هوش مصنوعی از عروسک های بازی تا کمک به انسان در تولیدات تا زیان های آن بر جسم و روح انسان- قسمت شانزدهم
هوش مصنوعی DeepMind’s AIآلفافولد ساختمان بزرگترین گنجینه ی پروتئین را در بدن و مغز، پیشگویی میکند.
مغز و محصولات آن، گامی نوین را در شناسایی کیهان باز کرده اند ولی این گام جدید و دید عمیق در اجزای ریز و ساختاری کیهان تا چه حد ما را به حقیقت میرساند؟
آلفافولد منجر به خودکاوی های فراوانی در میان بیولوژیست ها در مورد چیزی شود که باید در برابر این ساختارهای بسیار، انجام دهند
هوش مصنوعی میتواند پیشگویی های وسیع کند ولی بخش بزرگی از داده ها در دسترس هوش طبیعی و مصنوعی نیست. داده های در دسترس برای هوش طبیعی و مصنوعی، بخش بسیار اندکی از امواج الکترمغناطیس کیهان ماست.
قدرت پردازش داده ها در هوش مصنوعی میتواند ده ها برابر هوش طبیعی باشد، ولی آنچه در دسترس هوش مصنوعی است، داده هایی اندک از میان دریایی از داده های غیر قابل درک به وسیله ی انسان است.
شبکه ی عصبی آلفا فولد داده هایی کاملا قابل تغییر و دینامیک را از 350 هزار ساختمان پروتئینی در هموساپینس و 20 مدل موجود زنده ی دیگر تولید کرده است.
کمپلکس واسطه ی انسانی(یک واکنش دهنده ی ترجمه ای است که در همه ی یوکاریوت ها هست و با عوامل ترجمه و RNA polymerase II واکنش نشان میدهد. مهمترین وظیفه ی آن، انتقال پیام از عوامل ترجمه، به پلیمراز است.))
این کمپلکس، یکی از بزرگترین سیستم های چند پروتئینی چالش زا برای زیست شناسان ساختمانی بوده است. ژنوم انسان، دستورالعمل هایی برای بیش از 20 هزار پروتئین دارد. ولی فقط یک سوم اینها ساختار سه بعدی خود را- که به صورت آزمایشی مشخص میشود- دارد. در بسیاری از موارد، آن ساختارها فقط تا حدی درک شده است.
اکنون یک هوش مصنوعی متحول کننده، به نام آلفافولد در لندن، به وسیله ی شرکت خواهر گوگل به نامدیپمایند ساخته شده است و ساختار همه ی پروتئوم انسانی را پیشگویی میکند (پروتئوم، همه ی پروتئین هایی است که به وسیله ی موجود زنده ساخته میشود.)به علاوه این وسیله تقریبا همه ی پروتئوم ها را برای دیگرموجودات زنده از موش تا ذرت تا انگل مالاریا پیشگویی میکند.
دقت بیش از 350 هزار پروتئین ساختاری- که در داده های عمومی وجود دارد- تغییر می کنند. ولی پژوهشگران می گویند که این وسیله ی جدید، میتواند تا 130 میلیون ساختار را تا انتهای سال شناسایی کند و این توانایی را دارد تا علوم زیستی را به طور کامل دگرگون کند. کریستین اورنگو زیست شناس محاسباتی در دانشگاه کالج لندن میگوید: این از دید من، بسیار متحول کننده خواهد بود. داشتن شکل این پروتئین ها به خوبی به تو امکان میدهد با مکانیسم ها و فرایندهای آنها آشنا شوی.
دمیس هاسابیس همکار در موسسه ی دیپمایند، می گوید: این، بزرگترین مداخله ی هوش مصنوعی برای توسعه ی علوم و دانش است. من تصور نمیکنم این مطلب، نیاز به تاکید داشته باشد
پژوهشگران تاکید میکنند روبرداری از داده ها انتهای کار نیست بلکه ابتدای کار است.
آنها میخواهند پیشگویی ها را اعتبار بخشند و مهم است که آنها را در آزمون هایی به کار بگیرند که پیش از این، ناممکن بوده است. دیوید جونس زیست شناس محاسباتی- که قبلا با دیپمانید در مورد آلفافولد مشورت میکرد- می گوید: این مرحله ی نخستِ یک گامِ شگفت انگیز است که ما همه ی این داده ها را در این درجه داریم.
پیشگویی های برنده ی جایزه
دیپمایند، در سال گذشته جامعه ی دانش های حیاتی را شگفت زده کرد و این زمانی بود که نوع اصلاح شده و اپدیت شده ی آلفافولد تلاش دوساله ی پیشگویی پروتئین ها CASP (Critical Assessment of Protein Structure Prediction). را به کل، متحول کرد. در این رقابت سریع که حوزه ای دانشگاهی را به طور سنتی در بر میگیرد پژوهشگران ساختارهای پروتئینی را- که در آزمایشگاه حل شده بود- پیشگویی می کنند ولی تا امروز این کار، عمومی نشده بود. برخی پیشگویی های آلفافولد با نمونه های آزمایشگاهی، به خوبی منطبق بود و برخی دانشمندن گفته اند تاثیر شبکه ی هوش مصنوعی در این پیشگویی ها، واقعه ی مهم تاریخی خواهد بود.
هفته قبل، دیپمایند رمز اساسی پشت آخرین ورشن آلفافولد را کشف کرد و مشخص کرد چگونه ایجاد شده است .(تیم های دانشگاهی از این منابع استفاده می کنند تا پیشگویی های سودمندی داشته باشند.) در فرایند تهیه ی رمز آلفافولد برای درک عمومی، دیپمایند این را تصفیه و پاکسازی کرد تا رمز را به شکل مفیدتری بیان کند. برخی از پیشگویی های CASP چند روز طول میکشد. ولی ورشن آپدیت شده ی آلفافولد، میتواند این پیشگویی ها را در چند دقیقه تا ساعت بیان کند.
دکتر سید سلمان فاطمی . نورولوژیست, [28.07.21 09:38]
تیم دیپمایند ساختارهای هر پروتئین شناخته شده را- که با ژنوم انسانی و بیست مدل حیوانی کدگذاری میشود- برای پیشگویی مرتب کردند. ساختمان ها در داده هایی که به وسیله ی EMBL-EBI (the European Molecular Biology Laboratory European Bioinformatics Institute) در هینکستون انگلستان نگهداری میشود در دسترس است. علاوه بر ساختمان های پیشگویی شده که 98.5% پروتئین های ناشناخته ی انسانی و همین درصد از پروتئین های موجودات دیگر را می پوشاند .. آلفافولد اطمینان پیشگویی های خود را اندازه گیری کرد.
کاترین تونیاسووناکولمهندس علوم در دیپمایند و نخستین مولف مقاله ی نیچر- که پیشگویی های پروتئومی انسان را توضیح می دهد- می گوید: ما میخواهیم به پژوهشگران آزمایشگاهی و بیولوژیست ها یک پیام کاملا روشن بدهیم که چه بخش هایی از پیشگویی ها قابل اعتماد است.
58% پیشگویی ها برای پروتئوم های انسانی در مورد محل آمینواسیدهای فردی به مقدار کافی خوب بوده است و میتواند شکل چین های پروتئین را مشخص کند. برخی از این پیشگویی ها یعنی 36% آنها آنقدر درست است که ساختارهای اتمی را- که برای طراحی داروها مناسب است مانند منطقه ی فعال آنزیم- پیشگویی میکند. حتی پیشگویی های ضعیف تر ممکن است دیدی خوب بدهد.
بیولوژیست ها فکر می کنند بخش بزرگی از پروتئین های انسانی و پروتئین های دیگر یوکاریوت ها- یعنی موجوداتی که سلول های آنها دارای هسته هستند- مناطقی دارد که ذاتا معیوب و به هم ریخته است و ساختار معینی را فقط در همراهی با دیگر مولکول ها به خود می گیرد.(یعنی شکل نهایی پروتئین و رفتار آن در بدن موجود زنده، در همراهی با دیگر مولکول ها و اجزای سلول، ایجاد میشود. این حالت متغیر و دینامیک در بدن موجود زنده، مشکل بزرگی را در پیشگویی های علمی در مورد ساختار پروتئین ها ایجاد میکند. آنچه در آزمایشگاه در دست دانشمندان علوم زیستی است، متفاوت از شکل و رفتار مولکول ها در بدن زنده است.
بیشتر از این، نگاه از درون مجموعه، متفاوت از نگاه از بیرون مجموعه است. آنچه دانشمندان در اختیار دارند، نگاه در آزمایشگاه از بیرون بدن است و یا نگاه بر مولکول ها بعد از خارج کردن آن از بدن موجود زنده است. پیشرفت های تشخیصی مانند تصویربرداری های عملکردی از جمله Functional MRI امکان بررسی مولکول ها را در حین فعالیت و زندگی فرد، فراهم میکند.
با اینحال آنچه مشاهده می شود تصویر رفتار مولکول و پروتئین از بیرون بدن است، و این تصویر، با خود مولکول و رفتار آن در بدن متفاوت است.
تصویر، هرچند نشانه ای از مولکول و ذره است ولی در ظرفیت ابزار مشاهده و قدرت درک بیننده، دیده میشود.
این مطلب پیچیده تر میشود، وقتی بدانیم حقیقت مولکول ها و پروتئین ها و عوامل و محرک های ایجاد کننده ی آن، از جایی فراتر از کیهان مادی ما و تحت قوانین و برنامه های خاص، سرچشمه میگیرد- به طوری که بر اساس قانون احتمالات، پیدایش کیهان حتی با ایجاد خودبخود یک پروتئین 20 اسید آمینه ای ساده به عنوان اولین همانند ساز، ممکن نیست و بسیاری از این علت ها و محرک ها و مسبب ها و قوانین، در دسترس دانشمندان علوم زیستی نیست و آنها فقط تاثیر این محرک ها و عوامل را از مجموعه ای بیرون از علل و محرک های اصلی، حس می کنند. )
جان جامپرپژوهشگر و مدیر آلفافولد می گوید: بسیاری از پروتئین ها فقط در مایعات، محلول بافی می مانند آنها ساختار ثباتی ندارند.
پوشمیت کوهلی رییس هوش مصنوعی در علوم در دیپمایند می گوید: برخی مناطق آلفافولد که با دقت کمتری پیشگویی شده است با آنهایی تطابق دارد که زیست شناسان تصور میکنند به هم ریخته ومعیوب است تعیین اینکه پروتئین های مشخص با دیگر بازیگران سلولی، واکنش نشان میدهد یکی از بزرگترین چالش ها در پیشگویی های آلفافولد بوده است.
برای رقابت بیشتر پیشگویی ها، CASP از واحد های چین دار پروتئیین استفاده میکند که از اجزایی به نام دومین تشکیل شده است ولی پروتئوم انسانی و پروتئین دیگر موجودات، پروتئین هایی را با دومین های متعدد دارد که به طور تقریبا مستقل، چین میخورد. سلول های انسانی همچنین مولکول هایی را دارد که از رشته های متعدد پروتئین های دخیل مانند گیرنده های روی غشاهای سلولی ساخته شده است.
سامیر ولانکا متخصص بیوانفورماتیک ساختاری در EMBL-EBI میگوید: طوفانی از داده ها نزدیک به 365 هزار، پیشبینی ساختاری که دائما روی هم جمع میشود در راه است و این هفته به نزدیک 130 میلیون داده می رسد که نیمی از همه ی پروتئین های شناخته شده هستند. وقتی پروتئین های جدید شناسایی می شود و پیشگویی ها توسعه پیدا می کند، داده های اصلی اپدیت می شود.
کاترین تونیاسووناکول میگوید: این منبعی نیست که تو انتظار دستیابی به آن را داشته باشی.
پژوهشگران هنوز از آلفافولد و وسایل مرتبط، استفاده میکنند و اینها فراتر از داده های تجربی است که به وسیله ی کریستالوگرافی اشعه ی ایکس و میکروسکوپ کرایوالکترون شناخته میشود.(پیشگویی ها حجم زیادی از احتمالات را مطرح میکند که بخشی اندک از این حجم وسیع، در نگاه دانشمند علوم زیستی، در محدوده ی وسایل ادراک و شناخت او مانند میکروسکوپ های خاص یا تصویر برداری مولکولی با اشعه ی ایکس، تحقق پیدا میکند و این اصلا عجیب نیست.
آنچه دانشمند علوم زیستی و بیو انفورماتیک، می بیند و می شنود حجم اندکی از میان انبوهی از امواج الکترومغناطیس موجود در کیهان ماست و کشفیات جدید فیزیک مانند عدم قطعیت هایزنبرگ و یا گربه ی شرودینگر در کیهانی که به طور همزمان شکل های مختلفی از حیات و حتی مرگ را می تواند داشته باشد، حقایق شگفتی است که لازم است در همه ی پیشگویی ها و محاسبه های دانشمندان و علما لحاظ شود.
مارسلو سوسا متخصص بیوشیمی در دانشگاه کلرادو بولدر از آلفافولد استفاده کرد تا مدل هایی از داده های به دست آمده از اشعه ی ایکس پروتئین هایی را بازسازی کند که باکتری ها برای فرار از آنتی بیوتیک هایی به نام کلستیناز آن، استفاده میکنند.
بخشی از مدل تجربی- که از پیشگویی آلفافولد متفاوت بود- مناطقی است که سخت افزار با اطمینان کم، معین کرده است. سوسا متوجه یک علامت است که آلفافولد به طور درست حدود آن را مشخص نکرده است.
ونکی راماکریشنان بیولوژیست ساختاری در آزمایشگاه بیولوژی مولکولی دانشگاه کامبریج MRC میگوید: هنوز بیولوژیست ها میخواهند این پیشگویی ها را با داده های تجربی محک بزنند تا قابلیت اطمینان آن را افزایش دهند ما نیاز داریم اطمینان بر این داده ها را زیاد کنیم.(میتوان، اطمینان را زیاد کرد ولی قطعیت وضعیت دریا از روی قطره ای از آن، جسارت زیادی میخواهد.)
جونز با چیزی- که شبکه به دست آورده- تحت تاثیر قرار گرفته است. ولی او میگوید بسیاری از مدل ها که به وسیله ی آلفافولد پیشبینی میشود به وسیله ی سخت افزارهای ساده تر که در دانشگاه ها هست قابل پیشبینی است. برای بیشتر پروتئین ها آن نتایج، ممکن است برای بسیاری از چیزهایی که می خواهی بکنی صد در صد کافی باشد. دانشمندان، کوشش فراوانی می کنند تا ساختار هر پروتئین ویژه ای را به دست بیاورند و می توانند احتمالا با استفاده از الگوهای تجربی به موفقیت برسند.
محمدالقریشی بیولوژیست محاسباتی دانشگاه کلمبیا در نیویورک سیتی که روی پیشبینی ساختار پروتئین کار میکند میگوید: در دسترس بودن بسیاری از ساختارهای پروتئینی ممکن است یک تغییر الگویی را در بیولوژی ایجاد کند. کار او زمان زیادی را بر پیشبینی ساختار دقیق پروتئین ها صرف کرده است هرچیز ما امروز انجام میدهیم و بر اساس سکانس ژنتیکی پروتئین است اکنون میتوانیم با ساختار پروتئین کنیم.
اورنگو امیدوار است داده ها به او کمک کند ساختارهای پروتئینی را درک کند. او داده های پروتئین های شناخته شده را در 5000 خانواده ساختاری، نقشه برداری کرده است. ولی تقریبا نیمی از پروتئین ها از داده ها خارج میشود زیرا چیز دیگری مانند آنها وجود ندارد که برای آن ساختار، از قبل معین شده باشد.
پیشگویی های آلفافولد میتواند شکل های جدیدی را آشکار کند .او میگوید: ما واقعا خواهیم دید فضای چین خوردگی ها شبیه چه چیزی است. جونز انتظار دارد آلفافولد منجر به خودکاوی های فراوانی در میان بیولوژیست ها در مورد چیزی شود که باید در برابر این ساختارهای بسیار، انجام دهند.
او میگوید: اکنون کنفرانس های بسیاری درجریان است ما اکنون 130 میلیون مدل را ساخته ایم و خواهیم دانست چگونه این پیشگویی ها، آینده بیولوژی ما را تغییر خواهد داد.
https://doi.org/10.1038/d41586-021-02025-4
DeepMind’s AI predicts structures for a vast trove of proteins
برخی توضیحات از دکتر سلمان فاطمی نورولوژیست
آدرس مطب : اصفهان ، خیابان آمادگاه ، روبروی داروخانه سپاهان ، مجتمع اطبا ، طبقه اول
تلفن : 32223328 - 031