مجله نیویورک تایمزدسامبر 01 ، 2020 11:27:28 IST

برخی از دانشمندان عمر خود را صرف تلاش برای تعیین دقیق شکل پروتئین های کوچک در بدن انسان می کنند.

پروتئین ها مکانیسم های میکروسکوپی هستند که رفتار ویروس ها ، باکتری ها ، بدن انسان و همه موجودات زنده را هدایت می کنند. آنها به عنوان رشته ای از ترکیبات شیمیایی قبل از چرخاندن و جمع شدن به اشکال سه بعدی شروع می شوند که مشخص می کند چه کاری می توانند انجام دهند – و آنچه را که نمی توانند.

برای زیست شناسان ، شناسایی شکل دقیق پروتئین اغلب به ماهها ، سالها یا حتی دهه ها آزمایش نیاز دارد. این به مهارت ، هوش و بیش از کمی چربی آرنج نیاز دارد. بعضی اوقات هرگز موفق نمی شوند.

اکنون ، یک آزمایشگاه هوش مصنوعی در لندن یک سیستم رایانه ای ساخته است که می تواند ظرف چند ساعت – شاید حتی چند دقیقه – کار را انجام دهد.

DeepMind ، آزمایشگاهی متعلق به همان شرکت مادر اصلی گوگل ، روز دوشنبه گفت که سیستم آن ، AlphaFold ، آنچه را که به عنوان “مشکل تاشو پروتئین” شناخته می شود ، حل کرده است. با توجه به رشته آمینو اسیدهایی که یک پروتئین را تشکیل می دهند ، سیستم می تواند به سرعت و با اطمینان شکل سه بعدی آن را پیش بینی کند.

این دستیابی به موفقیت طولانی مدت می تواند سرعت درک بیماری ها ، تولید داروهای جدید و باز کردن رمز و رازهای بدن انسان را تسریع کند.

دانشمندان کامپیوتر بیش از 50 سال برای ساخت چنین سیستمی تلاش کرده اند. در 25 سال گذشته ، آنها تلاش های خود را از طریق یک رقابت جهانی به نام ارزیابی انتقادی پیش بینی ساختار یا CASP اندازه گیری و مقایسه کرده اند. تاکنون هیچ مسابقه ای حتی به حل مشکل نزدیک نشده بود.

DeepMind با طیف گسترده ای از پروتئین ها این مشکل را حل کرد و به یک درجه دقت رسید که با آزمایش های فیزیکی رقابت می کند. بسیاری از دانشمندان تصور می کردند که این لحظه هنوز سالهاست ، اگر نه دهها سال دیگر.

جان مولت ، استاد دانشگاه مریلند که در سال 1994 به ایجاد CASP کمک کرد و به نظارت بر مسابقه دوسالانه ادامه داد ، گفت: “من همیشه امیدوار بودم که بتوانم این روز را ببینم.” “اما همیشه مشخص نبود که می خواهم آن را بسازم.”

به عنوان بخشی از CASP امسال ، فناوری DeepMind توسط مولت و دیگر محققان نظارت بر مسابقه مورد بررسی قرار گرفت.

وی و دیگر محققان گفتند ، اگر روش های DeepMind قابل اصلاح باشد ، این روش ها می توانند سرعت تولید داروهای جدید و همچنین تلاش برای استفاده از داروهای موجود در ویروس ها و بیماری های جدید را تسریع كنند.

دستیابی به موفقیت بسیار دیر انجام می شود تا تأثیر قابل توجهی بر ویروس کرونا بگذارد. اما محققان بر این باورند که روش های DeepMind می توانند پاسخ به همه گیری های آینده را تسریع کنند. برخی معتقدند که این امر همچنین می تواند به دانشمندان کمک کند تا درک بهتری از بیماری های ژنتیکی در امتداد آلزایمر یا فیبروز کیستیک داشته باشند.

هنوز هم ، کارشناسان هشدار دادند که این فناوری فقط بخش کوچکی از روند طولانی را تحت تأثیر قرار می دهد که دانشمندان داروهای جدید را شناسایی می کنند و بیماری را تجزیه و تحلیل می کنند. همچنین مشخص نبود که DeepMind چه زمانی یا چگونه فناوری خود را با سایر محققان به اشتراک می گذارد.

DeepMind یکی از بازیگران اصلی در یک تغییر گسترده است که طی 10 سال گذشته در سراسر دانشگاه ، صنعت فناوری و جامعه پزشکی گسترش یافته است. به لطف یک فناوری هوش مصنوعی به نام شبکه عصبی ، اکنون ماشین آلات می توانند یاد بگیرند که بسیاری از وظایف را که زمانی از عهده آنها خارج بود – و گاهی از عهده انسانها خارج کنند.

شبکه عصبی یک سیستم ریاضی است که به آرامی از شبکه نورونهای مغز انسان الگو گرفته است. این مهارت با تجزیه و تحلیل مقدار زیادی از داده ها را می آموزد. به عنوان مثال ، با تعیین دقیق الگوها در هزاران عکس گربه ، می تواند گربه را تشخیص دهد.

این فناوری است که چهره ها را در عکس هایی که به فیس بوک ارسال می کنید شناسایی می کند ، دستوراتی را که در گوشی هوشمند خود پارس می کنید شناسایی کرده و در Skype و سایر سرویس ها زبان دیگری را به زبان دیگر ترجمه می کند. DeepMind از این فناوری برای پیش بینی شکل پروتئین ها استفاده می کند.

اگر دانشمندان بتوانند شکل پروتئین در بدن انسان را پیش بینی کنند ، می توانند نحوه اتصال یا اتصال فیزیکی سایر مولکول ها به آن را تعیین کنند. این یکی از راه های تولید دارو است: یک دارو به پروتئین های خاصی در بدن متصل می شود و رفتار آنها را تغییر می دهد.

با تجزیه و تحلیل هزاران پروتئین شناخته شده و اشکال فیزیکی آنها ، یک شبکه عصبی می تواند یاد بگیرد که شکل دیگران را پیش بینی کند. در سال 2018 ، با استفاده از این روش ، DeepMind برای اولین بار وارد مسابقه CASP شد و سیستم آن از سایر رقبا بهتر عمل کرد و این نشان دهنده یک تغییر قابل توجه است. اما تیم زیست شناسان ، فیزیکدانان و دانشمندان علوم رایانه آن ، با هدایت یک محقق به نام جان جامپر ، هیچ کجا به حل مسئله نهایی نزدیک نبودند.

در طی دو سال از آن زمان ، جامپر و تیمش نوع کاملاً جدیدی از شبکه عصبی را به طور خاص برای تاشو پروتئین طراحی کردند و این یک جهش بزرگ در دقت بود. دانشمند تحقیقاتی DeepMind ، کاترین تونیاسووناکول ، گفت: آخرین نسخه آنها یک راه حل قدرتمند ، اگر ناقص باشد ، برای مشکل تاشو پروتئین فراهم می کند.

با توجه به نتایج مسابقه CASP ، این سیستم می تواند شکل پروتئین را در حدود دو سوم زمان با دقت پیش بینی کند. و اشتباهات آن با این پروتئین ها از عرض یک اتم کوچکتر است – میزان خطایی که با آزمایش های فیزیکی رقابت می کند.

مولت ، برگزار کننده مسابقه ، گفت: “بیشتر اتم ها در قطر اتمی از جایی هستند که در ساختار آزمایش قرار دارند.” “و با مواردی که اینگونه نیستند ، توضیحات احتمالی دیگری نیز درباره تفاوتها وجود دارد.”

آندری لوپاس ، مدیر گروه تکامل پروتئین در م Instituteسسه زیست شناسی رشد ماکس پلانک در آلمان ، از جمله کسانی است که با AlphaFold کار می کند. او بخشی از تیمی است که یک دهه تلاش کرد تا شکل فیزیکی یک پروتئین خاص را در ارگانیسم کوچکی شبیه باکتری به نام باستان شناسی تعیین کند.

این پروتئین غشای سلولهای جداگانه را می گیرد – بخشی در داخل سلول است ، بخشی در خارج است – و این مسئله تعیین دانش پروتئین در آزمایشگاه را برای دانشمندان مانند لوپاس دشوار می کند. حتی پس از یک دهه ، او نتوانست شکل را مشخص کند.

با AlphaFold ، او در عرض نیم ساعت مشکل را شکست.

وی گفت ، اگر این روشها همچنان بهبود یابند ، آنها می توانند به ویژه روش مفیدی برای تعیین اینکه آیا ویروس جدید با کوکتل داروهای موجود قابل درمان است ، باشند.

لوپاس گفت: “ما می توانیم غربالگری هر ترکیبی را که مجاز به استفاده در انسان است ، شروع کنیم.” “ما می توانیم با داروهای موجود ، با بیماری همه گیر بعدی روبرو شویم.”

در طی همه گیری کنونی ، شکل ساده تری از هوش مصنوعی در برخی موارد مفید واقع شد. سیستمی که توسط یک شرکت لندنی دیگر به نام BenevolentAI ساخته شده است ، به تعیین داروی موجود ، باریسیتینیب ، کمک می کند تا برای درمان بیماران COVID-19 بیمار جدی استفاده شود. محققان اکنون یک آزمایش بالینی را به اتمام رسانده اند ، هر چند نتایج هنوز منتشر نشده است.

در حالی که محققان به پیشرفت این فناوری ادامه می دهند ، AlphaFold می تواند این نوع تجدید دارو و همچنین تولید واکسن های کاملاً جدید را تسریع کند ، به خصوص اگر با ویروسی روبرو شویم که حتی کمتر از COVID-19 قابل درک باشد.

دیوید بیکر ، مدیر انستیتوی طراحی پروتئین در دانشگاه واشنگتن ، که از فناوری رایانه ای مشابهی برای طراحی داروهای ضد ویروس کرونا استفاده کرده است ، گفت که روش های DeepMind می تواند این کار را تسریع کند.

وی گفت: “ما توانستیم طی چند ماه پروتئین های خنثی كننده ویروس کرونا را طراحی كنیم.” “اما هدف ما انجام این کار در طی دو هفته است.”

دکتر وینسنت مارکونی ، محقق دانشگاه اموری در آتلانتا که به هدایت آزمایش باریسیتینیب کمک کرده است ، گفت که هنوز سرعت توسعه باید با مسائل دیگر مانند آزمایشات کلینیکی گسترده مقابله کند. وی گفت: “این زمان می برد.”

اما روش های DeepMind می تواند راهی برای تعیین عدم موفقیت یک آزمایش بالینی به دلیل واکنش های سمی یا سایر مشکلات باشد ، حداقل در بعضی موارد.

دمیس حسابیس ، مدیر اجرایی و بنیانگذار DeepMind ، گفت که این شرکت قصد دارد جزئیاتی را در مورد کار خود منتشر کند ، اما بعید است این اتفاق تا سال آینده رخ دهد. وی همچنین گفت این شرکت در حال بررسی روشهای به اشتراک گذاری این فناوری با دانشمندان دیگر است.

DeepMind یک آزمایشگاه تحقیقاتی است. این محصول مستقیماً به آزمایشگاهها یا مشاغل دیگر نمی فروشد. اما می تواند با شرکت های دیگر همکاری کند تا به فناوری خود از طریق اینترنت دسترسی داشته باشند.

بزرگترین پیشرفت آزمایشگاه در گذشته شامل بازیها بود. این سیستم در بازی استراتژی باستان Go و بازی ویدیویی محبوب StarCraft – که دستاوردهای فوق العاده فنی و بدون کاربرد عملی است – سیستم هایی را ساخته است که از عملکرد انسان پیشی می گیرند. اکنون ، تیم DeepMind مشتاق است که فناوری هوش مصنوعی خود را به دنیای واقعی سوق دهد.

جامپر گفت: “ما نمی خواهیم یک شرکت هیئت مدیره رهبر باشیم.” “ما ارتباط بیولوژیکی واقعی می خواهیم.”

Cade Metz c.2020 The New York Times Company