Τεχνολογία-Επιστήμη
Τρίτη, 01 Δεκεμβρίου 2020 12:34

AlphaFold: «Αίνιγμα» της βιολογίας λύθηκε με τεχνητή νοημοσύνη της DeepMind

Ένα από τα μεγαλύτερα «αινίγματα» της βιολογίας λύθηκε μέσω της χρήσης τεχνητής νοημοσύνης, όπως ανακοινώθηκε από ειδικούς.

Ένα από τα μεγαλύτερα «αινίγματα» της βιολογίας λύθηκε μέσω της χρήσης τεχνητής νοημοσύνης, όπως ανακοινώθηκε από ειδικούς.
 
Η «αποκρυπτογράφηση» του τρόπου με τον οποίο μια πρωτεΐνη διπλώνεται σε ένα μοναδικό τρισδιάστατο σχήμα αποτελεί πρόκληση για τους επιστήμονες εδώ και περίπου έναν αιώνα- και η DeepMind, εταιρεία με έδρα το Λονδίνο, σε μεγάλο βαθμό κατάφερε να λύσει το πρόβλημα.
 
Όπως σημειώνει το BBC, η καλύτερη κατανόηση του τρόπου με τον οποίο σχηματίζονται οι πρωτεΐνες θα μπορούσε να παίξει σημαντικό ρόλο στην ανάπτυξη πρωτοποριακών φαρμάκων- και η δουλειά της DeepMind αναμένεται να επιταχύνει τις έρευνες σε ένα εύρος ασθενειών, μεταξύ των οποίων και η Covid-19.
 
Όπως λένε οι ερευνητές, το εν λόγω πρόγραμμα διαπιστώνει το σχήμα των πρωτεϊνών σε επίπεδο ακριβείας που είναι συγκρίσιμο με ακριβές χρονοβόρες εργαστηριακές μεθόδους.
 
Οι πρωτεΐνες είναι απαραίτητες σε όλους τους ζωντανούς οργανισμούς, όπου παίζουν σημαντικό ρόλο στις χημικές διαδικασίες που είναι απαραίτητες για τη ζωή. Αποτελούνται από αλυσίδες αμινοξέων και διπλώνονται με έναν πρακτικά άπειρο αριθμό τρόπων σε πολύπλοκα σχήματα, τα οποία κρύβουν το «κλειδί» για τον τρόπο που οι πρωτεΐνες πραγματοποιούν τις λειτουργίες τους.
 
Πολλές ασθένειες συνδέονται με τον τρόπο που οι πρωτεΐνες λειτουργούν ως καταλύτες σε χημικές διαδικασίες (ένζυμα) μάχονται κατά των ασθενειών (αντισώματα) ή λειτουργούν ως χημικού «αγγελιοφόροι» (ορμόνες όπως η ινσουλίνη).
 
Το 1972 ο Κρίστιαν Άνφινσεν είχε πάρει Νόμπελ για τη δουλειά του, η οποία έδειχνε ότι θα έπρεπε να είναι δυνατόν να καθοριστεί το σχήμα των πρωτεϊνών με βάση την αλληλουχία των αμινοξέων. Κάθε δύο χρόνια, πολλές ομάδες από πάνω από 20 χώρες προσπαθούν «στα τυφλά» να προβλέψουν με υπολογιστές το σχήμα ενός σετ περίπου 100 πρωτεϊνών από τις αλληλουχίες αμινοξέων τους.
 
Ταυτόχρονα, οι 3D δομές διαπιστώνονται στα εργαστήρια από βιολόγους με παραδοσιακές τεχνικές (κρυσταλλογραφία ακτίνων Χ, φασματοσκοπία ΝΜR) που διαπιστώνουν την τοποθεσία του κάθε ατόμου σε σχέση με τα άλλα στο μόριο πρωτεΐνης.
 
Ομάδα ερευνητών από το Casp (Community Wide Experiment on the Critical Assessment of Techniques for Protein Structure Prediction) μετά συγκρίνει τις προβλέψεις με 3D δομές που επιλύονται μέσω πειραματικών μεθόδων. Το Casp χρησιμοποιεί ένα μέτρο σύγκρισης που είναι γνωστό ως παγκόσμιο τεστ απόστασης για να αξιολογήσει την απόσταση, από το 0 ως το 100. Ένα σκορ της τάξης του 90, που επετεύχθη από το AlphaFold της DeepMind, θεωρείται συγκρίσιμο με τις εργαστηριακές τεχνικές.
 
Στον τελευταίο «γύρο» της πρόκλησης (Casp-14), το AlphaFold, διαπίστωσε το σχήμα περίπου των 2/3 των πρωτεϊνών με ακρίβεια συγκρίσιμη αυτής των εργαστηριακών πειραμάτων.
 
Το AlphaFold βασίζεται στο deep learning (μηχανική μάθηση). Επί της προκειμένης, η δομή μιας διπλωμένης πρωτεΐνης αναπαρίσταται ως γράφημα. Το πρόγραμμα μετά «μαθαίνει» χρησιμοποιώντας πληροφορίες για τα τρισδιάστατα σχήματα των γνωστών πρωτεΐνων που βρίσκονται στην Public Database of Proteins. Tο πρόγραμμα τεχνητής νοημοσύνης ήταν σε θέση να κάνει μέσα σε ημέρες αυτό που θα χρειαζόταν χρόνια στο εργαστήριο.
 
Η γνώση επί της τρισδιάστατης δομής μιας πρωτεΐνης είναι σημαντική για τον σχεδιασμό φαρμάκων και την κατανόηση ασθενειών- μεταξύ των οποίων ο καρκίνος, η άνοια και άλλες, μολυσματικές ασθένειες, όπως η Covid-19.
 
Όσον αφορά στο «επόμενο βήμα», τα δεδομένα του εγχειρήματος θα εξεταστούν περαιτέρω για να διαπιστωθεί πόσο ακριβής είναι όντως η μέθοδος και πόσο καλά αποδίδει σε υψηλό επίπεδο λεπτομέρειας.