AlphaFold AI کے ذریعہ پیشن گوئی کی جانے والی سائنس کو معلوم تقریباً تمام پروٹین ڈھانچے

ڈیپ مائنڈ نے جمعرات کو کہا کہ اے آئی سے چلنے والے پروٹین فولڈنگ ماڈل الفا فولڈ نے 200 ملین سے زیادہ پروٹینوں کی پیش گوئی کی ہے، تقریباً تمام ایسے ڈھانچے جو سائنس کو معلوم ہیں۔

پروٹین پیچیدہ حیاتیاتی مالیکیولز ہیں جو جانداروں میں ڈی این اے میں محفوظ ہدایات سے پیدا ہوتے ہیں۔ زیادہ سے زیادہ 20 قسم کے امینو ایسڈز سے بنی، یہ نینو اسکیل چینز ہر قسم کے جسمانی افعال کو انجام دینے کے لیے اہم سیلولر کام انجام دیتی ہیں۔ پروٹین کی تین جہتی شکل کو جاننا ضروری ہے کیونکہ اس کی جسمانی ساخت اس بات کا اشارہ دیتی ہے کہ یہ کیسے برتاؤ کرتا ہے، اور یہ کس مقصد کے لیے کام کرتا ہے، جو ہمیں ادویات تیار کرنے، اور ان کی کمی کے لیے کاپی کیٹ پروٹین بنانے میں مدد کرتا ہے۔

کچھ پروٹین مددگار ہوتے ہیں، جیسے کہ وہ غذا کو ہضم کرنے میں ملوث ہوتے ہیں جبکہ دیگر نقصان دہ ہو سکتے ہیں، جیسے کہ ٹیومر کی افزائش میں ملوث۔ تاہم، ان کی پیچیدہ جھرجھری والی شکلوں کا پتہ لگانا مشکل ہے۔ سالماتی حیاتیات کے ماہرین پروٹین کی ساخت کو سمجھنے کے لیے تجربات کرنے میں برسوں گزار سکتے ہیں، اور الفا فولڈ یہ کام منٹوں میں کر سکتا ہے، اس بات پر منحصر ہے کہ امائنو ایسڈ کی ساخت سے مالیکیول کتنا بڑا ہے۔ 

الفا فولڈ کو سیکڑوں ہزاروں معلوم پروٹین ڈھانچے پر تربیت دی گئی تھی، اور اس نے جزو امینو ایسڈز اور حتمی مجموعی شکلوں کے درمیان تعلق سیکھا۔ ایک صوابدیدی ان پٹ امینو ایسڈ کی ترتیب کو دیکھتے ہوئے، ماڈل 3D پروٹین کی ساخت کی پیش گوئی کر سکتا ہے۔ اب، ماڈل نے سائنس کو معلوم تقریباً تمام پروٹین ڈھانچے کی پیش گوئی کی ہے۔

یورپی بایو انفارمیٹکس انسٹی ٹیوٹ کے ساتھ مل کر کام کرتے ہوئے، ڈیپ مائنڈ نے اپنا دائرہ بڑھایا ہے۔ الفا فولڈ پروٹین سٹرکچر ڈیٹا بیس جانوروں سے پودوں تک، بیکٹیریا سے وائرس تک پروٹین کی 200 ملین سے زیادہ 3D شکلوں پر مشتمل ہونا - صرف ایک سال میں تقریباً ایک ملین مالیکیولز سے کم از کم 200 ملین مالیکیولز تک 200x سے زیادہ کا اضافہ۔

"ہمیں امید تھی کہ یہ اہم وسیلہ عالمی سطح پر سائنسی تحقیق اور دریافت کو تیز کرنے میں مدد کرے گا، اور یہ کہ دوسری ٹیمیں مزید کامیابیاں پیدا کرنے کے لیے AlphaFold کے ساتھ جو پیشرفت کی ہیں ان سے سیکھ کر اس پر عمل پیرا ہو سکتی ہیں،" Demis Hassibis، DeepMind کے شریک بانی اور CEO، نے کہا جمعرات کو ایک بیان میں

"یہ امید اس سے کہیں زیادہ تیزی سے حقیقت بن گئی ہے جس کا ہم نے خواب دیکھا تھا۔ صرف بارہ ماہ بعد، AlphaFold تک نصف ملین سے زیادہ محققین نے رسائی حاصل کی ہے اور پلاسٹک کی آلودگی سے لے کر اینٹی بائیوٹک مزاحمت تک کے اہم حقیقی دنیا کے مسائل پر پیش رفت کو تیز کرنے کے لیے استعمال کیا گیا ہے۔

رجسٹر ڈیپ مائنڈ سے مزید تبصرہ کے لیے کہا ہے۔ 

الفا فولڈ نے نئی دوائیوں کو ڈیزائن کرنے کی بڑی صلاحیت بھی ظاہر کی ہے۔ ڈھانچے سائنس دانوں کو ایسے کیمیائی مرکبات کا پتہ لگانے میں مدد کرتے ہیں جو پروٹین کو نشانہ بنانے کے لیے باندھ سکتے ہیں تاکہ ان کا علاج کیا جا سکے یا انہیں پیتھولوجیکل افعال انجام دینے سے روکا جا سکے۔ Insilco میڈیسن سمیت کمپنیوں کے پاس ہے۔ تجربہ کیا نئی ادویات دریافت کرنے کے لیے ماڈل کے ساتھ؛ سی ای او الیکس زاوورونکوف نے بتایا رجسٹر کہ یہ عمل آپ کے خیال سے کہیں زیادہ پیچیدہ ہے، اور اس میں کئی مراحل شامل ہیں۔

یہ واضح نہیں ہے کہ الفا فولڈ کی پیشین گوئیاں کتنی درست ہیں۔ ایک پروٹین کی ربن نما ساخت اکثر اس وقت شکل بدلتی ہے جب یہ کسی دوا کے ساتھ تعامل کرتا ہے، الفا فولڈ سائنسدانوں کی مدد نہیں کر سکتا کیونکہ اس کی تربیت نہیں کی گئی ہے۔ Zhavoronkov نے کہا کہ یہ ماڈل ایک "خوبصورت قابل ذکر پیش رفت" ہے لیکن وہ تمام افواہوں سے محتاط تھا۔ 

"جب تک کہ ہم الفا فولڈ کے ذریعے بغیر کسی اضافی تجربات کے حاصل کردہ ایک بڑی بیماری میں ایک نئے ہدف کے لیے ایک ڈھانچہ نہیں دیکھتے، ایک مالیکیول جو کہ AI - یا دیگر طریقوں کا استعمال کرتے ہوئے ڈیزائن کیا گیا ہے - اس پیش گوئی شدہ ڈھانچے کو استعمال کرتے ہوئے، اس کی ترکیب اور جانچ کی گئی اور پھر ایک اعلی جریدے میں شائع کی گئی۔ - پھر جشن منا سکتے ہیں۔"

بڑے فارما AI ٹولز جیسے الفا فولڈ کی مدد سے ڈیزائن کیے گئے مالیکیول دیکھنا چاہتے ہیں جو درحقیقت چوہوں اور انسانوں پر آزمائے گئے ہیں۔ Zhavoronkov نے مزید کہا کہ "خالص الگورتھمک کامیابیاں فارما کمپنیوں اور خاص طور پر مریضوں کے لیے قابل قدر نہیں ہیں۔"

نایاب جینیاتی امراض کے لیے دوائیں تیار کرنے کے لیے مشین لرننگ الگورتھم کا استعمال کرتے ہوئے ایک سٹارٹ اپ، کولیبریشن فارماسیوٹیکلز کے ایک سینئر سائنسدان، فابیو اربینا نے کہا کہ الفا فولڈ ابھی تک ان کی تحقیق میں کافی کارآمد ثابت نہیں ہوا ہے۔ Urbina ایک مختلف تکنیک کا استعمال کرتی ہے اور ہدف پروٹین کی بجائے ممکنہ نئی دوا کی ساخت پر زیادہ توجہ دیتی ہے۔

یہ دیکھنا ابھی باقی ہے کہ آیا پروٹین کے ڈھانچے کافی کارآمد ہوں گے … تاکہ ہمیں نایاب بیماری کے لیے نئی ممکنہ دوائیں دریافت کرنے میں مدد ملے۔

"یہ چند وجوہات کی بناء پر ہے؛ بہت سے منشیات کے اہداف کے لیے پروٹین کے ڈھانچے اکثر محققین کے لیے استعمال کرنے کے لیے آسانی سے دستیاب نہیں ہوتے تھے، اور پروٹین کی معلومات سے ایسا نہیں لگتا تھا کہ ابتدائی مشین لرننگ ماڈلز کو ان کی پیشن گوئی کی طاقت کو نمایاں فرق سے بہتر بنانے میں مدد ملے گی۔ رجسٹر.

"میں محتاط طور پر پر امید ہوں کہ الفا فولڈ نے بنیادی طور پر پہلا مسئلہ 'حل' کر دیا ہے، لیکن یہ دیکھنا باقی ہے کہ آیا پروٹین کے ڈھانچے مشین سیکھنے کی پیشن گوئی کی طاقت کو بہتر بنانے کے لیے ہمارے نیچے کی دھارے کے استعمال کے لیے کافی کارآمد ہوں گے تاکہ ہمیں نئی ​​ممکنہ دوائیں دریافت کرنے میں مدد ملے۔ نایاب بیماریوں کے لیے۔ تاہم، ہم نے پروٹین کی ساختی معلومات کو مشین سیکھنے کے نئے طریقوں کے حصے کے طور پر تیزی سے دیکھا ہے، اور ہم نے ایسا ہی کرنے کے بارے میں سوچا ہے۔"

اربینا نے کہا کہ تقریباً تمام معروف پروٹین ڈھانچے کے ساتھ ایک ڈیٹا بیس بنانے کا، جیسا کہ ڈیپ مائنڈ نے وعدہ کیا ہے، اس کا مطلب ہے کہ مزید سائنسدانوں کے پاس زیادہ طاقتور AI ماڈلز کو تجربہ کرنے اور بنانے کے لیے وسائل ہوں گے۔ "میں محتاط طور پر پرامید ہوں، لیکن پروٹین کے ڈھانچے کی پوری لائبریری دستیاب ہونے کے ساتھ، میں یہ کہوں گا کہ اس بات کا ایک اچھا موقع ہے کہ الفا فولڈ ڈھانچے کو ہمارے کچھ مشین لرننگ ماڈلز میں شامل کیا جائے گا، اور بالآخر ہمیں نئے علاج دریافت کرنے میں مدد مل سکتی ہے۔ " ®