هوش مصنوعی ساختار سه بعدی مولکولها را پیشبینی میکند
زوميت/ هوش مصنوعي ديپمايند ساختار سهبعدي تمام پروتئينهايي که در بدن انسان ساخته ميشود، پيشبيني کرده که اميدبخش دستاوردهاي جديد در زمينهي پزشکي و طراحي دارو است.
چند سالي است جان مگگيان، زيستشناس و مدير مرکز نوآوري آنزيم در پورتسموث انگليس، به دنبال مولکولي بوده که بتواند ۱۵۰ ميليون تن بطري نوشابه و ضايعات پلاستيکي ديگر را در سراسر جهان تجزيه کند. او با همکاري پژوهشگران در دو سمت اقيانوس اطلس چند گزينه خوب پيدا کرده؛ اما وظيفهي وي بسيار دشوار است: کشف ترکيبات شيميايي که بهخوديخود به شکلهاي ميکروسکوپي پيچ ميخورند که بتوانند بهطور کامل در مولکولهاي سازندهي بطريهاي پلاستيکي جاي بگيرند و مانند کليدي که در را باز ميکند، آنها را از هم جدا کنند.
اين روزها تعيين محتواي شيميايي دقيق هر آنزيم چالش نسبتا سادهاي است؛ اما شناسايي شکل سهبعدي آن شايد به سالها آزمايش بيوشيميايي نياز داشته باشد؛ بنابراين پاييز گذشته دکتر مکگيان پس از خواندن مطلبي دربارهي اينکه آزمايشگاه هوش مصنوعي ديپمايند در لندن، سيستمي ساخته است که بهطور خودکار شکل آنزيمها و پروتئينهاي ديگر را پيشبيني ميکند، از آزمايشگاه مذکور پرسيد آيا ميتواند به او در زمينه پروژهاش کمک کند. او در اواخر هفتهاي کاري، فهرستي از هفت آنزيم را براي ديپمايند فرستاد. دوشنبه بعد، آزمايشگاه اشکال تمام هفت پروتئين را براي او ارسال کرد. دکتر مکگيان ميگويد: «اين، کار ما را يکي دو سال جلوتر انداخت.» اکنون هر بيوشيميداني ميتواند به همين شيوه به کار خود سرعت ببخشد.
به گزارش نيويورک تايمز، روز پنجشنبه ديپمايند اشکال پيشبينيشدهي بيش از ۳۵۰ هزار پروتئين را منتشر کرد که سازوکارهاي ميکروسکوپي هستند که رفتار باکتريها، ويروسها، بدن انسان و تمام موجودات زندهي ديگر را هدايت ميکنند. پايگاه داده جديد شامل ساختارهاي سهبعدي تمام پروتئينهاي بيانشده توسط ژنوم انسان و نيز پروتئينهايي است که در ۲۰ موجود زندهي ديگر ازجمله موش، مگس ميوه و باکتري ايکولاي بيان ميشود.
اين نقشه بيولوژيکي دقيق و گسترده که تقريبا ۲۵۰ هزار شکل را ارائه ميدهد که قبلاً ناشناخته بود، ممکن است توانايي درک بيماريها را افزايش بدهد و روند ساخت داروهاي جديد و تغيير کاربرد داروهاي موجود را تسريع کند. دستاورد جديد همچنين ممکن است به ساخت ابزارهاي زيستي جديدي منجر شود؛ مانند آنزيمي که بطريهاي پلاستيکي را تجزيه و آنها را به موادي تبديل کند که بهراحتي مورد استفاده مجدد قرار بگيرند يا بازيافت شوند. گيرا بابا، استاديار گروه زيستشناسي سلولي در دانشگاه نيويورک، ميگويد: «اين دستاورد ميتواند شما را از زمان جلوتر ببرد، بر طرز فکر شما در مورد مشکلات اثر بگذارد و به حل سريعتر آنها کمک کند. در هر حوزهاي از زيستشناسي که به مطالعه مشغول باشيد، اين ابزار ميتواند مفيد باشد.»
*شکل يکي از پروتئينهاي مگس ميوه که توسط ديپمايند پيشبيني شده است. پايگاه داده جديد شرکت شامل ساختارهاي سهبعدي تمام پروتئينهايي است که توسط ژنوم انسان بيان و پروتئينهايي که در ۲۰ موجود زنده ديگر ساخته ميشود.
دانش جديد، بهنوعي کليد خود است؛ اگر دانشمندان بتوانند شکل پروتئين را تعيين کنند، ميتوانند نحوهي اتصال مولکولهاي ديگر را به آن مشخص کنند. اين دانش ممکن است مثلاً چگونگي مقاومت باکتريها در برابر آنتيبيوتيکها و نحوهي مقابله با اين مقاومت را آشکار کند. باکتريها با بيان پروتئينهاي خاصي در برابر آنتيبيوتيکها مقاومت حاصل ميکنند؛ اگر دانشمندان بتوانند اشکال اين پروتئينها را شناسايي کنند، ميتوانند آنتيبيوتيکها يا داروهاي جديدي بسازند که آنها را سرکوب کنند.
در گذشته، تعيين شکل پروتئين به چندين ماه، سال يا حتي دههها آزمايش و خطا نياز داشت که در آن از اشعه ايکس، ميکروسکوپ و ابزارهاي آزمايشگاهي ديگر استفاده ميشد؛ اما ديپمايند به کمک تکنيکي که آلفافولد (AlphaFold) نام دارد، ميتواند اين جدول زماني را به مقدار قابل توجهي کاهش بدهد.
وقتي دکتر مکگيان فهرست هفت آنزيم خود را به ديپمايند فرستاد، به آزمايشگاه گفت شکل دو مورد از آنها را قبلاً مشخص کرده است؛ اما به آنها نگفت کدام دو مورد بودهاند. اين روشي براي آزمايش مقدار کارايي سيستم بود. آلفافولد با پيشبيني صحيح هر دو شکل در آزمون موفق شد. آنچه براي دکتر مکگيان قابل توجه بود، اين بود که پيشبينيها طي چند روز آماده شد. البته او بعداً متوجه شد که آلفافولد در واقع طي چند ساعت اين کار را انجام داده است.
آلفافولد ساختار پروتئينها را با استفاده از شبکه عصبي پيشبيني ميکند که سيستم رياضي است که با تجزيهوتحليل حجم بالايي از اطلاعات ميتواند وظايف را ياد بگيرد (در اين مورد، هزاران پروتئين شناختهشده و اشکال فيزيکي آنها) و آن را در مورد ناشناختهها به کار ببرد.
شبکه عصبي همان فناوري است که دستورهاي صوتي را که به تلفن هوشمند خود ميدهيد، شناسايي ميکند؛ چهرههاي موجود در تصاويري که در فيسبوک ارسال ميکنيد، شناسايي ميکند و در مترجم گوگل يک زبان را به زبان ديگر ترجمه ميکند و موارد ديگر؛ اما بسياري از کارشناسان بر اين باورند که آلفافولد يکي از قدرتمندترين کاربردهاي اين فناوري است.
همانطور که دکتر مکگيان کشف کرد، آلفافولد ميتواند به طرز چشمگيري دقيق باشد. بر اساس آزمايشهاي مستقلي که در آن پيشبينيهاي اين فناوري را با ساختارهاي شناختهشده پروتئين مقايسه ميکند، آلفافولد ميتواند شکل پروتئين را با دقتي پيشبيني کند که در حدود ۶۳ درصد از اوقات با پيشبينيهاي حاصل از آزمايشهاي فيزيکي قدرت رقابت دارد.
بيشتر کارشناسان تصور ميکردند فناوري مذکور به اين سرعت تا اين حد پيشرفت نميکند. رندي ريد، استاد دانشگاه کمبريج، ميگويد: «فکر ميکردم ۱۰ سال ديگر طول بکشد.»
اما دقت سيستم متغير است؛ بهطوريکه برخي از پيشبينيها در پايگاه داده ديپمايند، از بقيه سودمندي کمتري دارند. هر پيشبيني در پايگاه داده همراه با يک امتياز اطمينان ميآيد که نشان ميدهد اين عدد احتمالا چقدر دقيق است. پژوهشگران ديپمايند برآورد ميکنند که سيستم آنها در حدود ۹۵ درصد از مواقع، پيشبيني خوبي ارائه ميدهد.
بنابراين سيستم نميتواند بهطور کامل جايگزين آزمايشهاي فيزيکي شود. اين روش در کنار روشهاي آزمايشگاهي استفاده ميشود تا به دانشمندان کمک کند که تعيين کنند چه آزمايشهايي بايد انجام بدهند و زماني که آزمايشها ناموفق باشند، شکاف را پر ميکند.
*پروتئيني که توسط باکتري ايکولاي بيان ميشود. پژوهشگران از هوش مصنوعي براي درک اين مسئله استفاده ميکنند که چگونه پاتوژنهايي مانند ايکولاي و سالمونلا در برابر آنتيبيوتيکها مقاومت حاصل ميکنند.
پژوهشگران دانشگاه کلرادو بولدر اخيرا با استفاده از آلفافولد به شناسايي ساختار پروتئيني کمک کردهاند که بيش از يک دهه براي شناسايي آن تلاش ميکردند.
توسعهدهندگان ديپمايند با اميد ايجاد پيشرفت در تمام حوزههاي علوم زيستي تصميم گرفتند به جاي فروش دسترسي، پايگاه داده خود از ساختارهاي پروتئيني را در اختيار همه قرار بدهند.
برخي دانشمندان پايگاه داده جديد ديپمايند را به پروژه ژنوم انسان مقايسه کردهاند. اين پروژه که در سال ۲۰۰۳ تکميل شد، نقشهي تمامي ژنهاي انسان را ارائه کرد. اکنون ديپمايند نقشهاي از تقريبا ۲۰ هزار پروتئين فراهم کرده است که توسط ژنوم انسان بيان ميشود. اين نقشه به پژوهشگران کمک ميکند سازوکار بدن را بهتر درک کنند و متوجه شوند که در صورت بروز مشکل، چگونه ميتوان آن را رفع کرد.
پژوهشگران همچنين اميدوار هستند اين فناوري پيشرفتهتر شود. آزمايشگاهي در دانشگاه واشينگتن سيستم مشابهي به نام RoseTTAFold ساخته و مانند ديپمايند کد کامپيوتري هدايتکنندهي سيستم خود را به اشتراک گذاشته است. همه ميتواند از اين فناوري استفاده کنند و هر کسي ميتواند براي بهبود آن تلاش کند.
حتي پيش از اينکه ديپمايند بهصورت علني فناوري و دادههاي خود را به اشتراک بگذارد، آلفافولد به پروژههاي بسياري کمک ميکرد. پژوهشگران دانشگاه کلرادو در حال استفاده از اين فناوري هستند تا متوجه شوند چگونه باکتريهايي مانند ايکولاي و سالمونلا در برابر آنتيبيوتيکها مقاوم ميشوند و راههايي براي مبارزه با اين مقاومت پيدا کنند.
پژوهشگران دانشگاه کاليفرنيا در سانفرانسيسکو از اين ابزار استفاده کردهاند تا درک بهتري از ويروس کرونا به دست آورند. ويروس کرونا به کمک ۲۶ پروتئين مختلف بدن را به ويراني ميکشاند. پژوهشگران به کمک آلفافولد توانستهاند اطلاعاتي در مورد يکي از پروتئينهاي اصلي به دست آورند و اميدوار هستند اين فناوري بتواند به افزايش دانش آنها درزمينهي ۲۵ پروتئين ديگر نيز کمک کند. اگر اين پيشرفت آنقدر دير حاصل شود که تأثيري روي دنياگيري کنوني نداشته باشد، ميتواند در کسب آمادگي در برابر دنياگيري بعدي کمک کند. کلمنت وربا، يکي از پژوهشگران در دانشگاه کاليفرنيا در سانفرانسيسکو، ميگويد: «درک بهتر اين پروتئينها به ما کمک ميکند تا نهتنها اين ويروس را هدف قرار بدهيم بلکه بتوانيم به ويروسهاي ديگر نيز حمله کنيم.»
کاربردهاي احتمالي فناوري توصيفشده بيشمار است. پس از اينکه هوش مصنوعي ديپمايند شکل هفت پروتئين را به دکتر مکگيان داد که بهطور بالقوه ميتواند جهان را از ضايعات پلاستيکي رهايي بخشد، او ۹۳ مورد ديگر را براي آزمايشگاه فرستاد که به گفتهي وي در حال کار روي آن هستند.