تعلمت شركة ذكاء اصطناعي شهيرة خدعة جديدة: كيف تتعامل مع الكيمياء
هذه القدرة يمكن أن تفتح إمكانيات جديدة في الطب
لقد غيّر الذكاء الاصطناعي الطريقة التي يتم بها العلم من خلال السماح للباحثين بتحليل الكميات الهائلة من البيانات التي تولدها الأدوات العلمية الحديثة.
يمكنه العثور على إبرة في مليون كومة قش من المعلومات، وباستخدام التعلم العميق، يمكنه التعلم من البيانات نفسها.
يعمل الذكاء الاصطناعي على تسريع التقدم في صيد الجينات والطب وتصميم الأدوية وإنشاء المركبات العضوية.
يستخدم التعلم العميق الخوارزميات، غالبًا شبكات عصبية يتم تدريبها على كميات كبيرة من البيانات، لاستخراج المعلومات من البيانات الجديدة.
إنها مختلفة تمامًا عن الحوسبة التقليدية بتعليماتها خطوة بخطوة.
بدلا من ذلك، يتعلم من البيانات. التعلم العميق أقل شفافية بكثير من برمجة الكمبيوتر التقليدية، ويترك أسئلة مهمة – ما الذي تعلمه النظام، وما الذي يعرفه؟
بصفتي أستاذًا للكيمياء، أحب تصميم الاختبارات التي تحتوي على سؤال صعب واحد على الأقل يوسع معرفة الطلاب لتحديد ما إذا كان بإمكانهم الجمع بين الأفكار المختلفة وتوليف الأفكار والمفاهيم الجديدة.
لقد ابتكرنا مثل هذا السؤال لطفل الملصق لمؤيدي الذكاء الاصطناعي، AlphaFold، والذي حل مشكلة طي البروتين.
البروتين للطي
البروتينات موجودة في جميع الكائنات الحية. إنها تزود الخلايا بالهيكل، وتحفز التفاعلات، وتنقل الجزيئات الصغيرة، وهضم الطعام، وتفعل أكثر من ذلك بكثير.
وهي مكونة من سلاسل طويلة من الأحماض الأمينية مثل الخرز على الخيط. ولكن لكي يقوم البروتين بوظيفته في الخلية، يجب أن يلتوي وينحني في بنية ثلاثية الأبعاد معقدة، وهي عملية تسمى طي البروتين.
يمكن أن تؤدي البروتينات غير المطوية إلى المرض.
في خطاب قبول نوبل في الكيمياء عام 1972، افترض كريستيان أنفينسن أنه يجب أن يكون من الممكن حساب البنية ثلاثية الأبعاد للبروتين من تسلسل كتل بنائه، الأحماض الأمينية.
مثلما يعطي ترتيب الحروف والمسافات بينها في هذه المقالة معنى ورسالة، فإن ترتيب الأحماض الأمينية يحدد هوية البروتين وشكله، مما يؤدي إلى وظيفته.
في غضون أجزاء من الثانية من خروج سلسلة من الأحماض الأمينية (يسارًا) من الريبوسوم، يتم طيها إلى شكل ثلاثي الأبعاد منخفض الطاقة (على اليمين)، وهو مطلوب لوظيفة البروتين.
مارك زيمر، CC BY-ND
بسبب المرونة الكامنة في لبنات بناء الأحماض الأمينية، يمكن أن يعتمد البروتين النموذجي ما يقدر بـ 10 إلى قوة 300 شكل مختلف. هذا رقم هائل، أكثر من عدد الذرات في الكون.
مع ذلك، في غضون جزء من الثانية، فإن كل بروتين في كائن ما سوف ينثني في شكله المحدد للغاية – وهو الترتيب الأقل طاقة لجميع الروابط الكيميائية التي يتكون منها البروتين.
قم بتغيير حمض أميني واحد فقط في مئات الأحماض الأمينية الموجودة عادة في البروتين وقد يخطئ في الطي ولا يعمل بعد الآن.
ألفا فولد
على مدار 50 عامًا، حاول علماء الكمبيوتر حل مشكلة طي البروتين – ولكن دون نجاح يذكر.
ثم في عام 2016، بدأت شركة DeepMind، وهي شركة تابعة لمنظمة العفو الدولية تابعة لشركة Alphabet التابعة لشركة Google، برنامج AlphaFold الخاص بها.
استخدم بنك بيانات البروتين كمجموعة تدريب خاصة به، والتي تحتوي على الهياكل المحددة تجريبياً لأكثر من 150.000 بروتين.
في أقل من خمس سنوات، عانى AlphaFold من مشكلة طي البروتين – على الأقل الجزء الأكثر فائدة منها، وهو تحديد بنية البروتين من تسلسل الأحماض الأمينية.
لا يشرح AlphaFold كيف تنطوى البروتينات بهذه السرعة والدقة. لقد كان فوزًا كبيرًا للذكاء الاصطناعي، لأنه لم يكتسب مكانة علمية ضخمة فحسب، بل كان أيضًا تقدمًا علميًا كبيرًا يمكن أن يؤثر على حياة الجميع.
اليوم، بفضل برامج مثل AlphaFold2 و RoseTTAFold، يمكن للباحثين مثلي تحديد البنية ثلاثية الأبعاد للبروتينات من تسلسل الأحماض الأمينية التي يتكون منها البروتين – بدون تكلفة – في غضون ساعة أو ساعتين.
قبل AlphaFold2، كان علينا بلورة البروتينات وحل الهياكل باستخدام علم البلورات بالأشعة السينية، وهي عملية استغرقت شهورًا وكلفت عشرات الآلاف من الدولارات لكل بنية.
لدينا الآن أيضًا إمكانية الوصول إلى قاعدة بيانات بنية البروتين AlphaFold، حيث قام Deepmind بترسيب الهياكل ثلاثية الأبعاد لجميع البروتينات تقريبًا الموجودة في البشر والفئران وأكثر من 20 نوعًا آخر.
حتى الآن قاموا بحل أكثر من مليون مبنى ويخططون لإضافة 100 مليون مبنى آخر هذا العام وحده. ارتفعت معرفة البروتينات بشكل كبير. من المرجح أن يتم توثيق بنية نصف البروتينات المعروفة بحلول نهاية عام 2022، من بينها العديد من الهياكل الفريدة الجديدة المرتبطة بوظائف مفيدة جديدة.
أفكر ككيميائي
لم يتم تصميم AlphaFold2 للتنبؤ بكيفية تفاعل البروتينات مع بعضها البعض، ومع ذلك فقد كان قادرًا على نمذجة كيفية اتحاد البروتينات الفردية لتشكيل وحدات معقدة كبيرة تتكون من عدة بروتينات.
كان لدينا سؤال صعب لـ AlphaFold – هل علمته مجموعة التدريب الهيكلية بعض الكيمياء؟ هل يمكن أن يخبرنا ما إذا كانت الأحماض الأمينية ستتفاعل مع بعضها البعض – وهو أمر نادر الحدوث ولكنه مهم؟
أنا كيميائي حسابي مهتم ببروتينات الفلورسنت. توجد هذه البروتينات في مئات الكائنات البحرية مثل قنديل البحر والشعاب المرجانية. يمكن استخدام وهجها لإلقاء الضوء على الأمراض ودراستها.
تكشف الخلايا العصبية التي تعبر عن البروتينات الفلورية عن هياكل الدماغ لاثنين من يرقات ذبابة الفاكهة.
وين لو وفلاديمير آي جلفاند، كلية الطب في فينبرغ، جامعة نورث وسترن
يوجد 578 بروتينًا فلوريًا في بنك بيانات البروتين، منها 10 “مكسورة” ولا تتألق.
نادرًا ما تهاجم البروتينات نفسها، وهي عملية تسمى تعديل ما بعد الترجمة التحفيزي الذاتي، ومن الصعب جدًا التنبؤ بالبروتينات التي ستتفاعل مع نفسها وأيها لن يتفاعل معها.
فقط الكيميائي الذي لديه قدر كبير من معرفة البروتين الفلوري سيكون قادرًا على استخدام تسلسل الأحماض الأمينية للعثور على البروتينات الفلورية التي تحتوي على تسلسل الأحماض الأمينية الصحيحة للخضوع للتحولات الكيميائية المطلوبة لجعلها متألقة.
عندما قدمنا AlphaFold2 مع تسلسل 44 من البروتينات الفلورية غير الموجودة في بنك بيانات البروتين، فقد طوى البروتينات الفلورية الثابتة بشكل مختلف عن البروتينات المكسورة.
يمكن لـ AlphaFold2 أخذ تسلسل الأحماض الأمينية لبروتينات الفلورسنت (الحروف في الأعلى) والتنبؤ بأشكال البرميل ثلاثية الأبعاد (الوسط).
هذا ليس مفاجئًا. ما هو غير متوقع تمامًا هو أنه يمكنه أيضًا التنبؤ ببروتينات الفلورسنت “المكسورة” ولا يمكن أن تتألق.
مارك زيمر، CC BY-ND
أذهلتنا النتيجة: لقد تعلم AlphaFold2 بعض الكيمياء. لقد اكتشف أي الأحماض الأمينية في البروتينات الفلورية تقوم بالكيمياء التي تجعلها تتوهج.
نشك في أن مجموعة تدريب بنك بيانات البروتين ومحاذاة التسلسل المتعددة تمكن AlphaFold2 من “التفكير” مثل الكيميائيين والبحث عن الأحماض الأمينية المطلوبة للتفاعل مع بعضها البعض لجعل البروتين يتألق.
البرنامج القابل للطي الذي يتعلم بعض الكيمياء من مجموعة التدريب لديه أيضًا آثار أوسع. من خلال طرح الأسئلة الصحيحة، ما الذي يمكن اكتسابه أيضًا من خوارزميات التعلم العميق الأخرى؟ هل تستطيع خوارزميات التعرف على الوجه العثور على علامات خفية للأمراض؟ هل يمكن للخوارزميات المصممة للتنبؤ بأنماط الإنفاق بين المستهلكين أن تجد أيضًا ميلًا للسرقة البسيطة أو الخداع؟ والأهم من ذلك، هل هذه القدرة – والقفزات المماثلة في القدرة في أنظمة الذكاء الاصطناعي الأخرى – مرغوبة؟
المصدر: thenextweb
قد يهمك:
