آخرین تحولات
پژوهشگران مؤسسه فناوری ماساچوست (MIT) در گزارشی منتشر شده در مجله PNAS، چالش‌های پیش‌رو در طراحی پروتئین‌های جدید با استفاده از هوش مصنوعی را بررسی کردند. این پژوهش که توسط آیمی ای. کیتینگ، مدیر بخش زیست‌شناسی و نویسنده ارشد مقاله، رهبری شده است، نشان می‌دهد که معیارهای سنتی سنجش موفقیت در این حوزه ممکن است کافی نباشند.
جزئیات گزارش‌ها
عملکرد یک پروتئین به ساختار آن وابسته است و این ساختار نیز توسط توالی اسیدهای آمینه تعیین می‌شود. روش‌های رایج برای طراحی پروتئین‌های جدید اغلب شامل یک فرآیند دو مرحله‌ای هستند: ابتدا ساختار مشخص می‌شود و سپس یک چارچوب یادگیری ماشین، مجموعه‌ای از توالی‌ها را تولید می‌کند که ممکن است آن ساختار را اتخاذ کنند.
در طبیعت، توالی‌های مختلف اسید آمینه می‌توانند به یک ساختار واحد تا بخورند، در حالی که یک توالی واحد نیز ممکن است بسته به انعطاف‌پذیری پروتئین یا محرک‌های عملکردی، ساختارهای متفاوتی را اتخاذ کند. چالش اصلی در استفاده از هوش مصنوعی برای طراحی پروتئین‌های جدید، هدایت مدل‌ها برای درک این نکته است که پاسخ‌های مفید متعددی وجود دارد.
«برای سال‌ها، این حوزه موفقیت را با سنجش توانایی مدل در بازتولید توالی پروتئینی که تکامل انتخاب کرده بود، اندازه‌گیری می‌کرد؛ اما کار ما نشان می‌دهد که این بهترین معیار برای طراحی پروتئین نیست،» کیتینگ بیان کرد.
چارچوب جدیدی به نام PottsMPNN که در بخش زیست‌شناسی توسعه یافته است، اصول فیزیکی حاکم بر ساختار و پایداری پروتئین را در خود جای می‌دهد. این مدل با درک بهتر از رابطه بین هویت هر اسید آمینه و پایداری پروتئین (منظر انرژی-توالی)، توانایی پیش‌بینی تأثیر جهش‌ها بر پایداری پروتئین را بهبود بخشیده است.