تنبأ AlphaFold AI تقريبًا بجميع هياكل البروتين المعروفة للعلم

قالت شركة ديب مايند DeepMind يوم الخميس إن نموذج ألفا فولد القابل للطي البروتين الذي يعمل بالذكاء الاصطناعي توقع أكثر من 200 مليون بروتين ، كل هذه الهياكل معروفة للعلم تقريبًا.

البروتينات هي جزيئات بيولوجية معقدة تنتج في الكائنات الحية من التعليمات المخزنة في الحمض النووي. مصنوعة من ما يصل إلى 20 نوعًا من الأحماض الأمينية ، تؤدي هذه السلاسل ذات المقاييس النانوية مهامًا خلوية حيوية للقيام بجميع أنواع الوظائف الجسدية. إن معرفة الشكل ثلاثي الأبعاد للبروتينات أمر مهم لأن تركيبته الفيزيائية توفر تلميحات حول كيفية تصرفه ، والغرض الذي يخدمه ، مما يساعدنا على القيام بأشياء مثل تطوير الأدوية ، وإنشاء بروتينات مقلدة لمن يفتقرون إليها.

بعض البروتينات مفيدة ، مثل تلك التي تشارك في هضم الطعام بينما قد يكون البعض الآخر ضارًا ، مثل تلك التي تشارك في نمو الأورام. ومع ذلك ، من الصعب معرفة أشكالها المتعرجة المعقدة. يمكن لعلماء الأحياء الجزيئية قضاء سنوات في إجراء تجارب لفك تشفير بنية البروتين ، ويمكن أن يقوم AlphaFold بذلك في دقائق ، اعتمادًا على حجم الجزيء ، من تكوين الأحماض الأمينية. 

تم تدريب AlphaFold على مئات الآلاف من هياكل البروتين المعروفة ، وتعلم العلاقات بين الأحماض الأمينية المكونة والأشكال الكلية النهائية. بالنظر إلى تسلسل الأحماض الأمينية التعسفية ، يمكن للنموذج التنبؤ بهيكل بروتين ثلاثي الأبعاد. الآن ، تنبأ النموذج بجميع هياكل البروتين المعروفة للعلم تقريبًا.

من خلال العمل مع المعهد الأوروبي للمعلومات الحيوية ، قامت DeepMind بتوسيع نطاقها قاعدة بيانات بنية البروتين AlphaFold لاحتواء أكثر من 200 مليون شكل ثلاثي الأبعاد من البروتينات من الحيوانات إلى النباتات والبكتيريا والفيروسات - بزيادة أكثر من 3 مرة من ما يقرب من مليون جزيء إلى 200 مليون جزيء على الأقل في عام واحد فقط.

"كنا نأمل أن يساعد هذا المورد الرائد في تسريع البحث العلمي والاكتشافات على مستوى العالم ، وأن تتعلم الفرق الأخرى من التقدم الذي أحرزناه مع AlphaFold والبناء عليه لتحقيق المزيد من الاختراقات" ، هذا ما قاله ديميس هاسيبيس ، المؤسس المشارك والرئيس التنفيذي لشركة DeepMind ، محمد في بيان الخميس.

"لقد أصبح هذا الأمل حقيقة واقعة أسرع بكثير مما كنا نتجرأ على الحلم. بعد اثني عشر شهرًا فقط ، تم الوصول إلى AlphaFold من قبل أكثر من نصف مليون باحث واستخدم لتسريع التقدم في مشاكل العالم الحقيقي المهمة بدءًا من التلوث البلاستيكي إلى مقاومة المضادات الحيوية ".

السجل طلبت DeepMind للحصول على مزيد من التعليقات. 

أظهر AlphaFold أيضًا إمكانات كبيرة لتصميم أدوية جديدة. تساعد الهياكل العلماء على اكتشاف المركبات الكيميائية التي يمكن أن ترتبط بالبروتينات المستهدفة لمعالجتها أو منعها من القيام بوظائف مرضية. الشركات بما في ذلك Insilco Medicine لديها جربت مع النموذج لاكتشاف أدوية جديدة ؛ قال الرئيس التنفيذي أليكس زهافورونكوف السجل أن العملية أكثر تعقيدًا مما تعتقد ، وتتضمن عدة خطوات.

ليس من الواضح مدى دقة تنبؤات AlphaFold. غالبًا ما يتغير شكل البروتين الشبيه بالشريط عندما يتفاعل مع دواء ، وهو شيء لا يستطيع AlphaFold أن يساعد العلماء به لأنه لم يتم تدريبه على ذلك. قال زهافورونكوف إن النموذج "إنجاز رائع جدًا" لكنه كان حذرًا من كل الضجيج. 

"حتى نرى هيكلًا لهدف جديد في مرض كبير تم الحصول عليه عبر AlphaFold دون أي تجارب إضافية ، جزيء مصمم باستخدام الذكاء الاصطناعي - أو طرق أخرى - باستخدام هذا الهيكل المتوقع ، وتم تصنيعه واختباره بالكامل ثم نشره في مجلة عالية - [يمكننا] الاحتفال. "

تريد شركات الأدوية الكبرى أن ترى جزيئات مصممة بمساعدة أدوات الذكاء الاصطناعي مثل AlphaFold التي تم اختبارها بالفعل على الفئران والبشر. وأضاف زافورونكوف: "إنجازات الخوارزميات البحتة ليست ذات قيمة لشركات الأدوية وخاصة للمرضى".

قال فابيو أوربينا ، كبير العلماء في شركة Collaboration Pharmaceuticals ، وهي شركة ناشئة تستخدم خوارزميات التعلم الآلي لتطوير عقاقير لأمراض وراثية نادرة ، إن AlphaFold لم يثبت بعد فائدته في بحثه. يستخدم Urbina أسلوبًا مختلفًا ويركز بشكل أكبر على بنية دواء جديد محتمل بدلاً من البروتين المستهدف.

لم يتضح بعد ما إذا كانت تراكيب البروتين ستكون مفيدة بدرجة كافية ... لمساعدتنا في اكتشاف عقاقير محتملة جديدة لمرض نادر

"هذا لعدة أسباب ؛ لم تكن هياكل البروتين للعديد من الأهداف الدوائية متاحة بسهولة للباحثين لاستخدامها ، ولا يبدو أن معلومات البروتين تساعد نماذج التعلم الآلي المبكرة في تحسين قوتها التنبؤية بهامش كبير ". السجل.

"أنا متفائل بحذر بأن AlphaFold قد حل بشكل أساسي المشكلة الأولى ، ولكن لم يتضح بعد ما إذا كانت هياكل البروتين ستكون مفيدة بما يكفي لتطبيقنا النهائي لتحسين القدرة التنبؤية للتعلم الآلي لمساعدتنا على اكتشاف عقاقير جديدة محتملة للأمراض النادرة. ومع ذلك ، فقد رأينا بشكل متزايد المعلومات الهيكلية للبروتين التي تؤخذ في الاعتبار كجزء من أساليب التعلم الآلي الأحدث ، وفكرنا في فعل الشيء نفسه ".

قال أوربينا إن إنشاء قاعدة بيانات بها جميع هياكل البروتين المعروفة تقريبًا ، كما وعدت شركة DeepMind ، يعني أن المزيد من العلماء سيكون لديهم الموارد لتجربة وبناء نماذج ذكاء اصطناعي أكثر قوة. "أنا متفائل بحذر ، ولكن مع توفر المكتبة الكاملة لهياكل البروتين ، أود أن أقول إن هناك فرصة جيدة لإدراج هياكل AlphaFold في بعض نماذج التعلم الآلي لدينا ، وقد تساعدنا في النهاية على اكتشاف علاجات جديدة. " ®