DeepMind که یکی از آزمایشگاه‌های تحقیقاتی هوش مصنوعی گوگل به شمار می‌رود، پنج سال پیش AlphaFold را معرفی کرد. آلفافولد یک سیستم هوش مصنوعی است که می‌تواند ساختار بسیاری از پروتئین‌ها در بدن انسان را با دقت پیش‌بینی کند. DeepMind این سیستم را بهبود بخشید و نسخه‌ای به‌روز و توانمندتر، یعنی آلفافولد ۲ را در سال ۲۰۲۰ منتشر کرد.
و کار این آزمایشگاه ادامه دارد.
به تازگی DeepMind اعلام کرده است که جدیدترین نسخه آلفافولد که جانشین آلفافولد ۲ خواهد شد، می‌تواند پیش‌بینی‌هایی برای تقریباً تمام مولکول‌های موجود در بانک اطلاعات پروتئین (PDB)، بزرگترین پایگاه داده دسترسی آزاد مولکول‌های زیولوژیکی جهان، تولید کند.
در حال حاضر، Isomorphic Labs، یک شرکت متعلق به DeepMind که بر کشف دارو تمرکز دارد، از مدل جدید آلفافولد که در طراحی آن همکاری داشته است، برای طراحی داروهای درمانی استفاده می‌کند.
قابلیت‌های جدید آلفافولد
قابلیت‌های آلفافولد جدید فراتر از پیش‌بینی پروتئین است. DeepMind ادعا می‌کند که این مدل همچنین می‌تواند ساختار لیگاندها (مولکول‌هایی که به پروتئین‌های «گیرنده» متصل می‌شوند و باعث تغییراتی در نحوه برقراری ارتباط سلول‌ها می‌شوند) و همچنین اسیدهای نوکلئیک (مولکول‌هایی که حاوی اطلاعات ژنتیکی کلیدی هستند) و تغییرات پس از انتقال (تغییرات شیمیایی که پس از ایجاد پروتئین رخ می‌دهند) را با دقت پیش‌بینی کند.
پیش‌بینی ساختار پروتئین-لیگاند می‌تواند یک ابزار مفید در کشف دارو باشد. چرا که می‌تواند به دانشمندان در شناسایی و طراحی مولکول‌های جدیدی که می‌توانند به دارو تبدیل شوند، کمک کند.
در حال حاضر، محققان دارویی از شبیه‌سازی‌های کامپیوتری به نام «روش‌های پهلوگیری» برای تعیین نحوه تعامل پروتئین‌ها و لیگاندها استفاده می‌کنند. روش‌های پهلوگیری نیازمند یک ساختار پروتئین مرجع و یک موقعیت پیشنهادی روی آن ساختار برای اتصال لیگاند هستند.
با این حال، با جدیدترین آلفافولد، نیازی به استفاده از ساختار پروتئین مرجع یا موقعیت پیشنهادی نیست. این مدل می‌تواند پروتئین‌هایی را پیش‌بینی کند که قبلاً از نظر ساختاری مشخص نشده‌اند. آلفافولد، در عین حال نحوه تعامل پروتئین‌ها و اسیدهای نوکلئیک با سایر مولکول‌ها را شبیه‌سازی می‌کند. سطحی از مدل‌سازی که DeepMind می‌گوید با روش‌های پهلوگیری امروزی امکان‌پذیر نیست.
DeepMind در این پست می‌نویسد: «تجزیه و تحلیل اولیه همچنین نشان می‌دهد که مدل ما در برخی از مشکلات پیش‌بینی ساختار پروتئین که برای کشف دارو مرتبط هستند، مانند اتصال آنتی‌بادی، عملکرد بسیار بهتری نسبت به [نسل قبلی] آلفافولد دارد. جهش چشمگیر در عملکرد مدل ما پتانسیل هوش مصنوعی را برای ارتقای قابل توجه درک علمی از ماشین‌های مولکولی تشکیل دهنده بدن انسان نشان می‌دهد.»
البته آلفافولد جدید هنوز کامل نیست. محققان DeepMind و Isomorphic Labs در یک مقاله که نقاط قوت و ضعف سیستم را شرح می‌دهد، فاش می‌کنند که این سیستم در پیش‌بینی ساختار مولکول‌های RNA (مولکول‌های موجود در بدن که دستورالعمل‌های تولید پروتئین را حمل می‌کنند) از بهترین روش موجود ضعیف‌تر است. بدون شک، DeepMind و Isomorphic Labs در حال تلاش برای رفع این مشکل هستند و باید منتظر نتایج این تحقیق ماند.
منبع: Techcrunch
نظرات