AlphaFold: वैज्ञानिक खोजों के लिए AI का उपयोग करना

फिर से नमस्कार! हम एक प्रकाशन साझा कर रहे हैं, जिसका अनुवाद विशेष रूप से "पायथन में न्यूरल नेटवर्क" पाठ्यक्रम के छात्रों के लिए तैयार किया गया था।



आज हम दीपमाइंड के विकास के इतिहास की पहली महत्वपूर्ण घटना के बारे में बात करेंगे, यह दिखाने के लिए कि कृत्रिम बुद्धिमत्ता का उपयोग करने वाले शोध वैज्ञानिक खोजों के उद्भव को कैसे प्रोत्साहित कर सकते हैं। हमारे काम की अंतःविषय प्रकृति के कारण, डीपमाइंड ने अपने बायोलॉजिकल अनुक्रम के आधार पर प्रोटीन के त्रि-आयामी संरचना की भविष्यवाणी करने के लिए उन्नत जीवविज्ञान, भौतिक विज्ञान और मशीन लर्निंग के विशेषज्ञों को उन्नत तरीकों का उपयोग करने के लिए एक साथ लाया।

पिछले दो वर्षों से हम जिस अल्फाफोल्ड प्रणाली पर काम कर रहे हैं, वह कई वर्षों के शोध अनुभव पर आधारित है, जिसमें व्यापक संरचना का अनुमान लगाने के लिए व्यापक जीनोम डेटा का उपयोग किया गया है। एल्फाफोल्ड उत्पन्न करने वाले तीन-आयामी प्रोटीन मॉडल पहले की तुलना में बहुत अधिक सटीक हैं। इसने जीव विज्ञान के मुख्य कार्यों में से एक में महत्वपूर्ण प्रगति को चिह्नित किया।

प्रोटीन फोल्डिंग की समस्या क्या है?

प्रोटीन जीवन को बनाए रखने के लिए आवश्यक बड़े और जटिल अणु हैं। हमारे शरीर के लगभग सभी कार्य, चाहे वह मांसपेशियों के संकुचन, प्रकाश की धारणा, या भोजन को ऊर्जा में बदलना हो, एक या एक से अधिक प्रोटीनों के बारे में पता लगाया जा सकता है और वे कैसे बदलते हैं और बदलते हैं। इन प्रोटीनों के लिए व्यंजन, जिन्हें जीन कहा जाता है, हमारे डीएनए में एन्कोडेड होते हैं।

एक प्रोटीन के गुण इसकी अनूठी तीन आयामी संरचना पर निर्भर करते हैं। उदाहरण के लिए, एंटीबॉडी प्रोटीन जो हमारी प्रतिरक्षा प्रणाली को बनाते हैं, वे "वाई-आकार" हैं और विशेष हुक की तरह दिखते हैं। वायरस और बैक्टीरिया से चिपके हुए, एंटीबॉडी प्रोटीन बाद के विनाश के लिए रोगजनकों का पता लगाने और लेबल करने में सक्षम हैं। इसी तरह, कोलेजन प्रोटीन डोरियों के रूप में होते हैं जो उपास्थि, स्नायुबंधन, हड्डियों और त्वचा के बीच तनाव को प्रसारित करते हैं। अन्य प्रकार के प्रोटीन में Cas9 शामिल है, जो CRISPR अनुक्रमों द्वारा निर्देशित होता है, कैंची के रूप में कार्य करता है जो डीएनए में कटौती करता है और नई साइट सम्मिलित करता है। एंटीफ् Antीज़र प्रोटीन, जिनकी तीन आयामी संरचना उन्हें बर्फ के क्रिस्टल से बांधने और जीवों के ठंड को रोकने की अनुमति देती है; और राइबोसोम, जो एक प्रोग्राम कन्वेयर के रूप में कार्य करते हैं जो प्रोटीन के निर्माण में शामिल होते हैं।

प्रोटीन के त्रि-आयामी ढांचे को पूरी तरह से उसके आनुवंशिक अनुक्रम से निर्धारित करना एक कठिन कार्य है जिसे वैज्ञानिक दशकों से संघर्ष कर रहे हैं। समस्या यह है कि डीएनए में केवल अमीनो एसिड अवशेषों नामक प्रोटीन के निर्माण ब्लॉकों के अनुक्रम के बारे में जानकारी होती है जो लंबी श्रृंखला बनाते हैं। भविष्यवाणी करते हुए कि ये श्रृंखलाएं एक जटिल 3D प्रोटीन संरचना कैसे बनाएंगी, "प्रोटीन तह समस्या" के रूप में जाना जाता है।

प्रोटीन जितना बड़ा होता है, उतना ही मुश्किल होता है, क्योंकि अमीनो एसिड के बीच अधिक बॉन्ड बनता है, जिसे ध्यान में रखा जाना चाहिए। एक साधारण प्रोटीन के सभी संभावित विन्यासों को सूचीबद्ध करने के लिए लेविंटल विरोधाभास से निम्नानुसार, इसकी सही त्रि-आयामी संरचना प्राप्त होने से पहले, ब्रह्मांड के अस्तित्व में आने में अधिक समय लगेगा।

प्रोटीन तह महत्वपूर्ण क्यों है?

प्रोटीन के आकार की भविष्यवाणी करने की क्षमता अत्यंत उपयोगी है क्योंकि यह शरीर में प्रोटीन की भूमिका को समझने के साथ-साथ अल्जाइमर, पार्किंसंस , हंटिंगटन की बीमारी और सिस्टीम फाइब्रोसिस जैसी बीमारियों के निदान और उपचार के लिए मौलिक है, जो डॉक्टरों का मानना ​​है कि अनुचित रूप से मुड़े हुए प्रोटीन के कारण होता है।

हम विशेष रूप से प्रसन्न हैं कि एक प्रोटीन के आकार की भविष्यवाणी करने की क्षमता हमारे शरीर के काम करने के तरीके के बारे में हमारी समझ में सुधार कर सकती है, और यह हमें नई दवाओं को कुशलता से विकसित करने की अनुमति देगा। जैसा कि हम प्रोटीन के रूपों के बारे में अधिक जानकारी प्राप्त करते हैं और वे मॉडलिंग के माध्यम से कैसे काम करते हैं, ड्रग्स बनाने के नए अवसर खुल रहे हैं, साथ ही प्रयोगों की लागत कम हो रही है। अंततः, इन खोजों से दुनिया भर में लाखों रोगियों के जीवन स्तर में सुधार होगा।

प्रोटीन तह की प्रक्रिया को समझने से एक प्रकार का प्रोटीन विकसित करने में भी मदद मिल सकती है जो आसपास की वास्तविकता में महत्वपूर्ण योगदान देगा। उदाहरण के लिए, बायोडिग्रेडेबल एंजाइमों में प्रोटीन के विकास के माध्यम से की गई प्रगति प्लास्टिक और तेल जैसे दूषित पदार्थों से निपटने में मदद कर सकती है, जो पर्यावरण को नुकसान पहुंचाए बिना कचरे को तोड़ने में मदद करती है। वास्तव में, शोधकर्ताओं ने पहले ही बैक्टीरिया को डिजाइन करना शुरू कर दिया है जो प्रोटीन को स्रावित करते हैं जो अपशिष्ट को बायोडिग्रेडेबल बनाते हैं और इसे संभालना आसान बनाते हैं।

पूर्वानुमान सटीकता में सुधार के लिए नवीनतम तरीकों के क्षेत्र में अनुसंधान को बढ़ावा देने और प्रगति का मूल्यांकन करने के लिए, 1994 में एक बड़े पैमाने पर दो साल की प्रतियोगिता शुरू की गई थी, जिसे CASP सामुदायिक प्रयोग कहा जाता है क्रिटिकल इवैलुएशन ऑफ़ प्रोटीन स्ट्रक्चर मेथड्स (CASP), जो मूल्यांकन विधियों में स्वर्ण मानक बन गया है।

AI से क्या फर्क पड़ेगा?

पिछले पांच दशकों में, वैज्ञानिक प्रयोगशाला में क्रायोइलेक्ट्रॉन माइक्रोस्कोपी , परमाणु चुंबकीय अनुनाद या एक्स-रे विवर्तन जैसे प्रयोगात्मक तरीकों का उपयोग करके प्रोटीन के रूपों को पहचानने में सक्षम रहे हैं, लेकिन प्रत्येक विधि को कई परीक्षणों और त्रुटियों से काट लिया गया है जो वर्षों में हुए और हजारों डॉलर खर्च हुए। यही कारण है कि जीवविज्ञानी अब जटिल प्रोटीन पर शोध करने की लंबी और श्रमसाध्य प्रक्रिया के विकल्प के रूप में एआई के तरीकों की ओर रुख कर रहे हैं।

सौभाग्य से, आनुवंशिक अनुक्रमण की लागत में तेजी से कमी के कारण जीनोमिक्स के क्षेत्र में पर्याप्त डेटा है। नतीजतन, पिछले कुछ वर्षों में, गहन सीखने का उपयोग करके पूर्वानुमान की समस्या के लिए दृष्टिकोण और जीनोम डेटा पर आधारित तेजी से लोकप्रिय हो गए हैं। इस मुद्दे पर डीपमाइंड के काम ने अल्फाफॉल्ड की उपस्थिति पैदा की, जिसे हमने इस साल CASP के साथ पेश किया। हमें प्रगति का हिस्सा होने पर गर्व है कि CASP विशेषज्ञों ने "प्रोटीन की संरचना की भविष्यवाणी करने के लिए कम्प्यूटेशनल विधियों की क्षमता में अभूतपूर्व प्रगति" कहा। परिणामस्वरूप, हमने टीमों की रैंकिंग में पहला स्थान लिया (हम ए 7 डी हैं)।

हमारी टीम ने सटीक रूप से हल किए गए प्रोटीनों को टेम्प्लेट के उपयोग के बिना, खरोंच से लक्ष्य रूपों के मॉडलिंग के कार्य पर सटीक रूप से ध्यान केंद्रित किया। हमने प्रोटीन संरचना के भौतिक गुणों की भविष्यवाणी करने में एक उच्च स्तर की सटीकता हासिल की, और फिर पूर्ण प्रोटीन संरचनाओं की भविष्यवाणी करने के लिए दो अलग-अलग तरीकों का इस्तेमाल किया।

भौतिक गुणों की भविष्यवाणी करने के लिए तंत्रिका नेटवर्क का उपयोग करना

इन दोनों विधियों में गहरे तंत्रिका नेटवर्क का उपयोग किया जाता है जो कि प्रोटीन के गुणों का अनुमान लगाने के लिए उसके आनुवंशिक अनुक्रम द्वारा प्रशिक्षित किया जाता है। गुण जो नेटवर्क की भविष्यवाणी करते हैं वे हैं: (ए) अमीनो एसिड के जोड़े के बीच की दूरी और (बी) इन रासायनिक एमिनो एसिड को जोड़ने वाले रासायनिक बांडों के बीच के कोण। पहला विकास लोकप्रिय तरीकों के उपयोग में एक वास्तविक अग्रिम था जो यह निर्धारित करता है कि क्या अमीनो एसिड के जोड़े एक दूसरे के बगल में हैं।

हमने प्रोटीन अवशेषों की प्रत्येक जोड़ी के बीच दूरियों के एक अलग वितरण की भविष्यवाणी करने के लिए तंत्रिका नेटवर्क को प्रशिक्षित किया। इन संभावनाओं को तब एक अनुमान में संयोजित किया गया था जो दर्शाता है कि प्रोटीन संरचना कितनी अच्छी तरह से डिज़ाइन की गई है। हमने एक और तंत्रिका नेटवर्क को भी प्रशिक्षित किया है जो प्रस्तावित संरचना को सही उत्तर के कितना करीब है, इसका मूल्यांकन करने के लिए कुल दूरी का उपयोग करता है।

प्रोटीन संरचनाओं की भविष्यवाणी करने के लिए नए तरीके

इन मूल्यांकन कार्यों का उपयोग करके, हम उन संरचनाओं को खोजने में सक्षम थे जो हमारे पूर्वानुमानों को फिट करते हैं। हमारी पहली विधि संरचनात्मक जीव विज्ञान में व्यापक रूप से उपयोग की जाने वाली विधियों पर आधारित है, इसने प्रोटीन संरचना के कुछ हिस्सों को बार-बार नए टुकड़ों के साथ बदल दिया है। हमने प्रस्तावित प्रोटीन संरचना के आकलन को बेहतर बनाने के लिए उपयोग किए जाने वाले नए अंशों का प्रस्ताव करने के लिए जनरेटिव-प्रतिस्पर्धी तंत्रिका नेटवर्क को प्रशिक्षित किया।



दूसरा तरीका ग्रेडिएंट डिसेंट का उपयोग करके ग्रेड को अनुकूलित करता है, (एक गणितीय विधि जिसे सामान्यतः छोटे वृद्धिशील सुधारों के लिए मशीन लर्निंग में उपयोग किया जाता है), जिसके कारण संरचनाओं की उच्च सटीकता होती है। इस पद्धति को पूरे प्रोटीन श्रृंखलाओं पर लागू किया गया था, न कि उन टुकड़ों के लिए जिन्हें विधानसभा से पहले अलग-अलग ढेर किया जाना चाहिए, जो भविष्यवाणी प्रक्रिया की जटिलता को कम करता है।

आगे क्या है?

हमारे प्रोटीन जमावट पेन परीक्षण की सफलता से पता चलता है कि वैज्ञानिकों को जल्दी से जटिल समस्याओं के रचनात्मक समाधान विकसित करने में मदद करने के लिए मशीन लर्निंग सिस्टम सूचना के कई स्रोतों को एकीकृत कर सकता है। हम पहले ही देख चुके हैं कि ऐआई लोगों को अल्फ़ागो और अल्फ़ाज़ेरो जैसी प्रणालियों के माध्यम से जटिल खेल में कैसे मदद करता है, हम यह भी उम्मीद करते हैं कि एक बार एआई की सफलता मानवता को मौलिक वैज्ञानिक समस्याओं को हल करने में मदद करे।

वैज्ञानिक खोज करने में एआई की उपयोगिता को प्रदर्शित करते हुए, प्रोटीन तह में पहली प्रगति को देखना दिलचस्प है। भले ही हमारे पास अभी भी बहुत कुछ करने के लिए है, हम स्पष्ट रूप से समझते हैं कि हम विभिन्न बीमारियों के इलाज के लिए खोज में योगदान करने में सक्षम होंगे, पर्यावरण की मदद करेंगे और बहुत कुछ, क्योंकि वास्तव में क्षमता बहुत बड़ी है। एक समर्पित टीम ने यह पता लगाने पर ध्यान केंद्रित किया कि मशीन लर्निंग विज्ञान की दुनिया को कैसे आगे बढ़ा सकती है, हम विभिन्न तरीकों और तरीकों का पता लगाएंगे जिससे हमारी तकनीक हमारे आसपास की दुनिया को प्रभावित कर सकती है।