“FrameDiff” MIT – هوش مصنوعی مولد ساختارهای پروتئینی جدیدی را تصور می کند که می تواند پزشکی را متحول کند

محققان MIT “FrameDiff” را توسعه دادند، ابزاری محاسباتی که از هوش مصنوعی مولد برای ایجاد ساختارهای پروتئینی جدید با هدف تسریع توسعه دارو و بهبود ژن درمانی استفاده می کند.

محققان MIT CSAIL یک ابزار محاسباتی به نام FrameDiff ایجاد کرده اند که از هوش مصنوعی مولد برای ایجاد ساختارهای پروتئینی جدید استفاده می کند. از یادگیری ماشینی برای مدل‌سازی «ستون‌های ستون فقرات» پروتئین و تنظیم آن‌ها به صورت سه بعدی استفاده می‌کند و پروتئین‌هایی فراتر از طرح‌های شناخته‌شده ایجاد می‌کند. این پیشرفت می‌تواند با ایجاد پروتئین‌هایی که با کاربردهای بالقوه در بیوتکنولوژی، دارورسانی هدفمند و غیره، به طور مؤثرتری به هم متصل می‌شوند، توسعه دارو را تسریع کند و ژن‌درمانی را تقویت کند.

زیست شناسی ملیله ای شگفت انگیز و در عین حال ظریف است. در قلب DNA وجود دارد، بافنده اصلی که پروتئین ها را رمزگذاری می کند و مسئول تنظیم بسیاری از عملکردهای بیولوژیکی است که حیات را در بدن انسان حفظ می کند. با این حال، بدن ما شبیه یک ساز با کوک خوب است که در معرض از دست دادن هارمونی خود است. به هر حال، ما با یک دنیای طبیعی همیشه در حال تغییر و بی امان مواجه هستیم: پاتوژن ها، ویروس ها، بیماری ها و سرطان.

پروتئین‌های جدید

اگر فناوری ویرایش ژنی را داشتیم که قادر به تولید خودکار پروتئین برای اصلاح خطاهای DNA که باعث سرطان می‌شود، داشت؟ تلاش برای شناسایی پروتئین‌هایی که می‌توانند قویاً به اهداف متصل شوند یا واکنش‌های شیمیایی را سرعت بخشند برای توسعه دارو، تشخیص و کاربردهای صنعتی متعدد حیاتی است، با این حال اغلب یک تلاش طولانی و پرهزینه است.

رویکرد یادگیری ماشینی «قاب‌هایی» را تولید می‌کند که با ویژگی‌های ذاتی ساختارهای پروتئینی همسو می‌شوند و آن را قادر می‌سازند تا پروتئین‌های جدید را مستقل از طرح‌های موجود بسازد و ساختارهای پروتئینی بی‌سابقه را تسهیل کند.

در طبیعت، طراحی پروتئین یک فرآیند کند سوز است که میلیون ها سال طول می کشد. هدف تکنیک ما ارائه پاسخی برای مقابله با مشکلات انسان‌ساز است که بسیار سریع‌تر از سرعت طبیعت تکامل می‌یابند.” “هدف، با توجه به این ظرفیت جدید تولید ساختارهای پروتئین مصنوعی، تعداد بی‌شماری از قابلیت‌های تقویت‌شده مانند بایندرهای بهتر را باز می‌کند. این به معنای مهندسی پروتئین‌هایی است که می‌توانند به‌طور مؤثرتر و انتخابی‌تر به مولکول‌های دیگر متصل شوند، با پیامدهای گسترده مرتبط با دارورسانی هدفمند و بیوتکنولوژی، جایی که می‌تواند منجر به توسعه حسگرهای زیستی بهتر شود. همچنین می‌تواند پیامدهایی برای حوزه زیست‌پزشکی و فراتر از آن داشته باشد و امکاناتی مانند توسعه پروتئین‌های فتوسنتز کارآمدتر، ایجاد آنتی‌بادی‌های مؤثرتر و مهندسی نانوذرات برای ژن‌درمانی را ارائه دهد.

کادربندی FrameDiff

پروتئین ها ساختارهای پیچیده ای دارند که از اتم های زیادی که با پیوندهای شیمیایی به هم متصل شده اند تشکیل شده اند. مهم‌ترین اتم‌هایی که شکل سه‌بعدی پروتئین را تعیین می‌کنند، «ستون ستون فقرات» نامیده می‌شوند که شبیه به ستون فقرات پروتئین است. هر سه گانه اتم در امتداد ستون فقرات دارای الگوی مشابهی از پیوندها و انواع اتم است. محققان متوجه شدند که این الگو می تواند برای ساخت الگوریتم های یادگیری ماشین با استفاده از ایده هایی از هندسه دیفرانسیل و احتمال مورد سوء استفاده قرار گیرد. اینجاست که فریم‌ها وارد می‌شوند: از نظر ریاضی، این سه‌قلوها را می‌توان به‌عنوان اجسام صلب به نام «قاب‌ها» (در فیزیک رایج) مدل‌سازی کرد که دارای موقعیت و چرخش سه‌بعدی هستند.

آموزش مدلی برای ساخت پروتئین ها از طریق “نشر” شامل تزریق نویز است که به طور تصادفی تمام فریم ها را حرکت می دهد و ظاهر پروتئین اصلی را تار می کند. وظیفه الگوریتم این است که هر فریم را حرکت داده و بچرخاند تا شبیه پروتئین اصلی شود. اگرچه ساده است، اما توسعه انتشار در فریم ها به تکنیک هایی در حساب تصادفی روی منیفولدهای ریمانی نیاز دارد. در سمت تئوری… محققان “SE(3) diffusion” را برای یادگیری توزیع‌های احتمال ایجاد کردند که به‌طور غیر ضروری مولفه‌های ترجمه و چرخش هر فریم را به هم متصل می‌کند.

هنر ظریف انتشار

در سال 2021، DeepMind AlphaFold2 را معرفی کرد، یک الگوریتم یادگیری عمیق برای پیش‌بینی ساختارهای پروتئینی سه بعدی از توالی‌های آنها. هنگام ایجاد پروتئین های مصنوعی، دو مرحله اساسی وجود دارد: تولید و پیش بینی. Generation به معنای ایجاد ساختارها و توالی های پروتئینی جدید است، در حالی که “پیش بینی” به معنای کشف ساختار سه بعدی یک دنباله است. تصادفی نیست که AlphaFold2 همچنین از فریم هایی برای مدل سازی پروتئین ها استفاده می کند.

چارچوب ها و اصول مشترک بین تولید و پیش بینی ساختار پروتئین به این معنی است که بهترین مدل ها از هر دو طرف سازگار هستند. با همکاری موسسه طراحی پروتئین در دانشگاه واشنگتن، انتشار SE(3) در حال حاضر برای ایجاد و تایید آزمایشی پروتئین های جدید استفاده می شود. به طور خاص، آنها انتشار SE(3) را با RosettaFold2، یک ابزار پیش‌بینی ساختار پروتئین، بسیار شبیه به AlphaFold2، ترکیب کردند که منجر به “RFdiffusion” شد. این ابزار جدید طراحان پروتئین را به حل مشکلات حیاتی در بیوتکنولوژی… از جمله توسعه بایندرهای پروتئینی بسیار ویژه برای طراحی سریع واکسن… مهندسی پروتئین‌های متقارن برای تحویل ژن، و داربست موتیف قوی برای طراحی دقیق آنزیم، نزدیک‌تر کرد.

FrameDiff

تلاش های آینده برای هوش مصنوعی مولد برای ایجاد ساختارهای پروتئینی جدید شامل بهبود کلیت مشکلاتی است که چندین مورد نیاز برای مواد بیولوژیکی مانند داروها را ترکیب می کند. توسعه دیگر تعمیم مدل ها به تمام روش های بیولوژیکی از جمله DNA و مولکول های کوچک است. این تیم معتقد است که با گسترش آموزش FrameDiff بر روی داده‌های اساسی‌تر و بهبود فرآیند بهینه‌سازی آن… می‌تواند ساختارهای پایه‌ای با قابلیت‌های طراحی همتراز با RFdiffusion ایجاد کند، در حالی که سادگی ذاتی FrameDiff را حفظ می‌کند.

سرگئی اووچینیکوف، زیست‌شناس محاسباتی دانشگاه هاروارد… می‌گوید: دور انداختن یک مدل پیش‌بینی ساختار از پیش آموزش‌دیده (در FrameDiff) فرصت‌هایی را برای ایجاد سریع ساختارهایی با طول‌های بزرگ باز می‌کند. رویکرد نوآورانه محققان گامی امیدوارکننده به سوی غلبه بر محدودیت‌های مدل‌های پیش‌بینی ساختار فعلی ارائه می‌دهد. اگرچه هنوز کار مقدماتی است، اما گامی دلگرم کننده در جهت درست است. به این ترتیب، به لطف کار پیشگام این تیم تحقیقاتی MIT، چشم انداز طراحی پروتئین… که نقشی اساسی در رسیدگی به چالش های مهم بشریت ایفا می کند، به طور فزاینده ای در دسترس به نظر می رسد.

برای دیدن محصولات میتوانید به سایت اینترنتی YASASTORE مراجعه فرمایید.