ಪ್ರೊಟೀನ್ ಫೋಲ್ಡಿಂಗ್ - ಜೀವನದ ಅತ್ಯಂತ ದೊಡ್ಡ ರಹಸ್ಯಗಳಲ್ಲಿ ಒಂದಕ್ಕೆ ಉತ್ತರಿಸಲು ನಾವು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸಬಹುದಾದರೆ ಏನು? ವಿಜ್ಞಾನಿಗಳು ದಶಕಗಳಿಂದ ಈ ಬಗ್ಗೆ ಕೆಲಸ ಮಾಡುತ್ತಿದ್ದಾರೆ.
ಯಂತ್ರಗಳು ಈಗ ಆಳವಾದ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಅದ್ಭುತ ನಿಖರತೆಯೊಂದಿಗೆ ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ಊಹಿಸಬಹುದು, ಔಷಧ ಅಭಿವೃದ್ಧಿ, ಜೈವಿಕ ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಮೂಲಭೂತ ಜೈವಿಕ ಪ್ರಕ್ರಿಯೆಗಳ ನಮ್ಮ ಜ್ಞಾನವನ್ನು ಬದಲಾಯಿಸಬಹುದು.
ಅತ್ಯಾಧುನಿಕ ತಂತ್ರಜ್ಞಾನವು ಜೀವನದ ಸಂಕೀರ್ಣತೆಗೆ ಘರ್ಷಿಸುವ AI ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ನ ಕುತೂಹಲಕಾರಿ ಕ್ಷೇತ್ರಕ್ಕೆ ಅನ್ವೇಷಿಸಲು ನನ್ನೊಂದಿಗೆ ಸೇರಿ.
ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ ರಹಸ್ಯವನ್ನು ಬಿಚ್ಚಿಡುವುದು
ಆಹಾರವನ್ನು ಒಡೆಯುವುದು ಅಥವಾ ಆಮ್ಲಜನಕವನ್ನು ಸಾಗಿಸುವುದು ಮುಂತಾದ ನಿರ್ಣಾಯಕ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಪ್ರೋಟೀನ್ಗಳು ನಮ್ಮ ದೇಹದಲ್ಲಿ ಚಿಕ್ಕ ಯಂತ್ರಗಳಂತೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ. ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಅವುಗಳನ್ನು ಸರಿಯಾಗಿ ಮಡಚಬೇಕು, ಲಾಕ್ಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಕೀಲಿಯನ್ನು ಸರಿಯಾಗಿ ಕತ್ತರಿಸಬೇಕು. ಪ್ರೋಟೀನ್ ಅನ್ನು ರಚಿಸಿದ ತಕ್ಷಣ, ಬಹಳ ಸಂಕೀರ್ಣವಾದ ಮಡಿಸುವ ಪ್ರಕ್ರಿಯೆಯು ಪ್ರಾರಂಭವಾಗುತ್ತದೆ.
ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ ಎನ್ನುವುದು ಅಮೈನೋ ಆಮ್ಲಗಳ ದೀರ್ಘ ಸರಪಳಿಗಳು, ಪ್ರೋಟೀನ್ನ ಬಿಲ್ಡಿಂಗ್ ಬ್ಲಾಕ್ಸ್, ಪ್ರೋಟೀನ್ನ ಕಾರ್ಯವನ್ನು ನಿರ್ದೇಶಿಸುವ ಮೂರು-ಆಯಾಮದ ರಚನೆಗಳಾಗಿ ಮಡಚಿಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆಯಾಗಿದೆ.
ಮಣಿಗಳ ಉದ್ದನೆಯ ಸ್ಟ್ರಿಂಗ್ ಅನ್ನು ಪರಿಗಣಿಸಿ, ಅದನ್ನು ನಿಖರವಾದ ರೂಪದಲ್ಲಿ ಆದೇಶಿಸಬೇಕು; ಪ್ರೋಟೀನ್ ಮಡಿಸಿದಾಗ ಇದು ಸಂಭವಿಸುತ್ತದೆ. ಆದರೂ, ಮಣಿಗಳಂತಲ್ಲದೆ, ಅಮೈನೋ ಆಮ್ಲಗಳು ವಿಶಿಷ್ಟ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿವೆ ಮತ್ತು ವಿವಿಧ ರೀತಿಯಲ್ಲಿ ಪರಸ್ಪರ ಸಂವಹನ ನಡೆಸುತ್ತವೆ, ಪ್ರೋಟೀನ್ ಮಡಿಸುವಿಕೆಯನ್ನು ಸಂಕೀರ್ಣ ಮತ್ತು ಸೂಕ್ಷ್ಮ ಪ್ರಕ್ರಿಯೆಯನ್ನಾಗಿ ಮಾಡುತ್ತದೆ.
ಇಲ್ಲಿನ ಚಿತ್ರವು ಮಾನವ ಹಿಮೋಗ್ಲೋಬಿನ್ ಅನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ, ಇದು ಪ್ರಸಿದ್ಧವಾದ ಮಡಿಸಿದ ಪ್ರೋಟೀನ್ ಆಗಿದೆ
ಪ್ರೋಟೀನ್ಗಳು ವೇಗವಾಗಿ ಮತ್ತು ನಿಖರವಾಗಿ ಮಡಚಿಕೊಳ್ಳಬೇಕು, ಅಥವಾ ಅವು ತಪ್ಪಾಗಿ ಮಡಚಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ದೋಷಯುಕ್ತವಾಗುತ್ತವೆ. ಅದು ಆಲ್ಝೈಮರ್ ಮತ್ತು ಪಾರ್ಕಿನ್ಸನ್ನಂತಹ ಕಾಯಿಲೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ತಾಪಮಾನ, ಒತ್ತಡ ಮತ್ತು ಜೀವಕೋಶದಲ್ಲಿನ ಇತರ ಅಣುಗಳ ಉಪಸ್ಥಿತಿಯು ಮಡಿಸುವ ಪ್ರಕ್ರಿಯೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.
ದಶಕಗಳ ಸಂಶೋಧನೆಯ ನಂತರ, ವಿಜ್ಞಾನಿಗಳು ಇನ್ನೂ ಪ್ರೋಟೀನ್ಗಳು ಹೇಗೆ ಮಡಚಿಕೊಳ್ಳುತ್ತವೆ ಎಂಬುದನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ.
ಅದೃಷ್ಟವಶಾತ್, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪ್ರಗತಿಯು ವಲಯದಲ್ಲಿ ಅಭಿವೃದ್ಧಿಯನ್ನು ಸುಧಾರಿಸುತ್ತಿದೆ. ವಿಜ್ಞಾನಿಗಳು ಬಳಸುವುದರ ಮೂಲಕ ಹಿಂದೆಂದಿಗಿಂತಲೂ ಹೆಚ್ಚು ನಿಖರವಾಗಿ ಪ್ರೋಟೀನ್ಗಳ ರಚನೆಯನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು ಯಂತ್ರ ಕಲಿಕೆ ಕ್ರಮಾವಳಿಗಳು ಬೃಹತ್ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸಲು.
ಇದು ಔಷಧಿಗಳ ಬೆಳವಣಿಗೆಯನ್ನು ಬದಲಾಯಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಅನಾರೋಗ್ಯದ ಬಗ್ಗೆ ನಮ್ಮ ಆಣ್ವಿಕ ಜ್ಞಾನವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಯಂತ್ರಗಳು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದೇ?
ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ ತಂತ್ರಗಳು ಮಿತಿಗಳನ್ನು ಹೊಂದಿವೆ
ವಿಜ್ಞಾನಿಗಳು ದಶಕಗಳಿಂದ ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ ಅನ್ನು ಕಂಡುಹಿಡಿಯಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದ್ದಾರೆ, ಆದರೆ ಪ್ರಕ್ರಿಯೆಯ ಸಂಕೀರ್ಣತೆಯು ಇದನ್ನು ಸವಾಲಿನ ವಿಷಯವನ್ನಾಗಿ ಮಾಡಿದೆ.
ಸಾಂಪ್ರದಾಯಿಕ ಪ್ರೊಟೀನ್ ರಚನೆ ಭವಿಷ್ಯ ವಿಧಾನಗಳು ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳು ಮತ್ತು ಕಂಪ್ಯೂಟರ್ ಮಾಡೆಲಿಂಗ್ ಸಂಯೋಜನೆಯನ್ನು ಬಳಸುತ್ತವೆ, ಆದಾಗ್ಯೂ, ಈ ಎಲ್ಲಾ ವಿಧಾನಗಳು ನ್ಯೂನತೆಗಳನ್ನು ಹೊಂದಿವೆ.
ಎಕ್ಸ್-ರೇ ಸ್ಫಟಿಕಶಾಸ್ತ್ರ ಮತ್ತು ನ್ಯೂಕ್ಲಿಯರ್ ಮ್ಯಾಗ್ನೆಟಿಕ್ ರೆಸೋನೆನ್ಸ್ (NMR) ನಂತಹ ಪ್ರಾಯೋಗಿಕ ತಂತ್ರಗಳು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ದುಬಾರಿಯಾಗಬಹುದು. ಮತ್ತು, ಕಂಪ್ಯೂಟರ್ ಮಾದರಿಗಳು ಕೆಲವೊಮ್ಮೆ ಸರಳ ಊಹೆಗಳನ್ನು ಅವಲಂಬಿಸುತ್ತವೆ, ಇದು ತಪ್ಪಾದ ಮುನ್ಸೂಚನೆಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು.
AI ಈ ಅಡೆತಡೆಗಳನ್ನು ನಿವಾರಿಸಬಲ್ಲದು
ಅದೃಷ್ಟವಶಾತ್, ಕೃತಕ ಬುದ್ಧಿವಂತಿಕೆ ಹೆಚ್ಚು ನಿಖರವಾದ ಮತ್ತು ಪರಿಣಾಮಕಾರಿಯಾದ ಪ್ರೋಟೀನ್ ರಚನೆಯ ಭವಿಷ್ಯಕ್ಕಾಗಿ ತಾಜಾ ಭರವಸೆಯನ್ನು ಒದಗಿಸುತ್ತಿದೆ. ಯಂತ್ರ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿಗಳು ಬೃಹತ್ ಪ್ರಮಾಣದ ದತ್ತಾಂಶಗಳನ್ನು ಪರಿಶೀಲಿಸಬಹುದು. ಮತ್ತು, ಜನರು ತಪ್ಪಿಸಿಕೊಳ್ಳುವ ಮಾದರಿಗಳನ್ನು ಅವರು ಬಹಿರಂಗಪಡಿಸುತ್ತಾರೆ.
ಇದು ಸಾಟಿಯಿಲ್ಲದ ನಿಖರತೆಯೊಂದಿಗೆ ಪ್ರೋಟೀನ್ ರಚನೆಯನ್ನು ಊಹಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿರುವ ಹೊಸ ಸಾಫ್ಟ್ವೇರ್ ಉಪಕರಣಗಳು ಮತ್ತು ಪ್ಲಾಟ್ಫಾರ್ಮ್ಗಳ ಸೃಷ್ಟಿಗೆ ಕಾರಣವಾಗಿದೆ.
ಪ್ರೊಟೀನ್ ಸ್ಟ್ರಕ್ಚರ್ ಪ್ರಿಡಿಕ್ಷನ್ಗಾಗಿ ಅತ್ಯಂತ ಭರವಸೆಯ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್ಗಳು
Google ನಿಂದ ನಿರ್ಮಿಸಲಾದ ಆಲ್ಫಾಫೋಲ್ಡ್ ಸಿಸ್ಟಮ್ ಡೀಪ್ ಮೈಂಡ್ ತಂಡವು ಈ ಪ್ರದೇಶದಲ್ಲಿ ಅತ್ಯಂತ ಭರವಸೆಯ ಪ್ರಗತಿಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಇತ್ತೀಚಿನ ವರ್ಷಗಳಲ್ಲಿ ಇದನ್ನು ಬಳಸುವುದರ ಮೂಲಕ ಹೆಚ್ಚಿನ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಿದೆ ಆಳವಾದ ಕಲಿಕೆಯ ಕ್ರಮಾವಳಿಗಳು ಅವುಗಳ ಅಮೈನೋ ಆಸಿಡ್ ಅನುಕ್ರಮಗಳ ಆಧಾರದ ಮೇಲೆ ಪ್ರೋಟೀನ್ಗಳ ರಚನೆಯನ್ನು ಊಹಿಸಲು.
ನರಮಂಡಲಗಳು, ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರಗಳು ಮತ್ತು ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯಗಳು ಪ್ರೋಟೀನ್ ರಚನೆಯನ್ನು ಊಹಿಸಲು ಭರವಸೆಯನ್ನು ತೋರಿಸುವ ಹೆಚ್ಚಿನ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳಲ್ಲಿ ಸೇರಿವೆ.
ಈ ಅಲ್ಗಾರಿದಮ್ಗಳು ಅಗಾಧವಾದ ಡೇಟಾಸೆಟ್ಗಳಿಂದ ಕಲಿಯಬಹುದು. ಮತ್ತು, ಅವರು ವಿವಿಧ ಅಮೈನೋ ಆಮ್ಲಗಳ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ನಿರೀಕ್ಷಿಸಬಹುದು. ಆದ್ದರಿಂದ, ಇದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನೋಡೋಣ.
ಸಹ-ವಿಕಸನೀಯ ವಿಶ್ಲೇಷಣೆಗಳು ಮತ್ತು ಮೊದಲ ಆಲ್ಫಾಫೋಲ್ಡ್ ಜನರೇಷನ್
ಯಶಸ್ಸು ಆಲ್ಫಾಫೋಲ್ಡ್ ಸಹ-ವಿಕಸನೀಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾದ ಆಳವಾದ ನರಮಂಡಲದ ಮಾದರಿಯಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗಿದೆ. ಸಹ-ವಿಕಾಸದ ಪರಿಕಲ್ಪನೆಯು ಪ್ರೋಟೀನ್ನಲ್ಲಿರುವ ಎರಡು ಅಮೈನೋ ಆಮ್ಲಗಳು ಒಂದಕ್ಕೊಂದು ಸಂವಹನ ನಡೆಸಿದರೆ, ಅವುಗಳು ತಮ್ಮ ಕ್ರಿಯಾತ್ಮಕ ಲಿಂಕ್ ಅನ್ನು ಇರಿಸಿಕೊಳ್ಳಲು ಒಟ್ಟಿಗೆ ಅಭಿವೃದ್ಧಿ ಹೊಂದುತ್ತವೆ ಎಂದು ಹೇಳುತ್ತದೆ.
3D ರಚನೆಯಲ್ಲಿ ಯಾವ ಜೋಡಿ ಅಮೈನೋ ಆಮ್ಲಗಳು ಸಂಪರ್ಕದಲ್ಲಿರಬಹುದೆಂದು ಸಂಶೋಧಕರು ಹಲವಾರು ರೀತಿಯ ಪ್ರೊಟೀನ್ಗಳ ಅಮೈನೋ ಆಮ್ಲ ಅನುಕ್ರಮಗಳನ್ನು ಹೋಲಿಸಿ ಕಂಡುಹಿಡಿಯಬಹುದು.
ಈ ಡೇಟಾವು ಆಲ್ಫಾಫೋಲ್ಡ್ನ ಮೊದಲ ಪುನರಾವರ್ತನೆಗೆ ಅಡಿಪಾಯವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದು ಅಮೈನೋ ಆಸಿಡ್ ಜೋಡಿಗಳ ನಡುವಿನ ಉದ್ದಗಳನ್ನು ಮತ್ತು ಅವುಗಳನ್ನು ಜೋಡಿಸುವ ಪೆಪ್ಟೈಡ್ ಬಂಧಗಳ ಕೋನಗಳನ್ನು ಊಹಿಸುತ್ತದೆ. ಈ ವಿಧಾನವು ಪ್ರೋಟೀನ್ ರಚನೆಯನ್ನು ಅನುಕ್ರಮದಿಂದ ಊಹಿಸಲು ಎಲ್ಲಾ ಹಿಂದಿನ ವಿಧಾನಗಳನ್ನು ಮೀರಿಸಿದೆ, ಆದಾಗ್ಯೂ ಸ್ಪಷ್ಟವಾದ ಟೆಂಪ್ಲೇಟ್ಗಳಿಲ್ಲದ ಪ್ರೋಟೀನ್ಗಳಿಗೆ ನಿಖರತೆಯನ್ನು ಇನ್ನೂ ನಿರ್ಬಂಧಿಸಲಾಗಿದೆ.
ಆಲ್ಫಾಫೋಲ್ಡ್ 2: ಆಮೂಲಾಗ್ರವಾಗಿ ಹೊಸ ವಿಧಾನ
ಆಲ್ಫಾಫೋಲ್ಡ್2 ಎಂಬುದು ಡೀಪ್ಮೈಂಡ್ನಿಂದ ರಚಿಸಲ್ಪಟ್ಟ ಕಂಪ್ಯೂಟರ್ ಸಾಫ್ಟ್ವೇರ್ ಆಗಿದ್ದು ಅದು ಪ್ರೋಟೀನ್ನ 3D ರಚನೆಯನ್ನು ಊಹಿಸಲು ಪ್ರೋಟೀನ್ನ ಅಮೈನೋ ಆಮ್ಲ ಅನುಕ್ರಮವನ್ನು ಬಳಸುತ್ತದೆ.
ಇದು ಗಮನಾರ್ಹವಾಗಿದೆ ಏಕೆಂದರೆ ಪ್ರೋಟೀನ್ನ ರಚನೆಯು ಅದು ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ದೇಶಿಸುತ್ತದೆ ಮತ್ತು ಅದರ ಕಾರ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಪ್ರೋಟೀನ್ ಅನ್ನು ಗುರಿಯಾಗಿಸುವ ಔಷಧಿಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ವಿಜ್ಞಾನಿಗಳಿಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
AlphaFold2 ನರಮಂಡಲವು ಪ್ರೊಟೀನ್ನ ಅಮೈನೊ ಆಸಿಡ್ ಅನುಕ್ರಮವನ್ನು ಇನ್ಪುಟ್ ಆಗಿ ಪಡೆಯುತ್ತದೆ ಮತ್ತು ಡೇಟಾಬೇಸ್ನಲ್ಲಿನ ಇತರ ಅನುಕ್ರಮಗಳಿಗೆ ಆ ಅನುಕ್ರಮವು ಹೇಗೆ ಹೋಲಿಸುತ್ತದೆ ಎಂಬುದರ ಕುರಿತು ವಿವರಗಳನ್ನು ಪಡೆಯುತ್ತದೆ (ಇದನ್ನು "ಅನುಕ್ರಮ ಜೋಡಣೆ" ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ).
ಈ ಇನ್ಪುಟ್ನ ಆಧಾರದ ಮೇಲೆ ಪ್ರೊಟೀನ್ನ 3D ರಚನೆಯ ಬಗ್ಗೆ ನರಮಂಡಲವು ಭವಿಷ್ಯ ನುಡಿಯುತ್ತದೆ.
ಆಲ್ಫಾಫೋಲ್ಡ್ 2 ನಿಂದ ಇದನ್ನು ಯಾವುದು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ?
ಇತರ ವಿಧಾನಗಳಿಗೆ ವ್ಯತಿರಿಕ್ತವಾಗಿ, AlphaFold2 ಕೇವಲ ಜೋಡಿ ಅಮೈನೋ ಆಮ್ಲಗಳ ನಡುವಿನ ಬೇರ್ಪಡಿಕೆ ಅಥವಾ ಅವುಗಳನ್ನು ಸಂಪರ್ಕಿಸುವ ಬಂಧಗಳ ನಡುವಿನ ಕೋನಗಳ ಬದಲಿಗೆ (ಹಿಂದಿನ ಕ್ರಮಾವಳಿಗಳು ಮಾಡಿದಂತೆ) ಪ್ರೋಟೀನ್ನ ನೈಜ 3D ರಚನೆಯನ್ನು ಊಹಿಸುತ್ತದೆ.
ನರಮಂಡಲದ ಸಂಪೂರ್ಣ ರಚನೆಯನ್ನು ಏಕಕಾಲದಲ್ಲಿ ನಿರೀಕ್ಷಿಸಲು, ರಚನೆಯನ್ನು ಅಂತ್ಯದಿಂದ ಅಂತ್ಯಕ್ಕೆ ಎನ್ಕೋಡ್ ಮಾಡಲಾಗುತ್ತದೆ.
AlphaFold2 ನ ಮತ್ತೊಂದು ಪ್ರಮುಖ ಲಕ್ಷಣವೆಂದರೆ ಅದು ತನ್ನ ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಎಷ್ಟು ವಿಶ್ವಾಸ ಹೊಂದಿದೆ ಎಂಬುದರ ಅಂದಾಜನ್ನು ನೀಡುತ್ತದೆ. ಇದನ್ನು ನಿರೀಕ್ಷಿತ ರಚನೆಯ ಮೇಲೆ ಬಣ್ಣದ ಕೋಡಿಂಗ್ ಆಗಿ ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ, ಕೆಂಪು ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ ಮತ್ತು ನೀಲಿ ಕಡಿಮೆ ವಿಶ್ವಾಸವನ್ನು ಸೂಚಿಸುತ್ತದೆ.
ಮುನ್ಸೂಚನೆಯ ಸ್ಥಿರತೆಯ ಬಗ್ಗೆ ವಿಜ್ಞಾನಿಗಳಿಗೆ ತಿಳಿಸುವುದರಿಂದ ಇದು ಉಪಯುಕ್ತವಾಗಿದೆ.
ಹಲವಾರು ಅನುಕ್ರಮಗಳ ಸಂಯೋಜಿತ ರಚನೆಯನ್ನು ಊಹಿಸುವುದು
ಆಲ್ಫಾಫೋಲ್ಡ್ ಮಲ್ಟಿಮರ್ ಎಂದು ಕರೆಯಲ್ಪಡುವ Alphafold2 ನ ಇತ್ತೀಚಿನ ವಿಸ್ತರಣೆಯು ಹಲವಾರು ಅನುಕ್ರಮಗಳ ಸಂಯೋಜಿತ ರಚನೆಯನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ. ಇದು ಹಿಂದಿನ ತಂತ್ರಗಳಿಗಿಂತ ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದ್ದರೂ ಸಹ ಹೆಚ್ಚಿನ ತಪ್ಪು ದರಗಳನ್ನು ಹೊಂದಿದೆ. 25 ಪ್ರೊಟೀನ್ ಸಂಕೀರ್ಣಗಳಲ್ಲಿ ಕೇವಲ % 4500 ಅನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಊಹಿಸಲಾಗಿದೆ.
ಸಂಪರ್ಕ ರಚನೆಯ 70% ಒರಟು ಪ್ರದೇಶಗಳನ್ನು ಸರಿಯಾಗಿ ಊಹಿಸಲಾಗಿದೆ, ಆದರೆ ಎರಡು ಪ್ರೋಟೀನ್ಗಳ ಸಂಬಂಧಿತ ದೃಷ್ಟಿಕೋನವು ತಪ್ಪಾಗಿದೆ. ಮಧ್ಯದ ಜೋಡಣೆಯ ಆಳವು ಸರಿಸುಮಾರು 30 ಅನುಕ್ರಮಗಳಿಗಿಂತ ಕಡಿಮೆಯಿರುವಾಗ, ಆಲ್ಫಾಫೋಲ್ಡ್ ಮಲ್ಟಿಮರ್ ಮುನ್ನೋಟಗಳ ನಿಖರತೆ ಗಣನೀಯವಾಗಿ ಕುಸಿಯುತ್ತದೆ.
ಆಲ್ಫಾಫೋಲ್ಡ್ ಮುನ್ಸೂಚನೆಗಳನ್ನು ಹೇಗೆ ಬಳಸುವುದು
AlphaFold ನಿಂದ ಊಹಿಸಲಾದ ಮಾದರಿಗಳನ್ನು ಒಂದೇ ಫೈಲ್ ಫಾರ್ಮ್ಯಾಟ್ಗಳಲ್ಲಿ ನೀಡಲಾಗುತ್ತದೆ ಮತ್ತು ಪ್ರಾಯೋಗಿಕ ರಚನೆಗಳ ರೀತಿಯಲ್ಲಿಯೇ ಬಳಸಬಹುದು. ತಪ್ಪು ತಿಳುವಳಿಕೆಯನ್ನು ತಡೆಗಟ್ಟಲು ಮಾದರಿಯೊಂದಿಗೆ ನೀಡಲಾದ ನಿಖರತೆಯ ಅಂದಾಜುಗಳನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದು ಬಹಳ ಮುಖ್ಯ.
ಹೆಣೆದ ಹೋಮೋಮರ್ಗಳು ಅಥವಾ ಪ್ರೋಟೀನ್ಗಳಂತಹ ಸಂಕೀರ್ಣ ರಚನೆಗಳಿಗೆ ಇದು ವಿಶೇಷವಾಗಿ ಸಹಾಯಕವಾಗಿದೆ
ಅಜ್ಞಾತ ಲಿಗಂಡ್.
ಕೆಲವು ಸವಾಲುಗಳು
ಪ್ರೊಟೀನ್ ಮತ್ತು ಬಯೋಫಿಸಿಕಲ್ ಡೇಟಾಗೆ ಪ್ರವೇಶವಿಲ್ಲದೆಯೇ ಡೈನಾಮಿಕ್ಸ್, ಲಿಗಂಡ್ ಸೆಲೆಕ್ಟಿವಿಟಿ, ನಿಯಂತ್ರಣ, ಅಲೋಸ್ಟರಿ, ಅನುವಾದದ ನಂತರದ ಬದಲಾವಣೆಗಳು ಮತ್ತು ಬೈಂಡಿಂಗ್ನ ಚಲನಶಾಸ್ತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಭವಿಷ್ಯ ರಚನೆಗಳನ್ನು ಬಳಸುವಲ್ಲಿ ಮುಖ್ಯ ಸಮಸ್ಯೆಯಾಗಿದೆ.
ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಭೌತಶಾಸ್ತ್ರ-ಆಧಾರಿತ ಆಣ್ವಿಕ ಡೈನಾಮಿಕ್ಸ್ ಸಂಶೋಧನೆಯನ್ನು ಈ ಸಮಸ್ಯೆಯನ್ನು ಜಯಿಸಲು ಬಳಸಿಕೊಳ್ಳಬಹುದು.
ಈ ತನಿಖೆಗಳು ವಿಶೇಷವಾದ ಮತ್ತು ಸಮರ್ಥವಾದ ಕಂಪ್ಯೂಟರ್ ಆರ್ಕಿಟೆಕ್ಚರ್ನಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯಬಹುದು. ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ಊಹಿಸುವಲ್ಲಿ ಆಲ್ಫಾಫೋಲ್ಡ್ ಅಗಾಧವಾದ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಿದ್ದರೂ, ರಚನಾತ್ಮಕ ಜೀವಶಾಸ್ತ್ರದ ಕ್ಷೇತ್ರದಲ್ಲಿ ಕಲಿಯಲು ಇನ್ನೂ ಬಹಳಷ್ಟು ಇದೆ, ಮತ್ತು ಆಲ್ಫಾಫೋಲ್ಡ್ ಭವಿಷ್ಯವಾಣಿಗಳು ಭವಿಷ್ಯದ ಅಧ್ಯಯನಕ್ಕೆ ಆರಂಭಿಕ ಹಂತವಾಗಿದೆ.
ಇತರ ಗಮನಾರ್ಹ ಪರಿಕರಗಳು ಯಾವುವು?
ರೋಸ್ಟಿಟಿಎಫಲ್ಡ್
ವಾಷಿಂಗ್ಟನ್ ವಿಶ್ವವಿದ್ಯಾಲಯದ ಸಂಶೋಧಕರು ರಚಿಸಿದ RoseTTAFold, ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ಊಹಿಸಲು ಆಳವಾದ ಕಲಿಕೆಯ ಅಲ್ಗಾರಿದಮ್ಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳುತ್ತದೆ, ಆದರೆ ಇದು ಊಹಿಸಲಾದ ರಚನೆಗಳನ್ನು ಸುಧಾರಿಸಲು "ಟಾರ್ಶನ್ ಕೋನ ಡೈನಾಮಿಕ್ಸ್ ಸಿಮ್ಯುಲೇಶನ್ಗಳು" ಎಂದು ಕರೆಯಲ್ಪಡುವ ಒಂದು ನವೀನ ವಿಧಾನವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ.
ಈ ವಿಧಾನವು ಉತ್ತೇಜಕ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಿದೆ ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ AI ಪ್ರೊಟೀನ್ ಫೋಲ್ಡಿಂಗ್ ಉಪಕರಣಗಳ ಮಿತಿಗಳನ್ನು ಮೀರಿಸಲು ಉಪಯುಕ್ತವಾಗಿದೆ.
ಟ್ರೋರೊಸೆಟ್ಟಾ
ಮತ್ತೊಂದು ಸಾಧನ, ಟ್ರೊಸೆಟ್ಟಾ, ಪ್ರೋಟೀನ್ ಮಡಿಸುವಿಕೆಯನ್ನು ಮುನ್ಸೂಚಿಸುತ್ತದೆ a ಬಳಸಿಕೊಂಡು ನರಮಂಡಲ ಲಕ್ಷಾಂತರ ಪ್ರೋಟೀನ್ ಅನುಕ್ರಮಗಳು ಮತ್ತು ರಚನೆಗಳ ಮೇಲೆ ತರಬೇತಿ ನೀಡಲಾಗಿದೆ.
ಟಾರ್ಗೆಟ್ ಪ್ರೊಟೀನ್ ಅನ್ನು ಹೋಲಿಸಬಹುದಾದ ತಿಳಿದಿರುವ ರಚನೆಗಳಿಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ಹೆಚ್ಚು ನಿಖರವಾದ ಮುನ್ಸೂಚನೆಗಳನ್ನು ರಚಿಸಲು ಇದು "ಟೆಂಪ್ಲೇಟ್-ಆಧಾರಿತ ಮಾಡೆಲಿಂಗ್" ತಂತ್ರವನ್ನು ಸಹ ಬಳಸುತ್ತದೆ.
ಟ್ರೊರೊಸೆಟ್ಟಾ ಸಣ್ಣ ಪ್ರೋಟೀನ್ಗಳು ಮತ್ತು ಪ್ರೋಟೀನ್ ಸಂಕೀರ್ಣಗಳ ರಚನೆಗಳನ್ನು ಊಹಿಸಲು ಸಮರ್ಥವಾಗಿದೆ ಎಂದು ನಿರೂಪಿಸಲಾಗಿದೆ.
DeepMetaPSICOV
DeepMetaPSICOV ಪ್ರೊಟೀನ್ ಸಂಪರ್ಕ ನಕ್ಷೆಗಳನ್ನು ಊಹಿಸಲು ಕೇಂದ್ರೀಕರಿಸುವ ಮತ್ತೊಂದು ಸಾಧನವಾಗಿದೆ. ಇವುಗಳನ್ನು ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ ಅನ್ನು ಊಹಿಸಲು ಮಾರ್ಗದರ್ಶಿಯಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಇದು ಬಳಸುತ್ತದೆ ಆಳವಾದ ಕಲಿಕೆ ಪ್ರೊಟೀನ್ ಒಳಗೆ ಶೇಷ ಪರಸ್ಪರ ಕ್ರಿಯೆಯ ಸಾಧ್ಯತೆಯನ್ನು ಮುನ್ಸೂಚಿಸುವ ವಿಧಾನಗಳು.
ಒಟ್ಟಾರೆ ಸಂಪರ್ಕ ನಕ್ಷೆಯನ್ನು ಮುನ್ಸೂಚಿಸಲು ಇವುಗಳನ್ನು ತರುವಾಯ ಬಳಸಲಾಗುತ್ತದೆ. DeepMetaPSICOV ಹಿಂದಿನ ವಿಧಾನಗಳು ವಿಫಲವಾದಾಗಲೂ ಸಹ ಹೆಚ್ಚಿನ ನಿಖರತೆಯೊಂದಿಗೆ ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ಊಹಿಸುವಲ್ಲಿ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸಿದೆ.
ಭವಿಷ್ಯವು ಏನು ಮಾಡುತ್ತದೆ?
AI ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ನ ಭವಿಷ್ಯವು ಉಜ್ವಲವಾಗಿದೆ. ಆಳವಾದ ಕಲಿಕೆ-ಆಧಾರಿತ ಅಲ್ಗಾರಿದಮ್ಗಳು, ಮುಖ್ಯವಾಗಿ ಆಲ್ಫಾಫೋಲ್ಡ್2, ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಊಹಿಸುವಲ್ಲಿ ಇತ್ತೀಚೆಗೆ ಉತ್ತಮ ಪ್ರಗತಿಯನ್ನು ಸಾಧಿಸಿವೆ.
ಈ ಸಂಶೋಧನೆಯು ಸಾಮಾನ್ಯ ಚಿಕಿತ್ಸಕ ಗುರಿಗಳಾದ ಪ್ರೋಟೀನ್ಗಳ ರಚನೆ ಮತ್ತು ಕಾರ್ಯವನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ವಿಜ್ಞಾನಿಗಳಿಗೆ ಅನುವು ಮಾಡಿಕೊಡುವ ಮೂಲಕ ಔಷಧ ಅಭಿವೃದ್ಧಿಯನ್ನು ಪರಿವರ್ತಿಸುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.
ಅದೇನೇ ಇದ್ದರೂ, ಪ್ರೊಟೀನ್ ಸಂಕೀರ್ಣಗಳನ್ನು ಮುನ್ಸೂಚಿಸುವುದು ಮತ್ತು ನಿರೀಕ್ಷಿತ ರಚನೆಗಳ ನೈಜ ಕ್ರಿಯಾತ್ಮಕ ಸ್ಥಿತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚುವಂತಹ ಸಮಸ್ಯೆಗಳು ಉಳಿದಿವೆ. ಈ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಲು ಮತ್ತು AI ಪ್ರೋಟೀನ್ ಫೋಲ್ಡಿಂಗ್ ಅಲ್ಗಾರಿದಮ್ಗಳ ನಿಖರತೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಹೆಚ್ಚಿನ ಸಂಶೋಧನೆಯ ಅಗತ್ಯವಿದೆ.
ಆದರೂ, ಈ ತಂತ್ರಜ್ಞಾನದ ಸಂಭಾವ್ಯ ಪ್ರಯೋಜನಗಳು ಅಗಾಧವಾಗಿವೆ, ಮತ್ತು ಇದು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ನಿಖರವಾದ ಔಷಧಿಗಳ ಉತ್ಪಾದನೆಗೆ ಕಾರಣವಾಗುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿದೆ.
ಪ್ರತ್ಯುತ್ತರ ನೀಡಿ