Амьдралын хамгийн агуу нууцуудын нэг болох уураг нугалахад хиймэл оюун ухааныг ашиглаж чадвал яах вэ? Эрдэмтэд үүн дээр олон арван жилийн турш ажиллаж байна.
Машинууд одоо гүн гүнзгий суралцах загваруудыг ашиглан уургийн бүтцийг гайхалтай нарийвчлалтайгаар урьдчилан таамаглаж, эмийн боловсруулалт, биотехнологи болон биологийн үндсэн үйл явцын талаарх бидний мэдлэгийг өөрчлөх боломжтой болсон.
Хамгийн сүүлийн үеийн технологи нь амьдралын ээдрээтэй мөргөлддөг хиймэл оюун ухаантай уураг нугалах сонирхолтой ертөнцийг судлахад надтай нэгдээрэй.
Уураг нугалах нууцыг тайлах нь
Уургууд нь бидний биед хоол хүнс задлах, хүчилтөрөгч тээвэрлэх зэрэг чухал ажлуудыг гүйцэтгэх жижиг машин шиг ажилладаг. Түлхүүрийг цоожонд тааруулахын тулд зөв зүссэнтэй адил үр дүнтэй ажиллахын тулд тэдгээрийг зөв нугалах ёстой. Уураг үүссэн даруйд маш төвөгтэй нугалах процесс эхэлдэг.
Уураг нугалах гэдэг нь уургийн барилгын материал болох амин хүчлүүдийн урт гинж нь уургийн үйл ажиллагааг тодорхойлдог гурван хэмжээст бүтэцтэй болж нугалах үйл явц юм.
Нарийвчилсан хэлбэрээр захиалах ёстой урт бөмбөлгүүдийг авч үзье; Энэ нь уураг нугалахад тохиолддог зүйл юм. Гэсэн хэдий ч бөмбөлгүүдийгээс ялгаатай нь амин хүчлүүд нь өвөрмөц шинж чанартай бөгөөд өөр хоорондоо янз бүрийн аргаар харилцан үйлчилдэг тул уураг нугалах нь нарийн төвөгтэй бөгөөд эмзэг үйл явц болгодог.
Энд байгаа зураг нь хүний гемоглобиныг төлөөлдөг бөгөөд энэ нь сайн мэддэг атираат уураг юм
Уургууд хурдан бөгөөд нарийн нугалах ёстой, эс тэгвээс тэдгээр нь буруу нугалж, гэмтэлтэй болно. Энэ нь Альцгеймер, Паркинсон зэрэг өвчинд хүргэж болзошгүй юм. Температур, даралт, эс дэх бусад молекулууд бүгд нугалах процесст нөлөөлдөг.
Эрдэмтэд олон арван жилийн судалгаа хийсний эцэст уураг хэрхэн нугалж байгааг олж мэдэхийг хичээсээр байна.
Хиймэл оюун ухааны дэвшил нь салбарын хөгжлийг сайжруулж байгаа нь талархууштай. Эрдэмтэд уургийн бүтцийг ашиглан урьд өмнө хэзээ ч байгаагүйгээр илүү нарийвчлалтай таамаглаж чадна машин сурах алгоритм асар их хэмжээний өгөгдлийг шалгах.
Энэ нь эмийн хөгжлийг өөрчлөх, өвчний талаарх бидний молекулын мэдлэгийг нэмэгдүүлэх боломжтой юм.
Машинууд илүү сайн ажиллаж чадах уу?
Уураг нугалах уламжлалт арга нь хязгаарлалттай байдаг
Эрдэмтэд хэдэн арван жилийн турш уургийн нугалаа олохыг хичээж ирсэн боловч үйл явцын нарийн төвөгтэй байдал нь үүнийг хэцүү сэдэв болгож байна.
Уургийн бүтцийг урьдчилан таамаглах уламжлалт аргууд нь туршилтын арга зүй болон компьютерийн загварчлалыг хослуулан ашигладаг боловч эдгээр аргууд бүгд сул талтай байдаг.
Рентген кристаллографи, цөмийн соронзон резонанс (NMR) гэх мэт туршилтын аргууд нь цаг хугацаа, зардал их шаарддаг. Компьютерийн загварууд заримдаа энгийн таамаглалд тулгуурладаг бөгөөд энэ нь алдаатай таамаглал гаргахад хүргэдэг.
AI эдгээр саад бэрхшээлийг даван туулж чадна
Азаар, хиймэл оюун уургийн бүтцийг илүү үнэн зөв, үр дүнтэй таамаглах шинэ амлалтыг өгч байна. Машин сургалтын алгоритмууд нь асар их хэмжээний өгөгдлийг шалгаж чаддаг. Мөн тэд хүмүүсийн санахгүй байх хэв маягийг олж илрүүлдэг.
Үүний үр дүнд уургийн бүтцийг хосгүй нарийвчлалтайгаар урьдчилан таамаглах чадвартай шинэ програм хангамжийн хэрэгсэл, платформ бий болсон.
Уургийн бүтцийг урьдчилан таамаглах хамгийн ирээдүйтэй машин сургалтын алгоритмууд
Google-ийн бүтээсэн AlphaFold систем Deepmind баг нь энэ чиглэлээр гарсан хамгийн ирээдүйтэй дэвшлийн нэг юм. Сүүлийн жилүүдэд ашигласнаар ихээхэн ахиц дэвшил гарсан гүнзгий суралцах алгоритмууд амин хүчлийн дараалалд үндэслэн уургийн бүтцийг урьдчилан таамаглах.
Мэдрэлийн сүлжээ, туслах вектор машин, санамсаргүй ой зэрэг нь уургийн бүтцийг урьдчилан таамаглах боломжтой машин сургалтын аргуудын нэг юм.
Эдгээр алгоритмууд нь асар их өгөгдлийн багцаас суралцах боломжтой. Мөн тэд өөр өөр амин хүчлүүдийн хоорондын хамаарлыг урьдчилан таамаглаж чадна. Тэгэхээр энэ нь хэрхэн ажилладагийг харцгаая.
Хамтарсан хувьслын шинжилгээ ба Альфа дахин үе
Амжилт AlphaFold нь хамтарсан хувьслын шинжилгээг ашиглан боловсруулсан гүн мэдрэлийн сүлжээний загвар дээр бүтээгдсэн. Хамтарсан хувьслын үзэл баримтлалд хэрэв уураг дахь хоёр амин хүчлүүд бие биетэйгээ харилцан үйлчилбэл тэдгээр нь үйл ажиллагааны холбоосыг хадгалахын тулд хамтдаа хөгжинө гэж заасан байдаг.
Судлаачид олон тооны ижил төстэй уургийн амин хүчлийн дарааллыг харьцуулах замаар 3D бүтцэд ямар хос амин хүчлүүд холбогдож болохыг тодорхойлж чадна.
Энэ өгөгдөл нь AlphaFold-ийн анхны давталтын үндэс суурь болж өгдөг. Энэ нь амин хүчлийн хос хоорондын урт, мөн тэдгээрийг холбодог пептидийн бондын өнцгийг урьдчилан таамаглаж байна. Энэ арга нь уургийн бүтцийг дарааллаар нь урьдчилан таамаглах өмнөх бүх аргуудаас давсан боловч тодорхой загваргүй уургийн хувьд нарийвчлал хязгаарлагдмал хэвээр байв.
AlphaFold 2: Эрс шинэ арга зүй
AlphaFold2 нь уургийн 3 хэмжээст бүтцийг урьдчилан таамаглахад уургийн амин хүчлийн дарааллыг ашигладаг DeepMind-ийн бүтээсэн компьютерийн программ юм.
Энэ нь уургийн бүтэц нь түүний үйл ажиллагааг тодорхойлдог бөгөөд түүний үйл ажиллагааг ойлгох нь эрдэмтэд уураг руу чиглэсэн эмийг боловсруулахад тусалдаг тул энэ нь чухал юм.
AlphaFold2 мэдрэлийн сүлжээ нь уургийн амин хүчлийн дараалал, мөн мэдээллийн сан дахь бусад дараалалтай харьцуулах дэлгэрэнгүй мэдээллийг хүлээн авдаг (үүнийг "дараалал зэрэгцүүлэх" гэж нэрлэдэг).
Мэдрэлийн сүлжээ нь энэхүү оролт дээр үндэслэн уургийн 3D бүтцийн талаар таамаглал гаргадаг.
AlphaFold2-ээс юугаараа ялгаатай вэ?
Бусад аргуудаас ялгаатай нь AlphaFold2 нь амин хүчлүүдийн хос хоорондын тусгаарлалт эсвэл тэдгээрийг холбосон холбоосын өнцгөөс илүүтэйгээр уургийн жинхэнэ 3D бүтцийг урьдчилан таамаглаж байна (өмнөх алгоритмууд шиг).
Мэдрэлийн сүлжээ бүрэн бүтцийг нэг дор урьдчилан харахын тулд бүтэц нь төгсгөл хүртэл кодлогдсон байдаг.
AlphaFold2-ийн өөр нэг гол шинж чанар нь энэ нь таамаглалдаа хэр итгэлтэй байгаа талаар тооцооллыг санал болгодог явдал юм. Үүнийг хүлээгдэж буй бүтцийн өнгөний кодчилол болгон танилцуулсан бөгөөд улаан нь өндөр итгэлийг, цэнхэр нь бага итгэлийг илэрхийлдэг.
Энэ нь таамаглалын тогтвортой байдлын талаар эрдэмтэд мэдээлдэг тул ашигтай юм.
Хэд хэдэн дарааллын хосолсон бүтцийг урьдчилан таамаглах
Alphafold Multimer гэгддэг Alphafold2-ийн хамгийн сүүлийн өргөтгөл нь хэд хэдэн дарааллын хосолсон бүтцийг урьдчилан таамаглаж байна. Энэ нь өмнөх техникээс хамаагүй илүү гүйцэтгэлтэй байсан ч алдааны өндөр хувьтай хэвээр байна. 25 уургийн цогцолборын ердөө 4500% нь амжилттай таамаглаж байсан.
Холбоо барих бүдүүлэг бүсийн 70% нь зөв таамагласан боловч хоёр уургийн харьцангуй чиглэл буруу байсан. Дундаж зэрэгцүүлэх гүн нь ойролцоогоор 30 дараалалаас бага байвал Альфафолдын мультимерийн таамаглалын нарийвчлал мэдэгдэхүйц буурдаг.
Alphafold таамаглалыг хэрхэн ашиглах вэ
AlphaFold-ийн таамагласан загваруудыг ижил файлын форматаар санал болгодог бөгөөд туршилтын бүтэцтэй ижил аргаар ашиглаж болно. Үл ойлголцол гарахаас урьдчилан сэргийлэхийн тулд загварт санал болгож буй нарийвчлалын тооцоог анхаарч үзэх нь маш чухал юм.
Энэ нь ялангуяа нэхмэл гомомерууд эсвэл зөвхөн атираатай үед л нугалах уураг зэрэг нарийн төвөгтэй бүтцэд тустай.
үл мэдэгдэх лиганд.
Зарим сорилтууд
Урьдчилан таамагласан бүтцийг ашиглахад тулгардаг гол асуудал бол уураг, биофизикийн өгөгдөлд хандахгүйгээр динамик, лигандын сонгомол байдал, хяналт, аллостери, орчуулгын дараах өөрчлөлт, холболтын кинетикийг ойлгох явдал юм.
Машины сургалт Мөн физикт суурилсан молекул динамикийн судалгааг энэ асуудлыг даван туулахад ашиглаж болно.
Эдгээр судалгаанууд нь тусгай, үр ашигтай компьютерийн архитектураас ашиг тустай байж болно. AlphaFold нь уургийн бүтцийг урьдчилан таамаглахад асар их ахиц дэвшилд хүрсэн ч бүтцийн биологийн салбарт суралцах зүйл их байгаа бөгөөд AlphaFold-ийн таамаглал нь ирээдүйн судалгааны эхлэлийн цэг юм.
Бусад гайхалтай хэрэгслүүд юу вэ?
RoseTTAFold
Вашингтоны их сургуулийн судлаачдын бүтээсэн RoseTTAFold нь уургийн бүтцийг урьдчилан таамаглахын тулд гүнзгий суралцах алгоритмуудыг ашигладаг боловч урьдчилан таамагласан бүтцийг сайжруулахын тулд " мушгих өнцгийн динамик симуляци " гэгддэг шинэ аргыг нэгтгэдэг.
Энэ арга нь урам зоригтой үр дүнг өгсөн бөгөөд одоо байгаа AI уураг нугалах хэрэгслийн хязгаарлалтыг даван туулахад тустай байж болох юм.
trRosetta
Өөр нэг хэрэгсэл болох trRosetta нь уураг нугалахыг урьдчилан таамаглаж байна мэдрэлийн сүлжээ олон сая уургийн дараалал, бүтцийг сургасан.
Мөн зорилтот уургийг харьцуулж болохуйц мэдэгдэж буй бүтэцтэй харьцуулах замаар илүү нарийн таамаглал гаргахын тулд "загварт суурилсан загварчлал" аргыг ашигладаг.
trRosetta нь жижиг уураг, уургийн цогцолборуудын бүтцийг урьдчилан таамаглах чадвартай болохыг харуулсан.
DeepMetaPSICOV
DeepMetaPSICOV бол уургийн контактын зургийг урьдчилан таамаглахад чиглэсэн өөр нэг хэрэгсэл юм. Эдгээрийг уургийн нугалааг урьдчилан таамаглахад гарын авлага болгон ашигладаг. Үүнийг ашигладаг гүн гүнзгий суралцах уургийн доторх үлдэгдлийн харилцан үйлчлэлийн магадлалыг урьдчилан таамаглах арга.
Эдгээрийг дараа нь ерөнхий холбоо барих газрын зургийг урьдчилан таамаглахад ашигладаг. DeepMetaPSICOV нь өмнөх аргууд амжилтгүй болсон ч уургийн бүтцийг маш нарийвчлалтай урьдчилан таамаглах боломжтойг харуулсан.
Ирээдүй юу болох вэ?
AI уураг нугалах ирээдүй гэрэлтэй байна. Гүнзгий суралцахад суурилсан алгоритмууд, ялангуяа AlphaFold2 нь уургийн бүтцийг найдвартай таамаглахад сүүлийн үед ихээхэн ахиц дэвшил гаргасан.
Энэхүү олдвор нь эрдэмтдэд эмчилгээний нийтлэг зорилт болох уургийн бүтэц, үйл ажиллагааг илүү сайн ойлгох боломжийг олгох замаар эмийн хөгжлийг өөрчлөх боломжтой юм.
Гэсэн хэдий ч уургийн цогцолборыг урьдчилан таамаглах, хүлээгдэж буй бүтцийн бодит үйл ажиллагааны төлөвийг илрүүлэх зэрэг асуудлууд хэвээр байна. Эдгээр асуудлыг шийдэж, AI уураг нугалах алгоритмын нарийвчлал, найдвартай байдлыг нэмэгдүүлэхийн тулд илүү их судалгаа хийх шаардлагатай байна.
Гэсэн хэдий ч энэ технологийн боломжит ашиг тус нь асар их бөгөөд энэ нь илүү үр дүнтэй, нарийн эм үйлдвэрлэхэд хүргэх боломжтой юм.
хариу үлдээх