چگونه مدل هوش مصنوعی AlphaFold داروسازی را متحول می‌کند؟

چند سال پیش دیپ‌مایند مدل هوش مصنوعی AlphaFold را معرفی کرد. در این مطلب، توضیح می‌دهیم که مدل هوش مصنوعی AlphaFold چگونه داروسازی را متحول می‌کند.

به‌گزارش تک‌ناک، تقریباً پنج سال پیش، دیپ‌مایند (DeepMind)، یکی از آزمایشگاه‌های تحقیقاتی پرکار مبتنی‌بر هوش مصنوعی گوگل، AlphaFold را معرفی کرد. آلفافولد سیستم هوش مصنوعی است که می‌تواند ساختار بسیاری از پروتئین‌ها را در بدن انسان به‌دقت پیش‌بینی کند.

از آن زمان، دیپ‌مایند این سیستم را بهبود بخشید و نسخه‌ی به‌روز‌شده و توانمندتر آن، یعنی آلفافولد 2 را در سال 2020 معرفی کرد و کار این آزمایشگاه هنوز ادامه دارد.

به‌تازگی، دیپ‌مایند فاش کرد که جدیدترین نسخه‌ی آلفافولد که جانشین آلفافولد 2 است، پیش‌بینی‌هایی برای تمام مولکول‌های موجود در Protein Data Bank، بزرگ‌ترین پایگاه داده دسترسی باز مولکول‌های بیولوژیکی در جهان، می‌تواند ارائه کند.

در‌حال‌حاضر، شرکت ایزومورفیک لبز، یکی از شرکت‌های زیرمجموعه‌ی دیپ‌مایند و فعال در‌زمینه‌ی کشف دارو، از مدل جدید AlphaFold (software by DeepMind) در ساخت داروها استفاده می‌کند. این مدل به تشخیص و توصیف ساختارهای مولکولی با اهمیت برای درمان بیماری‌ها کمک می‌کند.

قابلیت‌های جدید AlphaFold

قابلیت‌های آلفافولد جدید فراتر از پیش‌بینی پروتئین است. دیپ‌مایند ادعا می‌کند که این مدل می‌تواند ساختار لیگاندها و اسیدهای نوکلئیک و تغییرات رخ‌داده پس از ایجاد پروتئین را پیش‌بینی کند. لیگاندها مولکول‌هایی هستند که به پروتئین‌های گیرنده متصل می‌شوند و تغییراتی در نحوه‌ی ارتباط سلول‌ها ایجاد می‌کنند. اسیدهای نوکلئیک نیز مولکول‌های حاوی اطلاعات ژنتیکی مهم هستند.

دیپ‌مایند اشاره می‌کند که پیش‌بینی ساختارهای پروتئین لیگاند می‌تواند ابزار مفیدی در کشف دارو باشد؛ زیرا به دانشمندان کمک می‌کند تا مولکول‌های جدیدی را شناسایی و طراحی کنند که ممکن است به دارو تبدیل شوند.

در‌حال‌حاضر، محققان داروسازی از شبیه‌سازی‌های کامپیوتری معروف به روش‌های اتصال برای تعیین نحوه‌ی تعامل پروتئین‌ها و لیگاندها استفاده می‌کنند. روش‌های اتصال مستلزم تعیین ساختار پروتئین مرجع و موقعیت پیشنهادی در آن ساختار برای اتصال لیگاند است.

با‌این‌حال، در مدل جدید AlphaFold به استفاده از ساختار پروتئین مرجع یا موقعیت پیشنهادی نیازی نیست. این مدل می‌تواند پروتئین‌هایی را پیش‌بینی کند که قبلاً ازنظر ساختاری مشخص نشده‌اند؛ در‌حالی‌که در‌عین‌حال نحوه‌ی تعامل پروتئین‌ها و اسیدهای نوکلئیک با مولکول‌های دیگر را شبیه‌سازی می‌کند.

دیپ‌مایند در پست وبلاگی نوشت:

تحلیل اولیه نشان می‌دهد که مدل ما دربرابر برخی از مشکلات پیش‌بینی ساختار پروتئین مربوط به کشف دارو مانند اتصال آنتی‌بادی، عملکرد بسیار بهتری از نسل قبلی آلفافولد از خود نشان می‌دهد. جهش چشمگیر مدل ما در عملکرد، حاکی از ظرفیت‌های هوش مصنوعی برای افزایش درک علمی ماشین‌های مولکولی تشکیل‌دهنده‌ی بدن انسان است.

با‌این‌حال، جدیدترین مدل آلفافولد کامل نیست. محققان در دیپ‌مایند و ایزومورفیک لبز در مقاله‌ای که مزایا و معایب این سیستم را توضیح می‌دهد، بیان می‌کنند که این سیستم از بهترین روش برای پیش‌بینی ساختار مولکول‌های RNA کوتاهی می‌کند. RNA مولکول‌هایی در بدن هستند که دستورالعمل‌های ساخت پروتئین را حمل می‌کنند. بی‌شک، دیپ‌مایند و ایزومورفیک لبز در حال کار برای رفع این مشکل هستند.