خبر های ویژه
19 مهر 1403
یادگیری ماشینی مشکل تا شدن پروتئین را حل کرد و جایزه نوبل شیمی 2024 را برد.
مارک زیمر استاد شیمی، کالج کانکتیکات
جایزه نوبل شیمی 2024 به دمیس حسابیس، جان جامپر و دیوید بیکر برای استفاده از یادگیری ماشینی برای مقابله با یکی از بزرگترین چالش های زیست شناسی: پیش بینی شکل سه بعدی پروتئین ها و طراحی آنها از ابتدا، قدردانی کرد. جایزه امسال به این دلیل برجسته بود که به تحقیقاتی که در یک شرکت فناوری سرچشمه گرفته بود، تجلیل شد: DeepMind، یک استارت‌آپ تحقیقاتی هوش مصنوعی که در سال 2014 توسط گوگل خریداری شد. بیشتر جوایز نوبل شیمی قبلی به محققان دانشگاهی تعلق گرفته است. بسیاری از برندگان جوایز برای گسترش بیشتر و تجاری سازی کارهای پیشگامانه خود - به عنوان مثال، فناوری ویرایش ژن CRISPR و نقاط کوانتومی - شرکت های استارت آپی را تشکیل دادند، اما این تحقیق از ابتدا تا انتها در حوزه تجاری انجام نشد. اگرچه جوایز نوبل در فیزیک و شیمی به طور جداگانه اعطا می شوند، اما ارتباط شگفت انگیزی بین تحقیقات برنده شده در این زمینه ها در سال 2024 وجود دارد. جایزه فیزیک به دو دانشمند رایانه تعلق گرفت که پایه های یادگیری ماشینی را پایه ریزی کردند، در حالی که برندگان شیمی به خاطر این موضوع جایزه گرفتند. استفاده آنها از یادگیری ماشینی برای مقابله با یکی از بزرگترین رازهای زیست شناسی: چگونگی تا شدن پروتئین ها. جوایز نوبل 2024 هم بر اهمیت این نوع هوش مصنوعی تاکید می کند و هم اینکه علم امروز اغلب از مرزهای سنتی عبور می کند و زمینه های مختلف را برای دستیابی به نتایج پیشگامانه ترکیب می کند.
تبریز امروز:
جایزه نوبل شیمی 2024 به دمیس حسابیس، جان جامپر و دیوید بیکر برای استفاده از یادگیری ماشینی برای مقابله با یکی از بزرگترین چالش های زیست شناسی: پیش بینی شکل سه بعدی پروتئین ها و طراحی آنها از ابتدا، قدردانی کرد.
جایزه امسال به این دلیل برجسته بود که به تحقیقاتی که در یک شرکت فناوری سرچشمه گرفته بود، تجلیل شد: DeepMind، یک استارت‌آپ تحقیقاتی هوش مصنوعی که در سال 2014 توسط گوگل خریداری شد. بیشتر جوایز نوبل شیمی قبلی به محققان دانشگاهی تعلق گرفته است. بسیاری از برندگان جوایز برای گسترش بیشتر و تجاری سازی کارهای پیشگامانه خود - به عنوان مثال، فناوری ویرایش ژن CRISPR و نقاط کوانتومی - شرکت های استارت آپی را تشکیل دادند، اما این تحقیق از ابتدا تا انتها در حوزه تجاری انجام نشد.
اگرچه جوایز نوبل در فیزیک و شیمی به طور جداگانه اعطا می شوند، اما ارتباط شگفت انگیزی بین تحقیقات برنده شده در این زمینه ها در سال 2024 وجود دارد. جایزه فیزیک به دو دانشمند رایانه تعلق گرفت که پایه های یادگیری ماشینی را پایه ریزی کردند، در حالی که برندگان شیمی به خاطر این موضوع جایزه گرفتند. استفاده آنها از یادگیری ماشینی برای مقابله با یکی از بزرگترین رازهای زیست شناسی: چگونگی تا شدن پروتئین ها بود.
جوایز نوبل 2024 هم بر اهمیت این نوع هوش مصنوعی تاکید می کند و هم اینکه علم امروز اغلب از مرزهای سنتی عبور می کند و زمینه های مختلف را برای دستیابی به نتایج پیشگامانه ترکیب می کند.
چالش تا شدن پروتئین
پروتئین ها ماشین های مولکولی زندگی هستند. آنها بخش قابل توجهی از بدن ما از جمله ماهیچه ها، آنزیم ها، هورمون ها، خون، مو و غضروف را تشکیل می دهند.
پروتئین‌ها زنجیره‌ای از مولکول‌های آمینو اسید هستند که بر اساس برهمکنش اتم‌هایشان شکلی سه‌بعدی را تشکیل می‌دهند. © یوهان جارنستاد/آکادمی سلطنتی علوم سوئد
درک ساختار پروتئین ها ضروری است زیرا شکل آنها عملکرد آنها را تعیین می کند. در سال 1972، کریستین آنفینسن جایزه نوبل شیمی را برای نشان دادن اینکه توالی اجزای سازنده اسید آمینه پروتئین، شکل پروتئین را دیکته می کند، برنده شد، که به نوبه خود بر عملکرد آن تأثیر می گذارد. اگر پروتئینی به درستی تا شود، ممکن است به درستی کار نکند و منجر به بیماری هایی مانند آلزایمر، فیبروز کیستیک یا دیابت شود.
شکل کلی یک پروتئین به فعل و انفعالات کوچک، جاذبه ها و دافعه ها، بین تمام اتم های اسیدهای آمینه ای که از آن ساخته شده است، بستگی دارد. برخی می خواهند با هم باشند، برخی نه. این پروتئین بر اساس هزاران مورد از این فعل و انفعالات شیمیایی، خود را می پیچد و به شکل نهایی تا می کند.
برای دهه‌ها، یکی از بزرگترین چالش‌های زیست‌شناسی پیش‌بینی شکل پروتئین تنها بر اساس توالی اسید آمینه آن بود. اگرچه محققان اکنون می‌توانند شکل را پیش‌بینی کنند، اما ما هنوز نمی‌دانیم که چگونه پروتئین‌ها به شکل‌های خاص خود مانور می‌دهند و دفع تمام فعل و انفعالات بین اتمی را در چند میکروثانیه به حداقل می‌رسانند.
برای درک نحوه عملکرد پروتئین ها و جلوگیری از تا شدن اشتباه، دانشمندان به راهی برای پیش بینی نحوه تا شدن پروتئین ها نیاز داشتند، اما حل این معما کار ساده ای نبود.
در سال 2003، دیوید بیکر، بیوشیمیدان دانشگاه واشنگتن، روزتا را نوشت، برنامه ای کامپیوتری برای طراحی پروتئین ها. او با آن نشان داد که می توان با طراحی یک شکل پروتئین و سپس پیش بینی توالی اسید آمینه مورد نیاز برای ایجاد آن، مشکل تا شدن پروتئین را معکوس کرد.
این یک پرش فوق العاده به جلو بود، اما شکل انتخاب شده برای محاسبه ساده و محاسبات پیچیده بود. یک تغییر پارادایم عمده برای طراحی معمول پروتئین های جدید با ساختارهای دلخواه مورد نیاز بود.
عصر جدیدی از یادگیری ماشینی
یادگیری ماشینی نوعی از هوش مصنوعی است که در آن کامپیوترها حل مشکلات را با تجزیه و تحلیل حجم وسیعی از داده ها یاد می گیرند. در زمینه‌های مختلف، از بازی و تشخیص گفتار گرفته تا وسایل نقلیه خودران و تحقیقات علمی، استفاده می‌شود. ایده پشت یادگیری ماشینی استفاده از الگوهای پنهان در داده ها برای پاسخ به سوالات پیچیده است.
این رویکرد در سال 2010، زمانی که دمیس هسبیس، DeepMind را تأسیس کرد، یک جهش بزرگ ایجاد کرد، شرکتی که هدف آن ترکیب علوم اعصاب با هوش مصنوعی برای حل مشکلات دنیای واقعی است.
Hassabis، یک اعجوبه شطرنج در سن 4 سالگی، به سرعت با AlphaZero، هوش مصنوعی که به خود آموخت شطرنج را در سطحی مافوق بشری بازی کند، خبرساز شد. در سال 2017، AlphaZero به طور کامل برترین برنامه شطرنج کامپیوتری جهان، Stockfish-8 را شکست داد. توانایی هوش مصنوعی برای از گیم پلی خود یاد بگیرد، به جای تکیه بر استراتژی های از پیش برنامه ریزی شده، نقطه عطفی را در دنیای هوش مصنوعی رقم زد.
اندکی پس از آن، DeepMind تکنیک های مشابهی را برای Go، یک بازی رومیزی باستانی که به دلیل پیچیدگی فوق العاده اش شناخته شده است، به کار برد. در سال 2016، برنامه هوش مصنوعی AlphaGo یکی از برترین بازیکنان جهان، لی سدول، را در یک مسابقه پر بیننده که میلیون ها نفر را شگفت زده کرد، شکست داد.
دانشمندان برنده دریافت جایزه نوبل شیمی
در سال 2016، Hassabis تمرکز DeepMind را به یک چالش جدید تغییر داد: مشکل تا شدن پروتئین. پروژه AlphaFold تحت رهبری جان جامپر، یک شیمیدان با سابقه در علم پروتئین آغاز شد. این تیم برای آموزش هوش مصنوعی از پایگاه داده بزرگی از ساختارهای پروتئینی که به طور تجربی تعیین شده بود استفاده کردند که به آن اجازه داد تا اصول تا کردن پروتئین را بیاموزد. نتیجه AlphaFold2 بود، یک هوش مصنوعی که می‌توانست ساختار سه‌بعدی پروتئین‌ها را از روی توالی‌های اسید آمینه آنها با دقت قابل‌توجهی پیش‌بینی کند.
این یک پیشرفت علمی مهم بود. AlphaFold از آن زمان ساختار بیش از 200 میلیون پروتئین را پیش بینی کرده است - اساساً تمام پروتئین هایی که دانشمندان تا به امروز توالی یابی کرده اند. این پایگاه داده عظیم از ساختارهای پروتئینی اکنون به صورت رایگان در دسترس است و تحقیقات در زیست شناسی، پزشکی و توسعه دارو را تسریع می کند.
پروتئین های طراح برای مبارزه با بیماری
درک چگونگی تا شدن و عملکرد پروتئین ها برای طراحی داروهای جدید بسیار مهم است. آنزیم ها، نوعی پروتئین، به عنوان کاتالیزور در واکنش های بیوشیمیایی عمل می کنند و می توانند این فرآیندها را تسریع یا تنظیم کنند. برای درمان بیماری هایی مانند سرطان یا دیابت، محققان اغلب آنزیم های خاصی را هدف قرار می دهند که در مسیرهای بیماری دخیل هستند. با پیش‌بینی شکل یک پروتئین، دانشمندان می‌توانند دریابند که مولکول‌های کوچک - کاندیدای دارویی بالقوه - ممکن است به آن متصل شوند، که اولین گام در طراحی داروهای جدید است.
در سال 2024، DeepMind AlphaFold3 را راه‌اندازی کرد، نسخه ارتقا یافته‌ای از برنامه AlphaFold که نه تنها اشکال پروتئین را پیش‌بینی می‌کند، بلکه مکان‌های اتصال بالقوه مولکول‌های کوچک را نیز شناسایی می‌کند. این پیشرفت، طراحی داروهایی را که دقیقاً پروتئین های مناسب را هدف قرار می دهند، برای محققان آسان تر می کند.
Google Deepmind را در سال 2014 به قیمت حدود نیم میلیارد دلار خریداری کرد. Google DeepMind اکنون یک سرمایه گذاری جدید به نام Isomorphic Labs را برای همکاری با شرکت های داروسازی در توسعه دارو در دنیای واقعی با استفاده از این پیش بینی های AlphaFold3 آغاز کرده است.
به نوبه خود، دیوید بیکر به کمک قابل توجهی به علم پروتئین ادامه داده است. تیم او در دانشگاه واشنگتن یک روش مبتنی بر هوش مصنوعی به نام «توهم در سطح خانواده» را توسعه دادند که از آن برای طراحی پروتئین‌های کاملاً جدید از ابتدا استفاده کردند. توهمات الگوهای جدیدی هستند - در این مورد، پروتئین ها - که قابل قبول هستند، به این معنی که آنها با الگوهای موجود در داده های آموزشی هوش مصنوعی مطابقت دارند. این پروتئین های جدید شامل یک آنزیم ساطع کننده نور بودند که نشان می دهد یادگیری ماشینی می تواند به ایجاد پروتئین های مصنوعی جدید کمک کند. این ابزارهای هوش مصنوعی راه‌های جدیدی را برای طراحی آنزیم‌های کاربردی و سایر پروتئین‌ها ارائه می‌دهند که هرگز نمی‌توانستند به طور طبیعی تکامل پیدا کنند.
هوش مصنوعی فصل بعدی تحقیق را فعال می کند
دستاوردهای ارزش نوبل Hassabis، Jumper و Baker نشان می‌دهد که یادگیری ماشینی فقط ابزاری برای دانشمندان رایانه نیست، بلکه اکنون بخش مهمی از آینده زیست‌شناسی و پزشکی است.
برندگان جایزه 2024 با پرداختن به یکی از سخت‌ترین مشکلات زیست‌شناسی، فرصت‌های جدیدی را در زمینه کشف دارو، پزشکی شخصی‌سازی شده و حتی درک ما از شیمی زندگی باز کرده‌اند.
ارتباط با تبریز امروز
اخبار ، گزارشات ، عکسها و فیلم های خود را برای ما ارسال دارید . برای ارسال میتوانید از طریق آدرس تلگرامی یا ایمیل استفاده کنید.
اشتراک در خبرنامه
برای اطلاع از آخرین خبرهای تبریز امروز در کانال تلگرام ما عضو شوید.
