold-ը հսկայական առաջընթացի է հասել սպիտակուցային կառուցվածքների կանխատեսման հարցում, դեռ շատ բան կա սովորելու կառուցվածքային կենսաբանության ոլորտում, և AlphaFold-ի կանխատեսումները միայն ապագա ուսումնասիրության մեկնարկային կետն են:
Որոնք են այլ ուշագրավ գործիքներ:
RoseTTAFold
RoseTTAFold-ը, որը ստեղծվել է Վաշինգտոնի համալսարանի հետազոտողների կողմից, նույնպես օգտագործում է խորը ուսուցման ալգորիթմներ՝ սպիտակուցային կառուցվածքները կանխատեսելու համար, բայց այն նաև ինտեգրում է նոր մոտեցում, որը հայտնի է որպես «ոլորման անկյան դինամիկայի սիմուլյացիաներ»՝ կանխատեսված կառուցվածքները բարելավելու համար:
Այս մեթոդը տվել է հուսադրող արդյունքներ և կարող է օգտակար լինել AI սպիտակուցի ծալման առկա գործիքների սահմանափակումները հաղթահարելու համար:
trRosetta
Մեկ այլ գործիք՝ trRosetta-ն, կանխատեսում է սպիտակուցի ծալում՝ օգտագործելով a նյարդային ցանց մարզվել է միլիոնավոր սպիտակուցային հաջորդականությունների և կառուցվածքների վրա:
Այն նաև օգտագործում է «կաղապարների վրա հիմնված մոդելավորման» տեխնիկա՝ ավելի ճշգրիտ կանխատեսումներ ստեղծելու համար՝ համեմատելով թիրախային սպիտակուցը համեմատելի հայտնի կառուցվածքների հետ:
Ապացուցված է, որ trRosetta-ն ի վիճակի է կանխատեսել մանր սպիտակուցների և սպիտակուցային բարդույթների կառուցվածքը:
DeepMetaPSICOV
DeepMetaPSICOV-ը ևս մեկ գործիք է, որը կենտրոնանում է սպիտակուցների կոնտակտային քարտեզների կանխատեսման վրա: Դրանք օգտագործվում են որպես սպիտակուցի ծալման կանխատեսման ուղեցույց: Այն օգտագործում է խորը ուսուցում Սպիտակուցի ներսում մնացորդային փոխազդեցության հավանականությունը կանխատեսելու մոտեցումներ:
Դրանք հետագայում օգտագործվում են ընդհանուր կոնտակտային քարտեզը կանխատեսելու համար: DeepMetaPSICOV-ը ցույց է տվել մեծ ճշգրտությամբ սպիտակուցային կառուցվածքները կանխատեսելու ներուժ, նույնիսկ երբ նախորդ մոտեցումները ձախողվել են:
Ի՞նչ է սպասվում ապագան
AI սպիտակուցների ծալման ապագան պայծառ է: Խորը ուսուցման վրա հիմնված ալգորիթմները, հատկապես AlphaFold2-ը, վերջերս մեծ առաջընթաց են գրանցել սպիտակուցային կառուցվածքների հուսալի կանխատեսման գործում:
Այս բացահայտումը կարող է փոխակերպել դեղամիջոցների զարգացումը` թույլ տալով գիտնականներին ավելի լավ հասկանալ սպիտակուցների կառուցվածքն ու գործառույթը, որոնք ընդհանուր թերապևտիկ թիրախներ են:
Այնուամենայնիվ, խնդիրներ, ինչպիսիք են սպիտակուցային համալիրների կանխատեսումը և սպասվող կառույցների իրական ֆունկցիոնալ կարգավիճակի հայտնաբերումը, մնում են: Ավելի շատ հետազոտություններ են պահանջվում այս խնդիրները լուծելու և AI սպիտակուցների ծալման ալգորիթմների ճշգրտությունն ու հուսալիությունը բարձրացնելու համար:
Այնուամենայնիվ, այս տեխնոլոգիայի հնարավոր օգուտները հսկայական են, և այն կարող է հանգեցնել ավելի արդյունավետ և ճշգրիտ դեղամիջոցների արտադրությանը:
Թողնել գրառում