هل تم انتقاد نتائج DeepMind الجديدة لأنها تشبه الإعلانات؟ يمكن لـ AlphaProteo تصميم روابط بروتينية مستهدفة بكفاءة مع زيادة التقارب بمقدار 300 ضعف
يعتبر AlphaFold متقدمًا جدًا في مجال التنبؤ بالبروتين، وقد تمكن AlphaFold 3 من اختراق القيود وتحقيق التنبؤ بجميع جزيئات الحياة. عند إطلاقه، قيل أن التنبؤ المنظم وتوليد AlphaFold 3 سوف يعمل على تسريع تطوير AIDD (تصميم الأدوية المعتمد على الذكاء الاصطناعي).
الآن، أطلقت شركة DeepMind محاولة أخرى لتصميم الأدوية باستخدام الذكاء الاصطناعي من خلال إطلاق AlphaProteo لتصميم بروتين جديد.
كما أظهر هذا العضو الجديد في عائلة Alpha تحسنًا ثوريًا في القدرات. في البروتينات المستهدفة السبعة التي تم اختبارها في التجربة، لم يحقق AlphaProteo معدل نجاح تجريبي أعلى فحسب،كما أن قوة الارتباط أعلى أيضًا بمقدار 3 إلى 300 مرة من أفضل الطرق الموجودة.وفي الوقت نفسه، قام الباحثون أيضًا بتطبيقه على البروتين المستهدف VEGF-A المرتبط بالسرطان ومضاعفات مرض السكري.تم تحقيق تقدم كبير في استخدام أدوات الذكاء الاصطناعي في تصميم بروتينات VEGF-A.
تنتج عملية الفحص متوسطة الإنتاجية في جولة واحدة روابط بروتينية "جاهزة للاستخدام"
في الخامس من سبتمبر بالتوقيت المحلي، اقترح باحثو DeepMind AlphaProteo، وهو نموذج تعلُّم آلي لتصميم البروتين، والذي يمكنه تصميم روابط بروتينية مستهدفة بمعدل نجاح مرتفع وتقارب كبير ودون الحاجة إلى تدخل بشري معقد. يتطلب AlphaProteo جولة واحدة فقط من الفحص متوسط الإنتاجية ولا يتطلب مزيدًا من التحسين لتوليد روابط بروتينية "جاهزة للاستخدام" للعديد من تطبيقات البحث.
هيكل النموذج: الجمع بين النماذج التوليدية والمرشحات لتوليد روابط البروتين المستهدفة بكفاءة
يتكون AlphaProteo من مكونين، كما هو موضح في الشكل أدناه.
نموذج توليدي (مولد)،تم تدريبه على بيانات البنية والتسلسل لبنك بيانات البروتين (PDB) ومجموعة التقطير للهياكل المتوقعة لـ AlphaFold لمعرفة كيفية ارتباط الجزيئات ببعضها البعض؛مرشح،يتم استخدامه لتسجيل التصميمات المولدة للتنبؤ بما إذا كان الرابط قادرًا على الارتباط بنجاح بالبروتين المستهدف في التجربة.
على وجه التحديد، من أجل تصميم روابط البروتين المستهدفة، قام الباحثون أولاً بإدخال بنية البروتين المستهدف واختيار بقايا "النقطة الساخنة" من النمط البروتيني المستهدف لاستنتاج موضع الارتباط المفضل. سيقوم النموذج التوليدي بإخراج بنية الرابط المرشح وتسلسل البروتين المستهدف. سيقوم المرشح بفرز هذه المواد الرابطة المتوقعة إلى مجموعة أصغر قبل الاختبار التجريبي. في اختبارات معيارية لمحاكاة الكمبيوتر، أظهر النموذج التوليدي أداءً أفضل من أفضل الطرق الموجودة.
الاستنتاج التجريبي: تجاوز أفضل الحلول الموجودة، مع معدل نجاح مرتفع وتقارب قوي
استخدم الباحثون AlphaProteo لتصميم مواد رابطة لثمانية بروتينات مستهدفة ذات هياكل مختلفة واختبارها تجريبياً. ومن بينها، هناك بروتينان فيروسيان مرتبطان بالعدوى، BHRF1 ومجال ربط مستقبلات بروتين سبايك لفيروس SARS-CoV-2 SC2RBD، بالإضافة إلى خمسة بروتينات مرتبطة بالسرطان والالتهابات وأمراض المناعة الذاتية، IL-7Rɑ وPD-L1 وTrkA وIL-17A وVEGF-A، وبروتين واحد TNF مرتبط بأمراض المناعة الذاتية مثل التهاب المفاصل الروماتويدي.
كما هو موضح في الشكل أدناه،تمكنت روابط البروتين السبعة المستهدفة التي تم إنشاؤها بواسطة AlphaProteo من الارتباط بشكل وثيق بالبروتين المستهدف عند اختبارها تجريبياً.ومع ذلك، لم يتمكن الباحثون من تصميم روابط ناجحة للهدف الثامن، وهو عامل نخر الورم.
* يشير اللون الأزرق إلى المادة الرابطة، ويشير اللون الأصفر إلى هدف البروتين، ويشير اللون الأصفر الداكن إلى منطقة الارتباط المتوقعة
وعلاوة على ذلك، وكما هو موضح في الشكل أدناه، قام الباحثون بمقارنة AlphaProteo مع طرق تصميم أخرى لمقارنة معدل النجاح في المختبر. تحول،في الاختبارات المعملية الرطبة، تمكنت المواد الرابطة المرشحة 9%-88% من الارتباط بنجاح بالبروتين المستهدف بمستويات أعلى تتراوح بين 5 إلى 100 مرة من الطرق الأخرى.
ومن بينها، بالنسبة للبروتين الفيروسي BHRF1، تتمتع الجزيئات المرشحة التي تم إنشاؤها بواسطة AlphaProteo بمعدل نجاح في الارتباط بـ 88% مع البروتين المستهدف، وقوة الارتباط هي 10 أضعاف أفضل طريقة تصميم موجودة؛ بالنسبة للبروتين TrkA، فإن المادة الرابطة الجديدة أقوى من أفضل مادة رابطة مصممة تم تحسينها لهذا البروتين بعد جولات متعددة من التجارب.
بالإضافة إلى ذلك، قام الباحثون باستكشاف أفضل تقارب للمواد الرابطة المصممة بواسطة AlphaProteo لاستهداف البروتينات مقارنة بطرق التصميم الأخرى دون تحسين تجريبي. تحول،تتمتع المواد الرابطة التي تم إنشاؤها بواسطة AlphaProteo بقدرات ربط أعلى بحوالي 3-300 مرة من المواد الرابطة المصممة باستخدام أفضل الطرق المتاحة.
* كلما زادت القرابة، كلما كان الارتباط أقوى
قام الباحثون باستكشاف أوجه التشابه بين الروابط الأقوى لبروتين SC2RBD وVEGF-A وتلك التي صممها AlphaProteo ووجدوا أنكانت التفاعلات الرابطة لهذه المواد الرابطة الأقوى مماثلة لتلك التي تنبأت بها AlphaProteo، مما يشير إلى موثوقية AlphaProteo.
وبالإضافة إلى ذلك، أكد الباحثون أيضًا أن هذه المواد الرابطة لها وظائف بيولوجية فعلية. على سبيل المثال، ثبت أن بعض روابط SC2RBD تمنع فيروس SARS-CoV-2 ومتغيراته من إصابة الخلايا. والأمر الأكثر أهمية هو أن AlphaProteo يتمتع بإمكانيات تطبيق واسعة ولا يتطلب تجارب فحص عالية الإنتاجية أو تحسين التقارب، وهو ما يمكن أن يقلل بشكل كبير من الوقت التجريبي الأولي لتصميم روابط البروتين.
التعاون مع أكبر مختبر للأبحاث الطبية الحيوية في أوروبا
ومن بين التجارب الأولى لاختبار نظام تصميم البروتين الجديد AlphaProteo، هناك ثلاثة فرق من معهد فرانسيس كريك.
يقع معهد فرانسيس كريك في لندن، إنجلترا. وهو حاليًا أكبر مختبر للأبحاث الطبية الحيوية في أوروبا ومركز أبحاث في المملكة المتحدة. تم إطلاق هذا المشروع بشكل مشترك من قبل المعهد الوطني للأبحاث الطبية (NIMR) ومعهد أبحاث السرطان في المملكة المتحدة بتكلفة بلغت حوالي 700 مليون جنيه إسترليني.
يضم معهد كريك حتى الآن أكثر من 2000 باحث وأكثر من 100 مجموعة بحثية. علاوة على ذلك، يمثل المعهد شراكة فريدة بين ست من منظمات الأبحاث الطبية الحيوية الرائدة في العالم، بما في ذلك مجلس البحوث الطبية، وأبحاث السرطان في المملكة المتحدة، ومؤسسة ويلكم، وكلية لندن الجامعية، وكلية إمبريال لندن، وكلية كينجز لندن.
عنوان الموقع الرسمي لمعهد فرانسيس كريك:
* https://www.crick.ac.uk/
أحدث نتائج Deepmind لها مراجعات متباينة
أهمية البحث مقابل المصدر المفتوح
على الرغم من أن القيمة العالية لـ AlphaProteo في البحث العملي واضحة للجميع، إلا أن العديد من مستخدمي الإنترنت يشعرون بقلق أكبر بشأن ما إذا كانت هذه الأداة مفتوحة المصدر أم لا. قال أحد مستخدمي الإنترنت: "هل هو مفتوح المصدر؟ إن لم يكن كذلك، فسيكون مملًا للغاية".
وقال بعض مستخدمي الإنترنت الآخرين:إن أهمية AlphaProteo في إنقاذ الأرواح أكبر من أهمية كونه مفتوح المصدر.وأعرب عن تفاؤله بإمكانيات تطويرها.
التفاصيل المنهجية قليلة جدًا، فهي تبدو أشبه بإعلان أكثر من كونها ورقة.
كتب فريق DeepMind ورقة بحثية عن النموذج، لكنها تحتوي على تفاصيل قليلة جدًا حول أساليب النموذج، أو حتى لا تحتوي على أي تفاصيل تقريبًا. نشر أحد العلماء من إحدى شركات الأدوية والرعاية الصحية العالمية الرائدة ثلاثة تحديثات متتالية قائلاً: "هناك تفاصيل منهجية قليلة جدًا في هذا الكتاب الأبيض"، و"يبدو الأمر أشبه بإعلان أكثر من كونه منشورًا مناسبًا"، وتساءل عن نفس مؤشرات الأسطورة في الكتاب.
لم يؤكد أحد طلاب الدكتوراه في علم الأحياء من معهد ماساتشوستس للتكنولوجيا على أهمية العلوم مفتوحة المصدر فحسب، بل انتقد أيضًا خطوة DeepMind، "لقد ذهبت DeepMind بعيدًا جدًا، وأريد حقًا أن أعرف كيف تعمل".
DeepMind يفتح ساحة معركة جديدة ويكمل AlphaFold
لقد أدى "التحديث ومكافحة الوحوش" الذي قامت به شركة DeepMind لصناعة الأدوية الحيوية إلى فتح ساحة معركة جديدة. هل يمكن أن يصبح هذا بمثابة دفعة قوية لتسريع تنفيذ تصميم الأدوية باستخدام الذكاء الاصطناعي؟
كما نعلم جميعًا، أصبح AlphaFold 3 قادرًا بالفعل على التنبؤ ببنية وتفاعلات جميع جزيئات الحياة (البروتينات، والحمض النووي، والحمض النووي الريبوزي، والربيطات، وما إلى ذلك) بدقة عالية للغاية. وفيما يتعلق بالاتجاه التكراري المستقبلي، يتوقع المطلعون على الصناعة أنه قد يكون هناك تحسينات في التنبؤ بالمعلومات الحركية.يمكن لـ AlphaProteo الذي تم إصداره هذه المرة، إلى حد ما، أن يكمل ويعزز بعضهما البعض مع AlphaFold.
من ناحية،يحتاج تصميم البروتين إلى البدء من الوظيفة وتصميم هياكل بروتينية جديدة أو محسنة لتحقيق وظائف بيولوجية أو كيميائية محددة، لذا فهو يعتمد بشكل كبير على فهم العلاقة بين بنية البروتين ووظيفته.على الجانب الآخر،يمكن أن يوفر التنبؤ بالبروتين معلومات هيكلية أساسية ويوجه التصميم. وفي الوقت نفسه، يمكن للبروتينات المصممة أيضًا أن تساعد في تحسين نماذج التنبؤ وتعزيز دقة التنبؤات في جوانب مثل طي البروتين وديناميكياته.
وذكرت شركة DeepMind في مقدمتها لـ AlphaProteo أن هذا الابتكار قد يعمل على تسريع فهم الناس للعمليات البيولوجية ويساعد في اكتشاف أدوية جديدة وتطوير أجهزة الاستشعار الحيوية وغير ذلك الكثير. وفي المستقبل، ستعمل الشركة مع المجتمع العلمي لاستخدام AlphaProteo لمعالجة الأسئلة البيولوجية بعيدة المدى وفهم حدودها. وفي الوقت نفسه، استكشفت DeepMind أيضًا تطبيقات تصميم الأدوية الخاصة بها مع Isomorphic Labs.
نشأت شركة Isomorphic Labs من شركة DeepMind وتركز على مجال طب الذكاء الاصطناعي. مهمتها هي استخدام الذكاء الاصطناعي وطرق التعلم الآلي لتسريع وتحسين عملية اكتشاف الأدوية من أجل إيجاد علاجات لبعض الأمراض الأكثر تدميراً للبشرية.
وإلى حد ما، تعد Isomorphic Labs أيضًا بمثابة مخالب DeepMind في مجال الطب القائم على الذكاء الاصطناعي، والتي يمكنها على الفور استكشاف تطبيق أحدث نتائجها في تصميم الأدوية. كما ظهر الفريق أيضًا في البحث الخاص بـ AlphaFold 3. ونتوقع أنه بدعم من DeepMind، سيحمل أخبارًا جيدة فيما يتعلق بتنفيذ تصميم الأدوية بالذكاء الاصطناعي.
وأخيرًا، أوصي بنشاط المشاركة الأكاديمية!
تمت دعوة تشو زيي، باحث ما بعد الدكتوراه في معهد العلوم الطبيعية بجامعة شنغهاي جياو تونغ والمركز الوطني شنغهاي للرياضيات التطبيقية، إلى البث المباشر الثالث لـ Meet AI4S. في 25 سبتمبر، سيشارك الدكتور تشو زيي مع الجميع طريقة التعلم بالعينة الصغيرة لنموذج لغة البروتين في شكل بث مباشر عبر الإنترنت، ويستكشف أفكارًا جديدة للتطور الموجه بمساعدة الذكاء الاصطناعي. انقر هنا لحجز موعد لمشاهدة البث المباشر!