வாழ்க்கையின் மிகப் பெரிய மர்மங்களில் ஒன்றான புரத மடிப்புக்கு பதிலளிக்க செயற்கை நுண்ணறிவைப் பயன்படுத்தினால் என்ன செய்வது? விஞ்ஞானிகள் பல தசாப்தங்களாக இந்த வேலையில் ஈடுபட்டுள்ளனர்.
இயந்திரங்கள் இப்போது ஆழமான கற்றல் மாதிரிகள், மருந்து வளர்ச்சி, உயிரி தொழில்நுட்பம் மற்றும் அடிப்படை உயிரியல் செயல்முறைகள் பற்றிய நமது அறிவைப் பயன்படுத்தி அற்புதமான துல்லியத்துடன் புரதக் கட்டமைப்புகளைக் கணிக்க முடியும்.
அதிநவீன தொழில்நுட்பம் வாழ்க்கையின் சிக்கலான தன்மையுடன் மோதும் AI புரோட்டீன் மடிப்புகளின் புதிரான மண்டலத்தை ஆராய என்னுடன் சேரவும்.
புரோட்டீன் மடிப்பின் மர்மத்தை அவிழ்ப்பது
உணவை உடைப்பது அல்லது ஆக்ஸிஜனைக் கொண்டு செல்வது போன்ற முக்கியமான பணிகளைச் செய்ய சிறிய இயந்திரங்களைப் போல புரதங்கள் நம் உடலில் வேலை செய்கின்றன. திறம்பட செயல்பட அவை சரியாக மடிக்கப்பட வேண்டும், பூட்டுக்குள் பொருத்துவதற்கு ஒரு சாவியை சரியாக வெட்டுவது போல. புரதம் உருவாக்கப்பட்டவுடன், மிகவும் சிக்கலான மடிப்பு செயல்முறை தொடங்குகிறது.
புரத மடிப்பு என்பது அமினோ அமிலங்களின் நீண்ட சங்கிலிகள், புரதத்தின் கட்டுமானத் தொகுதிகள், புரதத்தின் செயல்பாட்டைக் கட்டளையிடும் முப்பரிமாண அமைப்புகளாக மடியும் செயல்முறையாகும்.
ஒரு துல்லியமான வடிவத்தில் வரிசைப்படுத்தப்பட வேண்டிய மணிகளின் நீளமான சரத்தைக் கவனியுங்கள்; ஒரு புரதம் மடிந்தால் இது நிகழ்கிறது. இருப்பினும், மணிகளைப் போலல்லாமல், அமினோ அமிலங்கள் தனித்துவமான குணாதிசயங்களைக் கொண்டுள்ளன மற்றும் பல்வேறு வழிகளில் ஒன்றோடு ஒன்று தொடர்பு கொள்கின்றன, புரத மடிப்பு ஒரு சிக்கலான மற்றும் உணர்திறன் செயல்முறை ஆகும்.
இங்குள்ள படம் மனித ஹீமோகுளோபினைக் குறிக்கிறது, இது நன்கு அறியப்பட்ட மடிந்த புரதமாகும்
புரதங்கள் வேகமாகவும் துல்லியமாகவும் மடிக்க வேண்டும், இல்லையெனில் அவை தவறாக மடிந்து குறைபாடுடையதாக மாறும். இது அல்சைமர் மற்றும் பார்கின்சன் போன்ற நோய்களுக்கு வழிவகுக்கும். வெப்பநிலை, அழுத்தம் மற்றும் கலத்தில் உள்ள மற்ற மூலக்கூறுகளின் இருப்பு அனைத்தும் மடிப்பு செயல்பாட்டில் தாக்கத்தை ஏற்படுத்துகின்றன.
பல தசாப்தகால ஆராய்ச்சிகளுக்குப் பிறகு, விஞ்ஞானிகள் இன்னும் புரதங்கள் எவ்வாறு மடிகின்றன என்பதைக் கண்டுபிடிக்க முயற்சிக்கின்றனர்.
அதிர்ஷ்டவசமாக, செயற்கை நுண்ணறிவின் முன்னேற்றங்கள் துறையின் வளர்ச்சியை மேம்படுத்துகின்றன. விஞ்ஞானிகள் பயன்படுத்தி புரதங்களின் கட்டமைப்பை முன்பை விட மிகவும் துல்லியமாக எதிர்பார்க்கலாம் இயந்திர கற்றல் வழிமுறைகள் பெரிய அளவிலான தரவுகளை ஆய்வு செய்ய.
இது மருந்து வளர்ச்சியை மாற்றும் மற்றும் நோயைப் பற்றிய நமது மூலக்கூறு அறிவை அதிகரிக்கும்.
இயந்திரங்கள் சிறப்பாக செயல்பட முடியுமா?
வழக்கமான புரத மடிப்பு நுட்பங்கள் வரம்புகளைக் கொண்டுள்ளன
விஞ்ஞானிகள் பல தசாப்தங்களாக புரத மடிப்புகளைக் கண்டுபிடிக்க முயற்சித்து வருகின்றனர், ஆனால் செயல்முறையின் சிக்கலானது இதை ஒரு சவாலான விஷயமாக மாற்றியுள்ளது.
வழக்கமான புரதக் கட்டமைப்பு முன்கணிப்பு அணுகுமுறைகள் சோதனை முறைகள் மற்றும் கணினி மாடலிங் ஆகியவற்றின் கலவையைப் பயன்படுத்துகின்றன, இருப்பினும், இந்த முறைகள் அனைத்தும் குறைபாடுகளைக் கொண்டுள்ளன.
எக்ஸ்ரே கிரிஸ்டலோகிராபி மற்றும் நியூக்ளியர் மேக்னடிக் ரெசோனன்ஸ் (என்எம்ஆர்) போன்ற சோதனை நுட்பங்கள் நேரத்தை எடுத்துக்கொள்ளும் மற்றும் விலை உயர்ந்ததாக இருக்கும். மேலும், கணினி மாதிரிகள் சில நேரங்களில் எளிய அனுமானங்களை நம்பியிருக்கும், இது தவறான கணிப்புகளுக்கு வழிவகுக்கும்.
AI இந்த தடைகளை கடக்க முடியும்
அதிர்ஷ்டவசமாக, செயற்கை நுண்ணறிவு மிகவும் துல்லியமான மற்றும் திறமையான புரத அமைப்பு கணிப்புக்கான புதிய வாக்குறுதியை வழங்குகிறது. இயந்திர கற்றல் வழிமுறைகள் பெரிய அளவிலான தரவுகளை ஆய்வு செய்யலாம். மேலும், மக்கள் தவறவிடக்கூடிய வடிவங்களை அவர்கள் வெளிப்படுத்துகிறார்கள்.
இதன் விளைவாக, இணையற்ற துல்லியத்துடன் புரதக் கட்டமைப்பைக் கணிக்கும் திறன் கொண்ட புதிய மென்பொருள் கருவிகள் மற்றும் தளங்கள் உருவாக்கப்பட்டுள்ளன.
புரோட்டீன் கட்டமைப்பு கணிப்புக்கான மிகவும் நம்பிக்கைக்குரிய இயந்திர கற்றல் அல்காரிதம்கள்
ஆல்ஃபாஃபோல்ட் சிஸ்டம் கூகுளால் கட்டமைக்கப்பட்டது Deepmind குழு இந்த பகுதியில் மிகவும் நம்பிக்கைக்குரிய முன்னேற்றங்களில் ஒன்றாகும். பயன்படுத்துவதன் மூலம் சமீபத்திய ஆண்டுகளில் இது பெரும் முன்னேற்றம் அடைந்துள்ளது ஆழமான கற்றல் வழிமுறைகள் புரதங்களின் கட்டமைப்பை அவற்றின் அமினோ அமில வரிசைகளின் அடிப்படையில் கணிக்க.
நரம்பியல் நெட்வொர்க்குகள், ஆதரவு திசையன் இயந்திரங்கள் மற்றும் சீரற்ற காடுகள் ஆகியவை புரதக் கட்டமைப்பைக் கணிக்க உறுதியளிக்கும் இயந்திர கற்றல் முறைகளில் அடங்கும்.
இந்த வழிமுறைகள் மகத்தான தரவுத்தொகுப்புகளிலிருந்து கற்றுக்கொள்ளலாம். மேலும், அவர்கள் வெவ்வேறு அமினோ அமிலங்களுக்கிடையேயான தொடர்புகளை எதிர்பார்க்கலாம். எனவே, இது எவ்வாறு செயல்படுகிறது என்பதைப் பார்ப்போம்.
இணை பரிணாம பகுப்பாய்வு மற்றும் முதல் ஆல்பாஃபோல்ட் தலைமுறை
வெற்றி ஆல்பாஃபோல்ட் இணை பரிணாம பகுப்பாய்வைப் பயன்படுத்தி உருவாக்கப்பட்ட ஆழமான நரம்பியல் நெட்வொர்க் மாதிரியில் கட்டமைக்கப்பட்டுள்ளது. ஒரு புரதத்தில் உள்ள இரண்டு அமினோ அமிலங்கள் ஒன்றோடு ஒன்று தொடர்பு கொண்டால், அவை அவற்றின் செயல்பாட்டு இணைப்பைத் தக்கவைக்க ஒன்றாக வளரும் என்று இணை பரிணாமத்தின் கருத்து கூறுகிறது.
பல ஒத்த புரதங்களின் அமினோ அமில வரிசைகளை ஒப்பிடுவதன் மூலம் 3D கட்டமைப்பில் எந்த ஜோடி அமினோ அமிலங்கள் தொடர்பில் இருக்கக்கூடும் என்பதை ஆராய்ச்சியாளர்கள் கண்டறிய முடியும்.
இந்த தரவு AlphaFold இன் முதல் மறு செய்கைக்கான அடித்தளமாக செயல்படுகிறது. இது அமினோ அமில ஜோடிகளுக்கு இடையே உள்ள நீளம் மற்றும் அவற்றை இணைக்கும் பெப்டைட் பிணைப்புகளின் கோணங்களைக் கணிக்கின்றது. இந்த முறையானது வரிசைமுறையிலிருந்து புரதக் கட்டமைப்பைக் கணிக்க அனைத்து முன் அணுகுமுறைகளையும் விஞ்சியது, இருப்பினும் வெளிப்படையான வார்ப்புருக்கள் இல்லாத புரதங்களுக்கு துல்லியம் இன்னும் கட்டுப்படுத்தப்பட்டது.
ஆல்பாஃபோல்ட் 2: ஒரு தீவிரமான புதிய முறை
AlphaFold2 என்பது DeepMind ஆல் உருவாக்கப்பட்ட ஒரு கணினி மென்பொருளாகும், இது புரதத்தின் 3D கட்டமைப்பைக் கணிக்க புரதத்தின் அமினோ அமில வரிசையைப் பயன்படுத்துகிறது.
இது குறிப்பிடத்தக்கது, ஏனெனில் ஒரு புரதத்தின் அமைப்பு அது எவ்வாறு செயல்படுகிறது என்பதை ஆணையிடுகிறது, மேலும் அதன் செயல்பாட்டைப் புரிந்துகொள்வது புரதத்தை குறிவைக்கும் மருந்துகளை உருவாக்க விஞ்ஞானிகளுக்கு உதவும்.
AlphaFold2 நரம்பியல் வலையமைப்பு புரதத்தின் அமினோ அமில வரிசையை உள்ளீடாகப் பெறுகிறது, மேலும் அந்த வரிசை தரவுத்தளத்தில் உள்ள மற்ற வரிசைகளுடன் எவ்வாறு ஒப்பிடுகிறது (இது "வரிசை சீரமைப்பு" என்று அழைக்கப்படுகிறது).
நரம்பியல் நெட்வொர்க் இந்த உள்ளீட்டின் அடிப்படையில் புரதத்தின் 3D கட்டமைப்பைப் பற்றி ஒரு கணிப்பு செய்கிறது.
AlphaFold2 இலிருந்து வேறுபடுத்துவது எது?
மற்ற அணுகுமுறைகளுக்கு மாறாக, AlphaFold2 ஆனது, அமினோ அமிலங்களின் ஜோடிகளுக்கு இடையேயான பிரிப்பு அல்லது அவற்றை இணைக்கும் பிணைப்புகளுக்கு இடையே உள்ள கோணங்களை விட (முந்தைய வழிமுறைகள் செய்ததைப் போல) புரதத்தின் உண்மையான 3D கட்டமைப்பை முன்னறிவிக்கிறது.
நரம்பியல் வலையமைப்பு முழு கட்டமைப்பையும் ஒரே நேரத்தில் எதிர்பார்க்கும் பொருட்டு, கட்டமைப்பு இறுதி முதல் இறுதி வரை குறியாக்கம் செய்யப்படுகிறது.
AlphaFold2 இன் மற்றொரு முக்கிய குணாதிசயம் என்னவென்றால், அதன் முன்னறிவிப்பில் எவ்வளவு நம்பிக்கையுடன் இருக்கிறது என்பதற்கான மதிப்பீட்டை அது வழங்குகிறது. இது எதிர்பார்க்கப்பட்ட கட்டமைப்பில் வண்ணக் குறியீடாக வழங்கப்படுகிறது, சிவப்பு அதிக நம்பிக்கையையும், நீலம் குறைந்த நம்பிக்கையையும் குறிக்கிறது.
கணிப்பின் நிலைத்தன்மையைப் பற்றி விஞ்ஞானிகளுக்குத் தெரிவிப்பதால் இது பயனுள்ளதாக இருக்கும்.
பல வரிசைகளின் ஒருங்கிணைந்த கட்டமைப்பைக் கணித்தல்
Alphafold2 இன் சமீபத்திய விரிவாக்கம், Alphafold Multimer என அறியப்படுகிறது, பல வரிசைகளின் ஒருங்கிணைந்த கட்டமைப்பை முன்னறிவிக்கிறது. முந்தைய நுட்பங்களை விட இது மிகவும் சிறப்பாக செயல்பட்டாலும் கூட இது அதிக தவறு விகிதங்களைக் கொண்டுள்ளது. 25 புரத வளாகங்களில் 4500% மட்டுமே வெற்றிகரமாக கணிக்கப்பட்டது.
தொடர்பு உருவாக்கத்தின் தோராயமான பகுதிகளில் 70% சரியாக கணிக்கப்பட்டது, ஆனால் இரண்டு புரதங்களின் ஒப்பீட்டு நோக்குநிலை தவறானது. சராசரி சீரமைப்பு ஆழம் தோராயமாக 30 வரிசைகளுக்குக் குறைவாக இருக்கும்போது, ஆல்பாஃபோல்ட் மல்டிமர் கணிப்புகளின் துல்லியம் கணிசமாகக் குறைகிறது.
ஆல்ஃபாஃபோல்டு கணிப்புகளை எவ்வாறு பயன்படுத்துவது
AlphaFold இலிருந்து கணிக்கப்பட்ட மாதிரிகள் அதே கோப்பு வடிவங்களில் வழங்கப்படுகின்றன மற்றும் சோதனை கட்டமைப்புகளைப் போலவே பயன்படுத்தப்படலாம். தவறான புரிதல்களைத் தடுக்க மாதிரியுடன் வழங்கப்படும் துல்லிய மதிப்பீடுகளை கணக்கில் எடுத்துக்கொள்வது முக்கியம்.
இது ஒரு முன்னிலையில் மட்டுமே மடிந்த பின்னப்பட்ட ஹோமோமர்கள் அல்லது புரதங்கள் போன்ற சிக்கலான கட்டமைப்புகளுக்கு குறிப்பாக உதவியாக இருக்கும்.
அறியப்படாத தசைநார்.
சில சவால்கள்
முன்னறிவிக்கப்பட்ட கட்டமைப்புகளைப் பயன்படுத்துவதில் உள்ள முக்கிய சிக்கல், புரதம் மற்றும் உயிர் இயற்பியல் தரவுகளை அணுகாமல் பிணைப்பின் இயக்கவியல், தசைநார் தேர்வு, கட்டுப்பாடு, அலஸ்டரி, மொழிபெயர்ப்புக்குப் பிந்தைய மாற்றங்கள் மற்றும் இயக்கவியல் ஆகியவற்றைப் புரிந்துகொள்வதாகும்.
இயந்திர கற்றல் மற்றும் இயற்பியல் அடிப்படையிலான மூலக்கூறு இயக்கவியல் ஆராய்ச்சி இந்த சிக்கலை சமாளிக்க பயன்படுத்தப்படலாம்.
இந்த ஆய்வுகள் சிறப்பு மற்றும் திறமையான கணினி கட்டமைப்பிலிருந்து பயனடையலாம். புரோட்டீன் கட்டமைப்புகளை கணிப்பதில் ஆல்பாஃபோல்ட் மிகப்பெரிய முன்னேற்றங்களை அடைந்திருந்தாலும், கட்டமைப்பு உயிரியல் துறையில் இன்னும் நிறைய கற்றுக்கொள்ள வேண்டும், மேலும் ஆல்பாஃபோல்ட் கணிப்புகள் எதிர்கால ஆய்வுக்கான தொடக்க புள்ளியாக இருக்கும்.
மற்ற குறிப்பிடத்தக்க கருவிகள் என்ன?
RoseTTAFold
வாஷிங்டன் பல்கலைக்கழக ஆராய்ச்சியாளர்களால் உருவாக்கப்பட்ட RoseTTAFold, புரதக் கட்டமைப்புகளைக் கணிக்க ஆழமான கற்றல் வழிமுறைகளைப் பயன்படுத்துகிறது, ஆனால் இது கணிக்கப்பட்ட கட்டமைப்புகளை மேம்படுத்த "முறுக்கு கோண இயக்கவியல் உருவகப்படுத்துதல்கள்" எனப்படும் ஒரு புதிய அணுகுமுறையையும் ஒருங்கிணைக்கிறது.
இந்த முறை ஊக்கமளிக்கும் முடிவுகளை அளித்துள்ளது மற்றும் தற்போதுள்ள AI புரத மடிப்பு கருவிகளின் வரம்புகளை கடக்க பயனுள்ளதாக இருக்கும்.
ட்ரோசெட்டா
மற்றொரு கருவி, ட்ரோரோசெட்டா, புரோட்டீன் மடிப்பை ஒரு பயன்படுத்தி கணிக்கின்றது நரம்பு நெட்வொர்க் மில்லியன் கணக்கான புரத வரிசைகள் மற்றும் கட்டமைப்புகள் மீது பயிற்சி பெற்றது.
இலக்கு புரதத்தை ஒப்பிடக்கூடிய அறியப்பட்ட கட்டமைப்புகளுடன் ஒப்பிடுவதன் மூலம் மிகவும் துல்லியமான கணிப்புகளை உருவாக்க இது "வார்ப்புரு அடிப்படையிலான மாடலிங்" நுட்பத்தையும் பயன்படுத்துகிறது.
டிரோசெட்டா சிறிய புரதங்கள் மற்றும் புரத வளாகங்களின் கட்டமைப்புகளை கணிக்கும் திறன் கொண்டது என்பது நிரூபிக்கப்பட்டுள்ளது.
டீப்மெட்டாபிசிகோவ்
DeepMetaPSICOV என்பது புரத தொடர்பு வரைபடங்களைக் கணிப்பதில் கவனம் செலுத்தும் மற்றொரு கருவியாகும். இவை, புரத மடிப்புகளைக் கணிக்க வழிகாட்டியாகப் பயன்படுத்தப்படுகின்றன. இது பயன்படுத்துகிறது ஆழமான கற்றல் ஒரு புரதத்திற்குள் எச்சம் தொடர்புகளின் சாத்தியக்கூறுகளை முன்னறிவிப்பதற்கான அணுகுமுறைகள்.
ஒட்டுமொத்த தொடர்பு வரைபடத்தை முன்னறிவிக்க இவை பின்னர் பயன்படுத்தப்படுகின்றன. DeepMetaPSICOV முந்தைய அணுகுமுறைகள் தோல்வியடைந்தாலும் கூட, புரதக் கட்டமைப்புகளை மிகத் துல்லியத்துடன் கணிப்பதில் ஆற்றலைக் காட்டியுள்ளது.
எதிர்காலம் என்ன?
AI புரத மடிப்பு எதிர்காலம் பிரகாசமானது. ஆழமான கற்றல் அடிப்படையிலான வழிமுறைகள், குறிப்பாக AlphaFold2, புரதக் கட்டமைப்புகளை நம்பத்தகுந்த முறையில் கணிப்பதில் சமீபத்தில் பெரும் முன்னேற்றம் அடைந்துள்ளன.
இந்த கண்டுபிடிப்பு, பொதுவான சிகிச்சை இலக்குகளான புரதங்களின் கட்டமைப்பு மற்றும் செயல்பாட்டை விஞ்ஞானிகள் நன்கு புரிந்து கொள்ள அனுமதிப்பதன் மூலம் மருந்து வளர்ச்சியை மாற்றும் ஆற்றலைக் கொண்டுள்ளது.
ஆயினும்கூட, புரத வளாகங்களை முன்னறிவித்தல் மற்றும் எதிர்பார்க்கப்பட்ட கட்டமைப்புகளின் உண்மையான செயல்பாட்டு நிலையை கண்டறிதல் போன்ற சிக்கல்கள் உள்ளன. இந்தச் சிக்கல்களைத் தீர்க்கவும், AI புரத மடிப்பு அல்காரிதம்களின் துல்லியம் மற்றும் நம்பகத்தன்மையை அதிகரிக்கவும் கூடுதல் ஆராய்ச்சி தேவை.
ஆயினும்கூட, இந்த தொழில்நுட்பத்தின் சாத்தியமான நன்மைகள் மகத்தானவை, மேலும் இது மிகவும் பயனுள்ள மற்றும் துல்லியமான மருந்துகளின் உற்பத்திக்கு வழிவகுக்கும் திறனைக் கொண்டுள்ளது.
ஒரு பதில் விடவும்