مقالات

ابزارهای AI به ایجاد پروتئین های طراحی برای روشهای درمانی شخصی و سرطان آنتی بیوتیک تبدیل شده اند | تحقیق


فقط چند سال پیش ، پیش بینی چگونگی یک سری اسیدهای آمینه ، که در پروتئین عملکردی مونتاژ شده اند ، یکی از وحشتناک ترین معماهای زیست شناسی بود. این در حالی بود که هوش مصنوعی (AI) مشکل را باز نکرد و به رسمیت شناختن جهانی و حتی جایزه نوبل سال گذشته برای شیمی به دست آورد.

ابزارهای AI به ایجاد پروتئین های طراحی برای روشهای درمانی شخصی و سرطان آنتی بیوتیک تبدیل شده اند | تحقیق

این دستیابی به موفقیت به آموزش عمیق ، فرم AI متکی است ، که از مجموعه داده های عظیم یاد می گیرد تا پیش بینی هایی مانند فرم پروتئین را انجام دهد. محققان اکنون در حال ارتقاء اینرسی با هوش مصنوعی هستند. یک مدل قدرتمند کلاس AI جدید که به جای پیش بینی ساختار ، می تواند فرصت های کاملاً جدیدی را تصور کند – از توالی پروتئین ناشناخته گرفته تا درمان های جدید برای طیف گسترده ای از بیماری ها.

تیموتی جنکینز از دانشگاه فنی دانمارک می گوید: “بیشتر طراحی پروتئین با یک کارت هدف سه بعدی کامل و تعریف شده کار می کند.” “اما برای بسیاری از مهمترین [therapeutic] اهداف … این کارت ها فقط وجود ندارند. این یک مانع بزرگ برای پزشکی شخصی است. “

جنکینز و همکارانش اخیراً مطالعه ای را با استفاده از یک مدل AI مولد به نام RFDiffusion برای طراحی مولکول هایی که به سیستم ایمنی بدن کمک می کند تا به تشخیص و حمله به سرطان کمک کند ، منتشر کرده اند.1 وی می گوید: “به عبارت ساده ، ما یک خط لوله جدید و سریع برای انجام ایمونوتراپی سرطان دقیق ایجاد کرده ایم.”

بازی را برای روشهای درمانی هدفمند تغییر دهید

این فرآیند به عنوان یک خط نصب بالا و با ابزارهای مختلف AI که مراحل مختلف را پردازش می کند ، کار می کند. جنکینز توضیح می دهد: “اول ، ما تصویر 3D Rfdiffusion از پرچم سرطان را که می خواهیم هدف قرار دهیم نشان می دهیم.” این تصویر سه بعدی می تواند از داده های تجربی یا از ساختار مبتنی بر AI مبتنی بر پیش بینی شده باشد. وی می افزاید: “سپس II” هزاران فرم پروتئین کوچک و جدید با نام تجاری جدید … که فکر می کند کاملاً در این منظور قرار خواهد گرفت. “

مدل دوم AI این اشکال را می گیرد و توالی های دقیق اسید آمینه مورد نیاز برای ساخت آنها را اختراع می کند. جنکینز می گوید: “این روند بسیار سریع است.” “تولید هزاران طرح بالقوه در رایانه چند ساعت یا روز طول می کشد ، در حالی که پیدا کردن فقط یک نامزد با استفاده از روشهای آزمایشگاهی سنتی می تواند ماه ها یا حتی سالها طول بکشد.”

سپس از شبیه سازی دینامیک مولکولی به عنوان “تست فروپاشی مجازی” استفاده می شود تا ببیند پروتئین های به خوبی طراحی شده به سرطانهای خود پایبند هستند و به تیم کمک می کنند تا قبل از تغییر به آزمایشات آزمایشگاهی ، نامزدها را محدود کنند.

جنکینز می گوید: “این واقعیت که ما توانسته ایم بر اساس یک پیش بینی کاملاً محاسباتی یک اتصال موفق ایجاد کنیم ، تغییر بازی است.” “او نشان می دهد که رویکرد ما به تعداد کمی از اهداف مشخص شده چاه محدود نمی شود و می تواند برای طراحی روشهای درمانی برای اهداف سرطان واقعاً شخصی که اطلاعات ساختاری در دسترس نیست ، گسترش یابد.”

پروتئین های رویایی برای از بین بردن باکتری های کشنده

فراتر از درمان سرطان شخصی ، گروهی به سرپرستی Rhys Grinter در دانشگاه ملبورن و گاوین نه دانشگاه موناش ، از AI تولیدی برای طراحی پروتئین هایی که باکتری های مقاوم به آنتی بیوتیک را می کشند ، استفاده می کنند.2

گریت می گوید: “پروتئین مبتنی بر پروتئین مبتنی بر پروتئین مبتنی بر پروتئین مبتنی بر هوش مصنوعی ، این فرصت را به ما داد تا پروتئین های کوچکی را که چوا را به هم وصل می کند ، رویای داشته باشیم.” چوا پروتئینی برای انتقال غشای خارجی است که توسط باکتریهای بیماری زا استفاده می شود اشریشیا کولی وت شیپل برای استخراج هما – منبع غنی از آهن – از میزبان آنها.

با استفاده از Alphafold2 ، تیم ساختار سه بعدی Chua را از دنباله اسید آمینه خود در عرض چند دقیقه پیش بینی می کند. سپس از این مدل برای دقت قدردانی شد و استراتژی برای مسدود کردن عملکرد Chua تدوین شد. پس از آن ، از ابزارهای تولید کننده AI ، RfDifusion و ProteinMPNN برای طراحی پروتئین هایی که قادر به تداخل در هدف هستند استفاده شد.

نه می گوید: “کل این روند چند هفته طول کشید ، با 10-50 ٪ موفقیت برای طرح های عملکردی.” “این رویکرد به طور موثری ماهها به سالها خارج از رویکرد تجربی استاندارد به زیست شناسی ساختاری تبدیل می شود و به سرعت رشد مواد بیولوژیکی جدید را تسریع می کند.”

گرینتر افزود: “این باورنکردنی است و بر قدرت و پتانسیل تحول AI در طراحی پروتئین تأکید می کند.”

Grinter ، Knott ، Jenkins و همکاران آنها سیستم عامل های هوش مصنوعی را ترجیح می دهند که به طور آزاد در دسترس جامعه علمی گسترده تر قرار دارند. تهیه این ابزارها برای همه موانع محققان در سراسر جهان در دسترس است. در نتیجه ، طیف گسترده تری از متخصصان می تواند همکاری و نوآوری کند و پیشرفت چالش های فوری اجتماعی مانند مقاومت آنتی بیوتیکی و روشهای درمانی سرطان شخصی را تسریع کند.

“با این حال ، این ساده به عنوان یک نقطه و کلیک نیست.” “در حال حاضر ، فناوری هنوز هم نیاز به درک عمیق از ساختار پروتئین و پیوندهای عملکردی دارد.”

و هنوز هم نیاز به احتیاط وجود دارد ، زیرا با وجود قابلیت های چشمگیر هوش مصنوعی تولید ، محدودیت های ذاتی ریشه در داده هایی که از آنها یاد می گیرد ، دارد. جنکینز می گوید: “هوش مصنوعی تولیدی فوق العاده قدرتمند اما جادویی نیست.” “این مدل ها در هزاران ساختار پروتئینی که از قبل می شناسیم آموزش داده می شوند. اگر از آنها بخواهیم چیزی متفاوت از هر چیزی که قبلاً دیده بودند ، طراحی کنند ، بعضی اوقات می توانند طرحی را که در رایانه خوب به نظر می رسد” توهم می کنند اما در دنیای واقعی از نظر جسمی پایدار یا کاربردی نیستند. “

گرینتر نتیجه می گیرد: “زیست شناسی در دنیای واقعی وجود دارد ، بنابراین وقتی با تکنیک های آزمایشی ترکیب می شود و در سیستم های بیولوژیکی به کار می رود ، به ارزش واقعی می رسد.” “ترکیبی از آزمایشات و هوش مصنوعی قدرت تحول آمیز برای تشخیص علمی و توسعه فناوری دارد. در آینده ، ما معتقدیم که ابزارهای AI یک مؤلفه اصلی تقریباً تمام جنبه های مطالعات بیولوژیکی را تشکیل می دهند.”


Source link

نوشته های مشابه

دکمه بازگشت به بالا