जर आपण कृत्रिम बुद्धिमत्तेचा उपयोग जीवनातील सर्वात मोठ्या रहस्यांपैकी एक - प्रोटीन फोल्डिंगचे उत्तर देण्यासाठी करू शकलो तर? अनेक दशकांपासून शास्त्रज्ञ यावर काम करत आहेत.
मशीन्स आता सखोल शिक्षण मॉडेल्स, बदलणारे औषध विकास, जैवतंत्रज्ञान आणि मूलभूत जैविक प्रक्रियांबद्दलचे आपले ज्ञान वापरून आश्चर्यकारक अचूकतेसह प्रथिने संरचनांचा अंदाज लावू शकतात.
AI प्रोटीन फोल्डिंगच्या वेधक क्षेत्राच्या शोधात माझ्यासोबत सामील व्हा, जिथे अत्याधुनिक तंत्रज्ञान जीवनाच्या जटिलतेशी टक्कर देते.
प्रोटीन फोल्डिंगचे रहस्य उलगडणे
अन्न तोडणे किंवा ऑक्सिजन वाहून नेणे यासारखी महत्त्वपूर्ण कार्ये पार पाडण्यासाठी प्रथिने आपल्या शरीरात लहान यंत्रांप्रमाणे कार्य करतात. लॉकमध्ये बसण्यासाठी चावी योग्य प्रकारे कापली पाहिजे त्याप्रमाणे ते प्रभावीपणे कार्य करण्यासाठी ते योग्यरित्या दुमडलेले असणे आवश्यक आहे. प्रथिने तयार होताच, एक अत्यंत क्लिष्ट फोल्डिंग प्रक्रिया सुरू होते.
प्रथिने फोल्डिंग ही प्रक्रिया आहे ज्याद्वारे अमीनो ऍसिडच्या लांब साखळ्या, प्रथिनांचे बिल्डिंग ब्लॉक्स, त्रिमितीय संरचनांमध्ये दुमडतात जे प्रथिनांचे कार्य ठरवतात.
मण्यांच्या एका लांबलचक स्ट्रिंगचा विचार करा ज्याला अचूक स्वरूपात ऑर्डर करणे आवश्यक आहे; जेव्हा प्रथिने दुमडली जातात तेव्हा असे होते. तरीही, मण्यांच्या विपरीत, अमीनो ऍसिडमध्ये अद्वितीय वैशिष्ट्ये आहेत आणि विविध मार्गांनी एकमेकांशी संवाद साधतात, ज्यामुळे प्रोटीन फोल्डिंग एक जटिल आणि संवेदनशील प्रक्रिया बनते.
येथे चित्र मानवी हिमोग्लोबिनचे प्रतिनिधित्व करते, जे एक सुप्रसिद्ध फोल्ड प्रोटीन आहे
प्रथिने जलद आणि तंतोतंत दुमडणे आवश्यक आहे, अन्यथा ते चुकीचे फोल्ड आणि दोषपूर्ण होतील. त्यामुळे अल्झायमर आणि पार्किन्सन्ससारखे आजार होऊ शकतात. तापमान, दाब आणि सेलमधील इतर रेणूंची उपस्थिती या सर्वांचा फोल्डिंग प्रक्रियेवर परिणाम होतो.
अनेक दशकांच्या संशोधनानंतर, शास्त्रज्ञ अजूनही प्रथिने कशी दुमडतात हे शोधण्याचा प्रयत्न करत आहेत.
कृतज्ञतापूर्वक, आर्टिफिशियल इंटेलिजन्समधील प्रगतीमुळे या क्षेत्रातील विकासामध्ये सुधारणा होत आहे. शास्त्रज्ञ वापरून प्रथिनांच्या संरचनेचा पूर्वीपेक्षा अधिक अचूक अंदाज लावू शकतात मशीन शिक्षण अल्गोरिदम मोठ्या प्रमाणात डेटाचे परीक्षण करण्यासाठी.
हे औषधोपचार विकास बदलण्याची आणि आजारपणाबद्दलचे आमचे आण्विक ज्ञान वाढवण्याची क्षमता आहे.
यंत्रे अधिक चांगली कामगिरी करू शकतात?
पारंपरिक प्रथिने फोल्डिंग तंत्राला मर्यादा आहेत
शास्त्रज्ञ अनेक दशकांपासून प्रोटीन फोल्डिंग शोधण्याचा प्रयत्न करत आहेत, परंतु प्रक्रियेच्या गुंतागुंतीमुळे हा एक आव्हानात्मक विषय बनला आहे.
पारंपारिक प्रथिने संरचना अंदाज पद्धती प्रायोगिक पद्धती आणि संगणक मॉडेलिंगचे संयोजन वापरतात, तथापि, या सर्व पद्धतींमध्ये कमतरता आहेत.
एक्स-रे क्रिस्टलोग्राफी आणि न्यूक्लियर मॅग्नेटिक रेझोनान्स (NMR) सारखी प्रायोगिक तंत्रे वेळखाऊ आणि महाग असू शकतात. आणि, संगणक मॉडेल कधीकधी साध्या गृहितकांवर अवलंबून असतात, ज्यामुळे चुकीचे अंदाज येऊ शकतात.
AI या अडथळ्यांवर मात करू शकते
सुदैवाने, कृत्रिम बुद्धिमत्ता अधिक अचूक आणि कार्यक्षम प्रथिने संरचना अंदाजासाठी नवीन वचन देत आहे. मशीन लर्निंग अल्गोरिदम मोठ्या प्रमाणात डेटाचे परीक्षण करू शकतात. आणि, लोक चुकतील असे नमुने ते उघड करतात.
यामुळे अतुलनीय अचूकतेसह प्रथिनांच्या संरचनेचा अंदाज लावण्यास सक्षम नवीन सॉफ्टवेअर टूल्स आणि प्लॅटफॉर्मची निर्मिती झाली आहे.
प्रोटीन स्ट्रक्चरच्या अंदाजासाठी सर्वात आशादायक मशीन लर्निंग अल्गोरिदम
Google ने तयार केलेली अल्फाफोल्ड प्रणाली Deepmind संघ या क्षेत्रातील सर्वात आशाजनक प्रगतींपैकी एक आहे. याचा वापर करून अलिकडच्या वर्षांत मोठी प्रगती झाली आहे खोल शिक्षण अल्गोरिदम प्रथिनांच्या संरचनेचा अंदाज त्यांच्या अमीनो ऍसिडच्या अनुक्रमांवर आधारित आहे.
न्यूरल नेटवर्क्स, सपोर्ट वेक्टर मशीन्स आणि यादृच्छिक जंगले ही अधिक मशीन शिक्षण पद्धतींपैकी आहेत जी प्रथिनांच्या संरचनेचा अंदाज लावण्याचे आश्वासन दर्शवतात.
हे अल्गोरिदम प्रचंड डेटासेटमधून शिकू शकतात. आणि, ते वेगवेगळ्या अमीनो ऍसिडमधील परस्परसंबंधांचा अंदाज लावू शकतात. तर, ते कसे कार्य करते ते पाहूया.
सह-उत्क्रांती विश्लेषण आणि प्रथम अल्फाफोल्ड जनरेशन
च्या यश अल्फाफोल्ड सह-उत्क्रांती विश्लेषणाचा वापर करून विकसित केलेल्या खोल न्यूरल नेटवर्क मॉडेलवर तयार केले आहे. सह-उत्क्रांतीची संकल्पना सांगते की जर प्रथिनातील दोन अमीनो आम्ले एकमेकांशी संवाद साधतात, तर त्यांचा कार्यात्मक संबंध ठेवण्यासाठी ते एकत्र विकसित होतील.
असंख्य समान प्रथिनांच्या अमीनो आम्ल अनुक्रमांची तुलना करून संशोधक 3D संरचनेत अमीनो ऍसिडच्या कोणत्या जोड्या संपर्कात असण्याची शक्यता आहे हे शोधू शकतात.
हा डेटा अल्फाफोल्डच्या पहिल्या पुनरावृत्तीसाठी पाया म्हणून काम करतो. हे अमीनो ऍसिड जोड्यांमधील लांबी तसेच त्यांना जोडणार्या पेप्टाइड बंधांच्या कोनांचा अंदाज लावते. या पद्धतीने अनुक्रमावरून प्रथिनांच्या संरचनेचा अंदाज लावण्यासाठी सर्व पूर्वीच्या पध्दतींना मागे टाकले, जरी कोणतेही स्पष्ट टेम्पलेट नसलेल्या प्रथिनांसाठी अचूकता अद्याप मर्यादित होती.
अल्फाफोल्ड 2: एक मूलगामी नवीन पद्धत
AlphaFold2 हे DeepMind द्वारे तयार केलेले एक संगणक सॉफ्टवेअर आहे जे प्रथिनांच्या 3D संरचनेचा अंदाज लावण्यासाठी प्रथिनांच्या अमीनो ऍसिड अनुक्रमाचा वापर करते.
हे महत्त्वपूर्ण आहे कारण प्रोटीनची रचना ते कसे कार्य करते हे ठरवते आणि त्याचे कार्य समजून घेणे शास्त्रज्ञांना प्रथिनांना लक्ष्य करणारी औषधे विकसित करण्यात मदत करू शकते.
AlphaFold2 न्यूरल नेटवर्क प्रथिनांच्या अमीनो ऍसिड अनुक्रमाचे इनपुट म्हणून तसेच डेटाबेसमधील इतर अनुक्रमांशी तुलना कशी करते याबद्दल तपशील प्राप्त करते (याला "अनुक्रम संरेखन" म्हणतात).
या इनपुटच्या आधारे न्यूरल नेटवर्क प्रथिनांच्या 3D संरचनेबद्दल अंदाज लावते.
AlphaFold2 व्यतिरिक्त काय सेट करते?
इतर पध्दतींच्या विरूद्ध, अल्फाफोल्ड2 प्रथिनांच्या वास्तविक 3D संरचनेचा अंदाज लावते, जे केवळ अमिनो ऍसिडच्या जोड्या किंवा त्यांना जोडणार्या बंधांमधील कोनांमध्ये वेगळे होण्याऐवजी (पूर्वीच्या अल्गोरिदमप्रमाणे होते).
न्यूरल नेटवर्कला एकाच वेळी संपूर्ण संरचनेचा अंदाज येण्यासाठी, रचना एंड-टू-एंड एन्कोड केलेली आहे.
AlphaFold2 चे आणखी एक प्रमुख वैशिष्टय़ हे आहे की तो त्याच्या अंदाजावर किती विश्वास ठेवतो याचा अंदाज देतो. हे अपेक्षित संरचनेवर रंग कोडिंग म्हणून सादर केले जाते, लाल उच्च आत्मविश्वास दर्शविते आणि निळा कमी आत्मविश्वास दर्शवितो.
हे उपयुक्त आहे कारण ते शास्त्रज्ञांना भविष्यवाणीच्या स्थिरतेबद्दल माहिती देते.
अनेक अनुक्रमांच्या एकत्रित संरचनेचा अंदाज लावणे
Alphafold2 चा नवीनतम विस्तार, Alphafold Multimer म्हणून ओळखला जातो, अनेक अनुक्रमांच्या एकत्रित संरचनेचा अंदाज लावतो. जरी ते पूर्वीच्या तंत्रांपेक्षा खूप चांगले कार्य करत असले तरीही त्यात उच्च चूक दर आहेत. 25 प्रोटीन कॉम्प्लेक्सपैकी फक्त 4500% यशस्वीरित्या अंदाज लावला गेला.
संपर्क निर्मितीच्या 70% खडबडीत प्रदेशांचा अचूक अंदाज लावला गेला होता, परंतु दोन प्रथिनांचे सापेक्ष अभिमुखता चुकीचे होते. जेव्हा मध्यम संरेखन खोली अंदाजे 30 अनुक्रमांपेक्षा कमी असते, तेव्हा अल्फाफोल्ड मल्टीमर अंदाजांची अचूकता लक्षणीयरीत्या कमी होते.
अल्फाफोल्ड अंदाज कसे वापरावे
AlphaFold मधील अंदाजित मॉडेल्स समान फाईल फॉरमॅटमध्ये ऑफर केली जातात आणि प्रायोगिक संरचनांप्रमाणेच वापरली जाऊ शकतात. गैरसमज टाळण्यासाठी मॉडेलसह ऑफर केलेले अचूकतेचे अंदाज विचारात घेणे महत्त्वाचे आहे.
हे विशेषत: गुंतागुतीच्या संरचनेसाठी उपयुक्त आहे जसे की आंतरविणलेले होमोमर किंवा प्रथिने जे केवळ एखाद्याच्या उपस्थितीत दुमडतात.
अज्ञात लिगँड.
काही आव्हाने
प्रथिने आणि बायोफिजिकल डेटामध्ये प्रवेश न करता प्रेरक शक्ती, लिगँड निवडकता, नियंत्रण, मिश्रशास्त्र, अनुवादानंतरचे बदल आणि बाइंडिंगचे गतिशास्त्र समजून घेणे ही भविष्यवाणी केलेली रचना वापरण्यात मुख्य समस्या आहे.
मशीन लर्निंग आणि या समस्येवर मात करण्यासाठी भौतिकशास्त्र-आधारित आण्विक गतिशीलता संशोधनाचा उपयोग केला जाऊ शकतो.
या तपासण्यांचा विशेष आणि कार्यक्षम संगणक आर्किटेक्चरचा फायदा होऊ शकतो. अल्फाफोल्डने प्रथिनांच्या संरचनांचा अंदाज लावण्यात प्रचंड प्रगती साधली आहे, तरीही स्ट्रक्चरल बायोलॉजीच्या क्षेत्रात शिकण्यासारखे बरेच काही आहे आणि अल्फाफोल्डचे अंदाज हे भविष्यातील अभ्यासाचा केवळ प्रारंभिक बिंदू आहेत.
इतर उल्लेखनीय साधने काय आहेत?
RoseTTAFold
RoseTTAFold, युनिव्हर्सिटी ऑफ वॉशिंग्टन संशोधकांनी तयार केले आहे, त्याचप्रमाणे प्रथिने संरचनांचा अंदाज लावण्यासाठी सखोल शिक्षण अल्गोरिदम वापरते, परंतु ते अंदाजित संरचना सुधारण्यासाठी "टॉर्शन एंगल डायनॅमिक्स सिम्युलेशन" म्हणून ओळखल्या जाणार्या नवीन दृष्टीकोनाचे समाकलित करते.
या पद्धतीमुळे उत्साहवर्धक परिणाम मिळाले आहेत आणि विद्यमान AI प्रोटीन फोल्डिंग टूल्सच्या मर्यादांवर मात करण्यासाठी उपयुक्त ठरू शकते.
trRosetta
दुसरे साधन, trRosetta, a चा वापर करून प्रोटीन फोल्डिंगचा अंदाज लावते मज्जासंस्थेसंबंधीचा नेटवर्क लाखो प्रथिने अनुक्रम आणि संरचनांवर प्रशिक्षित.
हे "टेम्पलेट-आधारित मॉडेलिंग" तंत्र देखील वापरते ज्यामुळे लक्ष्य प्रोटीनची तुलना ज्ञात संरचनांशी तुलना करून अधिक अचूक अंदाज तयार केले जातात.
हे सिद्ध झाले आहे की ट्ररोसेटा लहान प्रथिने आणि प्रोटीन कॉम्प्लेक्सच्या संरचनांचा अंदाज लावण्यास सक्षम आहे.
DeepMetaPSICOV
DeepMetaPSICOV हे आणखी एक साधन आहे जे प्रथिने संपर्क नकाशांचा अंदाज लावण्यावर लक्ष केंद्रित करते. हे, प्रथिने फोल्डिंगचा अंदाज लावण्यासाठी मार्गदर्शक म्हणून वापरले जातात. तो वापरतो खोल शिकणे प्रथिनांच्या आत अवशेषांच्या परस्परसंवादाच्या संभाव्यतेचा अंदाज लावण्यासाठी दृष्टीकोन.
हे नंतर संपूर्ण संपर्क नकाशाचा अंदाज घेण्यासाठी वापरले जातात. DeepMetaPSICOV ने प्रथिनांच्या रचनांचा अचूक अंदाज लावण्याची क्षमता दर्शविली आहे, जरी मागील दृष्टिकोन अयशस्वी झाला.
भविष्यात काय आहे?
एआय प्रोटीन फोल्डिंगचे भविष्य उज्ज्वल आहे. सखोल शिक्षण-आधारित अल्गोरिदम, विशेषत: AlphaFold2, यांनी अलीकडेच प्रथिन संरचनांचा विश्वासार्हपणे अंदाज लावण्यात मोठी प्रगती केली आहे.
या शोधात शास्त्रज्ञांना प्रथिनांची रचना आणि कार्य अधिक चांगल्या प्रकारे समजून घेण्यास अनुमती देऊन औषध विकासामध्ये परिवर्तन करण्याची क्षमता आहे, जे सामान्य उपचारात्मक लक्ष्य आहेत.
तरीही, प्रथिने संकुलांचा अंदाज लावणे आणि अपेक्षित संरचनांची वास्तविक कार्यात्मक स्थिती शोधणे यासारख्या समस्या कायम आहेत. या समस्यांचे निराकरण करण्यासाठी आणि AI प्रोटीन फोल्डिंग अल्गोरिदमची अचूकता आणि विश्वासार्हता वाढवण्यासाठी अधिक संशोधन आवश्यक आहे.
तरीही, या तंत्रज्ञानाचे संभाव्य फायदे प्रचंड आहेत आणि त्यामध्ये अधिक प्रभावी आणि अचूक औषधे तयार करण्याची क्षमता आहे.
प्रत्युत्तर द्या