के हुन्छ यदि हामीले जीवनको सबैभन्दा ठूलो रहस्य - प्रोटीन फोल्डिंगको जवाफ दिन कृत्रिम बुद्धिमत्ता प्रयोग गर्न सक्छौं? वैज्ञानिकहरू दशकौंदेखि यसका लागि काम गरिरहेका छन्।
मेसिनहरूले अब गहिरो सिकाइ मोडेलहरू, औषधिको विकास, बायोटेक्नोलजी, र मौलिक जैविक प्रक्रियाहरूको हाम्रो ज्ञानको प्रयोग गरेर अचम्मको परिशुद्धताका साथ प्रोटीन संरचनाहरूको भविष्यवाणी गर्न सक्छन्।
मसँग एआई प्रोटीन फोल्डिङको चाखलाग्दो क्षेत्रको अन्वेषणमा सामेल हुनुहोस्, जहाँ अत्याधुनिक प्रविधिले जीवनको जटिलतासँग टक्कर दिन्छ।
प्रोटिन फोल्डिङको रहस्य खोल्दै
प्रोटिनहरूले हाम्रो शरीरमा साना मेशिनहरू जस्तै खाना तोड्ने वा अक्सिजन ढुवानी जस्ता महत्त्वपूर्ण कार्यहरू पूरा गर्नका लागि काम गर्दछ। तिनीहरूले प्रभावकारी रूपमा काम गर्नको लागि सही रूपमा फोल्ड गर्नुपर्छ, जसरी तालामा फिट गर्न कुञ्जी सही रूपमा काटिएको हुनुपर्छ। प्रोटिन सिर्जना हुने बित्तिकै, एक धेरै जटिल तह प्रक्रिया सुरु हुन्छ।
प्रोटिन फोल्डिङ प्रक्रिया हो जसद्वारा एमिनो एसिडको लामो चेनहरू, प्रोटीनको निर्माण ब्लकहरू, प्रोटिनको कार्यलाई निर्देशित गर्ने तीन-आयामी संरचनाहरूमा तह हुन्छन्।
मोतीको लामो स्ट्रिङलाई विचार गर्नुहोस् जुन एक सटीक फारममा अर्डर गर्नुपर्छ; यो के हुन्छ जब एक प्रोटीन तह हुन्छ। तैपनि, मोतीहरू भन्दा फरक, एमिनो एसिडहरू अद्वितीय विशेषताहरू छन् र विभिन्न तरिकामा एकअर्कासँग अन्तरक्रिया गर्दछ, प्रोटीन फोल्डिङ एक जटिल र संवेदनशील प्रक्रिया बनाउँछ।
यहाँ चित्रले मानव हेमोग्लोबिनलाई प्रतिनिधित्व गर्दछ, जुन एक प्रसिद्ध फोल्ड प्रोटीन हो
प्रोटिनहरू छिटो र ठीकसँग फोल्ड गर्नुपर्छ, वा तिनीहरू गलत फोल्ड र दोषपूर्ण हुनेछन्। यसले अल्जाइमर र पार्किन्सनजस्ता रोगहरू निम्त्याउन सक्छ। तापक्रम, दबाब, र सेलमा अन्य अणुहरूको उपस्थितिले फोल्डिङ प्रक्रियामा प्रभाव पार्छ।
दशकौंको अनुसन्धान पछि, वैज्ञानिकहरूले अझै पनि प्रोटीनहरू कसरी फोल्ड हुन्छन् भनेर पत्ता लगाउन प्रयास गरिरहेका छन्।
धन्यबाद, आर्टिफिसियल इन्टेलिजेन्समा भएको प्रगतिले यस क्षेत्रको विकासमा सुधार गरिरहेको छ। वैज्ञानिकहरूले प्रोटिनको संरचना प्रयोग गरेर पहिलेको भन्दा बढी सही अनुमान गर्न सक्छन् मेशिन शिक्षा एल्गोरिदम डाटाको ठूलो मात्रा जाँच गर्न।
यसले औषधिको विकासलाई परिवर्तन गर्न र रोगको हाम्रो आणविक ज्ञान बढाउन सक्ने क्षमता राख्छ।
के मेसिनहरूले राम्रो प्रदर्शन गर्न सक्छन्?
परम्परागत प्रोटीन फोल्डिंग प्रविधिहरू सीमित छन्
वैज्ञानिकहरूले दशकौंदेखि प्रोटीन फोल्डिङ पत्ता लगाउन प्रयास गरिरहेका छन्, तर प्रक्रियाको जटिलताले यसलाई चुनौतीपूर्ण विषय बनाएको छ।
परम्परागत प्रोटीन संरचना भविष्यवाणी दृष्टिकोणले प्रयोगात्मक विधिहरू र कम्प्युटर मोडेलिङको संयोजन प्रयोग गर्दछ, तथापि, यी विधिहरूमा सबै कमजोरीहरू छन्।
एक्स-रे क्रिस्टलोग्राफी र परमाणु चुम्बकीय अनुनाद (NMR) जस्ता प्रायोगिक प्रविधिहरू समय खपत र महँगो हुन सक्छ। र, कम्प्यूटर मोडेलहरू कहिलेकाहीँ साधारण धारणाहरूमा भर पर्छन्, जसले गलत भविष्यवाणीहरू निम्त्याउन सक्छ।
AI ले यी अवरोधहरू पार गर्न सक्छ
सौभाग्य देखि, कृत्रिम बुद्धि थप सटीक र कुशल प्रोटीन संरचना भविष्यवाणीको लागि ताजा प्रतिज्ञा प्रदान गर्दैछ। मेसिन लर्निङ एल्गोरिदमले ठूलो मात्रामा डाटाको परिक्षण गर्न सक्छ। र, तिनीहरूले ढाँचाहरू पत्ता लगाउँछन् जुन मानिसहरूले गुमाउनेछन्।
यसले अतुलनीय परिशुद्धताका साथ प्रोटीन संरचनाको भविष्यवाणी गर्न सक्षम नयाँ सफ्टवेयर उपकरणहरू र प्लेटफर्महरू सिर्जना गरेको छ।
प्रोटीन संरचना भविष्यवाणीको लागि सबैभन्दा आशाजनक मेशिन लर्निंग एल्गोरिदम
गुगल द्वारा निर्मित अल्फाफोल्ड प्रणाली Deepmind टोली यस क्षेत्रमा सबैभन्दा आशाजनक प्रगतिहरू मध्ये एक हो। हालका वर्षहरूमा प्रयोग गरेर यसले ठूलो प्रगति हासिल गरेको छ गहिरो शिक्षण एल्गोरिदम तिनीहरूको एमिनो एसिड अनुक्रमहरूमा आधारित प्रोटीनहरूको संरचनाको भविष्यवाणी गर्न।
न्यूरल नेटवर्कहरू, समर्थन भेक्टर मेसिनहरू, र अनियमित वनहरू प्रोटिन संरचना भविष्यवाणी गर्ने वाचा देखाउने थप मेसिन लर्निङ विधिहरू हुन्।
यी एल्गोरिदमहरूले विशाल डेटासेटहरूबाट सिक्न सक्छन्। र, तिनीहरूले विभिन्न एमिनो एसिडहरू बीचको सम्बन्धको अनुमान गर्न सक्छन्। त्यसोभए, यो कसरी काम गर्दछ हेरौं।
सह-विकासात्मक विश्लेषण र पहिलो अल्फाफोल्ड जेनेरेसन
सफलता अल्फाफोल्ड गहिरो न्यूरल नेटवर्क मोडेलमा निर्मित छ जुन सह-विकासात्मक विश्लेषण प्रयोग गरी विकसित गरिएको थियो। सह-विकासको अवधारणाले बताउँछ कि यदि प्रोटीनमा दुई एमिनो एसिडहरू एकअर्कासँग अन्तरक्रिया गर्छन् भने, तिनीहरूले आफ्नो कार्यात्मक लिङ्क राख्न एकसाथ विकास गर्नेछन्।
अन्वेषकहरूले धेरै समान प्रोटीनहरूको एमिनो एसिड अनुक्रमहरू तुलना गरेर 3D संरचनामा कुन जोडी एमिनो एसिडहरू सम्पर्कमा हुने सम्भावना छ भनेर पत्ता लगाउन सक्छन्।
यो डेटाले AlphaFold को पहिलो पुनरावृत्तिको लागि आधारको रूपमा कार्य गर्दछ। यसले एमिनो एसिड जोडीहरू बीचको लम्बाइको साथसाथै तिनीहरूलाई लिङ्क गर्ने पेप्टाइड बन्डहरूको कोणहरूको भविष्यवाणी गर्दछ। यस विधिले अनुक्रमबाट प्रोटीन संरचनाको भविष्यवाणी गर्नको लागि सबै अघिल्लो दृष्टिकोणहरू भन्दा राम्रो प्रदर्शन गर्यो, यद्यपि शुद्धता अझै पनि कुनै स्पष्ट टेम्प्लेटहरू बिना प्रोटीनहरूको लागि प्रतिबन्धित थियो।
AlphaFold 2: एक आमूल नयाँ विधि
AlphaFold2 DeepMind द्वारा बनाईएको कम्प्युटर सफ्टवेयर हो जसले प्रोटीनको 3D संरचनाको भविष्यवाणी गर्न प्रोटीनको एमिनो एसिड अनुक्रम प्रयोग गर्दछ।
यो महत्त्वपूर्ण छ किनभने प्रोटीनको संरचनाले यसले कसरी काम गर्छ भनेर निर्धारण गर्छ, र यसको कार्यलाई बुझ्न वैज्ञानिकहरूलाई प्रोटिनलाई लक्षित गर्ने औषधिहरू विकास गर्न मद्दत गर्न सक्छ।
AlphaFold2 न्यूरल नेटवर्कले इनपुटको रूपमा प्रोटीनको एमिनो एसिड अनुक्रमको साथसाथै कसरी त्यो अनुक्रम डेटाबेसमा अन्य अनुक्रमहरूसँग तुलना गर्छ भन्ने विवरणहरू प्राप्त गर्दछ (यसलाई "अनुक्रम पङ्क्तिबद्ध" भनिन्छ)।
न्यूरल नेटवर्कले यो इनपुटको आधारमा प्रोटिनको थ्रीडी संरचनाको बारेमा भविष्यवाणी गर्छ।
AlphaFold2 बाहेक के यो सेट गर्दछ?
अन्य दृष्टिकोणहरूको विपरित, AlphaFold2 ले एमिनो एसिडको जोडीहरू वा तिनीहरूलाई जोड्ने बन्डहरू बीचको कोणहरू (पहिलेको एल्गोरिदमहरू जस्तै) बीचको विभाजनको सट्टा प्रोटीनको वास्तविक 3D संरचनाको भविष्यवाणी गर्दछ।
एकैचोटि पूर्ण संरचनाको अनुमान गर्न न्यूरल नेटवर्कको लागि, संरचनालाई अन्त-देखि-अन्त इन्कोड गरिएको छ।
AlphaFold2 को अर्को मुख्य विशेषता यो हो कि यसले यसको पूर्वानुमानमा कत्तिको विश्वस्त छ भन्ने अनुमान प्रदान गर्दछ। यो प्रत्याशित संरचनामा रङ कोडिङको रूपमा प्रस्तुत गरिएको छ, रातोले उच्च आत्मविश्वास र नीलोले कम आत्मविश्वासको सुझाव दिन्छ।
यो उपयोगी छ किनकि यसले वैज्ञानिकहरूलाई भविष्यवाणीको स्थिरता बारे जानकारी दिन्छ।
धेरै अनुक्रमहरूको संयुक्त संरचनाको भविष्यवाणी गर्दै
Alphafold2 को पछिल्लो विस्तार, Alphafold Multimer को रूपमा चिनिन्छ, धेरै अनुक्रमहरूको संयुक्त संरचनाको पूर्वानुमान गर्दछ। पहिलेका प्रविधिहरू भन्दा धेरै राम्रो प्रदर्शन गरे तापनि यसमा अझै उच्च त्रुटि दरहरू छन्। 25 प्रोटीन कम्प्लेक्सहरू मध्ये 4500% मात्र सफलतापूर्वक भविष्यवाणी गरिएको थियो।
सम्पर्क गठनको कुनै न कुनै क्षेत्रहरूको 70% सही रूपमा भविष्यवाणी गरिएको थियो, तर दुई प्रोटीनहरूको सापेक्ष अभिविन्यास गलत थियो। जब मध्य पङ्क्तिबद्धता गहिराई लगभग 30 अनुक्रमहरू भन्दा कम हुन्छ, Alphafold मल्टिमर भविष्यवाणीहरूको शुद्धता उल्लेखनीय रूपमा घट्छ।
Alphafold भविष्यवाणी कसरी प्रयोग गर्ने
AlphaFold बाट भविष्यवाणी गरिएका मोडेलहरू एउटै फाइल ढाँचाहरूमा प्रस्तावित छन् र प्रयोगात्मक संरचनाहरू जस्तै प्रयोग गर्न सकिन्छ। गलतफहमीहरू रोक्नको लागि मोडेलको साथ प्रस्ताव गरिएको सटीकता अनुमानहरूलाई ध्यानमा राख्नु महत्त्वपूर्ण छ।
यो विशेष गरी जटिल संरचनाहरू जस्तै अन्तर्निहित होमोमर वा प्रोटीनहरूको लागि उपयोगी छ जुन केवल एकको उपस्थितिमा मात्र फोल्ड गर्दछ।
अज्ञात लिगान्ड।
केहि चुनौतीहरु
प्रोटिन र बायोफिजिकल डेटामा पहुँच बिना नै प्रेडिकेटेड स्ट्रक्चरहरू प्रयोग गर्ने मुख्य समस्या डायनामिक्स, लिगान्ड चयनात्मकता, नियन्त्रण, एलोस्ट्री, पोस्ट-ट्रान्सलेसनल परिवर्तनहरू, र बाइन्डिङको गतिविज्ञान बुझ्नु हो।
मिसिन सिक्ने र भौतिक विज्ञानमा आधारित आणविक गतिशीलता अनुसन्धान यस समस्यालाई हटाउन प्रयोग गर्न सकिन्छ।
यी अनुसन्धानहरूले विशेष र कुशल कम्प्युटर वास्तुकलाबाट फाइदा लिन सक्छ। जबकि अल्फाफोल्डले प्रोटिन संरचनाहरूको भविष्यवाणी गर्नमा ठूलो प्रगति हासिल गरेको छ, संरचनात्मक जीवविज्ञानको क्षेत्रमा अझै धेरै सिक्न बाँकी छ, र अल्फाफोल्ड भविष्यवाणीहरू भविष्यको अध्ययनको लागि मात्र सुरूवात बिन्दु हो।
अन्य उल्लेखनीय उपकरणहरू के हुन्?
RoseTTAFold
RoseTTAFold, युनिभर्सिटी अफ वाशिंगटनका अन्वेषकहरूद्वारा सिर्जना गरिएको, प्रोटीन संरचनाहरू भविष्यवाणी गर्न गहिरो शिक्षा एल्गोरिदमहरू पनि प्रयोग गर्दछ, तर यसले भविष्यवाणी गरिएका संरचनाहरू सुधार गर्न "टर्सन कोण गतिशीलता सिमुलेशन" भनेर चिनिने उपन्यास दृष्टिकोणलाई पनि एकीकृत गर्दछ।
यो विधिले उत्साहजनक नतिजाहरू दिएको छ र अवस्थित AI प्रोटीन फोल्डिङ उपकरणहरूको सीमितताहरू हटाउन उपयोगी हुन सक्छ।
trRosetta
अर्को उपकरण, trRosetta, प्रयोग गरेर प्रोटीन फोल्डिंग भविष्यवाणी गर्दछ तंत्रिका सञ्जाल लाखौं प्रोटीन अनुक्रम र संरचनाहरूमा प्रशिक्षित।
यसले "टेम्प्लेट-आधारित मोडेलिङ" प्रविधि पनि प्रयोग गर्दछ जुन तुलनात्मक ज्ञात संरचनाहरूसँग लक्षित प्रोटीन तुलना गरेर थप सटीक भविष्यवाणीहरू सिर्जना गर्न सकिन्छ।
यो देखाइएको छ कि trRosetta सानो प्रोटीन र प्रोटीन कम्प्लेक्स को संरचना भविष्यवाणी गर्न सक्षम छ।
DeepMetaPSICOV
DeepMetaPSICOV प्रोटिन सम्पर्क नक्सा भविष्यवाणी मा केन्द्रित अर्को उपकरण हो। यी, प्रोटिन तह भविष्यवाणी गर्न गाइडको रूपमा प्रयोग गरिन्छ। प्रयोग गर्छ गहिरो शिक्षा एक प्रोटीन भित्र अवशिष्ट अन्तरक्रिया को संभावना पूर्वानुमान गर्न दृष्टिकोण।
यी पछि समग्र सम्पर्क नक्सा पूर्वानुमान गर्न प्रयोग गरिन्छ। DeepMetaPSICOV ले पहिलेका दृष्टिकोणहरू असफल भए पनि, ठूलो शुद्धताका साथ प्रोटीन संरचनाहरू भविष्यवाणी गर्ने क्षमता देखाएको छ।
भविष्यमा के हुन्छ?
एआई प्रोटीन फोल्डिंगको भविष्य उज्ज्वल छ। गहिरो सिकाइमा आधारित एल्गोरिदमहरू, विशेष गरी AlphaFold2, भर्खरै भरपर्दो रूपमा प्रोटिन संरचनाहरूको भविष्यवाणी गर्नमा ठूलो प्रगति भएको छ।
यस खोजले वैज्ञानिकहरूलाई प्रोटिनको संरचना र कार्यलाई राम्रोसँग बुझ्न अनुमति दिएर औषधिको विकासलाई रूपान्तरण गर्ने क्षमता राख्छ, जुन सामान्य उपचारात्मक लक्ष्यहरू हुन्।
जे होस्, प्रोटिन कम्प्लेक्सको पूर्वानुमान गर्ने र अपेक्षित संरचनाहरूको वास्तविक कार्यात्मक स्थिति पत्ता लगाउने जस्ता मुद्दाहरू बाँकी छन्। यी समस्याहरू समाधान गर्न र एआई प्रोटीन फोल्डिंग एल्गोरिदमको शुद्धता र विश्वसनीयता बढाउन थप अनुसन्धान आवश्यक छ।
यद्यपि, यस प्रविधिको सम्भावित फाइदाहरू धेरै छन्, र यसले अझ प्रभावकारी र सटीक औषधिहरूको उत्पादनमा नेतृत्व गर्ने क्षमता राख्छ।
जवाफ छाड्नुस्