گام‌های موفقیت‌آمیز هوش مصنوعی دیپ‌ مایند در پیش‌بینی مدلسازی پروتئین

ساخت وبلاگ

آخرین مطالب

امکانات وب

دیپ مایند, به عنوان زیرمجموعه ی گوگل مدعی است که پیشرفت های جدیدی در حوزه ی پیش بینی مدل سازی پروتئین, داشته که می توان در تشخیص و درمان بیما ری های خاص از آن استفاده کرد.

هوش مصنوعی,دیپ مایند,گوگلادعا می کند که به نقطه عطف مهمی در حوزه ی پیش بینی مدل سازی پروتئین, دست یافته است ومی تواند با سیستمی مبتنی برهوش مصنوعی,، ساختارهای پیچیده همانند ساختار سه بعدی پروتئین, را تنها براساس توالی ژنتیکی آن پیش بینی کرده و نمایش دهد.

دانستن ساختارهای پروتئین,ی در تشخیص و درمان بیماری ها حائز اهمیت است و می تواند درک دانشمندان را نسبت به بدن انسان بالاتر ببرد. همچنین می تواند به صورت بالقوه در طراحی ساختار پروتئین, و مهندسی زیستی بسیار کمک کننده باشد.نزدیک به دو سال است که هوش مصنوعی, دیپ مایند,، سخت در تلاش است تا در زمینه ی پیش بینیتاشدگی پروتئین,پیشرفت هایی را به انجام برساند. در پست وبلاگ هوش مصنوعی, دیپ مایند, به این موضوع اشاره شده است:

مدل های سه بعدی پروتئین که هوش مصنوعی,AlphaFoldدیپ مایند,تولید می کند، بسیار دقیق تر از آن است که پیشتر در اختیار دانشمندان قرار داشته و شاهد پیشرفت های قابل توجهی در حوزه های چالش برانگیز زیست شناسی هستیم.

پروتئین دیپ  مایند,

برای پیش بینی مدلسازی, مولکول پروتئین، روش های مختلف علمی از جمله چگونگی تاشدگی پروتئین وجود دارد. تاشدگی پروتئین فرآیندی است که در آن،پلی پپتیدها به ساختار سه بعدی مشخصی پیچیده می شوند. پلی پیتیدها، زنجیره ای از اسیدهای آمینه هستند که در ابتدا ساختار سه بعدی ندارند و براساس ویژگی های شیمیایی خاص در یک محیط سلولی برهمکنش می کنند و در نهایت ساختار سه بعدی ویژه ای را به نمایش می گذارند. زنجیره ی اسیدهای آمینه، وضعیت این ساختار را مشخص می کند و سازوکار تاشدگی پروتئین ها در این فرآیند ناشناخته است.

به همین دلیل، با توجه به اینکه عوامل مختلفی در سازوکار تاشدگی پروتئین دخیل هستند و تعامل بین آمینواسیدها می تواند ساختار سه بعدی پروتئین را تغییر دهد، مدل سازی ساختار سه بعدی کاری بسیار پیچیده است.بازی پرطرفدارFoldIt، تلاش می کند تا شکل های مختلف پروتئین را به نمایش بگذارد.هوش مصنوعی دیپ مایند مدعی است که رویکردی را در پیش گرفته که حاصل تحقیقات انجام شده در سال های قبل است و از داده های بزرگ برای پیش بینی ساختار پروتئین استفاده می کند و به صورت مشخص، ازروش های یادگیری عمیق برای داده های ژنومی استفاده می کند. در پست وبلاگ آمده است:

<<خوشبختانه، به لطف کاهش سریع هزینه های توالی های ژنتیکی، حوزه ی ژنومیک در زمینه ی داده ها بسیار غنی است. در نتیجه، رویکردهای یادگیری عمیق برای پیش بینی مشکلات برمبنای داده های ژنومیک، به صورت فزاینده ای در سال های اخیر محبوب شده است. دیپ مایند برای حل این مشکل، هوش مصنوعی AlphaFold را معرفی کرده که در پروژه یCASPنیز پذیرفته شده است.

مفتخریم که به عنوان بخشی از اعضای انجمن CASP، پیشرفت بی سابقه ای در حوزه ی روش های محاسباتی برای پیش بینی ساختار پروتئین در پیش گرفته ایم و در بین تیم هایی که وارد این حوزه شده اند، موفق به کسب اولین رتبه شدیم (ما گروهA7Dهستیم).

هوش مصنوعی

تیم ما به صورت خاص روی مدل سازی اشکال مختلف پروتئین متمرکز شده است و از قالب های قبلی پروتئینی که قبلا مورد استفاده قرار گرفته اند نیز استفاده نمی کند. در زمان پیش بینی خواص فیزیکی ساختار پروتئین، دقت بالایی به ثبت رسید و درنهایت دو روش متمایز برای پیش بینی ساختار کامل پروتئین مورد استفاده قرار گرفت>>.

دیپ مایند معتقد است که در هر دو روش از شبکه های عصبی عمیق آموزش داده شده برای پیش بینی خواص پروتئین مربوط به توالی ژنتیکی، استفاده شده است. وبلاگ هوش مصنوعی دیپ مایند اعلام کرد: <<خواصی که هوش مصنوعی دیپ مایند می تواند پیش بینی کند عبارتند از: الف) فاصله بین جفت اسید آمینه ها و (ب) زاویه بین پیوندهای شیمیایی که این اسید آمینه ها را به یکدیگر متصل می کند. طرح توسعه ی اولیه ی این سیستم، پیشرفت های قابل توجهی نسبت به روش های معمول از خود نشان داده است و توانسته در مورد جفت آمینه اسیدی که در نزدیکی یکدیگر قرار خواهند گرفت پیش بینی کند.ما شبکه ی عصبی را برای پیش بینی توزیع فاصله ی بین هر جفت آمینه اسید در پروتئین آموزش دادیم. حاصل این احتمالات، درنهایت به صورت یک نمره تخمین زده شدند که پیش بینی از ساختار پروتئین را به صورت دقیق ارائه می دهد. همچنین توانستیم شبکه ی عصبی دیگری را به صورت جداگانه آموزش دهیم که با استفاده از فاصله ها بتواند پیش بینی در مورد چگونگی ساختار نهایی ارائه دهد که به پاسخ صحیح نزدیک تر است.سپس از روش های جدیدی برای پیش بینی ساختارهای پروتئینی، جستجوی ساختارهای شناخته شده که با پیش بینی های انجام شده مطابقت دارند، استفاده کردیم.

روش اول برمبنای تکنیک هایی که معمولا در زیست شناسی ساختاری استفاده می شود و به صورت مکرر جایگزین قطعات ساختاری پروتئین با قطعات جدید پروتئینی می شود، شکل گرفته است. شبکه ی عصبی ایجادشده، می تواند قطعات جدید را آموزش بدهد و به صورت پیوسته در جهت بهبود امتیاز یا نمره ی نهایی ساختار پیشنهادی پروتئین در تلاش است.

روش دوم بهینه سازی امتیازها و نمرات به صورت شیب دار است. معمولا از روش های ریاضی برای توسعه های جزئی و کوچکی در سیستم های مبتنی بر یادگیری ماشین استفاده می کنند. استفاده از این روش ها باعث ارائه ی ساختار پیش بینی شده ی بسیار دقیق تری می شود. درنهایت این روش به کل زنجیر ه ی پروتئین نسبت داده می شود و هم چنین این روش به قطعاتی که به صورت جداگانه و قبل از جمع شدن، تا می شوند نیز قابل اعمال است و از پیچیدگی های مربوط به پیش بینی کم می کند>>.

هوش مصنوعی دیپ مایند، نتایج حاصله را به عنوان پیشرفت و توسعه در زمینه ی پیش بینی ساختار زنجیره ی پروتئین مطرح کرده که این پیشرفت حاصل استفاده از روش های محاسباتی و تاثیر هوش مصنوعی در این اکتشاف علمی است.

باوجودی که هوش مصنوعی دیپ مایند تاکید می کند هنوز روش هاییادگیری عمیقباید مسیری را طی کنند تا بتوانند تاثیر قابل توجهی در حوزه ی درمان بیماری ها و مدیریت محیط زیست و موارد بیشتر داشته باشند؛ ولی می دانیم که پتانسیل بسیار بالایی در این حوزه وجود دارد. با حضور تیم اختصاصی و متمرکز بر چگونگی یادگیری ماشین، می توانیم در این مسیر گام های بلندی برداریم و منتظر راه های جدیدی هستیم که می تواند فناوری را تغییر دهد.

...
نویسنده : بازدید : 1 تاريخ : شنبه 17 آذر 1397 ساعت: 7:44

close
تبلیغات در اینترنت