همه چیز را تغییر میدهد! هوش مصنوعی Google DeepMind ساختار پروتئین را حل میکند

دانشمندان میگویند برای تعیین شکل 3 بعدی (3D) پروتئین، برنامههای گوگل در یادگیری عمیق در آستانه دگرگون کردن زیستشناسیاند. کشف داروهای تازه در آستانه انقلابی است.
گوگل هوش مصنوعیو شاخه آن DeepMind شبکهای ساخته که گام بزرگی برای حل چالش زیستشناسی، تعیین شکل پروتئین از توالی اسیدآمینه و شکل 3D آن، برداشته است.
الگوریتم AlphaFold دیپمایند در رقابت دوسالانه CASP، مخفف ارزیابی نقادانه پیشبینی ساختار، از 100 گروه دیگر بهتر بود. نتایج در 30 نوامبر در آغاز کنفرانس ارزیابی که امسال مجازی بود اعلام شد.

شکل بالا: کارکرد پروتئین با شکل 3D تعیین میشود – DeepMind.
جان مولت، بنیانگذار CASP در 1994 برای توسعه روش محاسباتی پیشبینی دقیق ساختار و زیستشناس محاسباتی دانشگاه مریلند کالجپارک، میگوید: «این کار بسیار مهم است».
پیشبینی دقیق ساختار از توالی اسیدآمینه نعمتی بزرگ برای علوم زیستی و پزشکی است؛ شناخت اجزای پایه سلول را بسیار سریع و کشف داروی سریعتر و بهتر را ممکن میکند.
AlphaFold در آخرین CASP سال 2018، نخستین حضور دیپمایند لندن، وارد میدان شد. امسال شبکه یادگیری عمیق بسیار بالاتر از دیگران بود و دانشمندان عملکرد را چنان خوب میدانند که میتواند نوید انقلاب زیستشناسی بدهد.
آندری لوپاس، زیستشناس تکاملی مؤسسه زیستشناسی تکوینی ماکس پلانک توبینگن آلمان و ارزیاب CASP، میگوید: «این قواعد بازی را تغییر میدهد». AlphaFold هماکنون به یافتن ساختار پروتئینی کمک کرده که ده سال آزمایشگاهش را درگیر داشت؛ منتظر تغییر پرسشها و پژوهشهایش است. لوپاس میگوید: «پزشکی، پژوهش و مهندسی زیستی را تغییر میدهد. همه چیز را تغییر میدهد».
گاهی پیشبینی AlphaFold از روش تجربی معیار طلایی، بلورنگاری پرتوی ایکس و اخیراً میکروسکوپ الکترونی برودتی (cryo-EM)، قابل تفکیک نیست. شاید هنوز نیاز به این روش پرزحمت و گران را حذف نکند، اما کار با جانداران به شیوه تازه را ممکن میکند.
مسئله ساختار پروتئین
پروتئین اجزای پایه زندگی و مسئول بیشتر اتفاقهای سلول است. کارکرد و کاری که میکند با شکل 3D تعیین میشود و ساختار 3 بعدی کارکرد پروتئین را مشخص میکند. “ساختار همان کارکرد است» اصل پذیرفتهشده زیستشناسی مولکولی است. پروتئین تمایل دارد بدون کمک و فقط با قوانین فیزیک شکل بگیرد.
دههها آزمایش راه اصلی ساختار باکیفیت بود. نخستین ساختار کامل در اوایل دهه 1950 با تاباندن X-ray به پروتئین بلوری و تبدیل نور پراشیافته به مختصات اتمی تعیین شد. بلورنگاری سهم عمده ساختارها را داده، اما در بیش از یک دهه اخیر cryo-EM ابزار ترجیحی بسیاری آزمایشگاههای ساختاری شده است.
دانشمندان مدتها در این اندیشه بودهاند که اجزای سازنده پروتئین، یعنی توالی اسیدهای آمینه مختلف، چگونه پیچوخمهای فراوان شکل نهایی را تعیین میکنند. پژوهشگران میگویند نخستین تلاشهای استفاده از رایانه برای پیشبینی ساختار در دهه 1980 و 1990 نتیجه ضعیفی داشت. ادعاهای بزرگ درباره روشهای مقالات منتشرشده، هنگامی که دانشمندان دیگر آنها را روی پروتئینهای دیگر به کار میبردند، معمولاً فرو میریخت.
مولت برای دقت بیشتر CASP را آغاز کرد. گروهها باید ساختار حلشده اما منتشرنشده تجربی را حدس بزنند. باور دارد با شناسایی ادعاهای اغراقآمیز، آزمون حوزه را بسیار اصلاح کرده است: «واقعاً میفهمید چه امیدبخش است، چه کار میکند و از چه باید دور شد».
عملکرد دیپمایند در CASP13 سال 2018 دانشمندان حوزهای دیرزمان در اختیار گروه دانشگاهی کوچک را شگفتزده کرد. اما جینبو شو دانشگاه ایلینوی شیکاگو میگوید رویکردش عموماً شبیه گروههای دیگر هوش مصنوعی بود.
نسخه نخست AlphaFold برای فاصله جفت اسیدآمینه، داده ساختاری و ژنتیکی را با یادگیری عمیق به کار گرفت. جان جامپر، رهبر پروژه دیپمایند، میگوید در گام دوم بدون هوش مصنوعی، اطلاعات برای مدل «اجماعی» شکل پروتئین استفاده شد.
گروه تلاش کرد با افزودن به روش آن را بهتر کند اما شکست خورد؛ پس رویکرد عوض شد. شبکهای با اطلاعات محدودیت فیزیکی و هندسی تاخوردن ساختند و وظیفه دشوارتر شد: به جای رابطه اسیدهای آمینه، ساختار نهایی توالی هدف پیشبینی شود. جامپر آن را «سامانهای بسیار پیچیده» میداند.
دقت شگفتانگیز
CASP چند ماه طول میکشد. پروتئین یا بخش هدف، دومین، مجموعاً حدود 100 مورد، منظم منتشر میشود و گروه چند هفته برای تحویل دارد. گروه مستقل با سنجه شباهت به ساختار تجربی ارزیابی میکند و نمیداند پیشبینی متعلق به کیست.
لوپاس میگوید پیشبینیها با نام «گروه 427» آمد اما دقت شگفتانگیز بیشترشان برجسته بود: «حدس زدم AlphaFold است؛ خیلیها هم حدس زدند.»
برخی بهتر بودند، اما تقریباً دوسوم با ساختار تجربی همکیفیت بودند. مولت میگوید گاهی معلوم نیست اختلاف از خطای پیشبینی است یا مصنوع آزمایش.
مولت میگوید تطابق با ساختار تجربی رزونانس مغناطیسی هستهای ضعیف بود، شاید به شیوه تبدیل داده خام به مدل وابسته باشد. شبکه در مدل کردن ساختار منفرد در مجموعه پروتئینی هم دشواری دارد، چون تعامل با دیگر پروتئینها شکل را تغییر میدهد.
به گفته مولت، گروهها امسال دقیقتر از CASP قبل بودند اما بیشتر پیشرفت از AlphaFold بود. در اهداف متوسطدشواری، بهترین گروههای دیگر معمولاً از 100 امتیاز، 75 و AlphaFold حدود 90 گرفت.
تقریباً نیمی از گروهها در چکیده روش از یادگیری عمیق گفتند؛ نشانه اثر گسترده هوش مصنوعی. بیشتر دانشگاهی بودند، اما Microsoft و Tencent چین هم در CASP14 شرکت کردند.
محمد القریشی، زیستشناس محاسباتی کلمبیا نیویورک و شرکتکننده CASP، مشتاق جزئیات عملکرد و ارائه گروه دیپمایند در 1 دسامبر بود. شهود قوی او این است که AlphaFold تحولآفرین خواهد بود.
“فکر میکنم عادلانه است آن را در پیشبینی ساختار انقلابی بدانیم. احتمال میدهم بسیاری حوزه را ترک کنند چون مسئله اصلی تا حدی حل شده است. کشفی درجهیک و قطعاً از مهمترین نتایج علمی زندگی من است».
ساختارهای سریعتر
پیشبینی AlphaFold به ساختار پروتئین باکتریایی کمک کرد که آزمایشگاه لوپاس سالها دنبال آن بود. داده خام پراش X-ray داشتند، اما تبدیل الگوهای شبیه رورشاخ به ساختار به شناخت شکل نیاز داشت. ترفندهای بهدستآوردن این اطلاعات و ابزارهای دیگر پیشبینی شکست خورده بودند. لوپاس میگوید: «مدل گروه 427، پس از ده سال آزمودن همه چیز، در نیم ساعت ساختار را به ما داد».
دمیس هاسابیس، همبنیانگذار و مدیرعامل، میگوید شرکت میخواهد AlphaFold را برای دیگر دانشمندان قابل استفاده کند؛ قبلاً جزئیات کافی نسخه اول برای تکرار روش منتشر شد. تولید ساختار با برآورد اطمینان نواحی مختلف میتواند چند روز طول بکشد. کاربرد احتمالی را کشف دارو و طراحی پروتئین میداند و میافزاید: «تازه فهم خواسته زیستشناسان را آغاز کردهایم.»
اوایل 2020، شرکت پیشبینی چند ساختار هنوز تعییننشده تجربی SARS-CoV-2 را منتشر کرد. گروه استیون بروهاون، عصبزیستشناس مولکولی دانشگاه کالیفرنیا در برکلی، در ژوئن اعلام کرد پیشبینی دیپمایند برای پروتئینی به نام Orf3a بسیار شبیه ساختاری بود که بعداً با cryo-EM تعیین شد. «آنچه انجام دادند بسیار چشمگیر بود».
اثر واقعی الگوریتم AlphaFold 2 چه خواهد بود؟
کاربردهایی مانند تحلیل تکاملی پروتئین آماده رشدند، چون موج داده ژنومی اکنون با اعتماد به ساختار تبدیل میشود. لوپاس میگوید: «نسل جدید میکروبشناسان میتواند پرسش پیشرفتهتر بپرسد». «فکر بیشتر و پیپتکردن کمتر لازم خواهد بود”.
جنت تورنتون، زیستشناس ساختاری آزمایشگاه زیستشناسی مولکولی اروپا/مؤسسه بیوانفورماتیک اروپا در هینکستون و ارزیاب سابق CASP، میگوید: «فکر نمیکردم این مسئله در عمرم حل شود». امیدوار است کارکرد هزاران پروتئین حلنشده ژنوم انسان و تغییر ژنی بیماریزا روشن شود.
عملکرد AlphaFold برای دیپمایند هم نقطه عطف است. شرکت بیشتر به تسلط هوش مصنوعی بر بازی Go شناخته میشود، اما هدف بلندمدت برنامه دارای هوش گسترده شبیه انسان است. هاسابیس حل چالش بزرگ علمی مانند پیشبینی ساختار را از مهمترین کاربردهای ممکن میداند: «فکر میکنم از نظر اثر واقعی، مهمترین کاری است که انجام دادهایم.”
در نتیجه، بسیاری داروهای نسل جدید پروتئینیاند و در سطح مولکولی، تولید پروتئین مناسب هدف ژنتیکی در شرایط فعلی دههها زمان دانشمند میگیرد. الگوریتم یادگیری عمیق گوگل مانند AlphaFold 2 میتواند دههها را به ماهها کوتاه کند. آینده در زیستفناوری هیجان بزرگی دارد.
*
منابع
آیا این مقاله برای شما مفید بود؟
بازخورد شما به بهبود محتوای ما کمک میکند.





نظرهای خوانندگان
نظر خود را بنویسید
نام و دیدگاه شما فقط پس از تأیید مدیر منتشر میشود. نشانی ایمیل شما هرگز به بازدیدکنندگان نمایش داده نمیشود.
اولین نظر را شما بنویسید.