این هوش مصنوعی می تواند ماشین آلات زندگی را با دقت اتمی طراحی کند

پروتئین ها موجودات اجتماعی هستند. اونا هم آفتاب پرست هستن بسته به نیاز یک سلول، آن‌ها به سرعت در ساختار تغییر شکل می‌دهند و در یک رقص پیچیده به مولکول‌های زیستی دیگر می‌چسبند.

این تئاتر شام مولکولی نیست. بلکه این مشارکت ها قلب فرآیندهای بیولوژیکی هستند. برخی ژن ها را روشن یا خاموش می کنند. برخی دیگر با تغییر شکل شبکه‌های مغزی، سلول‌های پیر «زامبی» را تحریک می‌کنند تا خود تخریب شوند یا شناخت و حافظه ما را در بهترین حالت نگه دارند.

این ارتباطات قبلاً الهام‌بخش طیف وسیعی از درمان‌ها بوده‌اند و درمان‌های جدید می‌تواند توسط هوش مصنوعی که می‌تواند مولکول‌های زیستی را مدل‌سازی و طراحی کند، تسریع کند. اما ابزارهای قبلی هوش مصنوعی تنها بر پروتئین ها و تعاملات آنها متمرکز بودند و شرکای غیر پروتئینی خود را کنار گذاشتند.

این هفته یک مطالعه in علم توانایی هوش مصنوعی را برای مدل‌سازی طیف گسترده‌ای از مولکول‌های زیستی دیگر که به طور فیزیکی روی پروتئین‌ها می‌چسبند، از جمله مولکول‌های کوچک حاوی آهن که مرکز حامل‌های اکسیژن را تشکیل می‌دهند، گسترش داد.

به رهبری دکتر دیوید بیکر در دانشگاه واشنگتن، هوش مصنوعی جدید دامنه طراحی زیست مولکولی را گسترش می دهد. موسوم به RoseTTAFold All-Atom، بر روی سیستم قبلی فقط پروتئین ساخته شده است تا تعداد بی‌شماری از مولکول‌های زیستی دیگر مانند DNA و RNA را در خود جای دهد. همچنین مولکول‌های کوچکی را اضافه می‌کند - به عنوان مثال، آهن - که برای عملکردهای پروتئین خاصی یکپارچه هستند.

هوش مصنوعی تنها از توالی و ساختار اجزا یاد گرفت - بدون هیچ ایده ای از ساختار سه بعدی آنها - اما می تواند ماشین های مولکولی پیچیده را در سطح اتمی ترسیم کند.

در این مطالعه، زمانی که RoseTTAFold All-Atom با هوش مصنوعی مولد جفت شد، پروتئین هایی ایجاد کرد که به راحتی روی یک داروی بیماری قلبی می خورد. این الگوریتم همچنین پروتئین هایی تولید کرد که هم، یک مولکول غنی از آهن که به خون در حمل اکسیژن کمک می کند، و بیلین، یک ماده شیمیایی در گیاهان و باکتری ها که نور را برای متابولیسم آنها جذب می کند، تولید کرد.

این مثال ها فقط اثبات مفهوم هستند. این تیم در حال انتشار RoseTTAFold All-Atom برای دانشمندان است تا بتوانند اجزای زیستی متقابل متعددی را با پیچیدگی بسیار بیشتر از مجتمع های پروتئینی به تنهایی ایجاد کنند. به نوبه خود، این خلاقیت ها می تواند منجر به درمان های جدید شود.

Woody Ahern نویسنده این مطالعه در بیانیه مطبوعاتی گفت: "هدف ما در اینجا ساخت یک ابزار هوش مصنوعی بود که بتواند درمان های پیچیده تر و سایر مولکول های مفید را تولید کند."

رویایی در

در سال 2020، آلفا فولد گوگل دیپ مایند و RoseTTAFold آزمایشگاه بیکر مشکل پیش‌بینی ساختار پروتئین را که برای نیم قرن دانشمندان را گیج کرده بود، حل کردند و عصر جدیدی از تحقیقات پروتئینی را آغاز کردند. نسخه‌های به‌روز شده این الگوریتم‌ها، تمام ساختارهای پروتئینی شناخته شده و ناشناخته را برای علم ترسیم کردند.

در مرحله بعد، هوش مصنوعی مولد - فناوری پشت سر OpenAI ChatGPT و Google's Gemini - شور و هیجان خلاقانه ای از پروتئین های طراح را با طیف وسیعی از فعالیت ها برانگیخت. برخی از پروتئین های تازه تولید شده هورمونی را تنظیم می کنند که سطح کلسیم را کنترل می کند. برخی دیگر منجر به آنزیم ها یا پروتئین های مصنوعی شدند که می توانستند به راحتی شکل آنها را تغییر می دهند مانند ترانزیستورها در مدارهای الکترونیکی.

با توهم ساختن دنیای جدیدی از ساختارهای پروتئینی، هوش مصنوعی مولد این پتانسیل را دارد که نسلی از پروتئین‌های مصنوعی را برای تنظیم زیست‌شناسی و سلامت ما تصور کند.

ولی یه مشکلی هست مدل‌های پروتئینی طراحان هوش مصنوعی دارای دید تونلی هستند: آنها هستند هم متمرکز بر پروتئین ها

هنگام تصور اجزای مولکولی زندگی، پروتئین ها، DNA و اسیدهای چرب به ذهن متبادر می شوند. اما در داخل یک سلول، این ساختارها اغلب توسط مولکول‌های کوچکی که با اجزای اطراف در هم می‌پیوندند، کنار هم نگه داشته می‌شوند و یک مجموعه زیستی کاربردی را تشکیل می‌دهند.

یکی از نمونه ها هم، یک مولکول حلقه مانند است که آهن را در خود جای داده است. هِم اساس هموگلوبین در گلبول‌های قرمز خون است که اکسیژن را در سراسر بدن جابه‌جا می‌کند و با استفاده از انواع پیوندهای شیمیایی به «قلاب‌های» پروتئینی اطراف می‌چسبد.

برخلاف پروتئین‌ها یا DNA، که می‌توان آنها را به‌عنوان رشته‌ای از «حروف» مولکولی مدل‌سازی کرد، جذب مولکول‌های کوچک و برهم‌کنش‌های آن‌ها سخت است. اما آنها برای ماشین های مولکولی پیچیده زیست شناسی حیاتی هستند و می توانند عملکرد آنها را به طرز چشمگیری تغییر دهند.

به همین دلیل است که محققان در مطالعه جدید خود قصد داشتند دامنه هوش مصنوعی را فراتر از پروتئین ها گسترش دهند.

نویسندگان در مقاله خود نوشتند: «ما تصمیم گرفتیم یک روش پیش‌بینی ساختار ایجاد کنیم که قادر به تولید مختصات سه بعدی برای همه اتم‌ها باشد» برای یک مولکول بیولوژیکی، از جمله پروتئین‌ها، DNA، و سایر تغییرات.

تگ تیم

این تیم با تغییر هوش مصنوعی مدل‌سازی پروتئین قبلی برای ترکیب مولکول‌های دیگر شروع کرد.

هوش مصنوعی در سه سطح کار می کند: سطح اول توالی "حروف" یک بعدی پروتئین را تجزیه و تحلیل می کند، مانند کلمات در یک صفحه. در مرحله بعد، یک نقشه دوبعدی ردیابی می کند که هر "کلمه" پروتئین چقدر از کلمه دیگر فاصله دارد. در نهایت، مختصات سه بعدی - کمی شبیه GPS - ساختار کلی پروتئین را ترسیم می کند.

سپس ارتقا می آید. برای گنجاندن اطلاعات مولکولی کوچک در مدل، تیم داده‌های مربوط به مکان‌های اتمی و اتصالات شیمیایی را به دو لایه اول اضافه کردند.

در مورد سوم، آنها بر کایرالیته تمرکز کردند - یعنی اگر ساختار یک ماده شیمیایی چپ یا راست باشد. مانند دستان ما، مواد شیمیایی نیز می توانند ساختارهای آینه ای داشته باشند پیامدهای بیولوژیکی بسیار متفاوت. مانند پوشیدن دستکش، فقط «دست بودن» صحیح یک ماده شیمیایی می‌تواند با یک «دستکش» ترکیبی زیستی مناسب باشد.

سپس RoseTTAFold All-Atom بر روی مجموعه داده‌های متعدد با صدها هزار نقطه داده که پروتئین‌ها، مولکول‌های کوچک و برهم‌کنش‌های آنها را توصیف می‌کردند، آموزش داده شد. در نهایت، خواص کلی مولکول های کوچک را یاد گرفت که برای ساخت مجموعه های پروتئینی قابل قبول مفید است. به عنوان یک بررسی سلامت، این تیم همچنین یک «سنجش اطمینان» را برای شناسایی پیش‌بینی‌های با کیفیت بالا اضافه کردند، پیش‌بینی‌هایی که منجر به مجموعه‌های زیستی پایدار و کاربردی می‌شوند.

بر خلاف مدل‌های قبلی هوش مصنوعی فقط پروتئین، RoseTTAFold All-Atom «می‌تواند سیستم‌های بیومولکولی کامل را مدل‌سازی کند».

در مجموعه‌ای از آزمایش‌ها، مدل ارتقا یافته با پیش‌بینی سریع فعل و انفعالات بین پروتئین‌ها و مولکول‌های غیرپروتئینی، از روش‌های قبلی بهتر عمل می‌کند.

دنیای قشنگ نو

ترکیب مولکول های کوچک سطح کاملا جدیدی از طراحی پروتئین سفارشی را باز می کند.

به عنوان اثبات مفهوم، تیم RoseTTAFold All-Atom را با یک مدل هوش مصنوعی مولد که در اختیار داشتند، ترکیب کردند. قبلاً توسعه یافته و شرکای پروتئینی برای سه مولکول کوچک مختلف طراحی کرد.

اولین مورد دیگوکسیژنین بود که برای درمان بیماری های قلبی استفاده می شود اما می تواند عوارض جانبی داشته باشد. پروتئینی که روی آن می چسبد سمیت را کاهش می دهد. حتی بدون اطلاع قبلی از مولکول، هوش مصنوعی چندین اتصال دهنده پروتئینی طراحی کرد که سطح دیگوکسیژنین را هنگام آزمایش در سلول‌های کشت‌شده تعدیل می‌کرد.

هوش مصنوعی همچنین پروتئین هایی را طراحی کرد که به هِم، مولکول کوچکی که برای انتقال اکسیژن در گلبول های قرمز خون حیاتی است، و بیلین که به انواع موجودات کمک می کند نور را جذب کنند، متصل می شود.

این تیم توضیح داد که برخلاف روش‌های قبلی، هوش مصنوعی می‌تواند «به آسانی پروتئین‌های جدیدی تولید کند» که بدون هیچ دانش تخصصی روی مولکول‌های کوچک می‌چسبند.

همچنین می‌تواند پیش‌بینی‌های بسیار دقیقی در مورد قدرت اتصالات بین پروتئین‌ها و مولکول‌های کوچک در سطح اتمی انجام دهد و ساختن عقلانی جهان کاملاً جدیدی از ساختارهای بیومولکولی پیچیده را ممکن می‌سازد.

بیکر گفت: «با توانمندسازی دانشمندان در همه جا برای تولید بیومولکول‌ها با دقت بی‌سابقه‌ای، ما دری را به روی اکتشافات پیشگامانه و کاربردهای عملی باز می‌کنیم که آینده پزشکی، علم مواد و فراتر از آن را شکل خواهند داد.

اعتبار تصویر: Ian C. Haydon

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://singularityhub.com/2024/03/08/this-ai-can-design-biomolecular-machines-with-atomic-precision/