دیپ مایند روز پنجشنبه گفت که مدل تاشو پروتئینی مبتنی بر هوش مصنوعی AlphaFold بیش از 200 میلیون پروتئین را پیشبینی کرده است که تقریباً تمام ساختارهایی از این دست برای علم شناخته شده است.
پروتئین ها مولکول های بیولوژیکی پیچیده ای هستند که از دستورالعمل های ذخیره شده در DNA در موجودات زنده تولید می شوند. این زنجیرهای در مقیاس نانو که از 20 نوع اسید آمینه ساخته شده اند، وظایف حیاتی سلولی را برای انجام انواع عملکردهای بدن انجام می دهند. دانستن شکل سه بعدی پروتئین ها مهم است زیرا ساختار فیزیکی آن نکاتی را در مورد نحوه رفتار و هدف آن ارائه می دهد که به ما کمک می کند کارهایی مانند تولید داروها و ایجاد پروتئین های کپی برای کسانی که آنها را ندارند انجام دهیم.
برخی از پروتئین ها مفید هستند، مانند پروتئین هایی که در هضم غذا نقش دارند، در حالی که برخی دیگر می توانند مضر باشند، مانند پروتئین هایی که در رشد تومورها نقش دارند. با این حال، پی بردن به شکل های پیچ خورده پیچیده آنها دشوار است. زیست شناسان مولکولی می توانند سال ها برای انجام آزمایش هایی برای رمزگشایی ساختار پروتئین صرف کنند و AlphaFold می تواند این کار را در چند دقیقه انجام دهد، بسته به اینکه مولکول چقدر بزرگ است، از ترکیب اسید آمینه.
AlphaFold بر روی صدها هزار ساختار پروتئینی شناخته شده آموزش دید و روابط بین اسیدهای آمینه تشکیل دهنده و اشکال کلی نهایی را آموخت. با توجه به یک توالی اسید آمینه ورودی دلخواه، این مدل می تواند ساختار پروتئین سه بعدی را پیش بینی کند. اکنون، این مدل تقریباً تمام ساختارهای پروتئینی شناخته شده برای علم را پیشبینی کرده است.
DeepMind با همکاری موسسه بیوانفورماتیک اروپایی، خود را گسترش داده است پایگاه داده ساختار پروتئین آلفا فولد حاوی بیش از 200 میلیون شکل سه بعدی پروتئین از حیوانات تا گیاهان، باکتری ها تا ویروس ها - افزایش بیش از 3 برابری از نزدیک به یک میلیون مولکول به حداقل 200 میلیون مولکول تنها در یک سال.
دمیس حسیبیس، بنیانگذار و مدیرعامل DeepMind، "امیدوار بودیم این منبع پیشگامانه به سرعت بخشیدن به تحقیقات و اکتشافات علمی در سطح جهانی کمک کند، و تیم های دیگر بتوانند از پیشرفت هایی که با AlphaFold انجام دادیم یاد بگیرند و بر روی آنها پیشرفت کنند." گفت: در بیانیه روز پنجشنبه.
"این امید خیلی سریعتر از آنچه که ما جرأت تصورش را داشتیم به واقعیت تبدیل شده است. تنها دوازده ماه بعد، بیش از نیم میلیون محقق به AlphaFold دسترسی پیدا کرد و برای تسریع پیشرفت در مشکلات مهم دنیای واقعی از آلودگی پلاستیکی گرفته تا مقاومت آنتیبیوتیکی استفاده شد.
ثبت نام از DeepMind برای نظر بیشتر خواسته است.
AlphaFold همچنین پتانسیل زیادی برای طراحی داروهای جدید نشان داده است. این ساختارها به دانشمندان کمک می کند تا ترکیبات شیمیایی را کشف کنند که می توانند به پروتئین های هدف متصل شوند تا آنها را از انجام عملکردهای پاتولوژیک درمان یا جلوگیری کنند. شرکت هایی از جمله اینسیلکو مدیسین دارند تجربه با مدل کشف داروهای جدید؛ مدیرعامل الکس ژاورونکوف گفت ثبت نام که این فرآیند بسیار پیچیده تر از آن چیزی است که شما ممکن است فکر کنید و شامل چندین مرحله است.
مشخص نیست پیشبینیهای AlphaFold چقدر دقیق هستند. ساختار روبان مانند یک پروتئین اغلب هنگام تعامل با دارو تغییر شکل می دهد، چیزی که AlphaFold نمی تواند به دانشمندان کمک کند زیرا در این زمینه آموزش ندیده است. ژاورونکوف گفت که این مدل "پیشرفت بسیار قابل توجهی" است اما نسبت به همه تبلیغات محتاط بود.
تا زمانی که ساختاری را برای یک هدف جدید در یک بیماری بزرگ ببینیم که از طریق AlphaFold بدون هیچ آزمایش اضافی به دست میآید، مولکولی که با استفاده از هوش مصنوعی – یا روشهای دیگر – با استفاده از این ساختار پیشبینیشده طراحی شده است، سنتز و آزمایش میشود و سپس در یک مجله چاپ میشود. - [ما می توانیم] سپس جشن بگیریم.
داروخانههای بزرگ میخواهند مولکولهایی را ببینند که با کمک ابزارهای هوش مصنوعی مانند AlphaFold طراحی شدهاند و در واقع روی موشها و انسانها آزمایش شدهاند. ژاورونکوف افزود: "دستاوردهای الگوریتمی خالص برای شرکت های داروسازی و به ویژه برای بیماران ارزشمند نیستند."
فابیو اوربینا، دانشمند ارشد در Collaboration Pharmaceuticals، استارتاپی که از الگوریتمهای یادگیری ماشینی برای توسعه داروهای بیماریهای ژنتیکی نادر استفاده میکند، گفت AlphaFold هنوز در تحقیقاتش مفید نبوده است. Urbina از تکنیک متفاوتی استفاده می کند و بیشتر بر ساختار یک داروی جدید بالقوه تمرکز می کند تا پروتئین هدف.
هنوز مشخص نشده است که آیا ساختارهای پروتئینی به اندازه کافی مفید خواهند بود ... تا به ما در کشف داروهای بالقوه جدید برای بیماری های نادر کمک کنند.
این به چند دلیل است. ساختارهای پروتئینی برای بسیاری از اهداف دارویی اغلب به راحتی برای محققان در دسترس نبود و به نظر نمی رسید اطلاعات پروتئین به مدل های اولیه یادگیری ماشین کمک کند تا قدرت پیش بینی خود را با حاشیه قابل توجهی بهبود بخشند. ثبت نام.
من محتاطانه خوشبین هستم که AlphaFold اساساً اولین مشکل را "حل" کرده است، اما هنوز مشخص نشده است که آیا ساختارهای پروتئینی به اندازه کافی برای کاربرد پایین دستی ما در بهبود قدرت پیش بینی یادگیری ماشینی مفید هستند تا به ما در کشف داروهای بالقوه جدید کمک کنند. برای بیماری های نادر با این حال، بهطور فزایندهای مشاهده کردهایم که اطلاعات ساختاری پروتئین بهعنوان بخشی از روشهای جدیدتر یادگیری ماشینی در نظر گرفته میشود، و به انجام همین کار فکر کردهایم.»
اوربینا گفت که ایجاد یک پایگاه داده با تقریباً تمام ساختارهای پروتئینی شناخته شده، همانطور که DeepMind وعده داده است، به این معنی است که دانشمندان بیشتری منابعی برای آزمایش و ساخت مدلهای هوش مصنوعی قویتر خواهند داشت. من محتاطانه خوشبین هستم، اما با وجود کل کتابخانه ساختارهای پروتئینی موجود، میتوانم بگویم که احتمال زیادی وجود دارد که ساختارهای AlphaFold در برخی از مدلهای یادگیری ماشینی ما گنجانده شوند و ممکن است در نهایت به ما در کشف درمانهای جدید کمک کنند. ” ®
- AI
- آی هنر
- مولد هنر ai
- ربات ai
- هوش مصنوعی
- گواهی هوش مصنوعی
- هوش مصنوعی در بانکداری
- ربات هوش مصنوعی
- ربات های هوش مصنوعی
- نرم افزار هوش مصنوعی
- بلاکچین
- کنفرانس بلاک چین ai
- coingenius
- هوش مصنوعی محاوره ای
- کنفرانس کریپتو ai
- دل-ه
- یادگیری عمیق
- گوگل ai
- فراگیری ماشین
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- بازی افلاطون
- PlatoData
- بازی پلاتو
- مقیاس Ai
- نحو
- ثبت نام
- زفیرنت