در رقابت بین هوش مصنوعی و یک محقق زمانی که از هر دو خواسته شد توالی پروتئینی را که با موفقیت ترکیب می شوند، پیش بینی کنند، هوش مصنوعی به پیروزی رسید.خود مونتاژی
به گزارش تکناک، ویکاس ناندا، محقق مرکز بیوتکنولوژی و پزشکی پیشرفته (CABM) در راتگرز ایالات متحده، بیش از 20 سال است که ساختار پروتئین ها را مطالعه می کند و در این زمینه فردی آگاه محسوب می شود.
او اغلب بررسی می‌کرد که چگونه الگوهای متمایز اسیدهای آمینه که پروتئین‌ها را ایجاد میکنند، تعیین میکنند که آیا این پروتئین ها به چیزی مانند هموگلوبین یا کلاژن تبدیل می‌شوند.
او اغلب به دلیل این که چرا پروتئین های خاص برای تشکیل ترکیبات متمایزتر جمع می شوند فکر می کرد. تخصص او در خودآرایی پروتئین هایی است که با هم جمع می شوند و با خود مونتاژی(self assemble) ساختارهای متفاوتی از پروتئین را تشکیل می دهند.
با توجه به تخصص ناندا در مورد موضوع پروتئین ها که بیش از دو دهه را در بر می گرفت، او کاندیدای عالی برای آزمایش دانش هوش مصنوعی یک ماشین در مورد توالی پروتئین بود. محققان به این نتیجه رسیدند که او یک انتخاب عالی برای مطالعه است. تیم تحقیقاتی می‌خواست آزمایشی را انجام دهد که در آن انسان با یک ماشین، به‌ویژه یک برنامه رایانه‌ای با هوش مصنوعی رقابت کند. انسان دارای دانش غریزی و اطلاعات جامع در مورد طراحی و توالی پروتئین است، در حالی که هوش مصنوعی بر اساس مجموعه داده ها و برنامه ریزی قابلیت های پیش بینی دارد.
تیم تحقیقاتی می خواستند ببینند که انسان یا ماشین کدامیک توالی پروتئین ها را بهتر پیش بینی میکند. همچنین، تیم می‌خواست ببیند آیا انسان یا ماشین کدامیک می‌توانند توالی پروتئین‌ها را با موفقیت ترکیب کنند. نتیجه بسیار نزدیک بود، اما برنامه هوش مصنوعی ناندا را با اختلاف کمی شکست داد.
اهمیت خودمونتاژی
محققان علاقه مند به خودمونتاژی هستند زیرا معتقدند که درک کامل این مفهوم می تواند به آنها کمک کند تا محصولات متعددی برای مصارف پزشکی و صنعتی مانند بافت انسانی مصنوعی برای زخم ایجاد کنند.
ناندا، استاد گروه بیوشیمی و زیست‌شناسی مولکولی در پزشکی دانشگاه راتگرز رابرت وود جانسون گفت: علی‌رغم تخصص گسترده ما، هوش مصنوعی در چندین مجموعه داده به خوبی یا بهتر عمل کرد و پتانسیل فوق‌العاده یادگیری ماشینی برای غلبه بر تعصب انسان را نشان داد..
پیشینه پروتئین ها و دانش ناندا در مورد طراحی پروتئین
پروتئین ها از تعداد زیادی اسید آمینه به هم پیوسته تشکیل شده اند. زنجیرها تا می شوند تا مولکول های سه بعدی با اشکال مختلف را تشکیل دهند. شکل منحصر به فرد هر پروتئین، همراه با اسید آمینه آن، تعیین می کند که چه کاری انجام می دهد. ناندا “طراحی پروتئین” را مطالعه می کند، که شامل بررسی توالی هایی است که پروتئین های جدید می سازد. اخیرا او و تیمش پروتئین مصنوعی طراحی کرده اند که می تواند عامل عصبی خطرناکی به نام VX را شناسایی کند. این کشف می‌تواند به ایجاد حسگرهای زیستی جدید(دستگاه‌هایی که مواد شیمیایی را تشخیص می‌دهند) و درمان برخی از بیماری ها کمک کند.
دانشمندان نمی‌توانند دلیل اینکه چرا پروتئین‌ها با پروتئین‌های دیگر برای تشکیل ابرساختارها خود مونتاژی میکنند را توضیح دهند. گاهی اوقات، پروتئین‌ها خود به خود جمع می‌شوند، زیرا به نظر می‌رسد از طرح خاصی پیروی میکنند، مانند ایجاد یک پوسته محافظ بیرونی ویروس به نام کپسید. در موارد دیگر، زمانی که مشکلی پیش می‌آید، مانند تشکیل ساختارهای مرتبط با بیماری‌هایی مانند بیماری آلزایمر یا سلول داسی شکل این رفتار انجام می‌شود. ناندا گفت: درک خودمونتاژی پروتئین برای پیشرفت در بسیاری از زمینه ها، از جمله پزشکی و صنعت، اساسی است.
مطالعه
برای این تحقیق، به ناندا و پنج همکار دیگر فهرستی از پروتئین‌ها داده شد و از آنها خواسته شد تا پیش‌بینی کنند که کدام یک از آنها به خودی خود جمع می‌شوند. برنامه کامپیوتری هوش مصنوعی نیز همین فهرست را برای حدس زدن خود در نظر گرفت. سپس پیش‌بینی‌های ناندا با هوش مصنوعی با یکدیگر مقایسه شدند، انسان در مقابل ماشین.
شرکت کنندگان انسانی پیش بینی های خود را بر اساس مشاهده رفتار پروتئین، مانند الگوهای بارهای الکتریکی انجام دادند. این ماشین دانش خود را بر اساس یک سیستم یادگیری ماشینی پیشرفته استوار کرد. شرکت کنندگان انسانی پیش بینی کردند که 11 پروتئین به خودی خود جمع می شوند، در حالی که برنامه کامپیوتری هوش مصنوعی پیش بینی کرد که 9 پروتئین به خودی خود جمع می شوند.
نتایج
به طور کلی، شش پروتئین از 11 پروتئینی که متخصصان انسانی انتخاب کردند، و کامپیوتر هوش مصنوعی شش پروتئین از 9 پروتئینی که انتخاب کرد، درست بود. هوش مصنوعی اینگونه نانا و تیمش را شکست داد.
این مطالعه نشان داد که متخصصان برخی اسیدهای آمینه را بر سایر پروتئین‌ها ترجیح داده و انتخاب کردند که گاهی منجر به نتایج اشتباه می‌شود.
از سوی دیگر، رایانه پروتئین‌هایی را بر اساس کیفیتی انتخاب میکند که این کیفیت انتخاب واضحی برای خود مونتاژی پروتئین توسط انسان محسوب نمی شود، و از این روی برای محققان سؤالات بیشتری در مورد چگونگی انتخاب‌ها به‌وجود می‌آورد.
ناندا به این نکته پی برد که هوش مصنوعی مانند بسیاری از ابزارهای دیگر مفید است، اما نیاز به درک و مطالعه بیشتر دارد. ناندا گفت: ما در حال کار برای به دست آوردن یک درک اساسی از ماهیت شیمیایی فعل و انفعالاتی هستیم که منجر به خودآرایی می‌شوند، بنابراین من نگران این بودم که استفاده از این برنامه‌ها از بینش‌های مهم جلوگیری کند. اما چیزی که من واقعاً شروع به درک آن کردم این است که یادگیری ماشین فقط ابزار دیگری است، مانند هر ابزار دیگری.
