Agar biz sun'iy intellekt yordamida hayotning eng katta sirlaridan biri - oqsillarni buklanishga javob bersak nima bo'ladi? Olimlar bu borada o'nlab yillar davomida ishlamoqda.
Mashinalar endi chuqur o'rganish modellari, dori vositalarini ishlab chiqish, biotexnologiya va fundamental biologik jarayonlar haqidagi bilimlarimizni o'zgartirib, ajoyib aniqlik bilan oqsil tuzilmalarini bashorat qila oladi.
Ilg'or texnologiyalar hayotning murakkabligi bilan to'qnashadigan sun'iy intellekt oqsillarini yig'ishning qiziqarli sohasini kashf qilishda menga qo'shiling.
Proteinlarning buklanishi sirini ochish
Proteinlar tanamizda ovqatni parchalash yoki kislorodni tashish kabi muhim vazifalarni bajarish uchun kichik mashinalar kabi ishlaydi. Qulfga kirish uchun kalit to'g'ri kesilganidek, samarali ishlashi uchun ular to'g'ri buklangan bo'lishi kerak. Protein yaratilishi bilanoq, juda murakkab katlama jarayoni boshlanadi.
Proteinning buklanishi - oqsilning qurilish bloklari bo'lgan aminokislotalarning uzun zanjirlari oqsil funktsiyasini belgilaydigan uch o'lchovli tuzilmalarga birlashishi jarayoni.
Aniq shaklda buyurtma qilinishi kerak bo'lgan uzun boncuklar qatorini ko'rib chiqing; bu protein burmalanganda sodir bo'ladi. Shunga qaramay, munchoqlardan farqli o'laroq, aminokislotalar o'ziga xos xususiyatlarga ega va bir-biri bilan turli yo'llar bilan o'zaro ta'sir qiladi, bu esa oqsillarni katlamani murakkab va sezgir jarayonga aylantiradi.
Bu erdagi rasm inson gemoglobinini ifodalaydi, bu taniqli katlanmış oqsildir
Proteinlar tez va aniq katlanishi kerak, aks holda ular noto'g'ri va nuqsonli bo'ladi. Bu Altsgeymer va Parkinson kabi kasalliklarga olib kelishi mumkin. Harorat, bosim va hujayradagi boshqa molekulalarning mavjudligi katlama jarayoniga ta'sir qiladi.
O'nlab yillar davomida olib borilgan tadqiqotlardan so'ng, olimlar hali ham oqsillar qanday katlanayotganini aniqlashga harakat qilmoqdalar.
Quvonarlisi, sun'iy intellekt sohasidagi yutuqlar bu sohaning rivojlanishini yaxshilamoqda. Olimlar yordamida oqsillarning tuzilishini har qachongidan ham aniqroq taxmin qilishlari mumkin mashinada o'rganish algoritmlari katta hajmdagi ma'lumotlarni tekshirish uchun.
Bu dori ishlab chiqarishni o'zgartirish va kasallik haqidagi molekulyar bilimimizni oshirish potentsialiga ega.
Mashinalar yaxshiroq ishlashi mumkinmi?
An'anaviy oqsillarni katlama texnikasi cheklovlarga ega
Olimlar bir necha o'n yillar davomida oqsillarni yig'ish jarayonini aniqlashga harakat qilishdi, ammo jarayonning murakkabligi buni qiyin mavzuga aylantirdi.
Protein tuzilishini bashorat qilishning an'anaviy yondashuvlari eksperimental metodologiyalar va kompyuter modellashtirishning kombinatsiyasidan foydalanadi, ammo bu usullarning barchasi kamchiliklarga ega.
X-nurli kristallografiya va yadro magnit-rezonansi (NMR) kabi eksperimental usullar ko'p vaqt va qimmatga tushishi mumkin. Va kompyuter modellari ba'zan oddiy taxminlarga tayanadi, bu esa noto'g'ri prognozlarga olib kelishi mumkin.
AI bu to'siqlarni engib o'tishi mumkin
Yaxshiyamki, sun'iy intellekt oqsil tuzilishini aniqroq va samarali bashorat qilish uchun yangi va'da beradi. Mashinani o'rganish algoritmlari katta hajmdagi ma'lumotlarni tekshirishi mumkin. Va ular odamlar sog'inadigan naqshlarni ochib berishadi.
Bu oqsil tuzilishini misli ko'rilmagan aniqlik bilan bashorat qila oladigan yangi dasturiy vositalar va platformalarni yaratishga olib keldi.
Protein tuzilishini bashorat qilish uchun mashinani o'rganishning eng istiqbolli algoritmlari
Google tomonidan qurilgan AlphaFold tizimi DeepMind jamoa bu sohadagi eng istiqbolli yutuqlardan biridir. U foydalanish orqali so'nggi yillarda katta yutuqlarga erishdi chuqur o'rganish algoritmlari aminokislotalar ketma-ketligi asosida oqsillarning tuzilishini bashorat qilish.
Neyron tarmoqlari, qo'llab-quvvatlovchi vektor mashinalari va tasodifiy o'rmonlar oqsil tuzilishini bashorat qilish uchun va'da beradigan ko'proq mashinani o'rganish usullaridan biridir.
Ushbu algoritmlar katta ma'lumotlar to'plamidan o'rganishi mumkin. Va ular turli xil aminokislotalar o'rtasidagi korrelyatsiyani taxmin qilishlari mumkin. Shunday qilib, keling, bu qanday ishlashini ko'rib chiqaylik.
Birgalikda evolyutsion tahlillar va birinchi AlphaFold avlodi
Muvaffaqiyati AlfaFold birgalikda evolyutsion tahlildan foydalangan holda ishlab chiqilgan chuqur neyron tarmoq modeliga qurilgan. Birgalikda evolyutsiya kontseptsiyasi shuni ko'rsatadiki, agar oqsildagi ikkita aminokislotalar bir-biri bilan o'zaro ta'sir qilsa, ular o'zlarining funktsional aloqalarini saqlab qolish uchun birgalikda rivojlanadi.
Tadqiqotchilar ko'plab o'xshash oqsillarning aminokislotalar ketma-ketligini solishtirish orqali 3D strukturada qaysi juft aminokislotalar aloqada bo'lishi mumkinligini aniqlashlari mumkin.
Ushbu ma'lumotlar AlphaFoldning birinchi iteratsiyasi uchun asos bo'lib xizmat qiladi. U aminokislotalar juftlari orasidagi uzunliklarni, shuningdek, ularni bog'laydigan peptid aloqalarining burchaklarini taxmin qiladi. Bu usul oqsil tuzilishini ketma-ketlikda bashorat qilishning barcha oldingi yondashuvlaridan ustun keldi, ammo aniqlik shablonlari bo'lmagan oqsillar uchun hali ham cheklangan edi.
AlphaFold 2: tubdan yangi metodologiya
AlphaFold2 - DeepMind tomonidan yaratilgan kompyuter dasturi bo'lib, u oqsilning 3D tuzilishini bashorat qilish uchun oqsilning aminokislotalar ketma-ketligini ishlatadi.
Bu juda muhim, chunki oqsilning tuzilishi uning qanday ishlashini belgilaydi va uning funktsiyasini tushunish olimlarga oqsilga qaratilgan dori-darmonlarni ishlab chiqishda yordam beradi.
AlphaFold2 neyron tarmog'i kirish sifatida oqsilning aminokislotalar ketma-ketligini, shuningdek, ushbu ketma-ketlik ma'lumotlar bazasidagi boshqa ketma-ketliklar bilan qanday taqqoslanishi haqidagi ma'lumotlarni oladi (bu "ketma-ketlikni tekislash" deb ataladi).
Neyron tarmoq ushbu kiritish asosida oqsilning 3D tuzilishi haqida bashorat qiladi.
Uni AlphaFold2 dan nimasi bilan ajratib turadi?
Boshqa yondashuvlardan farqli o'laroq, AlphaFold2 aminokislotalar juftlari orasidagi bo'linish yoki ularni bog'laydigan aloqalar orasidagi burchaklarni emas (avvalgi algoritmlarda bo'lgani kabi) oqsilning haqiqiy 3D tuzilishini bashorat qiladi.
Neyron tarmog'i bir vaqtning o'zida to'liq tuzilmani oldindan ko'rishi uchun struktura oxirigacha kodlangan.
AlphaFold2-ning yana bir asosiy xususiyati shundaki, u o'z prognoziga qanchalik ishonchli ekanligini baholashni taklif qiladi. Bu kutilayotgan strukturaning rang kodlashi sifatida taqdim etilgan, qizil rang yuqori ishonchni, ko'k esa past ishonchni bildiradi.
Bu foydali, chunki u olimlarni bashoratning barqarorligi haqida xabardor qiladi.
Bir nechta ketma-ketliklarning qo'shma tuzilishini bashorat qilish
Alphafold Multimer nomi bilan tanilgan Alphafold2 ning so'nggi kengayishi bir nechta ketma-ketlikning birlashtirilgan tuzilishini prognoz qiladi. Oldingi usullardan ancha yaxshi ishlagan bo'lsa ham, u hali ham yuqori xato stavkalariga ega. 25 ta protein kompleksidan atigi 4500% muvaffaqiyatli prognoz qilingan.
Kontakt shakllanishining qo'pol hududlarining 70% to'g'ri prognoz qilingan, ammo ikkita oqsilning nisbiy yo'nalishi noto'g'ri edi. O'rtacha tekislash chuqurligi taxminan 30 ketma-ketlikdan kam bo'lsa, Alphafold multimer bashoratlarining aniqligi sezilarli darajada pasayadi.
Alphafold bashoratlaridan qanday foydalanish kerak
AlphaFold-dan bashorat qilingan modellar bir xil fayl formatlarida taqdim etiladi va eksperimental tuzilmalar bilan bir xil usullarda ishlatilishi mumkin. Tushunmovchiliklarga yo'l qo'ymaslik uchun model bilan taklif qilingan aniqlik baholarini hisobga olish juda muhimdir.
Bu, ayniqsa, bir-biriga bog'langan gomomerlar yoki faqat katlama mavjud bo'lgan oqsillar kabi murakkab tuzilmalar uchun foydalidir.
noma'lum ligand.
Ba'zi Qiyinchiliklar
Prognoz qilingan tuzilmalardan foydalanishning asosiy muammosi oqsil va biofizik ma'lumotlarga kirish imkoni bo'lmagan holda dinamika, ligand selektivligi, nazorat, allosteriya, translatsiyadan keyingi o'zgarishlar va bog'lanish kinetikasini tushunishdir.
mashina ta'lim va fizikaga asoslangan molekulyar dinamika tadqiqotlari ushbu muammoni bartaraf etish uchun ishlatilishi mumkin.
Ushbu tadqiqotlar ixtisoslashtirilgan va samarali kompyuter arxitekturasidan foydalanishi mumkin. AlphaFold oqsil tuzilmalarini bashorat qilishda ulkan yutuqlarga erishgan bo'lsa-da, strukturaviy biologiya sohasida hali ko'p narsalarni o'rganish kerak va AlphaFold bashoratlari kelajakdagi tadqiqotlar uchun faqat boshlang'ich nuqtadir.
Boshqa ajoyib vositalar nima?
RoseTTAFold
Vashington universiteti tadqiqotchilari tomonidan yaratilgan RoseTTAFold ham oqsil tuzilmalarini bashorat qilish uchun chuqur o'rganish algoritmlarini qo'llaydi, ammo u bashorat qilingan tuzilmalarni yaxshilash uchun "burilish burchagi dinamikasi simulyatsiyasi" deb nomlanuvchi yangi yondashuvni ham o'z ichiga oladi.
Ushbu usul dalda beruvchi natijalarni berdi va mavjud sun'iy intellekt oqsillarini katlama vositalarining cheklovlarini bartaraf etishda foydali bo'lishi mumkin.
trRosetta
Boshqa bir vosita, trRosetta, a.dan foydalanib, oqsilning katlanishini bashorat qiladi neyron tarmoq millionlab oqsillar ketma-ketligi va tuzilmalari bo'yicha o'qitilgan.
Shuningdek, u maqsadli oqsilni taqqoslanadigan ma'lum tuzilmalar bilan solishtirish orqali aniqroq bashoratlarni yaratish uchun "shablonga asoslangan modellashtirish" usulidan foydalanadi.
trRosetta mayda oqsillar va oqsil komplekslarining tuzilishini bashorat qilishga qodir ekanligi isbotlangan.
DeepMetaPSICOV
DeepMetaPSICOV oqsil bilan aloqa xaritalarini bashorat qilishga qaratilgan yana bir vositadir. Bular oqsil katlamini bashorat qilish uchun qo'llanma sifatida ishlatiladi. Foydalanadi chuqur o'rganish oqsil ichidagi qoldiqlarning o'zaro ta'sir qilish ehtimolini prognoz qilish uchun yondashuvlar.
Bular keyinchalik umumiy aloqa xaritasini bashorat qilish uchun ishlatiladi. DeepMetaPSICOV, hatto oldingi yondashuvlar muvaffaqiyatsizlikka uchragan taqdirda ham, oqsil tuzilmalarini katta aniqlik bilan bashorat qilish imkoniyatini ko'rsatdi.
Kelajak nima kutmoqda?
AI oqsillarini katlama kelajagi porloq. Chuqur o'rganishga asoslangan algoritmlar, xususan AlphaFold2, yaqinda oqsil tuzilmalarini ishonchli bashorat qilishda katta yutuqlarga erishdi.
Ushbu topilma olimlarga umumiy terapevtik maqsadlar bo'lgan oqsillarning tuzilishi va funktsiyasini yaxshiroq tushunishga imkon berish orqali dori vositalarining rivojlanishini o'zgartirish imkoniyatiga ega.
Shunga qaramay, protein komplekslarini prognoz qilish va kutilayotgan tuzilmalarning haqiqiy funktsional holatini aniqlash kabi muammolar saqlanib qolmoqda. Ushbu muammolarni hal qilish va AI oqsillarini katlama algoritmlarining aniqligi va ishonchliligini oshirish uchun ko'proq tadqiqotlar talab etiladi.
Shunga qaramay, ushbu texnologiyaning potentsial afzalliklari juda katta va u yanada samarali va aniqroq dori-darmonlarni ishlab chiqarishga olib kelishi mumkin.
Leave a Reply