Je, ikiwa tunaweza kutumia akili ya bandia kujibu mojawapo ya mafumbo makubwa zaidi ya maisha - kukunja protini? Wanasayansi wamekuwa wakifanya kazi juu ya hii kwa miongo kadhaa.
Mashine sasa zinaweza kutabiri muundo wa protini kwa usahihi wa ajabu kwa kutumia miundo ya kina ya kujifunza, kubadilisha maendeleo ya dawa, teknolojia ya kibayolojia na ujuzi wetu wa michakato ya kimsingi ya kibaolojia.
Jiunge nami katika uchunguzi wa nyanja ya kuvutia ya kukunja protini ya AI, ambapo teknolojia ya kisasa inagongana na ugumu wa maisha yenyewe.
Kufunua Siri ya Kukunja Protini
Protini hufanya kazi katika miili yetu kama mashine ndogo kutekeleza majukumu muhimu kama kuvunja chakula au kusafirisha oksijeni. Ni lazima zikunjwe ipasavyo ili zifanye kazi vizuri, kama vile ufunguo lazima ukatwe ipasavyo ili kutoshea kwenye kufuli. Mara tu protini inapoundwa, mchakato wa kukunja ngumu sana huanza.
Kukunja kwa protini ni mchakato ambao minyororo mirefu ya asidi ya amino, vizuizi vya ujenzi vya protini, hujikunja katika muundo wa pande tatu ambao huamuru utendaji wa protini.
Fikiria kamba ndefu ya shanga ambayo lazima iagizwe kwa fomu sahihi; hii ni nini hutokea wakati protini mikunjo. Hata hivyo, tofauti na shanga, amino asidi zina sifa za kipekee na huingiliana kwa njia mbalimbali, na hivyo kufanya kukunja kwa protini kuwa mchakato mgumu na nyeti.
Picha hapa inawakilisha hemoglobin ya binadamu, ambayo ni protini inayojulikana iliyokunjwa
Protini lazima zikunje haraka na kwa usahihi, vinginevyo zitakunjwa vibaya na kuwa na kasoro. Hiyo inaweza kusababisha magonjwa kama vile Alzheimers na Parkinson. Joto, shinikizo, na uwepo wa molekuli zingine kwenye seli zote zina athari kwenye mchakato wa kukunja.
Baada ya miongo kadhaa ya utafiti, wanasayansi bado wanajaribu kujua jinsi protini inavyojikunja.
Kwa bahati nzuri, maendeleo katika akili ya bandia yanaboresha maendeleo katika sekta hiyo. Wanasayansi wanaweza kutarajia muundo wa protini kwa usahihi zaidi kuliko hapo awali kwa kutumia kanuni za kujifunza mashine kuchunguza idadi kubwa ya data.
Hii ina uwezo wa kubadilisha maendeleo ya dawa na kuongeza ujuzi wetu wa molekuli ya ugonjwa huo.
Je, Mashine Inaweza Kufanya Bora?
Mbinu za Kawaida za Kukunja Protini Zina Mapungufu
Wanasayansi wamekuwa wakijaribu kubaini kukunja kwa protini kwa miongo kadhaa, lakini ugumu wa mchakato umefanya hili kuwa somo gumu.
Mbinu za kawaida za utabiri wa muundo wa protini hutumia mchanganyiko wa mbinu za majaribio na uundaji wa kompyuta, hata hivyo, mbinu hizi zote zina vikwazo.
Mbinu za majaribio kama vile fuwele ya X-ray na mionzi ya sumaku ya nyuklia (NMR) inaweza kuchukua muda na gharama kubwa. Na, mifano ya kompyuta wakati mwingine hutegemea mawazo rahisi, ambayo yanaweza kusababisha utabiri wa makosa.
AI Inaweza Kushinda Vikwazo Hivi
Kwa bahati, bandia akili inatoa ahadi mpya kwa utabiri sahihi zaidi na bora wa muundo wa protini. Kanuni za kujifunza kwa mashine zinaweza kuchunguza idadi kubwa ya data. Na, wanafichua mifumo ambayo watu wangekosa.
Hii imesababisha kuundwa kwa zana mpya za programu na majukwaa yenye uwezo wa kutabiri muundo wa protini kwa usahihi usio na kifani.
Kanuni za Kuahidi Zaidi za Kujifunza kwa Mashine kwa Utabiri wa Muundo wa Protini
Mfumo wa AlphaFold ulioundwa na Google DeepMind timu ni mojawapo ya maendeleo yanayotia matumaini katika eneo hili. Imepata maendeleo makubwa katika miaka ya hivi karibuni kwa kutumia algorithms kubwa ya kujifunza kutabiri muundo wa protini kulingana na mlolongo wao wa asidi ya amino.
Mitandao ya neva, mashine za vekta za usaidizi, na misitu nasibu ni miongoni mwa mbinu zaidi za kujifunza za mashine zinazoonyesha ahadi ya kutabiri muundo wa protini.
Algorithms hizi zinaweza kujifunza kutoka kwa seti kubwa za data. Na, wanaweza kutarajia uhusiano kati ya asidi tofauti za amino. Kwa hiyo, hebu tuone jinsi inavyofanya kazi.
Uchambuzi wa mageuzi-shirikishi na Kizazi cha Kwanza cha AlphaFold
mafanikio ya AlphaFold imejengwa juu ya modeli ya kina ya mtandao wa neva ambayo ilitengenezwa kwa kutumia uchanganuzi wa mageuzi. Wazo la mageuzi-shirikishi linasema kwamba ikiwa asidi mbili za amino katika protini zinaingiliana na nyingine, zitakua pamoja ili kuweka kiungo chao cha kufanya kazi.
Watafiti wanaweza kugundua ni jozi zipi za amino asidi zinazoweza kuguswa katika muundo wa 3D kwa kulinganisha mfuatano wa asidi ya amino ya protini nyingi zinazofanana.
Data hii hutumika kama msingi wa marudio ya kwanza ya AlphaFold. Inatabiri urefu kati ya jozi za amino asidi pamoja na pembe za vifungo vya peptidi vinavyowaunganisha. Mbinu hii ilishinda mbinu zote za awali za kutabiri muundo wa protini kutoka kwa mfuatano, ingawa usahihi ulikuwa bado umezuiliwa kwa protini zisizo na violezo dhahiri.
AlphaFold 2: Mbinu Mpya Kabisa
AlphaFold2 ni programu ya kompyuta iliyoundwa na DeepMind ambayo hutumia mfuatano wa amino asidi ya protini kutabiri muundo wa 3D wa protini.
Hii ni muhimu kwa sababu muundo wa protini huamuru jinsi inavyofanya kazi, na kuelewa kazi yake kunaweza kusaidia wanasayansi kuunda dawa zinazolenga protini.
Mtandao wa neva wa AlphaFold2 hupokea kama ingizo la mfuatano wa asidi ya amino ya protini pamoja na maelezo kuhusu jinsi mfuatano huo unavyolinganishwa na mfuatano mwingine katika hifadhidata (hii inaitwa "mpangilio wa mfuatano").
Mtandao wa neva hufanya ubashiri kuhusu muundo wa 3D wa protini kulingana na ingizo hili.
Ni Nini Kinachoitofautisha na AlphaFold2?
Tofauti na mbinu nyinginezo, AlphaFold2 inatabiri muundo halisi wa 3D wa protini badala ya kutenganisha tu jozi za amino asidi au pembe kati ya vifungo vinavyoziunganisha (kama algoriti za awali zilivyofanya).
Ili mtandao wa neva kutarajia muundo kamili mara moja, muundo huo umesimbwa mwisho hadi mwisho.
Sifa nyingine muhimu ya AlphaFold2 ni kwamba inatoa makadirio ya jinsi inavyojiamini katika utabiri wake. Hii inawasilishwa kama usimbaji wa rangi kwenye muundo unaotarajiwa, nyekundu ikiwakilisha imani ya hali ya juu na samawati ikipendekeza kutojiamini.
Hii ni muhimu kwani inafahamisha wanasayansi juu ya uthabiti wa utabiri.
Kutabiri Muundo Mchanganyiko wa Mifuatano Kadhaa
Upanuzi wa hivi punde wa Alphafold2, unaojulikana kama Alphafold Multimer, unatabiri muundo uliounganishwa wa mifuatano kadhaa. Bado ina viwango vya juu vya makosa hata kama inafanya vizuri zaidi kuliko mbinu za awali. Asilimia 25 pekee kati ya tata 4500 za protini zilitabiriwa kwa mafanikio.
70% ya maeneo mabaya ya malezi ya mawasiliano yalitabiriwa kwa usahihi, lakini mwelekeo wa jamaa wa protini hizo mbili haukuwa sahihi. Wakati kina cha upangaji wa wastani ni chini ya takriban mifuatano 30, usahihi wa ubashiri wa multimer wa Alphafold hupungua kwa kiasi kikubwa.
Jinsi ya Kutumia Utabiri wa Alfafold
Miundo iliyotabiriwa kutoka kwa AlphaFold inatolewa katika umbizo sawa la faili na inaweza kutumika kwa njia sawa na miundo ya majaribio. Ni muhimu kuzingatia makadirio ya usahihi yanayotolewa na muundo ili kuzuia kutokuelewana.
Inasaidia sana kwa miundo ngumu kama vile homomers zilizounganishwa au protini ambazo hujikunja tu mbele ya
ligand isiyojulikana.
Changamoto zingine
Tatizo kuu katika kutumia miundo iliyotabiriwa ni kuelewa mienendo, uteuzi wa ligand, udhibiti, alostery, mabadiliko ya baada ya tafsiri, na kinetics ya kuunganisha bila upatikanaji wa data ya protini na biophysical.
kujifunza Machine na utafiti wa mienendo ya molekuli unaotegemea fizikia unaweza kutumika kuondokana na tatizo hili.
Uchunguzi huu unaweza kufaidika kutokana na usanifu maalum na bora wa kompyuta. Ingawa AlphaFold imepata maendeleo makubwa katika kutabiri miundo ya protini, bado kuna mengi ya kujifunza katika uwanja wa biolojia ya miundo, na utabiri wa AlphaFold ndio mahali pa kuanzia kwa utafiti wa siku zijazo.
Je! ni Zana Zipi Zingine za Kustaajabisha?
RoseTTFold
RoseTTAFold, iliyoundwa na watafiti wa Chuo Kikuu cha Washington, vile vile hutumia algoriti za kujifunza kwa kina kutabiri miundo ya protini, lakini pia inaunganisha mbinu ya riwaya inayojulikana kama "simulizi za mienendo ya pembe ya msokoto" ili kuboresha miundo iliyotabiriwa.
Njia hii imetoa matokeo ya kutia moyo na inaweza kuwa na manufaa katika kushinda vikwazo vya zana zilizopo za kukunja za protini za AI.
tRosetta
Chombo kingine, trRosetta, kinatabiri kukunja kwa protini kwa kutumia a neural mtandao mafunzo juu ya mamilioni ya mlolongo wa protini na miundo.
Pia hutumia mbinu ya "kuiga kiolezo" ili kuunda ubashiri sahihi zaidi kwa kulinganisha protini inayolengwa na miundo inayojulikana inayolinganishwa.
Imethibitishwa kuwa trRosetta ina uwezo wa kutabiri muundo wa protini ndogo na muundo wa protini.
DeepMetaPSICOV
DeepMetaPSICOV ni zana nyingine inayolenga kutabiri ramani za mawasiliano ya protini. Hizi, hutumiwa kama mwongozo wa kutabiri kukunja kwa protini. Inatumia kujifunza kwa kina mbinu za kutabiri uwezekano wa mwingiliano wa mabaki ndani ya protini.
Hizi hutumika baadaye kutabiri ramani ya jumla ya anwani. DeepMetaPSICOV imeonyesha uwezo katika kutabiri miundo ya protini kwa usahihi mkubwa, hata wakati mbinu za awali zimeshindwa.
Je! Baadaye Inashikilia Nini?
Mustakabali wa kukunja kwa protini ya AI ni mkali. Kanuni za msingi za kujifunza kwa kina, haswa AlphaFold2, zimefanya maendeleo makubwa hivi karibuni katika kutabiri miundo ya protini kwa uhakika.
Ugunduzi huu una uwezo wa kubadilisha maendeleo ya dawa kwa kuruhusu wanasayansi kuelewa vyema muundo na kazi ya protini, ambayo ni malengo ya kawaida ya matibabu.
Walakini, maswala kama vile utabiri wa muundo wa protini na kugundua hali halisi ya utendaji wa miundo inayotarajiwa bado. Utafiti zaidi unahitajika ili kutatua masuala haya na kuongeza usahihi na kutegemewa kwa kanuni za kukunja protini za AI.
Walakini, faida zinazowezekana za teknolojia hii ni kubwa sana, na ina uwezo wa kusababisha utengenezaji wa dawa bora na sahihi zaidi.
Acha Reply