ਉਦੋਂ ਕੀ ਜੇ ਅਸੀਂ ਜੀਵਨ ਦੇ ਸਭ ਤੋਂ ਵੱਡੇ ਰਹੱਸਾਂ ਵਿੱਚੋਂ ਇੱਕ - ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦਾ ਜਵਾਬ ਦੇਣ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰ ਸਕੀਏ? ਵਿਗਿਆਨੀ ਇਸ 'ਤੇ ਦਹਾਕਿਆਂ ਤੋਂ ਕੰਮ ਕਰ ਰਹੇ ਹਨ।
ਮਸ਼ੀਨਾਂ ਹੁਣ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਮਾਡਲਾਂ, ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦੇ ਵਿਕਾਸ, ਬਾਇਓਟੈਕਨਾਲੌਜੀ, ਅਤੇ ਬੁਨਿਆਦੀ ਜੀਵ-ਵਿਗਿਆਨਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੇ ਸਾਡੇ ਗਿਆਨ ਨੂੰ ਬਦਲਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸ਼ਾਨਦਾਰ ਸ਼ੁੱਧਤਾ ਨਾਲ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਮੇਰੇ ਨਾਲ AI ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦੇ ਦਿਲਚਸਪ ਖੇਤਰ ਵਿੱਚ ਖੋਜ ਕਰਨ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ, ਜਿੱਥੇ ਅਤਿ-ਆਧੁਨਿਕ ਤਕਨਾਲੋਜੀ ਜੀਵਨ ਦੀ ਗੁੰਝਲਤਾ ਨਾਲ ਟਕਰਾਉਂਦੀ ਹੈ।
ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦੇ ਰਹੱਸ ਨੂੰ ਖੋਲ੍ਹਣਾ
ਪ੍ਰੋਟੀਨ ਸਾਡੇ ਸਰੀਰਾਂ ਵਿੱਚ ਭੋਜਨ ਨੂੰ ਤੋੜਨ ਜਾਂ ਆਕਸੀਜਨ ਦੀ ਢੋਆ-ਢੁਆਈ ਵਰਗੇ ਮਹੱਤਵਪੂਰਨ ਕੰਮ ਕਰਨ ਲਈ ਛੋਟੀਆਂ ਮਸ਼ੀਨਾਂ ਵਾਂਗ ਕੰਮ ਕਰਦੇ ਹਨ। ਉਹਨਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਉਹਨਾਂ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਤਾਲੇ ਵਿੱਚ ਫਿੱਟ ਕਰਨ ਲਈ ਇੱਕ ਚਾਬੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਕੱਟਣਾ ਚਾਹੀਦਾ ਹੈ। ਜਿਵੇਂ ਹੀ ਪ੍ਰੋਟੀਨ ਬਣ ਜਾਂਦਾ ਹੈ, ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਫੋਲਡਿੰਗ ਪ੍ਰਕਿਰਿਆ ਸ਼ੁਰੂ ਹੋ ਜਾਂਦੀ ਹੈ.
ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਇੱਕ ਪ੍ਰਕਿਰਿਆ ਹੈ ਜਿਸ ਦੁਆਰਾ ਅਮੀਨੋ ਐਸਿਡ ਦੀਆਂ ਲੰਮੀਆਂ ਚੇਨਾਂ, ਪ੍ਰੋਟੀਨ ਦੇ ਬਿਲਡਿੰਗ ਬਲਾਕ, ਤਿੰਨ-ਅਯਾਮੀ ਢਾਂਚੇ ਵਿੱਚ ਫੋਲਡ ਹੁੰਦੇ ਹਨ ਜੋ ਪ੍ਰੋਟੀਨ ਦੇ ਕੰਮ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।
ਮਣਕਿਆਂ ਦੀ ਇੱਕ ਲੰਮੀ ਸਤਰ 'ਤੇ ਵਿਚਾਰ ਕਰੋ ਜਿਸ ਨੂੰ ਇੱਕ ਸਟੀਕ ਰੂਪ ਵਿੱਚ ਆਰਡਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ; ਇਹ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ ਪ੍ਰੋਟੀਨ ਫੋਲਡ ਹੁੰਦਾ ਹੈ। ਫਿਰ ਵੀ, ਮਣਕਿਆਂ ਦੇ ਉਲਟ, ਅਮੀਨੋ ਐਸਿਡ ਦੀਆਂ ਵਿਲੱਖਣ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ ਅਤੇ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਇੱਕ ਦੂਜੇ ਨਾਲ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਪਾਉਂਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਇੱਕ ਗੁੰਝਲਦਾਰ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਪ੍ਰਕਿਰਿਆ ਬਣ ਜਾਂਦੀ ਹੈ।
ਇੱਥੇ ਤਸਵੀਰ ਮਨੁੱਖੀ ਹੀਮੋਗਲੋਬਿਨ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮਸ਼ਹੂਰ ਫੋਲਡ ਪ੍ਰੋਟੀਨ ਹੈ
ਪ੍ਰੋਟੀਨ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਅਤੇ ਸਹੀ ਢੰਗ ਨਾਲ ਫੋਲਡ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਜਾਂ ਉਹ ਗਲਤ ਫੋਲਡ ਅਤੇ ਨੁਕਸਦਾਰ ਹੋ ਜਾਣਗੇ। ਇਹ ਅਲਜ਼ਾਈਮਰ ਅਤੇ ਪਾਰਕਿੰਸਨ ਵਰਗੀਆਂ ਬਿਮਾਰੀਆਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ। ਤਾਪਮਾਨ, ਦਬਾਅ, ਅਤੇ ਸੈੱਲ ਵਿੱਚ ਹੋਰ ਅਣੂਆਂ ਦੀ ਮੌਜੂਦਗੀ ਦਾ ਫੋਲਡਿੰਗ ਪ੍ਰਕਿਰਿਆ 'ਤੇ ਪ੍ਰਭਾਵ ਪੈਂਦਾ ਹੈ।
ਦਹਾਕਿਆਂ ਦੀ ਖੋਜ ਤੋਂ ਬਾਅਦ, ਵਿਗਿਆਨੀ ਅਜੇ ਵੀ ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ ਕਿ ਪ੍ਰੋਟੀਨ ਕਿਵੇਂ ਫੋਲਡ ਹੁੰਦੇ ਹਨ।
ਸ਼ੁਕਰ ਹੈ, ਨਕਲੀ ਬੁੱਧੀ ਵਿੱਚ ਤਰੱਕੀ ਸੈਕਟਰ ਵਿੱਚ ਵਿਕਾਸ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਰਹੀ ਹੈ। ਵਿਗਿਆਨੀ ਵਰਤ ਕੇ ਪ੍ਰੋਟੀਨ ਦੀ ਬਣਤਰ ਦਾ ਪਹਿਲਾਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਸਹੀ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹਨ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਡਾਟਾ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ.
ਇਸ ਵਿੱਚ ਦਵਾਈ ਦੇ ਵਿਕਾਸ ਨੂੰ ਬਦਲਣ ਅਤੇ ਬਿਮਾਰੀ ਬਾਰੇ ਸਾਡੇ ਅਣੂ ਗਿਆਨ ਨੂੰ ਵਧਾਉਣ ਦੀ ਸਮਰੱਥਾ ਹੈ।
ਕੀ ਮਸ਼ੀਨਾਂ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੀਆਂ ਹਨ?
ਰਵਾਇਤੀ ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਤਕਨੀਕਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਹਨ
ਵਿਗਿਆਨੀ ਦਹਾਕਿਆਂ ਤੋਂ ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦਾ ਪਤਾ ਲਗਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ, ਪਰ ਪ੍ਰਕਿਰਿਆ ਦੀ ਪੇਚੀਦਗੀ ਨੇ ਇਸ ਨੂੰ ਇੱਕ ਚੁਣੌਤੀਪੂਰਨ ਵਿਸ਼ਾ ਬਣਾ ਦਿੱਤਾ ਹੈ।
ਪਰੰਪਰਾਗਤ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਪਹੁੰਚ ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਧੀਆਂ ਅਤੇ ਕੰਪਿਊਟਰ ਮਾਡਲਿੰਗ ਦੇ ਸੁਮੇਲ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ, ਹਾਲਾਂਕਿ, ਇਹਨਾਂ ਤਰੀਕਿਆਂ ਦੀਆਂ ਸਾਰੀਆਂ ਕਮੀਆਂ ਹਨ।
ਐਕਸ-ਰੇ ਕ੍ਰਿਸਟਲੋਗ੍ਰਾਫੀ ਅਤੇ ਨਿਊਕਲੀਅਰ ਮੈਗਨੈਟਿਕ ਰੈਜ਼ੋਨੈਂਸ (NMR) ਵਰਗੀਆਂ ਪ੍ਰਯੋਗਾਤਮਕ ਤਕਨੀਕਾਂ ਸਮਾਂ ਲੈਣ ਵਾਲੀਆਂ ਅਤੇ ਮਹਿੰਗੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਅਤੇ, ਕੰਪਿਊਟਰ ਮਾਡਲ ਕਈ ਵਾਰ ਸਧਾਰਨ ਧਾਰਨਾਵਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਗਲਤ ਭਵਿੱਖਬਾਣੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ।
AI ਇਹਨਾਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਪਾਰ ਕਰ ਸਕਦਾ ਹੈ
ਸੁਭਾਗੀਂ, ਬਣਾਵਟੀ ਗਿਆਨ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਕੁਸ਼ਲ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਤਾਜ਼ਾ ਵਾਅਦਾ ਪ੍ਰਦਾਨ ਕਰ ਰਿਹਾ ਹੈ। ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਡਾਟੇ ਦੀ ਵੱਡੀ ਮਾਤਰਾ ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹਨ। ਅਤੇ, ਉਹ ਉਹਨਾਂ ਨਮੂਨਿਆਂ ਦਾ ਪਰਦਾਫਾਸ਼ ਕਰਦੇ ਹਨ ਜੋ ਲੋਕ ਯਾਦ ਕਰਨਗੇ.
ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਬੇਮਿਸਾਲ ਸ਼ੁੱਧਤਾ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਸਮਰੱਥ ਨਵੇਂ ਸੌਫਟਵੇਅਰ ਟੂਲਸ ਅਤੇ ਪਲੇਟਫਾਰਮਾਂ ਦੀ ਸਿਰਜਣਾ ਹੋਈ ਹੈ।
ਪ੍ਰੋਟੀਨ ਸਟ੍ਰਕਚਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ
ਗੂਗਲ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਅਲਫਾਫੋਲਡ ਸਿਸਟਮ ਡਾਈਨਮਾਈਂਡ ਟੀਮ ਇਸ ਖੇਤਰ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆਂ ਤਰੱਕੀਆਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਵਰਤ ਕੇ ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ ਇਸਦੀ ਬਹੁਤ ਤਰੱਕੀ ਹੋਈ ਹੈ ਡੂੰਘੀ ਸਿਖਲਾਈ ਐਲਗੋਰਿਦਮ ਉਹਨਾਂ ਦੇ ਐਮੀਨੋ ਐਸਿਡ ਕ੍ਰਮਾਂ ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰੋਟੀਨ ਦੀ ਬਣਤਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਣ ਲਈ।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ, ਸਹਾਇਕ ਵੈਕਟਰ ਮਸ਼ੀਨਾਂ, ਅਤੇ ਬੇਤਰਤੀਬ ਜੰਗਲ ਹੋਰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿਧੀਆਂ ਵਿੱਚੋਂ ਹਨ ਜੋ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦਾ ਵਾਅਦਾ ਦਿਖਾਉਂਦੇ ਹਨ।
ਇਹ ਐਲਗੋਰਿਦਮ ਵਿਸ਼ਾਲ ਡੇਟਾਸੇਟਾਂ ਤੋਂ ਸਿੱਖ ਸਕਦੇ ਹਨ। ਅਤੇ, ਉਹ ਵੱਖ-ਵੱਖ ਅਮੀਨੋ ਐਸਿਡਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾ ਸਕਦੇ ਹਨ। ਇਸ ਲਈ, ਆਓ ਦੇਖੀਏ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ.
ਸਹਿ-ਵਿਕਾਸਵਾਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਪਹਿਲੀ ਅਲਫ਼ਾਫੋਲਡ ਜਨਰੇਸ਼ਨ
ਦੀ ਸਫ਼ਲਤਾ ਅਲਫ਼ਾਫੋਲਡ ਇੱਕ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈਟਵਰਕ ਮਾਡਲ 'ਤੇ ਬਣਾਇਆ ਗਿਆ ਹੈ ਜੋ ਸਹਿ-ਵਿਕਾਸਵਾਦੀ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਵਿਕਸਤ ਕੀਤਾ ਗਿਆ ਸੀ। ਸਹਿ-ਵਿਕਾਸ ਦੀ ਧਾਰਨਾ ਦੱਸਦੀ ਹੈ ਕਿ ਜੇਕਰ ਇੱਕ ਪ੍ਰੋਟੀਨ ਵਿੱਚ ਦੋ ਅਮੀਨੋ ਐਸਿਡ ਇੱਕ ਦੂਜੇ ਨਾਲ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ, ਤਾਂ ਉਹ ਆਪਣੇ ਕਾਰਜਸ਼ੀਲ ਲਿੰਕ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਲਈ ਇਕੱਠੇ ਵਿਕਾਸ ਕਰਨਗੇ।
ਖੋਜਕਰਤਾ ਕਈ ਸਮਾਨ ਪ੍ਰੋਟੀਨਾਂ ਦੇ ਅਮੀਨੋ ਐਸਿਡ ਕ੍ਰਮ ਦੀ ਤੁਲਨਾ ਕਰਕੇ ਇਹ ਪਤਾ ਲਗਾ ਸਕਦੇ ਹਨ ਕਿ 3D ਢਾਂਚੇ ਵਿੱਚ ਅਮੀਨੋ ਐਸਿਡ ਦੇ ਕਿਹੜੇ ਜੋੜੇ ਸੰਪਰਕ ਵਿੱਚ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ।
ਇਹ ਡੇਟਾ ਅਲਫਾਫੋਲਡ ਦੇ ਪਹਿਲੇ ਦੁਹਰਾਅ ਲਈ ਬੁਨਿਆਦ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਅਮੀਨੋ ਐਸਿਡ ਜੋੜਿਆਂ ਦੇ ਨਾਲ-ਨਾਲ ਪੇਪਟਾਇਡ ਬਾਂਡਾਂ ਦੇ ਕੋਣਾਂ ਦੇ ਵਿਚਕਾਰ ਲੰਬਾਈ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਜੋ ਉਹਨਾਂ ਨੂੰ ਜੋੜਦੇ ਹਨ। ਇਸ ਵਿਧੀ ਨੇ ਕ੍ਰਮ ਤੋਂ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਾਰੇ ਪੁਰਾਣੇ ਤਰੀਕਿਆਂ ਨੂੰ ਪਛਾੜ ਦਿੱਤਾ, ਹਾਲਾਂਕਿ ਸ਼ੁੱਧਤਾ ਅਜੇ ਵੀ ਪ੍ਰੋਟੀਨ ਲਈ ਸੀਮਤ ਸੀ ਜਿਸ ਵਿੱਚ ਕੋਈ ਸਪੱਸ਼ਟ ਨਮੂਨਾ ਨਹੀਂ ਸੀ।
ਅਲਫਾਫੋਲਡ 2: ਇੱਕ ਮੂਲ ਰੂਪ ਵਿੱਚ ਨਵੀਂ ਵਿਧੀ
AlphaFold2 ਡੀਪਮਾਈਂਡ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਇੱਕ ਕੰਪਿਊਟਰ ਸਾਫਟਵੇਅਰ ਹੈ ਜੋ ਪ੍ਰੋਟੀਨ ਦੇ 3D ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪ੍ਰੋਟੀਨ ਦੇ ਅਮੀਨੋ ਐਸਿਡ ਕ੍ਰਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।
ਇਹ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਇੱਕ ਪ੍ਰੋਟੀਨ ਦੀ ਬਣਤਰ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਸਦੇ ਕਾਰਜ ਨੂੰ ਸਮਝਣ ਨਾਲ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਪ੍ਰੋਟੀਨ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਣ ਵਾਲੀਆਂ ਦਵਾਈਆਂ ਵਿਕਸਿਤ ਕਰਨ ਵਿੱਚ ਮਦਦ ਮਿਲ ਸਕਦੀ ਹੈ।
ਅਲਫਾਫੋਲਡ2 ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਪ੍ਰੋਟੀਨ ਦੇ ਅਮੀਨੋ ਐਸਿਡ ਕ੍ਰਮ ਨੂੰ ਇਨਪੁਟ ਦੇ ਤੌਰ 'ਤੇ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਨਾਲ ਹੀ ਇਸ ਬਾਰੇ ਵੇਰਵੇ ਵੀ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਕ੍ਰਮ ਇੱਕ ਡੇਟਾਬੇਸ ਵਿੱਚ ਦੂਜੇ ਕ੍ਰਮਾਂ ਨਾਲ ਕਿਵੇਂ ਤੁਲਨਾ ਕਰਦਾ ਹੈ (ਇਸ ਨੂੰ "ਕ੍ਰਮ ਅਲਾਈਨਮੈਂਟ" ਕਿਹਾ ਜਾਂਦਾ ਹੈ)।
ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਇਸ ਇਨਪੁਟ ਦੇ ਆਧਾਰ 'ਤੇ ਪ੍ਰੋਟੀਨ ਦੀ 3D ਬਣਤਰ ਬਾਰੇ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।
ਇਸ ਨੂੰ ਅਲਫਾਫੋਲਡ2 ਤੋਂ ਇਲਾਵਾ ਕੀ ਸੈੱਟ ਕਰਦਾ ਹੈ?
ਹੋਰ ਪਹੁੰਚਾਂ ਦੇ ਉਲਟ, ਅਲਫਾਫੋਲਡ 2 ਪ੍ਰੋਟੀਨ ਦੀ ਅਸਲ 3D ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਨਾ ਕਿ ਸਿਰਫ਼ ਅਮੀਨੋ ਐਸਿਡਾਂ ਦੇ ਜੋੜਿਆਂ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਜੋੜਨ ਵਾਲੇ ਬਾਂਡਾਂ ਦੇ ਵਿਚਕਾਰ ਕੋਣਾਂ (ਜਿਵੇਂ ਕਿ ਪਹਿਲਾਂ ਐਲਗੋਰਿਦਮ ਕੀਤਾ ਗਿਆ ਸੀ) ਦੇ ਵਿਚਕਾਰ ਵੱਖ ਹੋਣ ਦੀ ਬਜਾਏ।
ਨਿਊਰਲ ਨੈਟਵਰਕ ਨੂੰ ਇੱਕ ਵਾਰ ਵਿੱਚ ਪੂਰੀ ਬਣਤਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ, ਢਾਂਚੇ ਨੂੰ ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਏਨਕੋਡ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
AlphaFold2 ਦੀ ਇੱਕ ਹੋਰ ਮੁੱਖ ਵਿਸ਼ੇਸ਼ਤਾ ਇਹ ਹੈ ਕਿ ਇਹ ਅੰਦਾਜ਼ਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਕਿ ਇਹ ਆਪਣੇ ਪੂਰਵ ਅਨੁਮਾਨ ਵਿੱਚ ਕਿੰਨਾ ਭਰੋਸੇਮੰਦ ਹੈ। ਇਹ ਅਨੁਮਾਨਿਤ ਢਾਂਚੇ 'ਤੇ ਇੱਕ ਰੰਗ ਕੋਡਿੰਗ ਵਜੋਂ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਲਾਲ ਉੱਚ ਆਤਮ ਵਿਸ਼ਵਾਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਨੀਲਾ ਘੱਟ ਵਿਸ਼ਵਾਸ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ।
ਇਹ ਲਾਭਦਾਇਕ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਭਵਿੱਖਬਾਣੀ ਦੀ ਸਥਿਰਤਾ ਬਾਰੇ ਸੂਚਿਤ ਕਰਦਾ ਹੈ।
ਕਈ ਕ੍ਰਮਾਂ ਦੇ ਸੰਯੁਕਤ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ
ਅਲਫਾਫੋਲਡ 2 ਦਾ ਨਵੀਨਤਮ ਵਿਸਤਾਰ, ਜਿਸ ਨੂੰ ਅਲਫਾਫੋਲਡ ਮਲਟੀਮਰ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਕਈ ਕ੍ਰਮਾਂ ਦੀ ਸੰਯੁਕਤ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ। ਇਸ ਵਿੱਚ ਅਜੇ ਵੀ ਉੱਚ ਗਲਤੀ ਦਰਾਂ ਹਨ ਭਾਵੇਂ ਇਹ ਪਿਛਲੀਆਂ ਤਕਨੀਕਾਂ ਨਾਲੋਂ ਕਿਤੇ ਬਿਹਤਰ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦੀ ਹੈ। 25 ਪ੍ਰੋਟੀਨ ਕੰਪਲੈਕਸਾਂ ਵਿੱਚੋਂ ਸਿਰਫ਼ 4500% ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ।
ਸੰਪਰਕ ਗਠਨ ਦੇ 70% ਖੁਰਦਰੇ ਖੇਤਰਾਂ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕੀਤੀ ਗਈ ਸੀ, ਪਰ ਦੋ ਪ੍ਰੋਟੀਨਾਂ ਦੀ ਅਨੁਸਾਰੀ ਸਥਿਤੀ ਗਲਤ ਸੀ। ਜਦੋਂ ਮੱਧਮ ਅਲਾਈਨਮੈਂਟ ਡੂੰਘਾਈ ਲਗਭਗ 30 ਕ੍ਰਮਾਂ ਤੋਂ ਘੱਟ ਹੁੰਦੀ ਹੈ, ਤਾਂ ਅਲਫਾਫੋਲਡ ਮਲਟੀਮਰ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਸ਼ੁੱਧਤਾ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਘਟ ਜਾਂਦੀ ਹੈ।
ਅਲਫਾਫੋਲਡ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰੀਏ
ਅਲਫਾਫੋਲਡ ਤੋਂ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਮਾਡਲ ਇੱਕੋ ਫਾਈਲ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਪੇਸ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਢਾਂਚੇ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਤੇ ਜਾ ਸਕਦੇ ਹਨ। ਗਲਤਫਹਿਮੀਆਂ ਨੂੰ ਰੋਕਣ ਲਈ ਮਾਡਲ ਦੇ ਨਾਲ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਸ਼ੁੱਧਤਾ ਅਨੁਮਾਨਾਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।
ਇਹ ਖਾਸ ਤੌਰ 'ਤੇ ਗੁੰਝਲਦਾਰ ਬਣਤਰਾਂ ਜਿਵੇਂ ਕਿ ਇੰਟਰਵੋਵੇਨ ਹੋਮੋਮਰਸ ਜਾਂ ਪ੍ਰੋਟੀਨ ਲਈ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ ਜੋ ਸਿਰਫ ਇੱਕ ਦੀ ਮੌਜੂਦਗੀ ਵਿੱਚ ਫੋਲਡ ਹੁੰਦੇ ਹਨ।
ਅਣਜਾਣ ligand.
ਕੁਝ ਚੁਣੌਤੀਆਂ
ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਬਣਤਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਿੱਚ ਮੁੱਖ ਸਮੱਸਿਆ ਪ੍ਰੋਟੀਨ ਅਤੇ ਬਾਇਓਫਿਜ਼ੀਕਲ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਤੋਂ ਬਿਨਾਂ ਗਤੀਸ਼ੀਲਤਾ, ਲਿਗੈਂਡ ਸਿਲੈਕਟੀਵਿਟੀ, ਨਿਯੰਤਰਣ, ਐਲੋਸਟਰੀ, ਪੋਸਟ-ਅਨੁਵਾਦਕ ਤਬਦੀਲੀਆਂ, ਅਤੇ ਬਾਈਡਿੰਗ ਦੇ ਗਤੀ ਵਿਗਿਆਨ ਨੂੰ ਸਮਝਣਾ ਹੈ।
ਮਸ਼ੀਨ ਸਿੱਖਣ ਅਤੇ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਦੂਰ ਕਰਨ ਲਈ ਭੌਤਿਕ ਵਿਗਿਆਨ-ਅਧਾਰਤ ਅਣੂ ਗਤੀਸ਼ੀਲਤਾ ਖੋਜ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
ਇਹ ਜਾਂਚਾਂ ਵਿਸ਼ੇਸ਼ ਅਤੇ ਕੁਸ਼ਲ ਕੰਪਿਊਟਰ ਆਰਕੀਟੈਕਚਰ ਤੋਂ ਲਾਭ ਲੈ ਸਕਦੀਆਂ ਹਨ। ਜਦੋਂ ਕਿ ਅਲਫਾਫੋਲਡ ਨੇ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਤਰੱਕੀ ਕੀਤੀ ਹੈ, ਅਜੇ ਵੀ ਢਾਂਚਾਗਤ ਜੀਵ ਵਿਗਿਆਨ ਦੇ ਖੇਤਰ ਵਿੱਚ ਬਹੁਤ ਕੁਝ ਸਿੱਖਣਾ ਬਾਕੀ ਹੈ, ਅਤੇ ਅਲਫਾਫੋਲਡ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਭਵਿੱਖ ਦੇ ਅਧਿਐਨ ਲਈ ਸਿਰਫ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਹਨ।
ਹੋਰ ਕਮਾਲ ਦੇ ਸਾਧਨ ਕੀ ਹਨ?
RoseTTAFold
RoseTTAFold, ਵਾਸ਼ਿੰਗਟਨ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ, ਇਸੇ ਤਰ੍ਹਾਂ ਪ੍ਰੋਟੀਨ ਢਾਂਚਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਡੂੰਘੇ ਸਿੱਖਣ ਦੇ ਐਲਗੋਰਿਦਮ ਨੂੰ ਨਿਯੁਕਤ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਭਵਿੱਖਬਾਣੀ ਕੀਤੇ ਢਾਂਚਿਆਂ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਣ ਲਈ "ਟੌਰਸ਼ਨ ਐਂਗਲ ਡਾਇਨਾਮਿਕਸ ਸਿਮੂਲੇਸ਼ਨ" ਵਜੋਂ ਜਾਣੀ ਜਾਂਦੀ ਇੱਕ ਨਵੀਂ ਪਹੁੰਚ ਨੂੰ ਵੀ ਏਕੀਕ੍ਰਿਤ ਕਰਦਾ ਹੈ।
ਇਸ ਵਿਧੀ ਨੇ ਉਤਸ਼ਾਹਜਨਕ ਨਤੀਜੇ ਦਿੱਤੇ ਹਨ ਅਤੇ ਮੌਜੂਦਾ AI ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਟੂਲਸ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਦੂਰ ਕਰਨ ਵਿੱਚ ਉਪਯੋਗੀ ਹੋ ਸਕਦਾ ਹੈ।
ਟ੍ਰਰੋਸੇਟਾ
ਇੱਕ ਹੋਰ ਸਾਧਨ, ਟ੍ਰਰੋਸੇਟਾ, ਏ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲੱਖਾਂ ਪ੍ਰੋਟੀਨ ਕ੍ਰਮਾਂ ਅਤੇ ਬਣਤਰਾਂ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ।
ਇਹ ਟਾਰਗੇਟ ਪ੍ਰੋਟੀਨ ਦੀ ਤੁਲਨਾਤਮਕ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਬਣਤਰਾਂ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਵਧੇਰੇ ਸਟੀਕ ਭਵਿੱਖਬਾਣੀਆਂ ਬਣਾਉਣ ਲਈ "ਟੈਂਪਲੇਟ-ਅਧਾਰਿਤ ਮਾਡਲਿੰਗ" ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਵੀ ਕਰਦਾ ਹੈ।
ਇਹ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ ਕਿ ਟ੍ਰਰੋਸੇਟਾ ਛੋਟੇ ਪ੍ਰੋਟੀਨ ਅਤੇ ਪ੍ਰੋਟੀਨ ਕੰਪਲੈਕਸਾਂ ਦੀ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ।
DeepMetaPSICOV
DeepMetaPSICOV ਇੱਕ ਹੋਰ ਸਾਧਨ ਹੈ ਜੋ ਪ੍ਰੋਟੀਨ ਸੰਪਰਕ ਨਕਸ਼ਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦਾ ਹੈ। ਇਹ, ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇੱਕ ਗਾਈਡ ਵਜੋਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਇਹ ਵਰਤਦਾ ਹੈ ਡੂੰਘੀ ਸਿੱਖਿਆ ਪ੍ਰੋਟੀਨ ਦੇ ਅੰਦਰ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪਹੁੰਚ।
ਇਹ ਬਾਅਦ ਵਿੱਚ ਸਮੁੱਚੇ ਸੰਪਰਕ ਨਕਸ਼ੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। DeepMetaPSICOV ਨੇ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਦੀ ਬਹੁਤ ਸਟੀਕਤਾ ਨਾਲ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਦਿਖਾਈ ਹੈ, ਭਾਵੇਂ ਪਿਛਲੀਆਂ ਪਹੁੰਚਾਂ ਅਸਫਲ ਹੋ ਗਈਆਂ ਹੋਣ।
ਭਵਿੱਖ ਕੀ ਹੋਵੇਗਾ?
AI ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਦਾ ਭਵਿੱਖ ਉਜਵਲ ਹੈ। ਡੂੰਘੀ ਸਿਖਲਾਈ-ਅਧਾਰਿਤ ਐਲਗੋਰਿਦਮ, ਖਾਸ ਤੌਰ 'ਤੇ ਅਲਫਾਫੋਲਡ2, ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਦੀ ਭਰੋਸੇਯੋਗ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਤਰੱਕੀ ਕੀਤੀ ਹੈ।
ਇਸ ਖੋਜ ਵਿੱਚ ਵਿਗਿਆਨੀਆਂ ਨੂੰ ਪ੍ਰੋਟੀਨ ਦੀ ਬਣਤਰ ਅਤੇ ਕਾਰਜ ਨੂੰ ਬਿਹਤਰ ਢੰਗ ਨਾਲ ਸਮਝਣ ਦੀ ਇਜਾਜ਼ਤ ਦੇ ਕੇ ਡਰੱਗ ਦੇ ਵਿਕਾਸ ਨੂੰ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ ਹੈ, ਜੋ ਕਿ ਆਮ ਇਲਾਜ ਦੇ ਟੀਚੇ ਹਨ।
ਫਿਰ ਵੀ, ਪ੍ਰੋਟੀਨ ਕੰਪਲੈਕਸਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਅਤੇ ਅਨੁਮਾਨਿਤ ਬਣਤਰਾਂ ਦੀ ਅਸਲ ਕਾਰਜਸ਼ੀਲ ਸਥਿਤੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਰਗੇ ਮੁੱਦੇ ਬਾਕੀ ਰਹਿੰਦੇ ਹਨ। ਇਹਨਾਂ ਮੁੱਦਿਆਂ ਨੂੰ ਹੱਲ ਕਰਨ ਅਤੇ AI ਪ੍ਰੋਟੀਨ ਫੋਲਡਿੰਗ ਐਲਗੋਰਿਦਮ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਹੋਰ ਖੋਜ ਦੀ ਲੋੜ ਹੈ।
ਫਿਰ ਵੀ, ਇਸ ਤਕਨਾਲੋਜੀ ਦੇ ਸੰਭਾਵੀ ਲਾਭ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਨ, ਅਤੇ ਇਸ ਵਿੱਚ ਵਧੇਰੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਤੇ ਸਟੀਕ ਦਵਾਈਆਂ ਦੇ ਉਤਪਾਦਨ ਦੀ ਅਗਵਾਈ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ।
ਕੋਈ ਜਵਾਬ ਛੱਡਣਾ