انتقل إلى المحتوى
Prof. Dr. Mustafa Özdoğan · اختصاصي الأورام الطبية

سيغير كل شيء! ذكاء Google DeepMind الاصطناعي يحل بنى البروتينات

سيغير كل شيء! ذكاء Google DeepMind الاصطناعي يحل بنى البروتينات

يقول العلماء إن برامج Google لتحديد أشكال البروتينات ذات 3 أبعاد (3D)، المعتمدة على التعلم العميق ، على وشك إحداث تغييرات جذرية في علم الأحياء. اكتشاف الأدوية الجديدة نحن على أعتاب ثورة فيه.

Google الذكاء الاصطناعيطورت DeepMind المنبثقة عنه شبكة ذكاء اصطناعي خطت خطوة هائلة نحو حل أحد أكبر تحديات الأحياء: تحديد شكل البروتين من الأحماض الأمينية وتسلسلها في هيئة 3D.

تفوق برنامج خوارزمية DeepMind المسمى AlphaFold على 100 فريق آخر في تحدي توقع بنية البروتين، الذي يُعقد كل عامين ويسمى CASP، اختصار Critical Assessment of Structure Prediction (التقييم النقدي لتوقع البنية). وأُعلنت النتائج في 30 نوفمبر، عند افتتاح مؤتمر تقييم المسابقة المعقود افتراضيًا هذا العام.

وظيفة بروتين محددة بشكله 3D، DeepMind

الشكل أعلاه: وظيفة بروتين محددة بشكله 3D – DeepMind.

يقول John Moult، مؤسس CASP الذي أُنشئ عام 1994 لتطوير طرق حاسوبية للتوقع الدقيق لبنى البروتينات، وعالم الأحياء الحاسوبي بجامعة Maryland في College Park: «هذا عمل بالغ الأهمية» كما يقول.

ستكون القدرة على التوقع الدقيق لبنى البروتينات من تسلسلات أحماضها الأمينية نعمة كبيرة لعلوم الحياة والطب. وستسرع كثيرًا فهم لبنات الخلايا الأساسية، وتتيح اكتشاف أدوية أسرع وأكثر تطورًا.

في مسابقة CASP السابقة عام 2018، أول عام شاركت فيه DeepMind اللندنية، برز AlphaFold في المنافسة. لكن شبكة الفريق للتعلم العميق تجاوزت الفرق الأخرى كثيرًا هذا العام، ويقول العلماء إن أداءها كان جيدًا بدرجة مذهلة قد تبشر بثورة في الأحياء.

ما الذكاء الاصطناعي والتعلم الآلي والتعلم العميق والفروق بينها

يقول Andrei Lupas، عالم الأحياء التطوري بمعهد Max Planck للأحياء التطورية في Tübingen بألمانيا، الذي يقيم أداء فرق CASP: «هذا تطور يغير قواعد اللعبة». فقد ساعد AlphaFold بالفعل على تحديد بنية بروتين أزعج مختبر Lupas عشر سنوات، وينتظر كيف سيغير الأسئلة التي يتناولها وعمله. ويقول Lupas: «سيغير الطب. وسيغير البحث. وسيغير الهندسة الحيوية. وسيغير كل شيء» كما يقول.

في بعض الحالات لا يمكن تمييز توقعات AlphaFold البنيوية عن البنى المحددة بطرق تجريبية «معيار ذهبي»، مثل بلورة الأشعة السينية والمجهر الإلكتروني بالتبريد (cryo-EM) في السنوات الأخيرة. ويقول العلماء إنه قد لا يلغي الحاجة لهذه الطرق المكلفة والشاقة، حتى الآن، لكن الذكاء الاصطناعي سيتيح العمل مع الكائنات الحية بطرق جديدة.

مشكلة البنية في البروتينات

البروتينات لبنات الحياة المسؤولة عن معظم ما يحدث داخل الخلايا. ويتحدد عمل البروتين وما يفعله بشكله 3D، و البنية ذات 3 أبعاد تحدد وظيفة البروتين. «البنية هي الوظيفة» شعار يمثل بديهية بالأحياء الجزيئية. وتميل البروتينات إلى اتخاذ شكلها دون مساعدة، بتوجيه قوانين الفيزياء وحدها.

كانت التجارب المخبرية لعقود الطريق الرئيسي للحصول على بنى بروتينية جيدة. وحُددت أولى البنى الكاملة أوائل خمسينيات القرن 1950 بتقنية تُسلط أشعة X على بروتين متبلور ثم يُحوَّل الضوء المنكسر إلى إحداثياته الذرية. وأنتجت بلورة الأشعة السينية النصيب الأكبر من بنى البروتينات، لكن cryo-EM أصبح خلال أكثر من العقد الأخير الأداة المفضلة لمختبرات أحياء بنيوية كثيرة.

تساءل العلماء طويلًا كيف تحدد مكونات البروتين، أي سلسلة الأحماض الأمينية المختلفة، طيات شكله النهائي والتواءاته. ويقول الباحثون إن المحاولات الأولى باستخدام الحاسوب لتوقع البنى في ثمانينيات القرن 1980 وتسعينيات القرن 1990 انتهت بنتائج سيئة. وكانت الادعاءات الكبيرة بشأن الطرق بالمقالات تنهار غالبًا عندما يطبقها علماء آخرون على بروتينات أخرى.

أطلق Moult مسابقة CASP لزيادة صرامة هذه الجهود. وهي تتحدى الفرق لتوقع بنى بروتينات حُلت تجريبيًا لكنها لم تُعلن. ويعتقد Moult أن الاختبار أسهم كثيرًا في تصحيح المجال بكشف الادعاءات المبالغ فيها. «تفهم فعلًا ما يبدو واعدًا، وما ينجح، وما ينبغي الابتعاد عنه» كما يقول.

خوارزمية deepmind alphafold 2 تحقق أداء أفضل في طي البروتينات في casp14

فاجأ أداء DeepMind في CASP13 عام 2018 علماء المجال الذي ظل حصنًا للمجموعات الأكاديمية الصغيرة. لكن Jinbo Xu، عالم الأحياء الحاسوبي بجامعة Illinois Chicago، يقول إن نهجها شابه عمومًا نهج الفرق الأخرى المستخدمة للذكاء الاصطناعي.

طبقت النسخة الأولى من AlphaFold على البيانات البنيوية والوراثية، لتوقع المسافات بين أزواج الأحماض الأمينية في البروتين، أسلوبًا يسمى التعلم العميق من أساليب الذكاء الاصطناعي. ويقول قائد المشروع John Jumper من DeepMind إن AlphaFold استخدم هذه المعلومات في خطوة ثانية لا تحتاج الذكاء الاصطناعي، لإيجاد نموذج «توافقي» لما ينبغي أن يبدو عليه البروتين.

حاول الفريق تطوير النهج بإضافات لكنه فشل في النهاية. لذلك يقول Jumper إن هذه الإضافة تغيرت، وطُورت شبكة ذكاء اصطناعي تتضمن معلومات إضافية عن القيود الفيزيائية والهندسية المحددة لطي البروتين. وجعلوا المهمة أصعب أيضًا: بدل توقع العلاقات بين الأحماض الأمينية، تتوقع الشبكة البنية النهائية لتسلسل البروتين المستهدف. ويصف Jumper ذلك بأنه «نظام معقد جدًا».

دقة مذهلة

تجري CASP خلال أشهر عدة. وتُتاح بانتظام البروتينات المستهدفة أو أجزاؤها المسماة نطاقات، وعددها نحو 100 إجمالًا، وتملك الفرق بضعة أسابيع لتقديم التوقعات. ثم يقيمها علماء مستقلون بمقاييس تشابه البروتين المتوقع مع البنية المحددة تجريبيًا. ولا يعرف المقيمون أصحاب التوقعات.

يقول Lupas إن توقعات AlphaFold وردت باسم «المجموعة 427»، لكن الدقة المذهلة لمعظمها ميزتها. ويضيف: «خمنت أنها AlphaFold. وخمن كثيرون ذلك أيضًا».

كانت بعض التوقعات أفضل من غيرها، لكن نحو ثلثيها أمكن مقارنته بالبنى التجريبية من حيث الجودة. ويقول Moult إنه لم يتضح ببعض الحالات إن كان الاختلاف بين توقع AlphaFold والنتيجة التجريبية خطأ توقع أم أثرًا للتجربة.

يقول Moult إن توقعات AlphaFold طابقت بصورة ضعيفة البنى التجريبية المحددة بتقنية الرنين المغناطيسي النووي، لكن ذلك قد يتعلق بكيفية تحويل البيانات الخام إلى نموذج. كما تجد الشبكة صعوبة في نمذجة البنى المفردة بمجمعات البروتين أو مجموعاته، حيث تشوه التفاعلات مع البروتينات الأخرى أشكالها.

يقول Moult إن الفرق توقعت البنى بدقة أكبر عمومًا هذا العام مقارنة بالمسابقة السابقة، لكن معظم التقدم يُعزى إلى AlphaFold. ففي البروتينات المستهدفة متوسطة الصعوبة، نالت أفضل الفرق الأخرى عادة من أصل 100 نحو 75 نقطة، بينما حقق AlphaFold على الأهداف نفسها نحو 90 نقطة.

يقول Moult إن نحو نصف الفرق ذكرت التعلم العميق في ملخصات نهجها، مما يشير لتأثير واسع للذكاء الاصطناعي بالمجال. وكان معظمها أكاديميًا، لكن Microsoft وشركة التقنية الصينية Tencent شاركتا أيضًا في CASP14.

كان Mohammed AlQuraishi، عالم الأحياء الحاسوبي بجامعة Columbia في New York City والمشارك في CASP، متشوقًا لدراسة تفاصيل أداء AlpaFold بالمنافسة ومعرفة المزيد عن عمل النظام عندما يعرض فريق DeepMind نهجه في 1 ديسمبر. وحدسه القوي أن AlphaFold سيحدث تحولًا.

«أعتقد أنه من العدل القول إنه ثوري في مجال توقع بنية البروتين. وأظن أن كثيرين سيتركون المجال، لأن المشكلة الأساسية حُلت على نحو قابل للنقاش. إنه اكتشاف من الدرجة الأولى، وبالتأكيد إحدى أهم النتائج العلمية في حياتي» كما يقول.

بنى أسرع

ساعد أحد توقعات AlphaFold على تحديد بنية بروتين بكتيري حاول مختبر Lupas حلها سنوات. وكان الفريق قد جمع بيانات حيود الأشعة السينية الخام، لكن تحويل أنماطها الشبيهة بـRorschach إلى بنية يتطلب معلومات عن شكل البروتين. وفشلت حيل الحصول عليها، مثلما فشلت أدوات التوقع الأخرى. ويقول Lupas: «منحنا نموذج المجموعة 427 بنيتنا خلال نصف ساعة، بعد أن أمضينا عشر سنوات نجرب كل شيء» كما يقول.

يقول مؤسس DeepMind المشارك ورئيسها التنفيذي Demis Hassabis إن الشركة تخطط لإتاحة AlphaFold بصورة عملية للعلماء الآخرين (وقد نُشرت سابقًا تفاصيل كافية عن نسخته الأولى ليتمكنوا من تقليد النهج). وقد يستغرق AlphaFold أيامًا لإنتاج بنية متوقعة تشمل تقديرات موثوقية مناطق البروتين المختلفة. ويرى Hassabis اكتشاف الأدوية وتصميم البروتين تطبيقات محتملة، ويضيف: «بدأنا للتو فهم ما يريده علماء الأحياء».

في أوائل 2020 نشرت الشركة توقعات لعدد قليل من بنى بروتينات لم تحدد تجريبيًا بعد، تابعة لـ SARS-CoV-2 . وأعلن فريق Stephen Brohawn، عالم الأحياء العصبي الجزيئي بجامعة California في Berkeley، في يونيو أن توقع DeepMind لبروتين Orf3a شابه كثيرًا البنية التي حُددت لاحقًا بـcryo-EM. «كان ما استطاعوا فعله مثيرًا للإعجاب جدًا» كما أضاف.

ما أثر خوارزمية AlphaFold 2 في العالم الحقيقي؟

بعض التطبيقات، كالتحليل التطوري للبروتينات، جاهزة للتطور لأن موجة البيانات الجينومية الحالية يمكن الآن تحويلها إلى بنى بموثوقية. ويقول Lupas: «سيتيح هذا للجيل الجديد من علماء الأحياء الدقيقة طرح أسئلة أكثر تقدمًا» ويقول: «سيتطلب تفكيرًا أكثر واستعمالًا أقل للماصات».

تقول Janet Thornton، عالمة الأحياء البنيوية والمقيمة السابقة في CASP من مختبر الأحياء الجزيئية الأوروبي–المعهد الأوروبي للمعلوماتية الحيوية في Hinxton ببريطانيا: «هذه مشكلة ظننت أنها لن تُحل في حياتي». وتأمل أن يساعد النهج على توضيح وظيفة آلاف البروتينات غير المحلولة بالجينوم البشري وفهم التغيرات الجينية المسببة للأمراض.

يمثل أداء AlphaFold نقطة تحول لـDeepMind أيضًا. وتُعرف الشركة أساسًا باستخدام الذكاء الاصطناعي لإتقان ألعاب مثل Go، لكن هدفها البعيد تطوير برامج تحقق ذكاءً واسعًا شبيهًا بالبشري. ويقول Hassabis إن التغلب على تحديات علمية كبيرة، كتوقع بنية البروتين، من أهم تطبيقات ذكائها الاصطناعي الممكنة. «أعتقد أنه أهم ما أنجزناه من حيث الأثر في العالم الحقيقي.»

في النتيجة، كثير من أدوية الجيل الجديد بروتينية البنية، وعلى المستوى الجزيئي، فإن إنتاج البروتينات الصحيحة للأهداف الوراثية يستغرق من العلماء عقودًا بالظروف الحالية. وببرامج خوارزمية قائمة على التعلم العميق مثل AlphaFold 2 من Google، فإن العقود قد تختصر إلى أشهر بهذه الطريقة. والمستقبل، التقنية الحيوية يحمل إثارة كبيرة في هذا المجال. 

*

- جميع أخبار المعلوماتية الطبية

المصادر

Ewen Callaway. ‘It will change everything’: DeepMind’s AI makes gigantic leap in solving protein structures. 30 Nov 2020 Nature News

طلب موعد

الذكاء الاصطناعي من DROZDOGAN

لنستكشف هذا المقال معًا

اسأل عن المقال واقرأ الإجابات إلى جانب المصادر المنشورة على موقعنا.

الذكاء الاصطناعي من DROZDOGAN

مساعد Drozdogan

سيغير كل شيء! ذكاء Google DeepMind الاصطناعي يحل بنى البروتينات

اسأل عن المقال واقرأ الإجابات إلى جانب المصادر المنشورة على موقعنا.

معلومات المحادثة والخصوصية

يجيب مساعد Drozdogan عن هذه المحادثة. قد يراجعها مسؤولو الموقع المخوّلون للتحقق من الجودة. لا تشارك معلومات شخصية.

تستخدم الإجابات بنية OpenAI التحتية. تُعالج الأسئلة والإجابات لدى هذه الخدمة؛ وتُحفظ سجلات المحادثة على موقعنا. لا تشارك بيانات تكشف هويتك أو بيانات اتصالك أو معلوماتك الصحية الشخصية.

0 / 1000

للمعلومات فقط؛ لا يقدم تشخيصًا شخصيًا أو نصيحة علاجية.

مقالات ذات صلة

استكشف مقالات أخرى حول هذا الموضوع.

ابقَ على اطلاع

تلقَّ المقالات الجديدة وآخر المستجدات العلمية عبر البريد الإلكتروني.

يعمل Google Analytics على الصفحات العامة مستقلًا عن هذه النافذة وقد يستخدم ملفات تعريف ارتباط تحليلية. يتحكم اختيارك هنا في الخدمات الخارجية فقط.