هوش مصنوعی به کمک تحلیل دقیق پروتئین ها می آید

برای اولین بار در زمینه هوش مصنوعی (AI)، ابزاری به نام PINNACLE پیشرفت‌های جدیدی در تحلیل پروتئین‌ها در شرایط واقعی ایجاد کرده است.

به‌ گزارش تک‌ناک، این مدل به محققان کمک می‌کند تا پروتئین‌ها را با دقت بیشتری شناسایی و تحلیل کنند، که می‌تواند باعث پیشرفت‌های علمی و پزشکی در زمینه درک بهتر ساختار و عملکرد پروتئین‌ها شود.

نکته قابل توجه این است که PINNACLE بر برخی از محدودیت‌های مدل‌های هوش مصنوعی فعلی غلبه می‌کند، که تحلیل شیوه عملکرد پروتئین‌ها را به‌ صورت مجزا و در یک نوع سلول و بافت و در یک زمان انجام می‌دهند.

توسعه مدل جدید هوش مصنوعی که در مجله Nature Methods توضیح داده شده، توسط محققان دانشکده پزشکی هاروارد هدایت شده است.

محققان در این باره می‌گویند که این پیشرفت می‌تواند درک فعلی نقش پروتئین‌ها در سلامت و بیماری را تقویت کند و اهداف دارویی جدید را برای طراحی درمان‌های دقیق‌تر و مناسب‌تر روشن نماید.

هوش مصنوعی PINNACLE به صورت رایگان در همه جا در دسترس دانشمندان است.

یک گام بزرگ رو به جلو

گره‌گشایی از فعل و انفعالات بین پروتئین‌ها و اثرات همسایگان بیولوژیکی به هم پیوسته آنها دشوار است.

ابزارهای تحلیلی کنونی با ارائه اطلاعات در مورد خواص ساختاری و شکل‌های پروتئین‌های منفرد، یک هدف مهم را انجام می‌دهند. اما این ابزارها برای مقابله با تفاوت‌های ظریف محیطی کلی پروتئین طراحی نشده‌اند.

در مقابل، آنها بازنمایی‌های پروتئینی را تولید می‌کنند که بدون بافت هستند، به این معنی که فاقد اطلاعات بافتی نوع سلولی و بافتی خواهند بود.

با وجود این، پروتئین‌ها در بافت‌های مختلف سلولی و بافتی که در آن قرار می‌گیرند، همچنین بسته به اینکه آن بافت یا سلول سالم یا بیمار است، نقش‌های متفاوتی ایفا می‌کنند.

مدل‌های نمایش تک پروتئینی نمی‌توانند عملکردهای پروتئینی را که در بسیاری از زمینه‌ها متفاوت هستند، شناسایی کنند.

مکان پروتئین اهمیت دارد

پروتئین‌ها که از بیست اسیدآمینه مختلف تشکیل شده‌اند، بلوک‌های ساختمانی سلول‌ها و بافت‌ها را تشکیل می‌دهند و برای طیف وسیعی از عملکردهای بیولوژیکی حیاتی ضروری هستند.

از جمله عملکرد آنها می‌توان به انتقال اکسیژن در سراسر بدن، انقباض عضلات برای تنفس، راه رفتن، فعال کردن هضم، مبارزه با عفونت و بسیاری دیگر اشاره کرد.

دانشمندان تخمین می‌زنند که تعداد پروتئین‌ها در بدن انسان از 20000 تا صدها هزار متغیر است.

پروتئین‌ها با یکدیگر و با مولکول‌های دیگر مانند DNA و RNA تعامل دارند.

فعل و انفعال پیچیده بین پروتئین‌ها، شبکه‌های پیچیده‌ای از تعامل پروتئین ایجاد می‌کند.

این شبکه‌ها که در سلول‌ها و در میان سلول‌های دیگر قرار دارند، درگیر بسیاری از گفت‌وگوهای متقابل پیچیده با پروتئین‌ها و شبکه‌های پروتئینی دیگر هستند.

مزیت هوش مصنوعی PINNACLE از توانایی آن در تشخیص این نکته ناشی می‌شود که رفتار پروتئین می‌تواند بسته به سلول و نوع بافت متفاوت باشد.

ممکن است همان پروتئین در یک سلول سالم ریه عملکرد متفاوتی نسبت به یک سلول سالم کلیه یا یک سلول کولون بیمار داشته باشد.

هوش مصنوعی PINNACLE چگونگی تأثیر متفاوت این سلول‌ها و بافت‌ها بر پروتئین‌های یکسان را نشان می‌دهد، موضوعی که در مدل‌های فعلی امکان‌پذیر نیست.

بسته به نوع سلول خاصی که یک شبکه پروتئینی در آن قرار دارد، PINNACLE می‌تواند تعیین کند که کدام پروتئین‌ها در مکالمات خاص شرکت می‌کنند و کدام یک ساکت می‌مانند.

این موضوع به هوش مصنوعی PINNACLE کمک می‌کند تا گفت‌وگوی متقاطع پروتئین و نوع رفتار را بهتر رمزگشایی کند و در نهایت به آن اجازه می‌دهد تا اهداف دارویی متناسب با پروتئین‌های نادرست که باعث بیماری می‌شوند را پیش‌بینی کند.

محققان خاطرنشان کردند که هوش مصنوعی PINNACLE مدل‌های تک بازنمایی را حذف نمی‌کند، چرا که می‌تواند فعل و انفعالات پروتئین را در بافت‌های مختلف سلولی تحلیل کند.

بنابراین، هوش مصنوعی PINNACLE می‌تواند محققان را قادر سازد تا عملکرد پروتئین را بهتر درک و پیش‌بینی کنند و به روشن شدن فرایندهای حیاتی سلولی و مکانیسم‌های بیماری کمک نمایند.

این توانایی می‌تواند به تعیین دقیق پروتئین‌های با قابلیت استفاده در داروها کمک کند تا به‌ عنوان هدف برای داروهای فردی عمل کنند و اثرات داروهای مختلف را در انواع سلول‌های مختلف پیش‌بینی نماید.

به همین دلیل، هوش مصنوعی PINNACLE می‌تواند به ابزاری ارزشمند برای دانشمندان و توسعه‌دهندگان دارو تبدیل شود تا اهداف بالقوه را بسیار کارآمدتر بررسی کنند.

زیتنیک که یکی از اعضای هیأت علمی در مؤسسه Kempner برای مطالعه هوش طبیعی و مصنوعی در دانشگاه هاروارد است، گفت: «چنین بهینه‌سازی در فرایند کشف دارو به شدت مورد نیاز است.»

ممکن است 10 تا 15 سال طول بکشد و یک میلیارد دلار هزینه داشته باشد تا یک داروی جدید به بازار عرضه شود.

مسیر از کشف تا تبدیل شدن به دارو پر از دست‌انداز است و نتیجه نهایی اغلب غیرقابل پیش‌بینی می‌باشد.

در واقع، نزدیک به 90 درصد از پروتئین‌ها و موادی که به نظر می‌رسد پتانسیل تبدیل شدن به دارو را دارند، تبدیل به دارو نمی‌شوند.

ساخت و آموزش هوش مصنوعی PINNACLE

محققان با استفاده از داده‌های سلول انسانی از یک اطلس چند عضوی جامع، همراه با شبکه‌های متعددی از برهمکنش‌های پروتئین-پروتئین، برهمکنش‌های سلولی نوع به سلول و بافت‌ها، PINNACLE را برای تولید نمایش‌های پروتئینی گرافیکی پانوراما که شامل 156 نوع سلول و 62 بافت و اندام است، آموزش دادند.

هوش مصنوعی PINNACLE تا به امروز نزدیک به 395000 نمایش چند بعدی تولید کرده است و این آمار در مقایسه با حدود 22000 نمایش ممکن در مدل‌های تک پروتئینی فعلی است.

هر یک از 156 نوع سلول آن شامل شبکه‌های تعامل پروتئینی غنی از حدود 2500 پروتئین است.

تعداد فعلی انواع سلول‌ها، بافت‌ها و اندام‌ها حد نهایی تشخیص این هوش مصنوعی نیستند.

انواع سلول‌های ارزیابی‌شده تا به امروز از اهداکنندگان زنده انسانی به دست آمده‌اند و بیشتر انواع سلول‌های بدن انسان را پوشش می‌دهند، اما همه آنها نیستند.

علاوه بر این، بسیاری از انواع سلول‌ها هنوز شناسایی نشده‌اند، در حالی که برخی دیگر مانند نورون‌های مغز، نادر یا به سختی قابل بررسی هستند.

برای تنوع بخشیدن به مجموعه سلولی هوش مصنوعی PINNACLE، زیتنیک قصد دارد از یک پلتفرم داده استفاده کند، که شامل ده‌ها میلیون سلول نمونه‌برداری شده از کل بدن انسان است.