آزمایشگاه هوش مصنوعی لندن مدعی دستیابی به موفقیت است که می تواند کشف داروها را تسریع کند


برخی از دانشمندان عمر خود را صرف تعیین شکل پروتئین های کوچک در بدن انسان می کنند.

پروتئین ها مکانیسم های میکروسکوپی هستند که رفتار ویروس ها ، باکتری ها ، بدن انسان و همه موجودات زنده را هدایت می کنند. آنها ابتدا به صورت رشته هایی از ترکیبات شیمیایی قبل از چرخاندن و جمع شدن به شکل های سه بعدی تعیین می شوند که تعیین می کند چه کاری می توانند انجام دهند – و چه کاری نمی توانند انجام دهند.

برای خبرنامه صبح از نیویورک تایمز ثبت نام کنید

برای زیست شناسان ، شناسایی دقیق شکل پروتئین اغلب به ماهها ، سالها یا حتی دهه ها آزمایش نیاز دارد. به مهارت ، هوش و بیش از کمی چربی آرنج نیاز دارد. بعضی اوقات هرگز موفق نمی شوند.

اکنون یک آزمایشگاه هوش مصنوعی در لندن یک سیستم رایانه ای ساخته است که می تواند در عرض چند ساعت – حتی حتی چند دقیقه – کار را انجام دهد.

DeepMind ، یک آزمایشگاه متعلق به همان شرکت مادر اصلی گوگل ، روز دوشنبه گفت که سیستم آن ، AlphaFold ، آنچه را که به عنوان “مشکل تاشو پروتئین” شناخته می شود ، حل کرده است. با توجه به توالی اسیدهای آمینه که یک پروتئین را تشکیل می دهند ، سیستم می تواند به سرعت و با اطمینان شکل سه بعدی آن را پیش بینی کند.

این دستیابی به موفقیت طولانی مدت می تواند توانایی درک بیماری ، تولید داروهای جدید و باز کردن رمز و رازهای بدن انسان را تسریع کند.

دانشمندان کامپیوتر بیش از 50 سال برای ساخت چنین سیستمی تلاش کرده اند. در طول 25 سال گذشته ، آنها تلاش های خود را از طریق یک رقابت جهانی به نام ارزیابی انتقادی پیش بینی ساختاری یا CASP اندازه گیری و مقایسه کرده اند. تاکنون هیچ رقیبی حتی به حل مشکل نزدیک نشده است.

DeepMind با طیف گسترده ای از پروتئین ها این مشکل را حل کرد و به حدی از دقت رسید که با آزمایش های فیزیکی رقابت می کرد. بسیاری از دانشمندان اظهار داشتند که این لحظه هنوز سالهاست ، اگر نه دهه ها.

جان مولت ، استاد دانشگاه مریلند که در سال 1994 به ایجاد CASP کمک کرد و همچنان نظارت بر این رقابت دو ساله را ادامه داد ، گفت: “من همیشه امیدوار بودم که این روز را ببینم.” “اما همیشه بدیهی نبود که موفق شوم.”

به عنوان بخشی از CASP امسال ، فناوری DeepMind توسط مولت و سایر محققان پیشرو در مسابقه مورد بررسی قرار گرفت.

وی و سایر محققان گفتند اگر روشهای DeepMind بهبود یابد ، این روشها می توانند تولید داروهای جدید و همچنین تلاش برای اجرای داروهای موجود برای ویروسها و بیماریهای جدید را تسریع كنند.

دستیابی به موفقیت بسیار دیر انجام می شود تا تأثیر قابل توجهی بر ویروس کرونا بگذارد. اما محققان بر این باورند که روش های DeepMind می توانند پاسخ به همه گیری های آینده را تسریع کنند. برخی معتقدند که این امر همچنین به دانشمندان کمک می کند بیماریهای ژنتیکی مشابه بیماری آلزایمر یا فیبروز کیستیک را بهتر درک کنند.

با این حال ، کارشناسان هشدار داده اند که این فناوری فقط در بخش کوچکی از روند طولانی که دانشمندان داروهای جدید را شناسایی می کنند و بیماری ها را تجزیه و تحلیل می کنند ، تأثیر خواهد گذاشت. همچنین مشخص نبود که DeepMind چه زمانی و چگونه فناوری خود را با سایر محققان به اشتراک می گذارد.

DeepMind یکی از بازیگران اصلی در تغییر بنیادی است که طی 10 سال گذشته به دانشگاه ، صنعت فناوری و جامعه پزشکی گسترش یافته است. به لطف فناوری هوش مصنوعی موسوم به شبکه های عصبی ، اکنون ماشین ها می توانند یاد بگیرند که بسیاری از کارها را انجام دهند که زمانی از عهده آنها خارج بود – و گاهی اوقات از عهده انسان خارج بودند.

شبکه عصبی یک سیستم ریاضی است که به صورت آزادانه از شبکه نورونهای مغز انسان الگو گرفته است. او مهارت ها را با تجزیه و تحلیل مقدار زیادی از داده ها فرا می گیرد. به عنوان مثال ، با شناسایی الگوها در هزاران عکس از گربه ها ، او می تواند شناخت گربه را بیاموزد.

این یک فناوری است که چهره ها را در عکس هایی که در فیس بوک ارسال می کنید شناسایی می کند ، دستوراتی را که بر روی تلفن هوشمند خود پارس می کنید شناسایی می کند و در Skype و سایر خدمات یک زبان را به زبان دیگر ترجمه می کند. DeepMind از این فناوری برای پیش بینی شکل پروتئین ها استفاده می کند.

اگر دانشمندان بتوانند شکل پروتئین در بدن انسان را پیش بینی کنند ، می توانند نحوه اتصال یا اتصال فیزیکی سایر مولکول ها به آن را تعیین کنند. این یکی از راه های تولید دارو است: دارو به پروتئین های خاصی در بدن متصل می شود و رفتار آنها را تغییر می دهد.

با تجزیه و تحلیل هزاران پروتئین شناخته شده و اشکال فیزیکی آنها ، شبکه عصبی می تواند یاد بگیرد که شکل دیگران را پیش بینی کند. در سال 2018 ، با استفاده از این روش ، DeepMind برای اولین بار وارد مسابقه CASP شد و سیستم آن از همه رقبا پیشی گرفت و این نشان دهنده یک تغییر قابل توجه است. اما تیم زیست شناسان ، فیزیکدانان و دانشمندان علوم رایانه ای وی به سرپرستی محققی به نام جان جامپر ، هیچکدام در حل مسئله نهایی نبود.

در طی دو سال از آن زمان ، جامپر و تیمش نوع کاملاً جدیدی از شبکه عصبی را به طور خاص برای تاشو پروتئین ها ایجاد کرده اند و این منجر به جهش بزرگی در دقت شده است. دانشمند DeepMind ، کاترین تونیاسووناکول ، گفت: آخرین نسخه آنها یک راه حل قدرتمند ، البته ناقص ، برای مشکل تاشو پروتئین ارائه می دهد.

با توجه به نتایج مسابقه CASP ، این سیستم می تواند شکل پروتئین را در حدود دو سوم زمان با دقت پیش بینی کند. و خطاهای آن با این پروتئین ها کمتر از عرض اتم است – درصدی از خطاها که با آزمایش های فیزیکی رقابت می کند.

مولت ، سازمان دهنده این مسابقه ، گفت: “بیشتر اتم ها قطر اتم از جایی هستند كه در ساختار آزمایشی قرار دارند.” “و با کسانی که اینگونه نیستند ، توضیحات دیگری نیز برای تفاوتها وجود دارد.”

آندری لوپاس ، مدیر بخش تکامل پروتئین در موسسه ماکس پلانک برای توسعه زیست شناسی در آلمان ، یکی از کسانی است که با AlphaFold کار می کند. وی بخشی از تیمی است که یک دهه تلاش کرده تا شکل فیزیکی پروتئین خاصی را در ارگانیسم کوچکی شبیه باکتری به نام سرخدار تعیین کند.

این پروتئین از غشای سلولهای جداگانه عبور می کند – بخشی در داخل سلول است ، بخشی در خارج است – و این باعث می شود دانشمندان مانند لوپاس نتوانند شکل پروتئین را در آزمایشگاه تشخیص دهند. حتی پس از یک دهه ، او نتوانست شکل را تعیین کند.

با AlphaFold ، او در عرض نیم ساعت مشکل را حل کرد.

وی گفت ، اگر این روشها همچنان بهبود یابند ، می توانند به ویژه روش مفیدی برای تعیین اینكه آیا ویروس جدید با كوكتیل داروهای موجود قابل درمان است ، باشند.

لوپاس گفت: “ما می توانیم آزمایش هر ترکیبی را که مجوز استفاده انسان را دارد آغاز کنیم.” “ما می توانیم با داروهایی که در حال حاضر داریم با بیماری همه گیر بعدی روبرو شویم.”

در طی همه گیری کنونی ، شکل ساده تری از هوش مصنوعی در برخی موارد مفید شناخته شده است. سیستمی که توسط یک شرکت لندنی دیگر به نام BenevolentAI ساخته شده است ، به شناسایی داروی موجود ، باریسیتینیب کمک می کند که می تواند برای درمان بیماران جدی مبتلا به COVID-19 استفاده شود. محققان اکنون یک آزمایش بالینی را به پایان رسانده اند ، اگرچه نتایج هنوز منتشر نشده است.

در حالی که محققان به اصلاح این فناوری ادامه می دهند ، AlphaFold می تواند این نوع انحراف دارو و همچنین تولید واکسن های کاملاً جدید را تسریع کند ، خصوصاً اگر با ویروسی روبرو شویم که حتی برای COVID-19 کمتر قابل درک باشد.

دیوید بیکر ، مدیر انستیتوی طراحی پروتئین در دانشگاه واشنگتن ، که از فناوری رایانه ای مشابهی برای طراحی داروهای ضد ویروسی استفاده می کند ، گفت که روش های DeepMind می توانند سرعت این کار را افزایش دهند.

وی گفت: “ما توانستیم طی چند ماه پروتئین های خنثی کننده ویروس کرونا را طراحی کنیم.” “اما هدف ما انجام کارهایی از این دست در چند هفته است.”

دکتر وینسنت مارکونی ، محقق دانشگاه اموری در آتلانتا که به انجام مطالعه باریسیتینیب کمک کرد ، گفت: با این حال ، سرعت پیشرفت باید با مشکلات دیگر مانند آزمایشات بالینی گسترده مقابله کند. وی گفت: “این زمان می برد.”

اما روش های DeepMind می توانند راهی برای تعیین اینکه آیا یک آزمایش بالینی به دلیل واکنش های سمی یا سایر مشکلات ، حداقل در بعضی موارد ، با شکست مواجه می شوند ، باشند.

دمیس حسابیس ، مدیرعامل و بنیانگذار DeepMind ، گفت که این شرکت قصد دارد جزئیاتی از کار خود را منتشر کند ، اما بعید است این اتفاق تا سال آینده رخ دهد. وی همچنین گفت این شرکت در حال بررسی روش هایی است که خود این فناوری را با دانشمندان دیگر به اشتراک می گذارد.

DeepMind یک آزمایشگاه تحقیقاتی است. این محصول مستقیماً به آزمایشگاهها یا شرکتهای دیگر نمی فروشد. اما او می تواند با سایر شرکت ها برای دستیابی به فناوری خود از طریق اینترنت همکاری کند.

بزرگترین پیشرفت در آزمایشگاه در گذشته شامل بازی ها است. او سیستم هایی را ساخت که در بازی استراتژی باستان Go و بازی ویدیویی محبوب StarCraft – از عملکرد انسان فراتر از عملکرد انسانی است – دستاوردهای بسیار فنی بدون کاربرد عملی. اکنون تیم DeepMind مشتاق ارائه فناوری هوش مصنوعی خود به دنیای واقعی است.

جامپر گفت: “ما نمی خواهیم در هیئت مدیره شرکتی باشیم.” “ما اهمیت بیولوژیکی واقعی می خواهیم.”

این مقاله در اصل در نیویورک تایمز منتشر شد.

© 2020 شرکت نیویورک تایمز


منبع: moshtagh-khabar.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*