Ger em karibin îstîxbarata sûnî bikar bînin da ku bersivê bidin yek ji sirên herî mezin ên jiyanê - pêçandina proteînan? Zanyar bi dehsalan li ser vê yekê dixebitin.
Maşîn naha dikarin bi karanîna modelên fêrbûna kûr, guheztina pêşkeftina derman, biyoteknolojî, û zanîna me ya pêvajoyên bingehîn ên biyolojîkî, strukturên proteînê bi rastiyek ecêb pêşbînî bikin.
Tevlî min bibe keşifek li qada balkêş a pêçandina proteîna AI-ê, ku teknolojiya pêşkeftî bi tevliheviya jiyanê bi xwe re têk diçe.
Rakirina Sira Pêçkirina Proteinê
Proteîn di laşê me de mîna makîneyên piçûk dixebitin ku karên girîng ên mîna şikandina xwarinê an veguheztina oksîjenê pêk bînin. Pêdivî ye ku ew bi rêkûpêk werin pêçan da ku ew bi bandor tevbigerin, mîna ku pêdivî ye ku miftek rast were qut kirin da ku bikeve nav qeflekê. Gava ku proteîn çêdibe, pêvajoyek pelçiqandinê ya pir tevlihev dest pê dike.
Pûçkirina proteîn pêvajoyek e ku tê de zincîreyên dirêj ên asîdên amînî, blokên avahîyên proteînê, di nav strukturên sê-alî yên ku fonksiyona proteînê destnîşan dikin de diqelişe.
Rêzek dirêj a bişkojkên ku divê di formek rastîn de bêne ferman kirin bifikirin; gava proteînek diqelişe ev e. Lê dîsa jî, berevajî mûçikan, asîdên amînî xwedan taybetmendiyên bêhempa ne û bi awayên cûrbecûr bi hevûdu re têkilî daynin, pêvajoyek tevlihev û hesas a pêvekirina proteînan dike.
Wêneyê li vir hemoglobîna mirovî, ku proteînek pêçandî ya naskirî ye, nîşan dide
Pêdivî ye ku proteîn zû û rast biqelişe, an na ew ê xelet û xelet bibin. Ew dikare bibe sedema nexweşiyên wekî Alzheimer û Parkinson. Germahî, zext û hebûna molekulên din ên di şaneyê de hemî bandorek li ser pêvajoya pelçiqandinê dikin.
Piştî lêkolînên dehsalan, zanyar hîn jî hewl didin ku bi rastî ka proteîn çawa diqelişe.
Xwezî, pêşkeftinên di îstîxbarata sûnî de pêşkeftina di sektorê de çêtir dike. Zanyar dikarin bi karanîna strukturên proteînan ji berê rasttir pêşbînî bikin algorîtmayên fêrbûna makîneyê ji bo lêkolîna cildên mezin ên daneyan.
Ev potansiyel heye ku pêşveçûna dermanan biguhezîne û zanîna meya molekulî ya nexweşiyê zêde bike.
Ma Makîne dikarin Baştir Performan Bikin?
Teknîkên Pelkirina Proteînên Konvansiyonel Sînor hene
Zanyar bi dehsalan hewl didin ku pêçana proteînan fêhm bikin, lê tevliheviya pêvajoyê ev kiriye mijarek dijwar.
Nêzîkatiyên pêşbînkirina strukturên proteîn ên kevneşopî tevliheviyek ji metodolojiyên ezmûnî û modela computer bikar tînin, lêbelê, van rêbazan hemî kêmasiyên xwe hene.
Teknîkên ceribandî yên mîna kristalografiya tîrêjê ya X û rezonansa magnetîkî ya nukleerî (NMR) dikare dem û biha be. Û, modelên kompîturê carinan xwe dispêrin texmînên hêsan, ku dikare bibe sedema pêşbîniyên xelet.
AI Dikare Van Astengiyan Bi Ser Bike
generalek e, çêkirî ji bo pêşbîniya strukturên proteînê yên rasttir û bikêrtir soza nû peyda dike. Algorîtmayên fêrbûna makîneyê dikarin cildên mezin ên daneyê lêkolîn bikin. Û, ew qalibên ku mirov bêriya wan dikin derdixin holê.
Vê yekê di afirandina amûr û platformên nermalava nû de çêkiriye ku dikarin avahiya proteînê bi rastiyek bêhempa pêşbîn bikin.
Algorîtmayên Hînbûna Makîneyê ya Herî Hêvdar ji bo Pêşbînkirina Struktura Proteînê
Pergala AlphaFold ji hêla Google ve hatî çêkirin Deepmind tîm yek ji wan pêşkeftinên herî hêvîdar e di vî warî de. Di van salên dawî de bi karanîna pêşkeftinek mezin bi dest xistiye algorîtmayên fêrbûna kûr ji bo pêşbînîkirina avahiya proteînan li ser bingeha rêzikên asîdên amînî yên wan.
Tora neuralî, makîneyên vektorê piştgirî, û daristanên rasthatî di nav wan rêbazên fêrbûna makîneyê de ne ku ji bo pêşbînkirina strukturên proteîn soz didin.
Van algorîtmayan dikarin ji daneyên pir mezin fêr bibin. Û, ew dikarin têkiliyên di navbera amino acîdên cihêreng de pêşbîn bikin. Ji ber vê yekê, em bibînin ka ew çawa dixebite.
Analîzên Hevbeş û Yekem Nifşa AlphaFold
Serkeftina AlphaFold li ser modelek tora neuralî ya kûr a ku bi karanîna analîza hev-evolution ve hatî pêşve xistin hatî çêkirin. Têgeha hev-evolution diyar dike ku ger du asîdên amînî di proteînekê de bi hevûdu re têkilî daynin, ew ê bi hev re pêşve bibin da ku girêdana xwe ya fonksiyonel biparêzin.
Lekolînwan dikarin bi berhevkirina rêzikên asîdên amînî yên gelek proteînên mîna hev bibînin ka kîjan cot asîdên amînî di strukturên 3D de di nav têkiliyê de ne.
Ev dane wek bingehek ji bo dubarekirina yekem a AlphaFold re xizmet dike. Ew dirêjahiya di navbera cotên asîdên amînî de û her weha goşeyên bendên peptîd ên ku wan bi hev ve girêdidin pêşbînî dike. Vê rêbazê ji hemî nêzîkatiyên berê yên ji bo pêşbînkirina strukturên proteînê ji rêzê bihurî, her çend rastbûn hîn jî ji bo proteînên ku şablonên xuya ne hatine sînordar kirin.
AlphaFold 2: Rêbazek Radîkal Nû
AlphaFold2 nermalava komputerê ye ku ji hêla DeepMind ve hatî afirandin û rêzika asîda amînî ya proteînek bikar tîne da ku strukturên 3D yên proteînê pêşbîn bike.
Ev girîng e ji ber ku strukturek proteîn diyar dike ka ew çawa dixebite, û têgihîştina fonksiyona wê dikare alîkariya zanyaran bike ku dermanên ku proteîn armanc dikin pêşve bibin.
Tora neuralî ya AlphaFold2 rêzika asîda amînî ya proteînê û her weha hûrguliyên li ser ka ew rêz çawa bi rêzikên din ên databasê re berhev dike wekî têketinê distîne (ji vê re "hevsazkirina rêzê" tê gotin).
Tora neuralî li ser bingeha vê têketinê pêşbîniyek li ser avahiya 3D ya proteînê dike.
Çi wê ji AlphaFold2 veqetîne?
Berevajî nêzîkatiyên din, AlphaFold2 avahiya 3D ya rastîn a proteînê pêşbîn dike ne tenê veqetandina di navbera cotên asîdên amînî de an goşeyên di navbera girêdanên ku wan bi hev ve girêdidin (wekî ku algorîtmayên berê kirine).
Ji bo ku tora neuralî bi carekê ve avahiyek tam pêşbîn bike, avahî ji dawî-bi-dawî tê kodkirin.
Taybetmendiyek din a sereke ya AlphaFold2 ev e ku ew texmînek pêşkêşî dike ka ew di pêşbîniya xwe de çiqas pêbawer e. Ev wekî kodek rengîn li ser avahiya pêşbînîkirî tê pêşkêş kirin, ku sor pêbaweriya bilind û şîn jî pêbaweriya kêm nîşan dide.
Ev bikêr e ji ber ku ew zanyaran li ser aramiya pêşbîniyê agahdar dike.
Pêşbînkirina Struktura Hevgirtî ya Çend Rêzan
Berfirehbûna herî dawî ya Alphafold2, ku wekî Alphafold Multimer tê zanîn, avahiya hevgirtî ya çend rêzan pêşbîn dike. Her çend ew ji teknîkên berê pir çêtir performansa wê hîna jî rêjeyên xeletiyê bilind e. Tenê %25 ji 4500 kompleksên proteîn bi serfirazî hatine pêşbînî kirin.
70% ji herêmên hişk ên avakirina têkiliyê rast hatine pêşbînîkirin, lê rêgeziya têkildar a du proteînan nerast bû. Gava ku kûrahiya hevrêziya navîn ji nêzikî 30 rêzikan kêmtir be, rastbûna pêşbîniyên multîmera Alphafold pir kêm dibe.
Meriv çawa Pêşbîniyên Alphafold bikar tîne
Modelên pêşbînkirî yên ji AlphaFold di heman pelan de têne pêşkêş kirin û dikarin bi heman awayan wekî avahiyên ceribandinê werin bikar anîn. Girîng e ku meriv texmînên rastbûna ku bi modelê re hatî pêşkêş kirin li ber çavan bigire da ku pêşî li têgihîştinê bigire.
Ew bi taybetî ji bo strukturên tevlihev ên mîna homomerên hevgirtî an proteînên ku tenê di hebûna axê de diqelişin arîkar e.
ligand nenas.
Hin Zehmetkêşan
Pirsgirêka sereke di karanîna strukturên pêşbînîkirî de têgihîştina dînamîk, hilbijartiya lîgandê, kontrol, allostery, guhertinên piştî-wergerandinê, û kînetîka girêdanê bêyî gihîştina proteîn û daneyên biyofizîkî ye.
Fêrbûna makirîn û lêkolîna dînamîkên molekulî yên li ser bingeha fîzîkê dikare were bikar anîn da ku vê pirsgirêkê derbas bike.
Dibe ku ev vekolîn ji mîmariya komputerê ya pispor û bikêr sûd werbigirin. Digel ku AlphaFold di pêşbînkirina strukturên proteînê de pêşkeftinên pir mezin bi dest xistiye, hîn jî hîn pir tişt heye ku di warê biyolojiya avahîsaziyê de fêr bibe, û pêşbîniyên AlphaFold tenê xala destpêkê ji bo lêkolîna pêşerojê ne.
Amûrên din ên balkêş çi ne?
RoseTTAFold
RoseTTAFold, ku ji hêla lêkolînerên Zanîngeha Washington ve hatî afirandin, di heman demê de algorîtmayên fêrbûna kûr bikar tîne da ku strukturên proteînan pêşbîn bike, lê ew di heman demê de nêzîkatiyek nû ya ku wekî "simûlasyonên dînamîkên goşeya torsion" tê zanîn yek dike da ku strukturên pêşbînkirî baştir bike.
Vê rêbazê encamên teşwîqkar derxistiye û dibe ku di derbaskirina tixûbên amûrên pêçkirina proteîna AI-ya heyî de kêrhatî be.
trRosetta
Amûrek din, trRosetta, bi karanîna a proteînan pêşbînî dike torê neural li ser bi mîlyonan rêz û strukturên proteîn hatine perwerde kirin.
Ew di heman demê de teknîkek "modelkirina-based şablon" bikar tîne da ku bi berhevkirina proteîna armanc bi strukturên naskirî yên berawirdî re pêşbîniyên rasttir biafirîne.
Hat destnîşan kirin ku trRosetta dikare strukturên proteînên piçûk û kompleksên proteînan pêşbîn bike.
DeepMetaPSICOV
DeepMetaPSICOV amûrek din e ku balê dikişîne ser pêşbînkirina nexşeyên pêwendiya proteînê. Vana, wekî rêberek ji bo pêşbînkirina pêçana proteîn têne bikar anîn. Ew bikar tîne hînbûna kûr nêzîkatiyên ji bo pêşbînkirina îhtîmala danûstendinên bermayî di hundurê proteînekê de.
Vana dûvre ji bo pêşbînkirina nexşeya pêwendiya giştî têne bikar anîn. DeepMetaPSICOV di pêşbînkirina strukturên proteînê de bi rastiyek mezin potansiyel nîşan daye, tewra gava ku nêzîkatiyên berê têk çûne.
Pêşeroj Çi Dike?
Pêşeroja rijandina proteîna AI ronî ye. Algorîtmayên bingehîn ên fêrbûna kûr, nemaze AlphaFold2, di van demên dawî de di pêşbînkirina pêbawer a strukturên proteîn de pêşkeftinek mezin çêkiriye.
Vê vedîtinê potansiyela veguheztina pêşkeftina dermanan heye ku bihêle zanyar struktur û fonksiyona proteînan çêtir fam bikin, ku armancên dermankirinê yên hevpar in.
Digel vê yekê, pirsgirêkên mîna pêşbînkirina kompleksên proteîn û tespîtkirina rewşa fonksiyonê ya rastîn a strukturên pêşbînîkirî dimînin. Ji bo çareserkirina van pirsgirêkan û zêdekirina rastbûn û pêbaweriya algorîtmayên dakêşana proteîna AI-ê bêtir lêkolîn hewce ye.
Lêbelê, feydeyên potansiyel ên vê teknolojiyê pir mezin in, û potansiyela wê heye ku bibe sedema hilberîna dermanên bi bandortir û rast.
Leave a Reply