الذكاء الاصطناعي والتقدم في التنبؤ بكيفية طي البروتينات

الذكاء الاصطناعي والتقدم في التنبؤ بكيفية طي البروتينات - وهو أحد أعظم التحديات في علم الأحياء - واعدًا بالتطوير السريع للأدويه

أظهر برنامج برمجي "التعلم العميق" من مختبر DeepMind المملوك لشركة Google تقدمًا كبيرًا في حل أحد أكبر التحديات في علم الأحياء - فهم طي البروتين.

طي البروتين

طي البروتين هو العملية التي يأخذ بها البروتين شكله من سلسلة من الكتل الإنشائية إلى هيكله النهائي ثلاثي الأبعاد ، والذي يحدد وظيفته.

من خلال التنبؤ بشكل أفضل بكيفية اتخاذ البروتينات لبنيتها ، أو "طيها" ، يمكن للعلماء تطوير عقاقير أسرع ، على سبيل المثال ، تمنع عمل البروتينات الفيروسية الحاسمة.

إن حل ما يسميه علماء الأحياء "مشكلة طي البروتين" هو مشكلة كبيرة. البروتينات هي حصيلة عمل الخلايا وهي موجودة في جميع الكائنات الحية. وهي تتكون من سلاسل طويلة من الأحماض الأمينية وهي حيوية لبنية الخلايا والتواصل بينها وكذلك تنظيم كل الكيمياء في الجسم.

هذا الأسبوع ، عرضت شركة DeepMind للذكاء الاصطناعي المملوكة لشركة Google برنامجًا للتعلم العميق يسمى AlphaFold2 ، والذي يدعو الخبراء إلى تحقيق تقدم نحو حل التحدي الكبير المتمثل في طي البروتين .

البروتينات عبارة عن سلاسل طويلة من الأحماض الأمينية مرتبطة ببعضها مثل الخرز على خيط. ولكن لكي يقوم البروتين بوظيفته في الخلية ، يجب أن "يطوي" - وهي عملية التواء وانثناء تحول الجزيء إلى بنية معقدة ثلاثية الأبعاد يمكنها التفاعل مع هدفها في الخلية. إذا تعطل الطي ، فلن يشكل البروتين الشكل الصحيح - ولن يكون قادرًا على أداء وظيفته داخل الجسم. هذا يمكن أن يؤدي إلى المرض - كما هو الحال في مرض شائع مثل مرض الزهايمر ، ومرض نادر مثل التليف الكيسي.

التعلم العميق

 هو أسلوب حسابي يستخدم المعلومات المخفية في كثير من الأحيان الموجودة في مجموعات البيانات الضخمة لحل الأسئلة ذات الاهتمام. لقد تم استخدامه على نطاق واسع في مجالات مثل الألعاب والتعرف على الكلام والصوت والسيارات المستقلة والعلوم والطب.

أعتقد أن أدوات مثل AlphaFold2 ستساعد العلماء على تصميم أنواع جديدة من البروتينات ، تلك التي قد تساعد ، على سبيل المثال ، في تكسير البلاستيك ومحاربة الأوبئة والأمراض الفيروسية في المستقبل.

بعد عقود من الدراسة من قبل آلاف المجموعات البحثية ، تعد برامج التنبؤ بطي البروتين جيدة جدًا في حساب التغييرات الهيكلية التي تحدث عندما نقوم بإجراء تعديلات صغيرة على الجزيئات المعروفة.

لكنهم لم يتمكنوا بشكل كافٍ من التنبؤ بكيفية انكسار البروتينات من الصفر. قبل ظهور التعلم العميق ، بدت مشكلة طي البروتين صعبة بشكل مستحيل ، وبدا أنها مهيأة لإحباط الكيميائيين الحاسوبيين لعقود عديدة قادمة.

يتم طي جميع البروتينات التي لها نفس تسلسل كتل بناء الأحماض الأمينية في نفس الشكل ثلاثي الأبعاد ، مما يحسن التفاعلات بين الأحماض الأمينية. يفعلون ذلك في غضون أجزاء من الثانية ، على الرغم من أن لديهم عددًا فلكيًا من التكوينات الممكنة المتاحة لهم - حوالي 10 أس 300 . هذا العدد الهائل هو ما يجعل من الصعب التنبؤ بكيفية طيات البروتين حتى عندما يعرف العلماء التسلسل الكامل للأحماض الأمينية التي تدخل في صنعه. كان التنبؤ سابقًا ببنية البروتين من تسلسل الأحماض الأمينية أمرًا مستحيلًا. تم تحديد هياكل البروتين بشكل تجريبي ، وهو مسعى مكلف ويستغرق وقتًا طويلاً.

بمجرد أن يتمكن الباحثون من التنبؤ بشكل أفضل بكيفية تطاير البروتينات ، سيتمكنون من فهم كيفية عمل الخلايا بشكل أفضل وكيف تسبب البروتينات المشوهة المرض. ستساعدنا أدوات تنبؤ البروتين الأفضل أيضًا في تصميم الأدوية التي يمكن أن تستهدف منطقة طوبولوجية معينة من البروتين حيث تحدث التفاعلات الكيميائية.