Егер біз жасанды интеллект арқылы өмірдің ең үлкен құпияларының бірі - ақуыздың қатпарлануын шешу үшін қолдансақ ше? Ғалымдар мұнымен ондаған жылдар бойы жұмыс істеп келеді.
Машиналар қазір дәрі-дәрмектің дамуын, биотехнологияны және іргелі биологиялық процестер туралы білімімізді өзгерте отырып, терең оқыту үлгілерін пайдалана отырып, ақуыз құрылымдарын таңғажайып дәлдікпен болжай алады.
Ең озық технология өмірдің күрделілігімен соқтығысатын AI ақуызды бүктемесінің қызықты саласын зерттеуге маған қосылыңыз.
Ақуыздардың қатпарлануының құпиясын ашу
Ақуыздар біздің денемізде тағамды ыдырату немесе оттегін тасымалдау сияқты маңызды міндеттерді орындау үшін кішкентай машиналар сияқты жұмыс істейді. Олардың тиімді жұмыс істеуі үшін оларды дұрыс бүктеу керек, құлыпқа кіру үшін кілтті дұрыс кесу керек сияқты. Ақуыз жасала салысымен өте күрделі қатпарлану процесі басталады.
Протеиннің қатпарлануы - ақуыздың құрылыс блоктары болып табылатын амин қышқылдарының ұзын тізбектерінің ақуыздың қызметін көрсететін үш өлшемді құрылымдарға қатпарлану процесі.
Нақты пішінге тапсырыс беру керек ұзын моншақтарды қарастырыңыз; бұл белок бүктелгенде пайда болатын нәрсе. Дегенмен, моншақтардан айырмашылығы, аминқышқылдары бірегей сипаттамаларға ие және бір-бірімен әртүрлі жолдармен әрекеттеседі, бұл ақуыздың жиналуын күрделі және сезімтал процесс етеді.
Мұндағы сурет адамның гемоглобинін бейнелейді, ол белгілі қатпарланған ақуыз
Ақуыздар тез және дәл бүктелуі керек, әйтпесе олар бұрмаланып, ақаулы болады. Бұл Альцгеймер және Паркинсон сияқты ауруларға әкелуі мүмкін. Температура, қысым және жасушадағы басқа молекулалардың болуы қатпарлану процесіне әсер етеді.
Ғалымдар ондаған жылдар бойы жүргізілген зерттеулерден кейін белоктардың қалай бүктелетінін анықтауға тырысуда.
Бақытымызға орай, жасанды интеллект саласындағы жетістіктер бұл саланың дамуын жақсартады. Ғалымдар белоктардың құрылымын пайдалану арқылы бұрынғыдан да дәлірек болжай алады машинаны оқыту алгоритмдері деректердің үлкен көлемін зерттеу.
Бұл дәрі-дәрмектің дамуын өзгертуге және ауру туралы молекулалық білімімізді арттыруға мүмкіндік береді.
Машиналар жақсырақ жұмыс істей ала ма?
Протеинді бүктеудің әдеттегі әдістерінде шектеулер бар
Ғалымдар ондаған жылдар бойы ақуыздың қатпарлануын анықтауға тырысты, бірақ процестің күрделілігі оны күрделі тақырыпқа айналдырды.
Дәстүрлі ақуыз құрылымын болжау тәсілдері тәжірибелік әдістемелер мен компьютерлік модельдеудің комбинациясын пайдаланады, алайда бұл әдістердің барлығында кемшіліктер бар.
Рентгендік кристаллография және ядролық магниттік резонанс (ЯМР) сияқты эксперименттік әдістер көп уақытты қажет ететін және қымбат болуы мүмкін. Ал, компьютерлік модельдер кейде қате болжамдарға әкелуі мүмкін қарапайым болжамдарға сүйенеді.
AI бұл кедергілерді жеңе алады
Бақытымызға орай, жасанды интеллект ақуыз құрылымын дәлірек және тиімді болжау үшін жаңа уәде береді. Машиналық оқыту алгоритмдері деректердің үлкен көлемін зерттей алады. Және олар адамдар сағынатын үлгілерді ашады.
Бұл ақуыз құрылымын теңдесі жоқ дәлдікпен болжауға қабілетті жаңа бағдарламалық құралдар мен платформаларды құруға әкелді.
Ақуыз құрылымын болжау үшін машиналық оқытудың ең перспективалы алгоритмдері
Google компаниясы жасаған AlphaFold жүйесі DeepMind командасы осы саладағы ең перспективалы жетістіктердің бірі болып табылады. Ол соңғы жылдары пайдалану арқылы үлкен жетістіктерге жетті терең оқыту алгоритмдері аминқышқылдарының реттілігі негізінде белоктардың құрылымын болжау.
Нейрондық желілер, қолдау векторлық машиналары және кездейсоқ ормандар ақуыз құрылымын болжауға уәде беретін машиналық оқыту әдістерінің бірі болып табылады.
Бұл алгоритмдер үлкен деректер жиынынан үйрене алады. Және олар әртүрлі аминқышқылдары арасындағы корреляцияны болжай алады. Сонымен, оның қалай жұмыс істейтінін көрейік.
Бірлескен эволюциялық талдаулар және бірінші AlphaFold буыны
Табыстың жетістігі AlphaFold коэволюциялық талдауды пайдалана отырып әзірленген терең нейрондық желі моделіне құрылған. Бірлескен эволюция концепциясы егер белоктағы екі аминқышқылдары бір-бірімен әрекеттессе, олардың функционалдық байланысын сақтау үшін бірге дамитындығы айтылған.
Зерттеушілер көптеген ұқсас ақуыздардың аминқышқылдарының ретін салыстыру арқылы 3D құрылымында аминқышқылдарының қандай жұптары байланыста болуы мүмкін екенін анықтай алады.
Бұл деректер AlphaFold бірінші итерациясының негізі ретінде қызмет етеді. Ол аминқышқылдары жұптарының арасындағы ұзындықтарды, сондай-ақ оларды байланыстыратын пептидтік байланыстардың бұрыштарын болжайды. Бұл әдіс белок құрылымын реттілік бойынша болжаудың барлық алдыңғы тәсілдерінен асып түсті, дегенмен нақты үлгілері жоқ белоктар үшін дәлдік әлі де шектелген.
AlphaFold 2: түбегейлі жаңа әдістеме
AlphaFold2 - DeepMind жасаған компьютерлік бағдарламалық құрал, ол ақуыздың 3D құрылымын болжау үшін ақуыздың аминқышқылдарының тізбегін пайдаланады.
Бұл маңызды, өйткені ақуыздың құрылымы оның қалай жұмыс істейтінін анықтайды және оның функциясын түсіну ғалымдарға ақуызға бағытталған дәрілерді жасауға көмектеседі.
AlphaFold2 нейрондық желісі кіріс ретінде белоктың аминқышқылдарының тізбегін, сондай-ақ бұл реттілік дерекқордағы басқа реттіліктермен қалай салыстырылатыны туралы мәліметтерді алады (бұл «тізбекті туралау» деп аталады).
Нейрондық желі осы кіріс негізінде ақуыздың 3D құрылымы туралы болжам жасайды.
Оның AlphaFold2-ден айырмашылығы неде?
Басқа тәсілдерден айырмашылығы, AlphaFold2 аминқышқылдарының жұптары немесе оларды байланыстыратын байланыстар арасындағы бұрыштар арасындағы бөлуді емес (бұрынғы алгоритмдер жасағандай) ақуыздың нақты 3D құрылымын болжайды.
Нейрондық желі толық құрылымды бірден болжауы үшін құрылым соңына дейін кодталады.
AlphaFold2 тағы бір негізгі сипаттамасы - ол өзінің болжамына қаншалықты сенімді екенін бағалауды ұсынады. Бұл күтілетін құрылымдағы түсті кодтау ретінде ұсынылған, қызыл түс жоғары сенімділікті білдіреді және көк түс сенімділікті білдіреді.
Бұл пайдалы, өйткені ол ғалымдарды болжамның тұрақтылығы туралы хабарлайды.
Бірнеше реттіліктердің біріккен құрылымын болжау
Alphafold 2 бағдарламасының соңғы кеңейтімі, Alphafold Multimer ретінде белгілі, бірнеше реттіліктердің біріктірілген құрылымын болжайды. Ол бұрынғы әдістерге қарағанда әлдеқайда жақсы жұмыс істесе де, қателіктердің жоғары деңгейіне ие. 25 протеин кешенінің тек 4500%-ы сәтті болжамдалған.
Байланысты қалыптастырудың өрескел аймақтарының 70% дұрыс болжалды, бірақ екі ақуыздың салыстырмалы бағыты дұрыс болмады. Медиандық туралау тереңдігі шамамен 30 реттіліктен аз болғанда, Alphafold мультимерлі болжамдарының дәлдігі айтарлықтай төмендейді.
Alphafold болжамдарын қалай пайдалануға болады
AlphaFold болжамды үлгілері бірдей файл пішімінде ұсынылады және эксперименттік құрылымдар сияқты бірдей тәсілдермен пайдаланылуы мүмкін. Түсінбеушіліктерді болдырмау үшін үлгімен ұсынылған дәлдік бағалауларын ескеру өте маңызды.
Бұл әсіресе тоқылған гомомерлер немесе тек қана қатпарлар болған кезде қатпарланатын ақуыздар сияқты күрделі құрылымдар үшін пайдалы.
белгісіз лиганд.
Кейбір қиындықтар
Болжалды құрылымдарды пайдаланудағы негізгі мәселе - ақуыз және биофизикалық деректерге қол жеткізбей, динамикасын, лигандтардың селективтілігін, бақылауды, аллостерияны, трансляциядан кейінгі өзгерістерді және байланыс кинетикасын түсіну.
Машина оқыту және физикаға негізделген молекулалық динамикалық зерттеулер бұл мәселені шешу үшін пайдаланылуы мүмкін.
Бұл зерттеулер мамандандырылған және тиімді компьютерлік архитектурадан пайда алуы мүмкін. AlphaFold протеин құрылымдарын болжауда орасан зор жетістіктерге жеткенімен, құрылымдық биология саласында әлі көп нәрсені үйрену керек және AlphaFold болжамдары болашақ зерттеудің бастапқы нүктесі ғана болып табылады.
Басқа керемет құралдар қандай?
RoseTTAFold
Вашингтон университетінің зерттеушілері жасаған RoseTTAFold ақуыз құрылымдарын болжау үшін терең оқыту алгоритмдерін қолданады, бірақ ол болжамды құрылымдарды жақсарту үшін «бұралу бұрышының динамикалық модельдеулері» деп аталатын жаңа тәсілді біріктіреді.
Бұл әдіс жігерлендіретін нәтижелер берді және бар AI ақуызды бүктеу құралдарының шектеулерін еңсеру үшін пайдалы болуы мүмкін.
trRosetta
Басқа құрал, trRosetta, a көмегімен ақуыздың қатпарлануын болжайды нейрондық желі миллиондаған ақуыз тізбегі мен құрылымдары бойынша оқытылды.
Сондай-ақ ол мақсатты ақуызды салыстырмалы белгілі құрылымдармен салыстыру арқылы дәлірек болжау жасау үшін «үлгіге негізделген модельдеу» әдісін пайдаланады.
trRosetta кішкентай белоктар мен ақуыз кешендерінің құрылымдарын болжауға қабілетті екендігі көрсетілді.
DeepMetaPSICOV
DeepMetaPSICOV - ақуыздың байланыс карталарын болжауға бағытталған басқа құрал. Олар ақуыздың қатпарлануын болжау үшін нұсқаулық ретінде пайдаланылады. Ол пайдаланады терең білім алу ақуыздың ішіндегі қалдық әрекеттесу ықтималдығын болжау тәсілдері.
Олар кейіннен жалпы байланыс картасын болжау үшін пайдаланылады. DeepMetaPSICOV ақуыз құрылымдарын болжау мүмкіндігін көрсетті, тіпті алдыңғы тәсілдер сәтсіз болған кезде де.
Болашақ не күтіп тұр?
AI протеинді бүктеудің болашағы жарқын. Терең оқытуға негізделген алгоритмдер, атап айтқанда AlphaFold2, жақында ақуыз құрылымдарын сенімді болжауда үлкен жетістіктерге жетті.
Бұл тұжырым ғалымдарға жалпы емдік мақсат болып табылатын ақуыздардың құрылымы мен қызметін жақсырақ түсінуге мүмкіндік беру арқылы дәрі-дәрмектің дамуын өзгерту мүмкіндігіне ие.
Осыған қарамастан, ақуыз кешендерін болжау және күтілетін құрылымдардың нақты функционалдық күйін анықтау сияқты мәселелер қалады. Бұл мәселелерді шешу және AI ақуызды бүктеу алгоритмдерінің дәлдігі мен сенімділігін арттыру үшін қосымша зерттеулер қажет.
Дегенмен, бұл технологияның әлеуетті пайдасы орасан зор және ол тиімдірек және дәлірек дәрілерді шығаруға мүмкіндік береді.
пікір қалдыру