[ad_1]

لندن ، 30 نوامبر 2020 – به عنوان یک پیشرفت بزرگ علمی ، آخرین نسخه از سیستم هوش مصنوعی DeepMind AlphaFold به عنوان یک راه حل برای چالش پیش بینی ساختار پروتئین 50 ساله شناخته شده است ، که اغلب به عنوان “مشکل تاشو پروتئین” شناخته می شود. “، طبق یک ارزیابی دقیق مستقل. این دستیابی به موفقیت می تواند تحقیقات بیولوژیکی را در طولانی مدت تسریع کند ، فرصت های جدیدی را برای درک بیماری ها و کشف داروها در مناطق دیگر باز کند.

امروز ، نتایج CASP14 نشان می دهد که آخرین سیستم AlphaFold DeepMind به سطوح بی نظیری از دقت در پیش بینی ساختار دست می یابد. این سیستم قادر است ساختارهای بسیار دقیق را در چند روز تعیین کند. CASP ، ارزیابی حیاتی ساختار پروتئین پیش بینی ، یک ارزیابی هر دوساله مبتنی بر جامعه است که در سال 1994 آغاز شده و یک استاندارد طلایی برای ارزیابی تکنیک های پیش بینی است. شرکت کنندگان باید کورکورانه ساختار پروتئین هایی را که اخیراً – یا در بعضی موارد هنوز به طور آزمایشی مشخص نشده اند – پیش بینی کنند و منتظر مقایسه پیش بینی هایشان با داده های تجربی باشند.

CASP از شاخص جهانی تست فاصله (GDT) برای تخمین دقت در محدوده 0 تا 100 استفاده می کند. سیستم جدید AlphaFold برای همه اهداف میانگین نمره 92.4 GDT را کسب می کند. میانگین خطای سیستم تقریباً 1.6 انگستروم است – تقریباً به اندازه عرض اتم. طبق گفته پروفسور جان مولت ، بنیانگذار و رئیس CASP ، نمره حدود 90 GDT به طور غیر رسمی با نتایج بدست آمده از روش های آزمایشی قابل رقابت است.

پروفسور جان مولت ، بنیانگذار و رئیس CASP ، دانشگاه مریلند ، گفت:

“ما تقریباً 50 سال در این یک مسئله گیر کرده ایم – چگونگی جمع شدن پروتئین ها. برای دیدن DeepMind پس از مدتها کار روی این مشکل و پس از توقفهای فراوان و شروع به تعجب اگر آیا رسیدن به آنجا یک لحظه بسیار خاص است. “

چرا پیش بینی ساختار پروتئین ها مهم است؟

پروتئین ها برای زندگی ضروری هستند و اشکال آنها با عملکرد آنها ارتباط نزدیک دارد. توانایی پیش بینی دقیق ساختارهای پروتئینی امکان درک بهتر کارها و نحوه کار آنها را فراهم می کند. در حال حاضر بیش از 200 میلیون پروتئین در پایگاه داده اصلی وجود دارد و فقط برخی از ساختارهای سه بعدی آنها ترسیم شده است.

یک چالش اساسی تعداد نجومی راههایی است که پروتئین می تواند از نظر تئوری قبل از استقرار در ساختار نهایی سه بعدی خود ، برابر شود. بسیاری از بزرگترین چالشهای پیش روی جامعه ، مانند ایجاد روشهای درمانی برای بیماریها یا یافتن آنزیمهایی که مواد زائد صنعتی را تجزیه می کنند ، عمدتا مربوط به پروتئین ها و نقشی است که آنها بازی می کنند. تعیین اشکال و عملکردهای پروتئین یک زمینه اصلی تحقیق است ، در درجه اول از طریق تکنیک های تجربی که می تواند سالها کار سخت و سخت را برای هر ساختاری به طول انجامد و نیاز به استفاده از تجهیزات تخصصی برای میلیون ها دلار دارد.

رویکرد DeepMind به مشکل تا شدن پروتئین

این موفقیت بر اساس اولین ورودی DeepMind در CASP13 در سال 2018 است ، جایی که نسخه اولیه AlphaFold بالاترین سطح دقت را در بین همه شرکت کنندگان بدست آورد. DeepMind در حال حاضر معماری یادگیری عمیق جدیدی را برای CASP14 ایجاد کرده است ، که از زمینه های زیست شناسی ، فیزیک و یادگیری ماشین و همچنین از کار بسیاری از دانشمندان تاشو پروتئین در نیم قرن گذشته الهام گرفته است.

پروتئین تا شده می تواند به عنوان یک “نمودار فضایی” دیده شود که در آن باقی مانده ها گره هستند و لبه ها بقایای موجود را در مجاورت یکدیگر متصل می کنند. این نمودار برای درک فعل و انفعالات فیزیکی پروتئین ها و همچنین تاریخچه تکامل آنها مهم است. برای آخرین نسخه AlphaFold که در CASP14 به کار رفته است ، DeepMind یک سیستم شبکه عصبی انتها به انتهای توجه را ایجاد کرده است که سعی در تفسیر ساختار این نمودار دارد در حالی که در نمودار ضمنی ساخته شده تأمل می کند. برای پالایش این نمودار از توالی های مرتبط با تکامل ، توالی چند توالی (MSA) و نمایش جفت های باقیمانده اسید آمینه استفاده می شود.

با تکرار این فرآیند ، سیستم پیش بینی های قوی در مورد ساختار فیزیکی اساسی پروتئین ایجاد می کند. علاوه بر این ، AlphaFold با استفاده از معیار اطمینان داخلی می تواند پیش بینی کند که کدام قسمت از هر ساختار پروتئین پیش بینی شده قابل اعتماد است.

این سیستم با استفاده از مقدار نسبتاً متوسطی از محاسبات مطابق با استانداردهای مدرن یادگیری ماشین – با استفاده از داده های موجود در دسترس عموم متشکل از 170،000 structures ساختار پروتئین از بانک داده پروتئین ، آموزش دیده است – تقریباً 128 هسته TPUv3 (تقریباً معادل 100-200 ~ GPU) صرف شده است چند هفته.

بالقوه برای تأثیر واقعی

DeepMind از کار با دیگران برای کسب اطلاعات بیشتر در مورد پتانسیل AlphaFold هیجان زده است و تیم AlphaFold در حال بررسی چگونگی پیش بینی ساختار پروتئین با چندین گروه تخصصی می تواند به درک برخی بیماری ها کمک کند.

همچنین نشانه هایی وجود دارد که پیش بینی ساختار پروتئین به عنوان یکی از بسیاری از ابزارهای توسعه یافته توسط جامعه علمی ، در تلاشهای بعدی برای پاسخ به همه گیری مفید است. در اوایل سال جاری ، DeepMind چندین ساختار پروتئینی از ویروس SARS-CoV-2 پیش بینی کرد ، و کار سریع و بسیار سریع آزمایشگران تاکنون تایید کرده است که AlphaFold به درجه بالایی از دقت در پیش بینی های خود رسیده است.

AlphaFold یکی از مهمترین دستاوردهای DeepMind تاکنون است. اما مانند سایر تحقیقات علمی ، هنوز کارهای زیادی باید انجام شود ، از جمله درک چگونگی ایجاد پروتئین های متعدد در مجتمع ها ، چگونگی تعامل آنها با DNA ، RNA یا مولکول های کوچک و همچنین تعیین محل دقیق تمام زنجیره های جانبی آمینو اسید.

DeepMind همانند سیستم قبلی CASP13 AlphaFold قصد دارد گزارشی را در مورد توصیف عملکرد این سیستم در یک مجله به موقع بررسی شده توسط همسالان ارسال کند و همزمان به بررسی چگونگی اطمینان از دسترسی گسترده تر به سیستم به صورت مقیاس پذیر بپردازد.

AlphaFold در حال نشان دادن پتانسیل خیره کننده هوش مصنوعی به عنوان ابزاری برای حمایت از کشفیات اساسی علمی است. DeepMind مشتاقانه منتظر کار با دیگران برای باز کردن این پتانسیل است.

اظهارات دانشمندان مستقل:

پروفسور ونکی راماكریشنان ، برنده جایزه نوبل و رئیس انجمن سلطنتی

“این کار محاسباتی نشان دهنده پیشرفتی خیره کننده درمورد مشکل جمع شدن پروتئین است ، یک چالش بزرگ 50 ساله در زیست شناسی. این اتفاق دهه ها پیش برای بسیاری از افراد در این زمینه پیش بینی شده است. دیدن اینکه چگونه بسیاری از روشها تغییر اساسی در بیولوژیک ایجاد می کند ، هیجان انگیز خواهد بود پژوهش. “

پروفسور دام جانت تورنتون ، مدیر افتخاری و دانشمند ارشد ، EMBL-EBI

“آنچه تیم DeepMind توانسته است به آن دست یابد فوق العاده است و آینده زیست شناسی ساختاری و تحقیقات پروتئین را تغییر خواهد داد. پس از دهه ها مطالعه پروتئین ها ، مولکول هایی که ساختار و عملکرد همه موجودات زنده را فراهم می کنند ، امروز صبح احساس بیداری کردم که پیشرفت حاصل شده است. “

آرتور دی لوینسون ، دکترا ، بنیانگذار و مدیر عامل شرکت کالیکو ، رئیس سابق و مدیر عامل ، Genentech

“AlphaFold یک پیشرفت یک نسل است که ساختارهای پروتئینی را با سرعت و دقت باورنکردنی پیش بینی می کند. این جهش رو به جلو نشان می دهد که چگونه روش های محاسباتی برای تبدیل تحقیقات در زیست شناسی و قول های زیادی برای تسریع روند کشف دارو فراهم است.”

پروفسور آندری لوپاس ، مدیر موسسه زیست شناسی رشد ماکس پلانک

“مدلهای حیرت انگیز دقیق AlphaFold به ما این امکان را داده است که با تجدید تلاش برای درک چگونگی انتقال سیگنالها از غشای سلول ، ساختار پروتئینی که نزدیک به یک دهه در آن بوده ایم را حل کنیم.”

پروفسور یوان برنی ، معاون مدیر کل EMBL ، مدیر EMBL-EBI

“من وقتی این نتایج را دیدم تقریباً از روی صندلی افتادم. من می دانم CASP چقدر سختگیرانه است – در واقع این اطمینان را می دهد كه مدل سازی محاسباتی باید وظیفه چالش برانگیز تاشو پروتئین های ab-initio را انجام دهد. فروتنانه بود كه می دید این مدل ها می توانند انجام دهند جنبه های زیادی برای درک وجود خواهد داشت ، اما این پیشرفت بزرگی برای علم است. “

بیانیه های DeepMind / Alphabet:

دمیس حسابیس ، دکتری ، بنیانگذار و مدیرعامل ، DeepMind

“چشم انداز نهایی DeepMind همیشه ساخت هوش مصنوعی و سپس استفاده از آن برای کمک به دانش بیشتر ما در مورد جهان پیرامون با تسریع سرعت کشف علمی بوده است. از نظر ما ، AlphaFold اولین مدرک برای این تز است. این پیشرفت اولین موفقیت بزرگ ما در یک چالش بزرگ دیرینه در علوم است که امیدواریم بتواند تأثیر واقعی زیادی در درک بیماری ها و کشف داروها داشته باشد. “

دکتر Pushmeet Kohli ، رئیس علوم AI ، DeepMind

“این نتایج باورنکردنی شاهدی بر فلسفه تحقیقاتی منحصر به فرد DeepMind است – گردهم آوردن تیم های چند رشته ای ماموریت گرا برای دنبال کردن اهداف علمی بلند پروازانه. ارزیابی های انتقادی مانند CASP برای پیشبرد پیشرفت تحقیقات مهم است و ما منتظر ارتقا این موضوع هستیم. کار ، تعمیق درک ما از پروتئین ها و مکانیسم های بیولوژیکی و کشف راه های جدید برای تحقیق. “

جان جامپر ، PhD ، AlphaFold Lead ، DeepMind

“زیست شناسی پروتئین به طرز خارق العاده ای پیچیده است و ویژگی ساده را خنثی می کند. کار تیم ما نشان می دهد که بالاخره تکنیک های یادگیری ماشین قادر به پاسخگویی به پیچیدگی توصیف این ماشین های شگفت انگیز پروتئین هستند و ما واقعاً هیجان زده هستیم که می بینیم چه چیزهای جدید پیشرفت هایی در سلامت انسان و زیست شناسی اساسی به ارمغان خواهد آورد. “

کاترین تونیاسووناکول ، دکترای علمی ، مهندس علمی ، DeepMind

“توانایی پیش بینی ساختارهای پروتئینی با دقت بالا با هوش مصنوعی می تواند نحوه برخورد ما با زیست شناسی را تغییر دهد ، با کاربردهای بالقوه در طراحی دارو و تصفیه بیولوژیکی. به ویژه برای پروتئین های چالش برانگیز آزمایش ، روش های خوب پیش بینی می تواند تفاوت زیادی ایجاد کند.”

Sundar Pichai ، مدیر عامل ، Google و Alphabet

“این یک پیشرفت باورنکردنی در چین خوردن پروتئین مصنوعی است که از هوش مصنوعی پشتیبانی می کند و به ما کمک می کند یکی از اساسی ترین عناصر سازنده زندگی را درک کنیم. این جهش بزرگ از DeepMind دارای پیامدهای عملی فوری است ، به محققان اجازه می دهد تا مقابله با چالش های جدید و دشوار از پاسخ همه گیر آینده به پایداری محیط زیست. “

###

یادداشت برای سردبیران

تماس با رسانه ها

مطبوعات@deepmind.com

توجه داشته باشید که CASP همچنین یک بیانیه مطبوعاتی دارد که می توانید از کری نوبل دریافت کنید: kerry_noble@hotmail.com

درباره DeepMind

DeepMind یک تیم چند رشته ای متشکل از دانشمندان ، مهندسان ، کارشناسان یادگیری ماشین و سایر افرادی است که با همکاری یکدیگر تحقیق و ساخت سیستم های ایمن هوش مصنوعی را می آموزند که می آموزد چگونه مشکلات را حل کند و پیشرفت های علمی را برای همه پیش ببرد.

DeepMind که به دلیل توسعه AlphaGo ، اولین برنامه برنده شدن یک قهرمان جهانی در بازی پیچیده Go شناخته شده است ، بیش از 1000 مقاله علمی – از جمله بیش از دوازده مقاله در Nature and Science – منتشر کرده است و نتایج موفقیت آمیز در دامنه های تاشو بسیار چالش برانگیز StarCraft II را به دست آورده است. پروتئین ها

DeepMind در سال 2010 در لندن تاسیس شد و برای تسریع در کار خود در سال 2014 با گوگل پیوست. از آن زمان ، جامعه وی گسترش یافته و شامل تیم هایی در آلبرتا ، مونترال ، پاریس و مانتین ویو در کالیفرنیا است.

[ad_2]

منبع: kolah-news.ir