შინაარსზე გადასვლა
Prof. Dr. Mustafa Özdoğan · სამედიცინო ონკოლოგი

ყველაფერს შეცვლის! Google DeepMind-ის ხელოვნური ინტელექტი ცილების სტრუქტურას ხსნის

ყველაფერს შეცვლის! Google DeepMind-ის ხელოვნური ინტელექტი ცილების სტრუქტურას ხსნის

მეცნიერები ამბობენ, რომ ცილების 3-განზომილებიანი (3D) ფორმის განსაზღვრისთვის Google-ის ღრმა სწავლების პროგრამები ბიოლოგიაში ძირეულ ცვლილებებს მოიტანს. ახალი წამლების აღმოჩენაში რევოლუციის ზღვარზე ვართ.

Google-ის ხელოვნური ინტელექტისგანშტოება DeepMind-ის შექმნილმა ქსელმა ბიოლოგიის უდიდესი პრობლემის გადაჭრისკენ უზარმაზარი ნაბიჯი გადადგა – ცილის ამინომჟავური თანმიმდევრობიდან 3D ფორმის განსაზღვრა.

DeepMind-ის AlphaFold პროგრამამ ცილის სტრუქტურის ორწლიურ შეჯიბრში CASP-ში (Critical Assessment of Structure Prediction – სტრუქტურის პროგნოზირების კრიტიკული შეფასება) სხვა 100 გუნდს აჯობა. შედეგები 30 ნოემბერს წლევანდელი ვირტუალური შემაჯამებელი კონფერენციის დასაწყისში გამოცხადდა.

ცილის ფუნქცია, განსაზღვრული მისი 3D ფორმით DeepMind

ზემოთ სურათი: ცილის ფუნქცია, განსაზღვრული მისი 3D ფორმით – DeepMind.

1994 წელს ზუსტი სტრუქტურული პროგნოზისთვის გამოთვლითი მეთოდების შესაქმნელად დაფუძნებული CASP-ის დამაარსებელი და კოლეჯ-პარკის მერილენდის უნივერსიტეტის გამოთვლითი ბიოლოგი ჯონ მოლტი „ეს ძალიან მნიშვნელოვანი საქმეა“, ამბობს.

ამინომჟავური თანმიმდევრობიდან სტრუქტურის ზუსტი პროგნოზის უნარი სიცოცხლის მეცნიერებებისა და მედიცინისთვის დიდი სიკეთე იქნება. ის უჯრედის საშენი მასალების გაგებას ძლიერ დააჩქარებს და უფრო სწრაფ, უკეთეს წამლის აღმოჩენას შეუწყობს ხელს.

ლონდონის DeepMind-ის პირველი მონაწილეობისას, 2018 წლის CASP-ში, AlphaFold უკვე გამოჩნდა. წელს კი ღრმა სწავლების ქსელი სხვებს ბევრად აღემატებოდა და მეცნიერების თქმით წარმოუდგენლად კარგი შედეგი ბიოლოგიის რევოლუციას შეიძლება მოასწავებდეს.

რა არის ხელოვნური ინტელექტი მანქანური სწავლება ღრმა სწავლება განსხვავებები

CASP-ის გუნდების შემფასებელი, ტიუბინგენის მაქს პლანკის განვითარების ბიოლოგიის ინსტიტუტის ევოლუციური ბიოლოგი ანდრეი ლუპასი „ეს თამაშის წესების შემცვლელი წინსვლაა“, ამბობს. AlphaFold უკვე დაეხმარა ათწლეულის განმავლობაში პრობლემური ცილის სტრუქტურის დადგენაში და ის ელის, როგორ შეცვლის ეს კითხვებსა და მუშაობას. ლუპასი „ეს მედიცინას შეცვლის, კვლევას შეცვლის, ბიოინჟინერიას შეცვლის. ყველაფერს შეცვლის“, ამბობს.

ზოგჯერ პროგნოზი „ოქროს სტანდარტის“ ექსპერიმენტული მეთოდების, რენტგენული კრისტალოგრაფიისა და ბოლო წლების კრიოელექტრონული მიკროსკოპიის (კრიო-EM) შედეგებისგან განუყოფელია. მეცნიერები ამბობენ, რომ ამ შრომატევადი ძვირი მეთოდების საჭიროებას ჯერ ვერ მოხსნის, მაგრამ ცოცხალ ორგანიზმებთან მუშაობის ახალ გზებს გახდის შესაძლებელს.

სტრუქტურის პრობლემა ცილებში

ცილები სიცოცხლის საშენი მასალაა და უჯრედის მოვლენების უმეტესობაზეა პასუხისმგებელი. მათი მუშაობა და საქმე 3D ფორმით განისაზღვრება და ცილის ფუნქციას 3-განზომილებიანი სტრუქტურა განსაზღვრავს. “სტრუქტურა ფუნქციაა“ მოლეკულური ბიოლოგიის აქსიომაა. ცილები დახმარების გარეშე, მხოლოდ ფიზიკის კანონებით ფორმირდება.

ათწლეულობით ლაბორატორიული ცდები სტრუქტურის მისაღები მთავარი გზა იყო. პირველი სრული სტრუქტურები 1950-იანების დასაწყისში კრისტალიზებულ ცილებზე რენტგენული სხივების მიმართვითა და დიფრაქციის ატომურ კოორდინატებად გარდაქმნით განსაზღვრეს. კრისტალოგრაფიამ ცილების სტრუქტურების ლომის წილი შექმნა. თუმცა ბოლო ათწლეულზე მეტია კრიო-EM ბევრი სტრუქტურული ლაბორატორიის რჩეული ინსტრუმენტია.

დიდხანს აინტერესებდათ, როგორ გეგმავს სხვადასხვა ამინომჟავის თანმიმდევრობა საბოლოო ფორმის მრავალ ნაკეცს. მკვლევრების თქმით, 1980-იანებისა და 1990-იანების კომპიუტერული პროგნოზის პირველი მცდელობები ცუდად დასრულდა. მეთოდების ხმამაღალი მტკიცებები სხვა ცილებზე გამოყენებისას ხშირად იშლებოდა.

მოლტმა მეტი სიზუსტისთვის CASP დაიწყო. გუნდები ექსპერიმენტულად ამოხსნილი, მაგრამ გამოუქვეყნებელი სტრუქტურების პროგნოზს აკეთებენ. მას სჯერა, რომ გაზვიადებული მტკიცებების გაფილტვრით სფეროს დიდად გამოსწორების გამოცდილება აქვს. „ხვდები, რა ჩანს მართლა იმედისმომცემად, რა მუშაობს და რას უნდა მოშორდე“, ამბობს.

deepmind alphafold 2 ალგორითმი casp14 ცილების დაკეცვაში უკეთ მუშაობს

DeepMind-ის CASP13-ის 2018 წლის შედეგმა მეცნიერები გააოცა სფეროში, რომელიც მცირე აკადემიური ჯგუფების ციხესიმაგრე იყო. თუმცა ილინოისის ჩიკაგოს უნივერსიტეტის გამოთვლითი ბიოლოგი ჯინბო სიუ ამბობს, რომ მიდგომა ზოგადად სხვა AI გუნდების მსგავსი იყო.

პირველი AlphaFold ცილაში ამინომჟავათა წყვილებს შორის მანძილის შესაფასებლად სტრუქტურულ და გენეტიკურ მონაცემებს ღრმა სწავლების AI მეთოდს უსადაგებდა. პროექტის ლიდერი ჯონ ჯამპერი ამბობს, რომ მეორე, AI-ის არმომთხოვნ ნაბიჯში ინფორმაცია ცილის სავარაუდო ფორმის „კონსენსუსური“ მოდელისთვის გამოიყენეს.

გუნდმა დამატებებით გაუმჯობესება სცადა, მაგრამ ვერ შეძლო. ამიტომ მიდგომა შეიცვალა და შეიქმნა AI ქსელი დამატებითი ცოდნით ფიზიკურ და გეომეტრიულ შეზღუდვებზე, რომლებიც დაკეცვას განსაზღვრავს. ამოცანაც გაართულეს: ამინომჟავების ურთიერთობის ნაცვლად საბოლოო სტრუქტურის პროგნოზი. ჯამპერი ამას „საკმაოდ რთულ სისტემას“ უწოდებს.

გასაოცარი სიზუსტე

CASP რამდენიმე თვე გრძელდება. სამიზნე ცილები ან დომენებად წოდებული ნაწილები – სულ დაახლოებით 100 – რეგულარულად ქვეყნდება და გუნდებს რამდენიმე კვირა აქვთ. დამოუკიდებელი მეცნიერები ექსპერიმენტულ სტრუქტურასთან მსგავსების მეტრიკით პროგნოზებს აფასებენ ისე, რომ ავტორი არ იციან.

ლუპასის თქმით, AlphaFold „ჯგუფი 427“ სახელით მოვიდა, მაგრამ გასაოცარი სიზუსტით გამოირჩეოდა. „მივხვდი, AlphaFold იქნებოდა. ბევრი მიხვდა“, ამატებს.

ზოგი პროგნოზი უკეთესი იყო, მაგრამ თითქმის ორი მესამედი ექსპერიმენტულ ხარისხს შეედრებოდა. მოლტის თქმით, ზოგჯერ გაურკვეველია შეუსაბამობა პროგნოზის შეცდომაა თუ ექსპერიმენტის არტეფაქტი.

ბირთვული მაგნიტური რეზონანსით დადგენილ სტრუქტურებთან AlphaFold სუსტად ემთხვეოდა, თუმცა მოლტის თქმით ეს ნედლი მონაცემის მოდელად გარდაქმნას შეიძლება უკავშირდებოდეს. ქსელი ასევე ეჭიდება ცილურ კომპლექსებში ცალკეული სტრუქტურების მოდელირებას, სადაც ურთიერთქმედება ფორმებს ცვლის.

მოლტის თქმით, წინა CASP-თან შედარებით გუნდები უფრო ზუსტები იყვნენ, მაგრამ წინსვლის უმეტესობა AlphaFold-ს მიეწერება. საშუალოდ რთულ სამიზნეებზე სხვების საუკეთესო შედეგი 100-დან 75 იყო, AlphaFold-ის კი დაახლოებით 90.

გუნდების დაახლოებით ნახევარი მეთოდის შეჯამებაში ღრმა სწავლებას ასახელებდა, რაც AI-ის ფართო გავლენაზე მიუთითებს. უმეტესობა აკადემიური იყო, თუმცა Microsoft და ჩინური Tencent-იც CASP14-ში მონაწილეობდნენ.

ნიუ-იორკის Columbia-ს გამოთვლითი ბიოლოგი და CASP მონაწილე მოჰამედ ალქურაიში მოუთმენლად ელოდა AlphaFold-ის დეტალებს და 1 დეკემბერს გუნდის პრეზენტაციაზე სისტემის შესახებ მეტის გაგებას. მისი ძლიერი წინათგრძნობაა, რომ AlphaFold გარდამქმნელი იქნება.

“ვფიქრობ, სამართლიანია ამას ცილის სტრუქტურის პროგნოზში რევოლუციური ვუწოდოთ. ალბათ ბევრი სფეროს დატოვებს, რადგან მთავარი პრობლემა, შეიძლება ითქვას, გადაჭრილია. ეს პირველი რიგის აღმოჩენაა და უდავოდ ჩემი ცხოვრების ერთ-ერთი ყველაზე მნიშვნელოვანი სამეცნიერო შედეგი“, ამბობს.

უფრო სწრაფი სტრუქტურები

ერთმა პროგნოზმა ლუპასის ლაბორატორიას წლების განმავლობაში პრობლემური ბაქტერიული ცილის სტრუქტურა დაუდგინა. რენტგენული დიფრაქციის ნედლი მონაცემები უკვე ჰქონდათ, მაგრამ რორშახის მსგავსი გამოსახულების სტრუქტურად გარდაქმნას ფორმის გარკვეული ცოდნა სჭირდებოდა. ამ ცოდნის მოპოვების ხრიკებიც სხვა ინსტრუმენტებივით უშედეგო იყო. ლუპასი „ჯგუფი 427-ის მოდელმა ნახევარ საათში მოგვცა სტრუქტურა, ყველაფრის ცდაში ათი წლის დაკარგვის შემდეგ“, ამბობს.

DeepMind-ის თანადამფუძნებელი და CEO დემის ჰასაბისი ამბობს, რომ AlphaFold-ს სხვებისთვის გამოსაყენებლად მოხერხებულს გახდიან (პირველ ვერსიაზე გამეორებისთვის საკმარისი დეტალი უკვე გამოაქვეყნეს). სხვადასხვა რეგიონის სანდოობის შეფასებიანი სტრუქტურის მიღებას დღეები შეიძლება დასჭირდეს. წამლის აღმოჩენისა და ცილის დიზაინის პოტენციალის მხედველი ჰასაბისი ამატებს: „ახლა ვიწყებთ გაგებას, რა დასჭირდებათ ბიოლოგებს“.

2020 წლის დასაწყისში კომპანიამ ჯერ ექსპერიმენტულად დაუდგენელი რამდენიმე SARS-CoV-2 ცილის პროგნოზი გამოაქვეყნა. ბერკლის კალიფორნიის უნივერსიტეტის მოლეკულური ნეირობიოლოგის სტივენ ბროჰანის გუნდმა ივნისში თქვა, რომ Orf3a ცილის პროგნოზი შემდგომ კრიო-EM სტრუქტურას ძალიან ჰგავდა. „რაც შეძლეს, ძალიან შთამბეჭდავი იყო“, ამატებს.

რა რეალური გავლენა ექნება AlphaFold 2 ალგორითმს?

ზოგი გამოყენება, მაგალითად ცილების ევოლუციური ანალიზი, განვითარებისთვის მზადაა, რადგან გენომური მონაცემების ტალღა უკვე სანდო სტრუქტურებად შეიძლება გარდაიქმნას. ლუპასი „ეს მიკრობიოლოგთა ახალ თაობას უფრო რთული კითხვების დასმას შეაძლებინებს“, ამბობს. „მეტი ფიქრი და ნაკლები პიპეტირება დასჭირდება”.

ჰინქსტონის ევროპული მოლეკულური ბიოლოგიის ლაბორატორიის – ევროპული ბიოინფორმატიკის ინსტიტუტის სტრუქტურული ბიოლოგი და ყოფილი შემფასებელი ჯანეტ თორნტონი „ეს ისეთი პრობლემაა, ჩემს სიცოცხლეში გადაუჭრელი რომ მეგონა“, ამბობს. იმედი აქვს, მიდგომა გენომის ათასობით უცნობი ცილის ფუნქციასა და დაავადების გამომწვევ გენურ ცვლილებებს ახსნის.

ეს DeepMind-ისთვისაც გარდამტეხია. კომპანია Go-ს მსგავსი თამაშების AI-ით დაუფლებითაა ცნობილი, მაგრამ გრძელვადიანად ფართო, ადამიანის მსგავსი ინტელექტის პროგრამებს ქმნის. ჰასაბისი ამბობს, რომ ცილის სტრუქტურის მსგავსი დიდი სამეცნიერო სირთულეების გადალახვა AI-ის უმნიშვნელოვანესი გამოყენებაა. „მგონია, რეალურ სამყაროზე გავლენით ჩვენი ყველაზე მნიშვნელოვანი საქმეა.”

საბოლოოდ ბევრი ახალი თაობის წამალი ცილოვანია და მოლეკულურ დონეზე გენეტიკური სამიზნეებისთვის სწორი ცილების შექმნას დღევანდელ პირობებში მეცნიერების ათწლეულები სჭირდება. Google-ის ღრმა სწავლების AlphaFold 2-ის მსგავსი პროგრამებით ათწლეულები თვეებამდე შეიძლება შემცირდეს. მომავალი ბიოტექნოლოგიაში დიდ აღფრთოვანებას გვპირდება. 

*

- სამედიცინო ინფორმატიკის ყველა სიახლე

წყაროები

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

ვიზიტის მოთხოვნა

DROZDOGAN-ის ხელოვნური ინტელექტი

ერთად განვიხილოთ ეს სტატია

დასვით კითხვები სტატიის შესახებ და წაიკითხეთ პასუხები ჩვენი საიტის გამოქვეყნებულ წყაროებთან ერთად.

DROZDOGAN-ის ხელოვნური ინტელექტი

Drozdogan-ის ასისტენტი

ყველაფერს შეცვლის! Google DeepMind-ის ხელოვნური ინტელექტი ცილების სტრუქტურას ხსნის

დასვით კითხვები სტატიის შესახებ და წაიკითხეთ პასუხები ჩვენი საიტის გამოქვეყნებულ წყაროებთან ერთად.

საუბრისა და კონფიდენციალურობის შესახებ ინფორმაცია

ამ საუბარში პასუხობს Drozdogan-ის ასისტენტი. საიტის უფლებამოსილმა ადმინისტრატორებმა შესაძლოა იგი ხარისხის შესამოწმებლად განიხილონ. არ გააზიაროთ პირადი ინფორმაცია.

პასუხები მზადდება OpenAI-ის ინფრასტრუქტურით. კითხვებსა და პასუხებს ამუშავებს ეს სერვისი; საუბრის ჩანაწერები ინახება ჩვენს საიტზე. არ გააზიაროთ საიდენტიფიკაციო, საკონტაქტო ან პირადი ჯანმრთელობის ინფორმაცია.

0 / 1000

მხოლოდ საინფორმაციოდ; არ იძლევა პირად დიაგნოზს ან მკურნალობის რჩევას.

დაკავშირებული სტატიები

გაეცანით სხვა სტატიებს ამ თემაზე.

იყავით ინფორმირებული

მიიღეთ ახალი სტატიები და სამეცნიერო სიახლეები ელფოსტით.

Google Analytics საჯარო გვერდებზე ამ ფანჯრისგან დამოუკიდებლად მუშაობს და შეიძლება ანალიტიკური ქუქიები გამოიყენოს. აქ გაკეთებული არჩევანი მხოლოდ გარე სერვისებს მართავს.