مقالات

محققان MIT Boltz-1 را ارائه کردند، یک مدل کاملا منبع باز برای پیش بینی ساختارهای زیست مولکولی | اخبار MIT



محققان MIT Boltz-1 را ارائه کردند، یک مدل کاملا منبع باز برای پیش بینی ساختارهای زیست مولکولی | اخبار MIT

دانشمندان MIT یک مدل هوش مصنوعی منبع باز قدرتمند به نام Boltz-1 منتشر کرده اند که می تواند تحقیقات زیست پزشکی و توسعه دارو را تا حد زیادی سرعت بخشد.

Boltz-1 که توسط تیمی از محققان در کلینیک Jameel MIT برای یادگیری ماشینی در مراقبت های بهداشتی توسعه یافته است، اولین مدل کاملا متن باز است که به عملکرد پیشرفته در سطح AlphaFold3، مدل Google DeepMind که پیش بینی می کند، می باشد. ساختارهای سه بعدی پروتئین ها و سایر مولکول های بیولوژیکی

جرمی ولوند و گابریل کورسو، دانشجویان فارغ التحصیل MIT، توسعه دهندگان اصلی Boltz-1، به همراه سارو پاسارو وابسته به کلینیک MIT Jameel و استادان مهندسی برق و علوم کامپیوتر MIT، رجینا بارزیلای و تامی ایاکولا بودند. Wohlwend و Corso این مدل را در رویدادی در 5 دسامبر در مرکز Stata MIT ارائه کردند، جایی که گفتند هدف نهایی آنها تقویت همکاری جهانی، تسریع کشف و ارائه یک پلت فرم قوی برای پیشبرد مدل‌سازی بیومولکولی است.

کورسو گفت: “ما امیدواریم این نقطه شروعی برای جامعه باشد.” دلیلی وجود دارد که ما آن را بولتز-1 می نامیم و نه بولتز. این پایان خط نیست. ما تا آنجا که ممکن است از جامعه نظر می خواهیم.»

پروتئین ها تقریباً در تمام فرآیندهای بیولوژیکی نقش اساسی دارند. شکل پروتئین ارتباط نزدیکی با عملکرد آن دارد، بنابراین درک ساختار پروتئین برای طراحی داروهای جدید یا ساخت پروتئین های جدید با عملکردهای خاص بسیار مهم است. اما به دلیل فرآیند بسیار پیچیده ای که طی آن زنجیره طولانی اسیدهای آمینه پروتئین به یک ساختار سه بعدی تا می شود، پیش بینی دقیق آن ساختار برای دهه ها چالش بزرگی بوده است.

AlphaFold2 شرکت DeepMind که برنده جایزه نوبل شیمی 2024 به دمیس حسابیس و جان جامپر شد، از یادگیری ماشینی برای پیش‌بینی سریع ساختارهای پروتئینی سه بعدی استفاده می‌کند که آنقدر دقیق هستند که از آن‌هایی که به‌طور تجربی توسط دانشمندان به دست آمده قابل تشخیص نیستند. این مدل منبع باز توسط تیم های تحقیقاتی دانشگاهی و تجاری در سراسر جهان مورد استفاده قرار گرفته است و باعث پیشرفت های زیادی در توسعه دارو شده است.

AlphaFold3 با استفاده از یک مدل هوش مصنوعی مولد شناخته شده به عنوان مدل انتشار، که می تواند میزان عدم قطعیت موجود در پیش بینی ساختارهای پروتئینی بسیار پیچیده را بهتر کنترل کند، نسبت به پیشینیان خود بهبود یافته است. با این حال، برخلاف AlphaFold2، AlphaFold3 به طور کامل منبع باز نیست، و همچنین برای استفاده تجاری در دسترس نیست، که انتقاد جامعه علمی را برانگیخته و مسابقه جهانی را برای ساخت نسخه تجاری این مدل به راه انداخته است.

برای کار خود بر روی Boltz-1، محققان MIT همان رویکرد اولیه AlphaFold3 را دنبال کردند، اما پس از مطالعه مدل انتشار اولیه، پیشرفت‌های بالقوه را بررسی کردند. آنها شامل مواردی بودند که دقت مدل را بیش از همه افزایش دادند، مانند الگوریتم های جدیدی که عملکرد پیش بینی را بهبود می بخشد.

همراه با خود مدل، آنها کل خط لوله آموزشی و تنظیم دقیق خود را باز کرده اند تا دانشمندان دیگر بتوانند روی Boltz-1 بسازند.

من به جرمی، گابریله، سارو و سایر اعضای تیم کلینیک جامیل به خاطر انجام این انتشار بسیار افتخار می کنم. این پروژه روزها و شب های زیادی را به طول انجامید، با عزم تزلزل ناپذیر برای رسیدن به این نقطه. ایده های هیجان انگیز زیادی برای بهبود بیشتر وجود دارد و ما مشتاقانه منتظر به اشتراک گذاشتن آنها در ماه های آینده هستیم.»

توسعه Boltz-1 چهار ماه کار و آزمایش های زیادی را برای تیم MIT به طول انجامید. یکی از بزرگ‌ترین چالش‌های آن‌ها غلبه بر ابهام و ناهمگونی موجود در بانک داده‌های پروتئین، مجموعه‌ای از تمام ساختارهای زیست مولکولی بود که هزاران زیست‌شناس در طول ۷۰ سال گذشته آن‌ها را حل کرده‌اند.

«شب های طولانی زیادی داشتم که با این داده ها دست و پنجه نرم می کردم. بخش اعظم آن دانش ناب حوزه است که فرد به سادگی باید آن را به دست آورد. ولوند می گوید هیچ میانبری وجود ندارد.

در نهایت، آزمایش‌های آنها نشان می‌دهد که Boltz-1 به همان سطح دقت AlphaFold3 در مجموعه‌ای متنوع از پیش‌بینی‌های ساختار بیومولکولی پیچیده دست می‌یابد.

“آنچه جرمی، گابریل و سارو به دست آوردند، قابل توجه نیست. کار سخت و پشتکار آنها بر روی این پروژه، پیش‌بینی ساختار بیومولکولی را برای جامعه وسیع‌تر قابل دسترس‌تر کرده و پیشرفت‌ها در علوم مولکولی را متحول خواهد کرد.»

محققان قصد دارند به بهبود عملکرد Boltz-1 ادامه دهند و زمان لازم برای پیش بینی ها را کاهش دهند. آنها همچنین از محققان دعوت می کنند تا Boltz-1 را در مخزن GitHub خود امتحان کنند و با سایر کاربران Boltz-1 در کانال Slack خود ارتباط برقرار کنند.

ما فکر می‌کنیم سال‌ها کار برای بهبود این مدل‌ها وجود دارد.» ما بسیار مشتاق هستیم که با دیگران همکاری کنیم و ببینیم که جامعه با این ابزار چه می کند.» Wohlwend اضافه می کند.

Mathai Mammen، مدیر عامل و رئیس Parabilis Medicines، مدل Boltz-1 را یک “دستیابی به موفقیت” می نامد. او می‌گوید: «با منبع باز کردن این پیشرفت‌ها، کلینیک MIT Jameel و همکارانش دسترسی به ابزارهای زیست‌شناسی ساختاری پیشرفته را دموکراتیک می‌کنند. این تلاش قابل توجه به ایجاد داروهای تغییر دهنده زندگی سرعت می بخشد.” با تشکر از تیم Boltz-1 برای این جهش عمیق به جلو!

جاناتان وایسمن، استاد زیست شناسی در MIT و یکی از اعضای موسسه مهندسی زیست پزشکی وایتهد که در این مطالعه شرکت نداشت، اضافه می کند: “بولتز-1 برای آزمایشگاه من و برای کل جامعه بسیار مفید خواهد بود.” ما شاهد یک موج کامل از اکتشافات خواهیم بود که با دموکراتیک کردن این ابزار قدرتمند امکان پذیر شده است.

این کار همچنین توسط کمک هزینه اعزامی بنیاد ملی علوم ایالات متحده حمایت شد. کلینیک جمیل؛ برنامه آژانس کاهش دفاع ایالات متحده برای کشف اقدامات متقابل پزشکی در برابر تهدیدات جدید و نوظهور (DOMANE). و پروژه MATCHMAKERS که توسط مشارکت Cancer Grand Challenges حمایت می شود که توسط Cancer Research UK و موسسه ملی سرطان ایالات متحده تامین می شود.


Source link

نوشته های مشابه

دکمه بازگشت به بالا