[ad_1]

DeepMind در حال توسعه یک راه حل AI برای یک چالش پروتئین 50 ساله است

دو نمونه از اهداف پروتئینی در گروه مدل سازی رایگان. AlphaFold ساختارهای بسیار دقیق اندازه گیری شده از نتیجه آزمایش را پیش بینی می کند. اعتبار: DeepMind

به عنوان یک پیشرفت بزرگ علمی ، بر اساس ارزیابی دقیق مستقل ، آخرین نسخه از سیستم هوش مصنوعی DeepMind AlphaFold به عنوان یک راه حل برای 50 سال چالش بزرگ در پیش بینی ساختار پروتئین شناخته شده است ، که اغلب “مشکل تاشو پروتئین” نامیده می شود. این دستیابی به موفقیت می تواند تحقیقات بیولوژیکی را در طولانی مدت تسریع کند ، فرصت های جدیدی را برای درک بیماری ها و کشف داروها در مناطق دیگر باز کند.

نتایج CASP14 نشان می دهد که آخرین سیستم AlphaFold DeepMind به سطوح بی نظیر دقت در پیش بینی ساختار دست می یابد. این سیستم قادر است ساختارهای بسیار دقیق را در چند روز تعیین کند. CASP ، ارزیابی حیاتی ساختار پروتئین پیش بینی ، یک ارزیابی هر دوساله مبتنی بر جامعه است که در سال 1994 آغاز شده و یک استاندارد طلایی برای ارزیابی تکنیک های پیش بینی است. شرکت کنندگان باید کورکورانه ساختار پروتئین هایی را که اخیراً – یا در بعضی موارد هنوز به طور آزمایشی مشخص نشده اند – پیش بینی کنند و منتظر مقایسه پیش بینی هایشان با داده های تجربی باشند.

CASP از شاخص جهانی تست فاصله (GDT) برای تخمین دقت در محدوده 0 تا 100 استفاده می کند. سیستم جدید AlphaFold برای همه اهداف میانگین نمره 92.4 GDT را کسب می کند. میانگین خطای سیستم تقریباً 1.6 انگستروم است – تقریباً به اندازه عرض اتم. طبق گفته پروفسور جان مولت ، بنیانگذار و رئیس CASP ، نمره حدود 90 GDT به طور غیر رسمی با نتایج بدست آمده از روش های آزمایشی قابل رقابت است.

پروفسور جان مولت ، بنیانگذار و رئیس CASP ، دانشگاه مریلند ، گفت: “ما نزدیک به 50 سال است که در این یک مسئله – نحوه جمع شدن پروتئین ها – گیر کرده ایم. مشکل خیلی طولانی و بعد از این همه توقف و شروع به تعجب اینکه آیا ما هرگز به آنجا خواهیم رسید لحظه بسیار خاصی است. “

چرا پیش بینی ساختار پروتئین ها مهم است؟

پروتئین ها برای زندگی ضروری هستند و اشکال آنها با عملکرد آنها ارتباط نزدیک دارد. توانایی پیش بینی دقیق ساختارهای پروتئینی امکان درک بهتر کارها و نحوه کار آنها را فراهم می کند. در حال حاضر بیش از 200 میلیون پروتئین در پایگاه داده اصلی وجود دارد و فقط برخی از ساختارهای 3-D آنها نقشه برداری شده است.

یک چالش اساسی تعداد نجومی راههایی است که پروتئین می تواند از نظر تئوری قبل از استقرار در ساختار 3-D نهایی خود ، برابر شود. بسیاری از بزرگترین چالشهای پیش روی جامعه ، مانند ایجاد روشهای درمانی برای بیماریها یا یافتن آنزیمهایی که مواد زائد صنعتی را تجزیه می کنند ، عمدتا مربوط به پروتئین ها و نقشی است که آنها بازی می کنند. تعیین اشکال و عملکردهای پروتئین یک زمینه عمده تحقیقاتی است که عمدتا با استفاده از تکنیک های تجربی انجام می شود که برای هر ساختاری می تواند سالها کار سخت و طاقت فرسایی داشته باشد و نیاز به استفاده از تجهیزات تخصصی به ارزش میلیون ها دلار دارد.






https://www.youtube.com/watch؟v=KpedmJdrTpY

رویکرد DeepMind به مشکل تا شدن پروتئین

این موفقیت بر اساس اولین ورودی DeepMind در CASP13 در سال 2018 است ، جایی که نسخه اولیه AlphaFold بالاترین سطح دقت را در بین همه شرکت کنندگان بدست آورد. DeepMind در حال حاضر معماری یادگیری عمیق جدیدی را برای CASP14 ایجاد کرده است ، که از زمینه های زیست شناسی ، فیزیک و یادگیری ماشین و همچنین از کار بسیاری از دانشمندان تاشو پروتئین در نیم قرن گذشته الهام گرفته است.

پروتئین تا شده می تواند به عنوان یک “نمودار فضایی” دیده شود که در آن باقی مانده ها گره هستند و لبه ها بقایای موجود را در مجاورت یکدیگر متصل می کنند. این نمودار برای درک فعل و انفعالات فیزیکی پروتئین ها و همچنین تاریخچه تکامل آنها مهم است. برای آخرین نسخه AlphaFold که در CASP14 به کار رفته است ، DeepMind یک سیستم شبکه عصبی انتها به انتهای توجه را ایجاد کرده است که سعی در تفسیر ساختار این نمودار دارد در حالی که در نمودار ضمنی ساخته شده تأمل می کند. برای پالایش این نمودار از توالی های مرتبط با تکامل ، توالی چند توالی (MSA) و نمایش جفت های باقیمانده اسید آمینه استفاده می شود.

با تکرار این فرآیند ، سیستم پیش بینی های قوی در مورد ساختار فیزیکی اساسی پروتئین ایجاد می کند. علاوه بر این ، AlphaFold با استفاده از معیار اطمینان داخلی می تواند پیش بینی کند که کدام قسمت از هر ساختار پروتئین پیش بینی شده قابل اعتماد است.

این سیستم با استفاده از مقدار نسبتاً متوسطی از محاسبات مطابق با استانداردهای مدرن یادگیری ماشین – با استفاده از داده های موجود در دسترس عموم متشکل از 170،000 structures ساختار پروتئین از بانک داده پروتئین ، آموزش دیده است – تقریباً 128 هسته TPUv3 (تقریباً معادل 100-200 ~ GPU) صرف شده است چند هفته.

بالقوه برای تأثیر واقعی

DeepMind از کار با دیگران برای کسب اطلاعات بیشتر در مورد پتانسیل AlphaFold هیجان زده است و تیم AlphaFold در حال بررسی چگونگی پیش بینی ساختار پروتئین با چندین گروه تخصصی می تواند به درک برخی بیماری ها کمک کند.






https://www.youtube.com/watch؟v=gg7WjuFs8F4

همچنین نشانه هایی وجود دارد که پیش بینی ساختار پروتئین به عنوان یکی از بسیاری از ابزارهای توسعه یافته توسط جامعه علمی ، در تلاشهای بعدی برای پاسخ به همه گیری مفید است. در اوایل سال جاری ، DeepMind چندین ساختار پروتئینی از ویروس SARS-CoV-2 پیش بینی کرد ، و کار سریع و بسیار سریع آزمایشگران تاکنون تایید کرده است که AlphaFold به درجه بالایی از دقت در پیش بینی های خود رسیده است.

AlphaFold یکی از مهمترین دستاوردهای DeepMind تاکنون است. اما مانند سایر تحقیقات علمی ، هنوز کارهای زیادی باید انجام شود ، از جمله درک چگونگی ایجاد پروتئین های متعدد در مجتمع ها ، چگونگی تعامل آنها با DNA ، RNA یا مولکول های کوچک و همچنین تعیین محل دقیق تمام زنجیره های جانبی آمینو اسید.

DeepMind همانند سیستم قبلی CASP13 AlphaFold قصد دارد گزارشی را در مورد توصیف عملکرد این سیستم در یک مجله به موقع بررسی شده توسط همسالان ارسال کند و همزمان به بررسی چگونگی اطمینان از دسترسی گسترده تر به سیستم به صورت مقیاس پذیر بپردازد.

AlphaFold در حال نشان دادن پتانسیل خیره کننده هوش مصنوعی به عنوان ابزاری برای حمایت از کشفیات اساسی علمی است. DeepMind مشتاقانه منتظر کار با دیگران برای باز کردن این پتانسیل است.

پروفسور ونکی راماكریشنان ، برنده جایزه نوبل و رئیس انجمن سلطنتی گفت: “این كار محاسباتی نشان دهنده پیشرفت خیره كننده مسئله حل شدن پروتئین است ، یك چالش بزرگ 50 ساله در زمینه زیست شناسی. دهه ها پیش برای بسیاری از افراد در این زمینه اتفاق افتاد. ما روشهای زیادی را مشاهده می کنیم که از طریق آنها تحقیقات بیولوژیکی به طور اساسی تغییر خواهد کرد. ”


AlphaFold در پیش بینی ساختارهای پروتئینی اثر خود را می گذارد


اطلاعات بیشتر:
deepmind.com/blog/article/alph … چالشی در زیست شناسی

تهیه شده توسط DeepMind

نقل قول: توسعه یک راه حل AI برای یک چالش پروتئین 50 ساله (2020 ، 30 نوامبر) ، بازیابی شده در 30 نوامبر 2020 از https://phys.org/news/2020-11-ai-solution-year-old- پروتئین. html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به جز هر معامله عادلانه ای به منظور معاینه خصوصی یا تحقیق ، هیچ بخشی بدون اجازه کتبی قابل تولید نیست. این محتوا فقط برای اطلاع رسانی ارائه شده است.



[ad_2]

منبع: moshaverh-news.ir