طور باحثون من جامعة طوكيو للعلوم باليابان ومن جامعات أخرى طريقة جديدة قائمة على الذكاء الاصطناعي تسمى DeepAFM، تهدف إلى فك تشفير حركة البروتينات بدقة عالية من صور مجهرية مشوشة. تمكّن هذه التقنية من إزالة التشويش عن الصور وتحديد أشكال البروتينات، مما يسمح باكتشاف انتقالاتها بين الحالات المغلقة والحالات المفتوحة بدقة تصل إلى 93.4%. يعد تحديد أشكال البروتينات تحديًا كبيرًا في الأبحاث البيولوجية، حيث أن البروتينات في الأنظمة الحية ليست ثابتة بل تتحرك وتتغير أشكالها باستمرار لتقوم بوظائفها. يعتمد الأسلوب التقليدي على مطابقة هياكل ثلاثية الأبعاد معروفة مع صور ثنائية الأبعاد يتم التقاطها بمجهر القوة الذرية فائق السرعة، ولكن هذه الصور غالبًا ما تكون مليئة بالضوضاء ومشوّهة بسبب عملية المسح الخطية التي تسجل أجزاء الصورة في أوقات مختلفة قليلاً. هذا التباين الزمني والضوضاء الخلفية يجعل من الصعب تحديد الشكل الدقيق للبروتين في أي لحظة، وقد تؤدي الطرق الحالية إلى نماذج مفرطة في التفسير تلتقط أخطاءً ناتجة عن الضوضاء بدلاً من الميزات الهيكلية الحقيقية. لتجاوز هذه العقبات، طور فريق البحث بقيادة الأستاذ المساعد تاكاهارو موري طريقة DeepAFM القائمة على التعلم العميق، والتي تجمع بين إزالة الضوضاء وتقدير الأشكال التي يتبناها البروتين أثناء حركته. اعتمد الفريق على توليد مجموعة بيانات من الصور الافتراضية لمجهر القوة الذرية فائق السرعة، تمثل أشكالًا مختلفة للبروتينات مستمدة من محاكاة الديناميكا الجزيئية. شملت هذه الصور نسخًا مثالية خالية من الضوضاء وأخرى واقعية تحاكي تأثيرات التجارب مثل الضوضاء الخلفية والتشوهات البصرية. تم تدريب نموذج الذكاء الاصطناعي على بروتين يسمى SecA، القادر على التبديل بين حالتين مغلقة وواسعة الانفتاح. استند التدريب إلى ملايين الصور الاصطناعية التي تمثل نطاقًا واسعًا من أشكال البروتين الممكنة. عند الاختبار، أظهر النموذج قدرة مذهلة على إزالة الضوضاء بدقة عالية، حيث كانت الأخطاء منخفضة جدًا تقارب 0.1 نانومتر. علاوة على تحسين جودة الصور، تمكنت خوارزمية الذكاء الاصطناعي من تصنيف حالة البروتين بدقة 93.4% من بين 19 حالة شكلية محتملة، وتزيد هذه الدقة عند السماح بهوامش خطأ صغيرة. عند تطبيق الطريقة على بيانات تجريبية حقيقية، أكدت النتائج أن الذكاء الاصطناعي استنتج حالات البروتين بشكل يتماشى مع قياسات تجريبية مستقلة، مما يؤكد جدواها التطبيقية. كما أظهر الفريق إمكانية توسيع نطاق الطريقة لتطبيقها على أنظمة بروتينية أخرى من خلال استخدام تقنية النقل المعرفي، مما يجعلها أداة واسعة الاستخدام لدراسة مجموعة كبيرة من الجزيئات البيولوجية. يُعد هذا العمل جزءًا من جهد أوسع للتقدم في الأبحاث التي يقودها الذكاء الاصطناعي، تهيئ الأرضية لمنصات الحوسبة الجيل القادم مثل Fugaku NEXT التي يُتوقع إطلاقها بحلول عام 2030 في إطار تعاون بين مركز رiken للعلوم الحسابية وفوجيتسو ونفيديا. تساهم هذه التقنية في فتح آفاق جديدة لفهم ديناميكيات البروتينات ودور الذكاء الاصطناعي في تسريع الاكتشافات العلمية في البيولوجيا.