طراحی یک پروتئین سفارشی‌سازی شده توسط هوش مصنوعی مولد را در چند ثانیه تماشا کنید

در اواخر سال 2020، پیشگام هوش مصنوعی DeepMind 50 سال در ساخت به موفقیت دست یافت. با پیش‌بینی شکل پروتئین‌ها با دقت اتمی، الگوریتم یادگیری عمیق آن، AlphaFold، همه به جز یکی از چالش های بزرگ زیست شناسی را حل کرد.

از متابولیسم تا عملکرد مغز، پروتئین ها مولکول هایی هستند که بدن ما را به حرکت در می آورند. وقتی آنها اشتباه می کنند، همه چیز خراب می شود و ما رنج می بریم. بیشتر پزشکی مدرن بر این جنبه از بیماری تمرکز دارد: شناسایی یک عامل پروتئین ناکارآمد و اصلاح رفتار آن با مولکول دیگری که مخصوصاً برای تعامل با آن انتخاب شده است - یک دارو.

مسئله این است که پروتئین ها بسیار پیچیده هستند. آنها از صدها یا هزاران بلوک ساختمانی مولکولی به نام اسیدهای آمینه تشکیل شده‌اند و زنجیره‌های نوار مانندی طولانی تشکیل می‌دهند که به روش‌های ظریف روی خود تا می‌شوند. درون این چین‌ها مکان‌های فعالی وجود دارد که با اتصال به پروتئین‌های دیگر یا کاتالیز کردن واکنش‌های شیمیایی، عملکرد پروتئین را می‌دهد.

طراحی داروهای مؤثر بستگی به پیش‌بینی شکل پروتئین، مکان‌های عملکردی آن و شناسایی پروتئین یا مولکول دیگری دارد که می‌تواند به آنها متصل شود.

AlphaFold، AlphFold 2 و الگوریتمی به نام RoseTTAFold که توسط آزمایشگاه بیکر در دانشگاه واشنگتن، گام های تعیین کننده ای در تسریع این روند برداشت. تا اواسط سال 2022، DeepMind گفت که AlphaFold 2 داشته است ساختار 200 میلیون پروتئین را پیش بینی کرد-تقریباً همه کسانی که شناخته شده بودند- و آنها را در یک پایگاه داده باز ارائه کردند.

اما به همین جا ختم نشد. این ایجاد ساختارهای پروتئینی از آن زمان در مرکز توجه قرار گرفته است. این الگوریتم‌های جدیدتر در خانواده‌ای با DALL-E و GPT-4 - الگوریتم پشت ChatGPT - فقط به‌جای تولید تصاویر یا متن نوشته شده‌اند. آنها پروتئین های جدیدی تولید می کنند.

آزمایشگاه بیکر، به ویژه، روی RoseTTAFold برای طراحی پروتئین ها ساخته شده است. تابستان امسال، در مقاله منتشر شده در طبیعت، تیم گفت آخرین الگوریتم آنها، RFdiffusion، سریعتر و دقیق تر است. این الگوریتم می‌تواند یک پروتئین 100 اسید آمینه را در 11 ثانیه بر روی یک تراشه Nvidia تولید کند، در حالی که این الگوریتم با الگوریتم قدیمی‌تر 8.5 دقیقه است. انتشار RF همچنین تقریباً 100 برابر در تولید پروتئین های جدید مؤثرتر است که به شدت به مکان های مورد علاقه روی پروتئین های شناخته شده متصل می شوند.

این تیم در مقاله جولای نوشت: "به شیوه ای که یادآور تولید تصاویر از پیام های متنی است، RFdiffusion با حداقل دانش تخصصی، تولید پروتئین های کاربردی از حداقل مشخصات مولکولی را ممکن می کند."

تجسم همه اینها ممکن است سخت باشد. هیچ جایگزینی برای دیدن این الگوریتم ها در عمل وجود ندارد. دلیل اینکه ChatGPT یک موفقیت ویروسی بود، کمتر این بود که یک پیشرفت صفر به یک باشد - این فناوری برای چندین سال پیچیده‌تر شده بود - و بیشتر این بود که یک پورتال ساده بود که همه ما می‌توانستیم مستقیماً آن پیچیدگی را تجربه کنیم.

خوشبختانه، در اینجا، ما تصویری برای چکش نقطه خانه داریم. ویدئوی زیر که به Ian C. Haydon و موسسه طراحی پروتئین دانشگاه واشنگتن نسبت داده شده است، RFdiffusion در حال کار را نشان می‌دهد که در چند ثانیه پروتئینی را برای یک مکان خاص روی گیرنده انسولین طراحی می‌کند.

این را نگاه کن #AI یک پروتئین در چند ثانیه طراحی کنید.

بیشتر بدانید: https://t.co/7oYxpmjW4r @NewsfromScience pic.twitter.com/iPvquos8uA

— مجله علم (@ScienceMagazine) ژوئیه 24، 2023

البته، کار بسیار بیشتری برای انجام وجود دارد - طراحی داروهای جدید موثر فرآیندی دشوار و چندین ساله است - اما واضح است که ابزارهای هوش مصنوعی همچنان به پیشرفت سریع در بیوتکنولوژی ادامه می دهند.

تصویر های اعتباری: آزمایشگاه بیکر / دانشگاه واشنگتن

• 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. خودرو / خودروهای الکتریکی، کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• ChartPrime. بازی معاملاتی خود را با ChartPrime ارتقا دهید. دسترسی به اینجا.
• BlockOffsets. نوسازی مالکیت افست زیست محیطی. دسترسی به اینجا.
• منبع: https://singularityhub.com/2023/09/07/watch-generative-ai-design-a-customized-protein-in-seconds/