ابزار یادگیری ماشینی می تواند به محققان کمک کند پروتئین های کاملا جدیدی را که هنوز برای علم شناخته نشده اند کشف کنند.
یک ابزار جدید هوش مصنوعی می تواند به محققان کمک کند تا پروتئین های ناشناخته قبلی را کشف کرده و پروتئین های کاملا جدید طراحی کنند. هنگامی که مهار شود، می‌تواند به توسعه واکسن‌های کارآمدتر، سرعت بخشیدن به تحقیقات برای درمان سرطان یا تولید مواد کاملاً جدید کمک کند.
آزمایشگاه هوش مصنوعی DeepMind که متعلق به الفبا است، در سال 2020 با معرفی AlphaFold، ابزار هوش مصنوعی که از یادگیری عمیق برای حل یکی از "چالش های بزرگ" زیست شناسی استفاده می کرد، جهان را غافلگیر کرد: پیش بینی دقیق شکل پروتئین ها. پروتئین ها برای زندگی اساسی هستند و درک شکل آنها برای کار با آنها حیاتی است. اوایل تابستان امسال DeepMind اعلام کرد که AlphaFold اکنون می تواند شکل تمام پروتئین های شناخته شده برای علم را پیش بینی کند .
ابزار جدید ProteinMPNN که توسط گروهی از محققان دانشگاه واشنگتن در دو مقاله منتشر شده در Science توضیح داده شده است. امروز (در اینجا و اینجا موجود است)، مکمل قدرتمندی برای آن فناوری است.
این مقالات آخرین نمونه از این هستند که چگونه یادگیری عمیق با ارائه ابزارهای تحقیقاتی جدید به دانشمندان، طراحی پروتئین را متحول می کند. به طور سنتی محققان پروتئین ها را با تغییر دادن پروتئین هایی که در طبیعت وجود دارند مهندسی می کنند، اما ProteinMPNN جهان کاملا جدیدی از پروتئین های احتمالی را در اختیار محققان قرار می دهد تا از ابتدا طراحی کنند.
در طبیعت، پروتئین ها اساساً همه مشکلات زندگی را حل می کنند، از برداشت انرژی از نور خورشید گرفته تا ساخت مولکول. دیوید بیکر، یکی از دانشمندان مسئول این مقاله و مدیر موسسه طراحی پروتئین در دانشگاه واشنگتن، می گوید: همه چیز در زیست شناسی از پروتئین ها اتفاق می افتد.
آنها در طول تکامل تکامل یافتند تا مشکلاتی را که موجودات زنده در طول تکامل با آن مواجه بودند حل کنند. اما امروز با مشکلات جدیدی مانند کووید مواجه هستیم. اگر می‌توانستیم پروتئین‌هایی طراحی کنیم که در حل مشکلات جدید به خوبی آنهایی که در طول تکامل تکامل یافته‌اند، در حل مشکلات قدیمی باشند، واقعاً بسیار قدرتمند خواهد بود.
پروتئین ها از صدها هزار اسید آمینه تشکیل شده اند که در زنجیره های بلند به هم متصل شده اند و سپس به شکل های سه بعدی تا می شوند. AlphaFold به محققان کمک می کند تا ساختار حاصل را پیش بینی کنند و بینشی در مورد نحوه رفتار آنها ارائه دهد.
ProteinMPNN به محققان در حل مشکل معکوس کمک خواهد کرد. اگر آنها از قبل ساختار پروتئینی دقیقی در ذهن داشته باشند، به آنها کمک می کند دنباله اسید آمینه ای را که به آن شکل تا می شود، پیدا کنند. این سیستم از یک شبکه عصبی آموزش دیده بر روی تعداد بسیار زیادی نمونه از توالی اسیدهای آمینه استفاده می کند که به ساختارهای سه بعدی تا می شوند.
اما محققان باید یک مسئله دیگر را نیز حل کنند. برای طراحی پروتئین‌هایی که برای کاربردهای واقعی مفید هستند، مانند آنزیم جدیدی که پلاستیک را هضم می‌کند، ابتدا باید بفهمند که چه ستون فقرات پروتئینی این عملکرد را دارد.
برای انجام این کار، محققان در آزمایشگاه بیکر از دو روش یادگیری ماشینی استفاده می‌کنند که در مقاله‌ای در ژوئیه گذشته در Science توضیح داده شده است، که تیم آن را «توهم محدود» و «در نقاشی» می‌نامد.
و داده ها را به صورت رایگان ارائه می کند، که می تواند باعث اکتشافات علمی جدید شود.
"توهم محدود" به کاربران امکان می دهد جستجوی تصادفی در بین تمام توالی های پروتئینی ممکن انجام دهند و دنباله هایی با عملکردهای خاص را ترجیح دهند. این "توهم" به لطف توانایی یادگیری ماشینی در خرد کردن مجموعه داده های گسترده، امکان کشف فضای تمام ساختارهای پروتئینی ممکن را فراهم می کند. 20 اسید آمینه وجود دارد که می توانند در تعداد زیادی از توالی های ممکن ترکیب شوند.
«طبیعت فقط از یک بخش کوچک نمونه برداری کرده است. بنابراین اگر جستجو را به دنباله هایی که در طبیعت وجود دارند محدود کنید، به جایی نمی رسید.
«در نقاشی» مانند تکمیل خودکار در یک واژه‌پرداز عمل می‌کند، اما برای ساختارها و توالی‌های پروتئینی. با استفاده از این روش‌ها، محققان می‌توانند پروتئین کاملا جدیدی ایجاد کنند که قبلاً در طبیعت دیده نشده است، مانند ساختار حلقه‌مانند غول‌پیکر.
تیم بیکر در حال آزمایش این است که آیا این ساختارهای حلقه مانند می توانند به عنوان اجزای ماشین های کوچکی که در مقیاس نانو کار می کنند استفاده شوند یا خیر. به عنوان مثال، در آینده، این نانو ماشین‌ها می‌توانند برای باز کردن انسداد شریان‌ها استفاده شوند.
لین ریگان، استاد بیوشیمی و بیوتکنولوژی در دانشگاه ادینبورگ، می‌گوید که توانایی استفاده از یادگیری ماشینی برای طراحی پروتئین‌ها به این روش، «یک کار بسیار بزرگ» است.
یادگیری ماشینی کل فرآیند را بسیار سریع‌تر و آسان‌تر می‌کند و به محققان این امکان را می‌دهد که پروتئین‌ها و ساختارهای کاملاً جدیدی را در مقیاسی بسیار بزرگ‌تر ایجاد کنند. این نرم افزار بیش از 200 برابر سریعتر از بهترین ابزار قبلی است و به حداقل ورودی کاربر نیاز دارد که به طور بالقوه موانع ورود برای طراحی پروتئین را کاهش می دهد.
جفری گری، پروفسور مهندسی شیمی و زیست مولکولی در دانشگاه جان هاپکینز، می گوید: «این مشارکت ها و موارد دیگر اخیراً زمینه پیش بینی و طراحی ساختار بیومولکولی را متحول کرده اند. را
گری می گوید: «پیامدها از نظر درک زیست شناسی، سلامت، و بیماری و در طراحی مولکول های جدید برای کاهش درد و رنج انسان چشمگیر هستند.
گری می‌گوید آزمایشگاه او ابزارهای یادگیری عمیقی را که توسعه داده‌اند با ابزارهای آزمایشگاه بیکر ترکیب می‌کند تا سیستم ایمنی و بیماری‌های مرتبط با ایمنی را بهتر درک کند و از هوش مصنوعی برای طراحی درمان‌ها استفاده کند.
Pushmeet Kohli، سرپرست تیم هوش مصنوعی DeepMind برای علوم می گوید: «AlphaFold زیست شناسی را با حل ساختار پروتئینی که مشکل را پیش بینی می کند و نشان دادن نقش تحول آفرینی که هوش مصنوعی و [یادگیری ماشینی] در زیست شناسی ایفا خواهند کرد، وارد دوره جدیدی کرد. ProteinMPNN شاهد دیگری بر این تغییر پارادایم است که پروتئین ها را برای کارهای خاص طراحی می کند.
ProteinMPNN که اکنون به صورت رایگان در مخزن نرم‌افزار منبع باز GitHub در دسترس است، ابزارهایی را در اختیار محققان قرار می‌دهد تا طرح‌های جدید نامحدودی ایجاد کنند. "البته چالش این است که چه چیزی را می خواهید طراحی کنید؟" بیکر می گوید.
مدل‌های زبان بزرگ بر روی مجموعه‌ای از داده‌های شخصی که از اینترنت جمع‌آوری شده‌اند، آموزش داده می‌شوند. بنابراین می خواستم بدانم: چه چیزی روی من دارد؟
آنچه Gran Turismo Sophy در پیست مسابقه یاد گرفت می تواند به شکل گیری آینده ماشین هایی کمک کند که می توانند در کنار انسان ها کار کنند یا به ما در جاده ها بپیوندند.
و داده ها را به صورت رایگان ارائه می کند، که می تواند باعث اکتشافات علمی جدید شود.
اما این شرکت برای انجام این کار مجبور شده است تا بدترین ایرادات مدل تولید تصویر را اصلاح کند.
پیشنهادهای ویژه، داستان های برتر، رویدادهای آینده و موارد دیگر را کشف کنید.
از اینکه ایمیل خود را ثبت کردید، متشکریم!
به نظر می رسد مشکلی پیش آمده است.
ما در ذخیره تنظیمات برگزیده شما با مشکل روبرو هستیم. سعی کنید این صفحه را بازخوانی کنید و یک بار دیگر آنها را به روز کنید. اگر همچنان این پیام را دریافت می‌کنید، با فهرستی از خبرنامه‌هایی که می‌خواهید دریافت کنید، با ما از طریق customer-service@technologyreview.com تماس بگیرید.
گزارش‌های عمیق ما نشان می‌دهد که در حال حاضر چه اتفاقی می‌افتد تا شما را برای اتفاقات بعدی آماده کند.
اشتراک در برای حمایت از روزنامه نگاری ما
© 2022 بررسی فناوری MIT

source

توسط techkhabari