რა მოხდება, თუ შეგვეძლო გამოვიყენოთ ხელოვნური ინტელექტი ცხოვრების ერთ-ერთ უდიდეს საიდუმლოებაზე პასუხის გასაცემად - ცილების დასაკეცი? მეცნიერები ამაზე ათწლეულების განმავლობაში მუშაობდნენ.
მანქანებს ახლა შეუძლიათ ცილის სტრუქტურების პროგნოზირება საოცარი სიზუსტით ღრმა სწავლის მოდელების გამოყენებით, წამლების განვითარების, ბიოტექნოლოგიის და ფუნდამენტური ბიოლოგიური პროცესების შესახებ ჩვენი ცოდნის შეცვლა.
შემომიერთდით AI პროტეინის დასაკეცი დამაინტრიგებელი სფეროს შესწავლაში, სადაც უახლესი ტექნოლოგია ეჯახება თავად ცხოვრების სირთულეს.
ცილის დაკეცვის საიდუმლოს ამოხსნა
პროტეინები ჩვენს სხეულში მუშაობს, როგორც პატარა მანქანები, რათა შეასრულონ გადამწყვეტი ამოცანები, როგორიცაა საკვების დაშლა ან ჟანგბადის ტრანსპორტირება. ისინი სწორად უნდა იყოს დაკეცილი, რომ ეფექტურად იმუშაონ, ისევე, როგორც გასაღები სწორად უნდა იყოს მოჭრილი, რომ საკეტში მოთავსდეს. ცილის შექმნისთანავე იწყება ძალიან რთული დაკეცვის პროცესი.
ცილის დაკეცვა არის პროცესი, რომლის დროსაც ამინომჟავების გრძელი ჯაჭვები, ცილის სამშენებლო ბლოკები, იკეცება სამგანზომილებიან სტრუქტურებად, რომლებიც კარნახობენ ცილის ფუნქციას.
განვიხილოთ მძივების გრძელი სტრიქონი, რომელიც უნდა იყოს შეკვეთილი ზუსტი ფორმით; ეს არის ის, რაც ხდება, როდესაც ცილა იკეცება. მიუხედავად ამისა, მძივებისგან განსხვავებით, ამინომჟავებს აქვთ უნიკალური მახასიათებლები და ურთიერთქმედებენ ერთმანეთთან სხვადასხვა გზით, რაც ცილის დაკეცვას რთულ და მგრძნობიარე პროცესად აქცევს.
აქ სურათზე წარმოდგენილია ადამიანის ჰემოგლობინი, რომელიც არის ცნობილი დაკეცილი ცილა
ცილები სწრაფად და ზუსტად უნდა დაიკეცოს, წინააღმდეგ შემთხვევაში ისინი გახდებიან არასწორად და დეფექტური. ამან შეიძლება გამოიწვიოს ისეთი დაავადებები, როგორიცაა ალცჰეიმერი და პარკინსონი. ტემპერატურა, წნევა და უჯრედში სხვა მოლეკულების არსებობა ყველა გავლენას ახდენს დაკეცვის პროცესზე.
ათწლეულების კვლევის შემდეგ, მეცნიერები ჯერ კიდევ ცდილობენ გაარკვიონ, თუ როგორ იკეცება ცილები.
საბედნიეროდ, ხელოვნური ინტელექტის მიღწევები აუმჯობესებს განვითარებას სექტორში. მეცნიერებს შეუძლიათ გამოიყენონ ცილების სტრუქტურა უფრო ზუსტად, ვიდრე ოდესმე მანქანა სწავლების ალგორითმები დიდი მოცულობის მონაცემების შესამოწმებლად.
ამან შეიძლება შეცვალოს მედიკამენტების განვითარება და გაზარდოს ჩვენი მოლეკულური ცოდნა ამ დაავადების შესახებ.
შეუძლიათ თუ არა მანქანებს უკეთესად მუშაობა?
ცილის დაკეცვის ჩვეულებრივ ტექნიკას აქვს შეზღუდვები
მეცნიერები ათწლეულების განმავლობაში ცდილობდნენ ცილის დაკეცვის გარკვევას, მაგრამ პროცესის სირთულემ ეს რთულ საკითხად აქცია.
ცილის სტრუქტურის პროგნოზირების ჩვეულებრივი მიდგომები იყენებს ექსპერიმენტული მეთოდოლოგიებისა და კომპიუტერული მოდელირების კომბინაციას, თუმცა, ყველა ამ მეთოდს აქვს ნაკლოვანებები.
ექსპერიმენტული ტექნიკა, როგორიცაა რენტგენის კრისტალოგრაფია და ბირთვული მაგნიტური რეზონანსი (NMR) შეიძლება იყოს შრომატევადი და ძვირი. და, კომპიუტერული მოდელები ზოგჯერ ეყრდნობა მარტივ ვარაუდებს, რამაც შეიძლება გამოიწვიოს მცდარი პროგნოზები.
AI-ს შეუძლია გადალახოს ეს დაბრკოლებები
საბედნიეროდ, ხელოვნური ინტელექტი უზრუნველყოფს ახალ დაპირებას ცილის სტრუქტურის უფრო ზუსტი და ეფექტური პროგნოზირებისთვის. მანქანათმცოდნეობის ალგორითმებს შეუძლიათ მონაცემთა დიდი მოცულობის შემოწმება. და, ისინი აღმოაჩენენ ნიმუშებს, რომლებიც ხალხს გამოტოვებს.
ამან გამოიწვია ახალი პროგრამული ინსტრუმენტების და პლატფორმების შექმნა, რომლებსაც შეუძლიათ ცილის სტრუქტურის წინასწარმეტყველება შეუდარებელი სიზუსტით.
ყველაზე პერსპექტიული მანქანათმცოდნეობის ალგორითმები ცილის სტრუქტურის პროგნოზირებისთვის
Google-ის მიერ აშენებული AlphaFold სისტემა Deepmind გუნდი ერთ-ერთი ყველაზე პერსპექტიული წინსვლაა ამ სფეროში. ბოლო წლებში მან დიდი პროგრესი მოიპოვა გამოყენებით ღრმა სწავლის ალგორითმები ცილების სტრუქტურის პროგნოზირება მათი ამინომჟავების თანმიმდევრობის საფუძველზე.
ნერვული ქსელები, დამხმარე ვექტორული მანქანები და შემთხვევითი ტყეები მანქანური სწავლების უფრო მეტ მეთოდებს შორისაა, რომლებიც გვპირდებიან ცილის სტრუქტურის პროგნოზირებას.
ამ ალგორითმებს შეუძლიათ ისწავლონ უზარმაზარი მონაცემთა ნაკრებიდან. და მათ შეუძლიათ წინასწარ განსაზღვრონ კორელაცია სხვადასხვა ამინომჟავებს შორის. ასე რომ, ვნახოთ, როგორ მუშაობს.
თანაევოლუციური ანალიზები და პირველი ალფაფოლდის თაობა
წარმატებები ალფაფოლდი აგებულია ღრმა ნერვული ქსელის მოდელზე, რომელიც შემუშავდა კოევოლუციური ანალიზის გამოყენებით. კოევოლუციის კონცეფცია ამბობს, რომ თუ ცილაში ორი ამინომჟავა ურთიერთქმედებს ერთმანეთთან, ისინი ერთად განვითარდებიან, რათა შეინარჩუნონ თავიანთი ფუნქციური კავშირი.
მკვლევარებს შეუძლიათ ამოიცნონ ამინომჟავების რომელი წყვილი შეიძლება იყოს შეხებაში 3D სტრუქტურაში მრავალი მსგავსი ცილის ამინომჟავების თანმიმდევრობების შედარებით.
ეს მონაცემები ემსახურება AlphaFold-ის პირველი გამეორების საფუძველს. ის პროგნოზირებს სიგრძეს ამინომჟავების წყვილებს შორის, ისევე როგორც პეპტიდური ბმების კუთხეებს, რომლებიც აკავშირებს მათ. ამ მეთოდმა აჯობა ყველა წინა მიდგომას პროტეინის სტრუქტურის თანმიმდევრობით პროგნოზირებისთვის, თუმცა სიზუსტე მაინც შეზღუდული იყო პროტეინებისთვის აშკარა შაბლონების გარეშე.
AlphaFold 2: რადიკალურად ახალი მეთოდოლოგია
AlphaFold2 არის DeepMind-ის მიერ შექმნილი კომპიუტერული პროგრამა, რომელიც იყენებს ცილის ამინომჟავების თანმიმდევრობას ცილის 3D სტრუქტურის პროგნოზირებისთვის.
ეს მნიშვნელოვანია, რადგან ცილის სტრუქტურა კარნახობს მის ფუნქციონირებას და მისი ფუნქციის გაგება მეცნიერებს დაეხმარება შეიმუშაონ მედიკამენტები, რომლებიც მიზნად ისახავს ცილას.
AlphaFold2 ნერვული ქსელი იღებს ცილის ამინომჟავების თანმიმდევრობას, აგრეთვე დეტალებს იმის შესახებ, თუ როგორ ადარებს ეს თანმიმდევრობა მონაცემთა ბაზაში არსებულ სხვა თანმიმდევრობებს (ამას ეწოდება "მიმდევრობის გასწორება").
ნერვული ქსელი აკეთებს პროგნოზს ცილის 3D სტრუქტურის შესახებ ამ შეყვანის საფუძველზე.
რა განასხვავებს მას AlphaFold2-ისგან?
სხვა მიდგომებისგან განსხვავებით, AlphaFold2 პროგნოზირებს ცილის რეალურ 3D სტრუქტურას და არა მხოლოდ ამინომჟავების წყვილებს შორის განცალკევებას ან მათ დამაკავშირებელ ობლიგაციებს შორის კუთხეებს (როგორც ამას წინა ალგორითმები აკეთებდნენ).
იმისათვის, რომ ნერვულმა ქსელმა ერთდროულად განჭვრიტოს სრული სტრუქტურა, სტრუქტურა დაშიფრულია ბოლომდე.
AlphaFold2-ის კიდევ ერთი მთავარი მახასიათებელია ის, რომ ის გვთავაზობს შეფასებას, რამდენად დარწმუნებულია იგი თავის პროგნოზში. ეს წარმოდგენილია, როგორც ფერის კოდირება მოსალოდნელ სტრუქტურაზე, წითელი წარმოადგენს მაღალ ნდობას და ლურჯი მიუთითებს დაბალ ნდობაზე.
ეს სასარგებლოა, რადგან ის აცნობებს მეცნიერებს პროგნოზის სტაბილურობის შესახებ.
რამდენიმე მიმდევრობის კომბინირებული სტრუქტურის პროგნოზირება
Alphafold2-ის უახლესი გაფართოება, რომელიც ცნობილია როგორც Alphafold Multimer, პროგნოზირებს რამდენიმე მიმდევრობის გაერთიანებულ სტრუქტურას. მას ჯერ კიდევ აქვს შეცდომის მაღალი მაჩვენებელი, მაშინაც კი, თუ ის ბევრად უკეთესად მუშაობს, ვიდრე ადრინდელი ტექნიკა. 25 ცილის კომპლექსიდან მხოლოდ 4500% იყო წარმატებით პროგნოზირებული.
კონტაქტის ფორმირების უხეში რეგიონების 70% სწორად იყო ნაწინასწარმეტყველები, მაგრამ ორი ცილის შედარებითი ორიენტაცია არასწორი იყო. როდესაც გასწორების მედიანური სიღრმე დაახლოებით 30 მიმდევრობაზე ნაკლებია, Alphafold მულტიმერული პროგნოზების სიზუსტე მნიშვნელოვნად მცირდება.
როგორ გამოვიყენოთ Alphafold პროგნოზები
AlphaFold-ის პროგნოზირებული მოდელები შემოთავაზებულია ფაილის იმავე ფორმატში და მათი გამოყენება შესაძლებელია ექსპერიმენტული სტრუქტურების მსგავსად. გადამწყვეტი მნიშვნელობა აქვს მოდელთან შემოთავაზებული სიზუსტის შეფასებების გათვალისწინებას გაუგებრობების თავიდან ასაცილებლად.
ეს განსაკუთრებით სასარგებლოა რთული სტრუქტურებისთვის, როგორიცაა შერეული ჰომომერები ან პროტეინები, რომლებიც იკეცება მხოლოდ თანდასწრებით.
უცნობი ლიგანდი.
ზოგიერთი გამოწვევა
პროგნოზირებული სტრუქტურების გამოყენების მთავარი პრობლემა არის დინამიკის, ლიგანდის სელექციურობის, კონტროლის, ალოსტერიის, ტრანსლაციური ცვლილებებისა და შეკავშირების კინეტიკა ცილებისა და ბიოფიზიკურ მონაცემებზე წვდომის გარეშე.
მანქანა სწავლის და ფიზიკაზე დაფუძნებული მოლეკულური დინამიკის კვლევა შეიძლება გამოყენებულ იქნას ამ პრობლემის დასაძლევად.
ამ გამოკვლევებმა შეიძლება ისარგებლოს სპეციალიზებული და ეფექტური კომპიუტერული არქიტექტურით. მიუხედავად იმისა, რომ AlphaFold-მა მიაღწია უზარმაზარ წინსვლას ცილის სტრუქტურების პროგნოზირებაში, ჯერ კიდევ ბევრია სასწავლი სტრუქტურული ბიოლოგიის სფეროში და AlphaFold პროგნოზები მხოლოდ საწყისი წერტილია მომავალი კვლევისთვის.
რა არის სხვა ღირსშესანიშნავი ინსტრუმენტები?
RoseTTAFold
RoseTTAFold, შექმნილი ვაშინგტონის უნივერსიტეტის მკვლევარების მიერ, ასევე იყენებს ღრმა სწავლის ალგორითმებს ცილის სტრუქტურების პროგნოზირებისთვის, მაგრამ ის ასევე აერთიანებს ახალ მიდგომას, რომელიც ცნობილია როგორც "ბრუნვის კუთხის დინამიკის სიმულაციები", რათა გააუმჯობესოს პროგნოზირებული სტრუქტურები.
ამ მეთოდმა გამამხნევებელი შედეგები გამოიღო და შესაძლოა სასარგებლო იყოს ხელოვნური ინტელექტის პროტეინის დასაკეცი არსებული ხელსაწყოების შეზღუდვების დასაძლევად.
ტროროზეტა
კიდევ ერთი ინსტრუმენტი, trRosetta, პროგნოზირებს ცილის დაკეცვას ა ნერვული ქსელის გაწვრთნილი მილიონობით ცილის თანმიმდევრობასა და სტრუქტურაზე.
ის ასევე იყენებს „თარგზე დაფუძნებული მოდელირების“ ტექნიკას უფრო ზუსტი პროგნოზების შესაქმნელად სამიზნე პროტეინის შესადარებელ ცნობილ სტრუქტურებთან შედარების გზით.
დადასტურდა, რომ trRosetta-ს შეუძლია პროგნოზირება მოახდინოს მცირე ცილების და ცილების კომპლექსების სტრუქტურებს.
DeepMetaPSICOV
DeepMetaPSICOV არის კიდევ ერთი ინსტრუმენტი, რომელიც ფოკუსირებულია პროტეინის საკონტაქტო რუკების პროგნოზირებაზე. ისინი გამოიყენება როგორც სახელმძღვანელო ცილის დაკეცვის პროგნოზირებისთვის. ის იყენებს ღრმა სწავლება პროტეინის შიგნით ნარჩენების ურთიერთქმედების ალბათობის პროგნოზირების მიდგომები.
ისინი შემდგომში გამოიყენება საერთო საკონტაქტო რუკის პროგნოზირებისთვის. DeepMetaPSICOV-მა აჩვენა პოტენციალი ცილის სტრუქტურების დიდი სიზუსტით პროგნოზირებისთვის, მაშინაც კი, როდესაც წინა მიდგომები წარუმატებელი იყო.
რას გულისხმობს მომავალი?
AI პროტეინის დასაკეცი მომავალი ნათელია. ღრმა სწავლაზე დაფუძნებულმა ალგორითმებმა, განსაკუთრებით AlphaFold2-მა, ბოლო დროს დიდი პროგრესი მიაღწია ცილის სტრუქტურების საიმედო პროგნოზირებაში.
ამ აღმოჩენას აქვს წამლის განვითარების გარდაქმნის პოტენციალი, რაც მეცნიერებს საშუალებას აძლევს უკეთ გაიგონ ცილების სტრუქტურა და ფუნქცია, რომლებიც საერთო თერაპიული მიზნებია.
მიუხედავად ამისა, რჩება ისეთი საკითხები, როგორიცაა ცილის კომპლექსების პროგნოზირება და მოსალოდნელი სტრუქტურების რეალური ფუნქციური სტატუსის გამოვლენა. მეტი კვლევაა საჭირო ამ საკითხების გადასაჭრელად და ხელოვნური ინტელექტის ცილის დასაკეცი ალგორითმების სიზუსტისა და სანდოობის გაზრდისთვის.
მიუხედავად ამისა, ამ ტექნოლოგიის პოტენციური სარგებელი უზარმაზარია და მას აქვს პოტენციალი გამოიწვიოს უფრო ეფექტური და ზუსტი მედიკამენტების წარმოება.
დატოვე პასუხი