برندگان جایزه نوبل شیمی 2024: هوش مصنوعی و طراحی پروتئین محاسباتی

آکادمی سلطنتی علوم سوئد جایزه نوبل شیمی 2024 را به دیوید بیکر «برای طراحی پروتئین محاسباتی» و نیمی دیگر را به طور مشترک به دمیس هسابیس و جان جامپر «برای پیش‌بینی ساختار پروتئین» اهدا کرد. Hassabis و Jumper، از دیپ مایند گوگل Google DeepMind، یک هوش مصنوعی در شیمی محاسباتی توسعه دادند که ساختار پروتئین ها را پیش بینی می کند. Protein design and structure prediction wins chemistry Nobel prize 2024، بیکر، در دانشگاه واشنگتن، برای کارش در طراحی پروتئین های جدید شناخته شده است. آنها اسرار پروتئین ها را از طریق روش های محاسباتی و هوش مصنوعی فاش کرده اند.

جایزه نوبل شیمی 2024: هوش مصنوعی و طراحی پروتئین محاسباتی

هاینر لینکه، رئیس کمیته نوبل شیمی، گفت که دانشمندان از مدت ها پیش رویای پیش بینی ساختار سه بعدی پروتئین ها را داشتند. در سال 2020، Hassabis و Jumper «با استفاده ماهرانه از هوش مصنوعی موفق به شکستن کد شدند. آنها پیش بینی ساختار پیچیده اساساً هر پروتئین شناخته شده در طبیعت را ممکن کردند. یکی دیگر از رویای دانشمندان ساخت پروتئین های جدید برای یادگیری نحوه استفاده از چند ابزار طبیعت برای اهداف خود بوده است. این مشکلی است که دیوید بیکر آن را حل کرد.»

پروتئین ها از صدها هزار اتم تشکیل شده اند که آرایش و موقعیت آنها عملکرد بیولوژیکی آن پروتئین خاص را مشخص می کند. هاینر لینکه، رئیس کمیته شیمی نوبل، چهارشنبه در یک کنفرانس مطبوعاتی با اعلام برندگان گفت: «برای درک چگونگی عملکرد زندگی، ابتدا باید شکل پروتئین ها را درک کنیم. محققان مدت‌ها رویای آن را می‌دیدند که می‌توان راهی برای پیش‌بینی ساختار سه بعدی پروتئین‌ها از طریق دانستن توالی اجزای جداگانه آن‌ها که در DNA کدگذاری شده‌اند، وجود داشت. اما، لینکه گفت، “برای چندین دهه، این امر غیرممکن تلقی می شد.”

دمیس هاسابیس و جان ام. جامپر از شرکت دیپ‌مایند با استفاده از هوش مصنوعی و یادگیری عمیق، موفق به توسعه الگوریتمی به نام AlphaFold شده‌اند که می‌تواند ساختار سه‌بعدی پروتئین‌ها را با دقت بسیار بالایی پیش‌بینی کند. این الگوریتم توانسته است بسیاری از چالش‌های موجود در زمینه پیش‌بینی ساختار پروتئین‌ها را حل کند و به دانشمندان کمک کند تا بهتر بفهمند چگونه پروتئین‌ها کار می‌کنند و چگونه می‌توانند در درمان بیماری‌ها مورد استفاده قرار گیرند.

اولین عکس های نقش دار از پروتئین ها

شیمیدانان از قرن نوزدهم می دانستند که پروتئین ها برای فرآیندهای زندگی مهم هستند، اما تا دهه 1950 طول کشید تا ابزارهای شیمیایی به اندازه کافی دقیق باشند تا محققان شروع به کاوش در پروتئین ها با جزئیات بیشتری کنند. جان کندرو و مکس پروتز، محققین كمبریج، زمانی که با موفقیت از روشی به نام کریستالوگرافی اشعه ایکس برای ارائه اولین مدل های سه بعدی پروتئین ها استفاده کردند، به کشف پیشگامانه ای دست یافتند. برای قدردانی از این کشف، جایزه نوبل شیمی در سال 1962 به آنها اعطا شد. متعاقباً، محققان عمدتاً از كریستالوگرافی اشعه ایکس برای تولید موفقيت آمیز تصاویری از حدود 200000 پروتئین مختلف استفاده کردند که پایه و اساس جایزه نوبل شیمی 2024 گذاشته شد.

برد غيرمنتظره برای مدل هوش مصنوعی AlphaFold دمیس هسابيس

در سال های گذشته، ساختارهای پروتئينی كه محققان برای CASP پیش بينی کرده بودند، در بهترین حالت به دقت 40 درصد دست یافته بودند. با مدل هوش مصنوعى AlphaFold تيم Hassabis به تقريبا 60 درصد رسيد. آنها پيروز شدند و نتيجه عالى بسيارى از دانشمندان را غافلگير كرد. اين پيشرفت غيرمنتظره بود، اما راه حل هنوز به اندازه کافی خوب نبود. برای موفقیت، پیش بینی باید در مقایسه با ساختار هدف، دقت 90 درصدی داشته باشد.

مدل AlphaFold2 چگونه کار می کند؟

به عنوان بخشى از توسعه، AlphaFold2 مدل AI بر روى تمام توالى هاى اسيد آمينه شناخته شده و ساختارهاى پروتئين تعيين شده آموزش ديده است. AlphaFold یک الگوریتم هوش مصنوعی است که توسط شرکت دیپ‌مایند توسعه یافته و برای پیش‌بینی ساختار سه‌بعدی پروتئین‌ها از توالی آمینواسیدی آن‌ها استفاده می‌کند. این الگوریتم از تکنیک‌های یادگیری عمیق و شبکه‌های عصبی پیچیده بهره می‌برد.

1- Data Entry and Database Searches ورود داده ها و جستجو درپایگاه داده: يک توالى اسيد آمينه با ساختار ناشناخته به AlphaFold2 وارد مى شود، كه پایگاه های داده را برای دنباله هاى اسید آمينه مشابه و ساختارهای پروتئينی جستجو می کند.

2- Sequence Analysis آنالیز توالی: یک توالی اسید آمینه با ساختار ناشناخته به AlphaFold2 وارد می‌شود، که پایگاه‌های داده را برای دنباله‌های اسید آمینه مشابه و ساختارهای پروتئینی جستجو می‌کند.  مدل هوش مصنوعى تمام توالى های اسید آمينه مشابه و اغلب از گونه های مختلف را همتراز می كند و بررسی می كند كه كدام بخش ها در طول تكامل حفظ شده اند. در مرحله بعدى، AlphaFold2 بررسى مى كند كه كدام اسيدهای آمينه می توانند در ساختار پروتئین سە بعدی با یکدیگر تعامل داشته باشند. آمینو اسیدهای متقابل با هم تکامل می یابند. اگر یکی باردار باشد، دیگری بار مخالف دارد، بنابراین آنها جذب یکدیگر می شوند. اگر یکی با اسید آمینه آب گریز (آب گریز) جایگزین شود، دیگری آبگریز می شود.

3- AI Analysis آنالیز هوش مصنوعی: با استفاده از يک فرآیند تکراری، AlphaFold2 تجزيه وتحليل توالى و فاصله را اصلاح می کند نقشه مدل هوش مصنوعى از شبكه هاى عصبى به نام ترانسفورماتور استفاده می کند که ظرفیت بالایی برای شناسایی عناصر مهم برای تمرکز دارند. داده های مربوط به سایر ساختارهای پروتئينی اگر در مرحله 1 یافت شوند نیز مورد استفاده قرار می گیرند.

4- Hypothetical Structure ساختار فرضی: AlphaFold2 پازلی از تمام اسیدهای آمینه را گرد هم می آورد و مسیرهایی را برای تولید یک ساختار پروتئینی فرضی آزمایش می کند. این در مرحله 3 دوباره اجرا می شود. پس از سه چرخه، AlphaFold2 به یک ساختار خاص می رسد. مدل هوش مصنوعی احتمال متفاوت بودن را محاسبه می کند که بخش هایی از این ساختار با واقعیت مطابقت دارد.

Hassabis و تیمش به توسعه AlphaFold ادامه دادند اما، هر چقدر هم که تلاش کردند، الگوریتم هرگز بە پایان نرسید. حقیقت سخت این بود که آن ها به بن بست رسیده بودند. تیم خسته بود، اما جان جامپر ایده های جدید قاطعی در مورد چگونگی بھبود مدل هوش مصنوعی داشت. جامپر زمانی که در سال 2011 دکترای خود را در فیزیک نظری آغاز کرد، این علاقه تازه به دست آمده به پروتئین ها را با خود همراه داشت. برای صرفه جویی در ظرفیت کامپیوتر چیزی که در دانشگاه کمبود داشت او شروع به توسعه روش های ساده تر و مبتكرانه تری برای شبیه سازی دینامیک پروتئین کرد. به زودی، او نیز به چالش بزرگ بیوشیمی دست یافت.

نتايج خيره كننده با مدل اصلاح شده هوش مصنوعى

نسخه جديد  AlphaFold2 با دانش l Jumperز پروتئين ها بهبود یافت. این تیم همچنین شروع به استفاده از نوآوری شبکه های عصبی به نام ترانسفورماتور در پیشرفت عظيم اخير در هوش مصنوعى کرد. اینها می توانند الگوهایی را در حجم عظیمی از داده ها به شیوه ای انعطاف پذیرتر از قبل پیدا کنند و به طور موثر تعیین کنند که برای رسیدن به یک هدف خاص باید روی چه چیزی تمرکز کرد. این تیم AlphaFold2 را بر روی اطلاعات گسترده در پایگاه های داده تمام ساختارهای پروتئینی شناخته شده و توالی اسیدهای آمینه و معمارى جديد هوش مصنوعى شروع به ارائه نتايج خوب به موقع براى چهاردهمين مسابقه CASP كرد.

Google DeepMind همچنین کد AlphaFold2 را در دسترس عموم قرار داده است و همه می توانند به آن دسترسی داشته باشند. مدل هوش مصنوعی به معدن طلا برای محققان تبدیل شده است. تا اكتبر 2024 بیش از دو ميليون نفراز 190 كشور از AlphaFold2 استفاده کردند. پیش از این، اغلب سال ها طول می کشید تا ساختار پروتئینی به دست آید. اکنون می توان آن را در چند دقیقه انجام داد. مدل هوش مصنوعی کامل نیست، اما درستی ساختاری را که تولید کرده است تخمین می زند، بنابراین محققان می دانند که این پیش بینی چقدر قابل اعتماد است.

توسعه هوش مصنوعی و طراحی پروتئین به نفع انسان 

تطبیق پذیری شگفت انگیز پروتئین ها بەعنوان ابزارهای شیمیایی در تنوع گستردەای از زندگی منعکس شده است. اينكه اكنون مى توانيم به راحتى ساختار اين ماشين هاى مولکولی کوچک را تجسم کنیم، مایه حیرت است. این به ما امکان می دهد تا نحوه عملکرد زندگی را بهتر درک کنیم، از جمله اینکه چرا برخی بیماری ها ایجاد می شوند، مقاومت آنتی بیوتیکی چگونه ایجاد می شود یا چرا برخی از میکروب ها می توانند پلاستیک را تجزيه کنند. توانایی ایجاد پروتئین هایی که دارای عملکردهای جدید هستند به همان اندازه شکفت انگیز است. این می تواند به نانومواد جدید، داروسازی هدفمند، توسعه سريعتر واکسن ها، حداقل حسگرها و یک صنعت شیمیایی سبزتر منجر شود -فقط چند کاربرد را نام ببریم کە بیشترین سود را برای بشریت دارند.

مزایا و کاربردهای پیش‌بینی ساختار پروتئین چیست؟

پیش‌بینی ساختار پروتئین‌ها مزایا و کاربردهای گسترده‌ای دارد که می‌تواند به پیشرفت‌های بزرگی در علوم زیستی و پزشکی منجر شود. در اینجا به برخی از مهم‌ترین مزایا و کاربردهای آن اشاره می‌کنیم:

این مزایا و کاربردها نشان می‌دهند که پیش‌بینی ساختار پروتئین‌ها می‌تواند تأثیرات بزرگی بر علوم زیستی و پزشکی داشته باشد و به بهبود کیفیت زندگی انسان‌ها کمک کند.