د سږ کال د لاسکر اساسي طبي څیړنې جایزه ډیمیس حسابیس او جان جمپر ته د الفا فولډ مصنوعي استخباراتو سیسټم په جوړولو کې د دوی د ونډې لپاره ورکړل شوه چې د امینو اسیدونو د لومړي ترتیب ترتیب پراساس د پروټینونو درې اړخیز جوړښت وړاندوینه کوي.
د دوی پایلې هغه ستونزه حل کوي چې له اوږدې مودې راهیسې یې ساینسي ټولنه ځورولې او د بایومیډیکل په برخه کې د څیړنې ګړندي کولو لپاره دروازه پرانیزي. پروټینونه د ناروغۍ په پراختیا کې مهم رول لوبوي: د الزایمر ناروغۍ کې، دوی سره یوځای کیږي او راټولیږي؛ په سرطان کې، د دوی تنظیمي فعالیت له لاسه ورکوي؛ په زیږونیز میټابولیک اختلالاتو کې، دوی غیر فعال دي؛ په سیسټیک فایبروسس کې، دوی په حجرو کې غلط ځای ته ځي. دا د ډیری میکانیزمونو څخه یوازې یو څو دي چې د ناروغۍ لامل کیږي. د پروټین جوړښت تفصيلي ماډلونه کولی شي اټومي تشکیلات چمتو کړي، د لوړ تړاو مالیکولونو ډیزاین یا انتخاب پرمخ بوځي، او د درملو کشف ګړندی کړي.
د پروټین جوړښتونه عموما د ایکس رې کریسټالوګرافي، هستوي مقناطیسي ریزونانس او کریو الکترون مایکروسکوپي لخوا ټاکل کیږي. دا میتودونه ګران او وخت نیسي. دا د موجوده 3D پروټین جوړښت ډیټابیسونو پایله لري چې یوازې شاوخوا 200,000 ساختماني معلومات لري، پداسې حال کې چې د DNA ترتیب کولو ټیکنالوژۍ له 8 ملیون څخه ډیر پروټین ترتیبونه تولید کړي دي. په 1960 لسیزه کې، انفینسن او نورو وموندله چې د امینو اسیدونو 1D ترتیب کولی شي په ناڅاپي او تکراري ډول په فعال درې اړخیز جوړښت کې بدل شي (شکل 1A)، او دا چې مالیکولر "چاپیرونونه" کولی شي دا پروسه ګړندۍ او اسانه کړي. دا مشاهدې په مالیکولر بیولوژي کې د 60 کلن ننګونې لامل کیږي: د امینو اسیدونو 1D ترتیب څخه د پروټینونو 3D جوړښت وړاندوینه کول. د انساني جینوم پروژې بریالیتوب سره، زموږ د 1D امینو اسید ترتیبونو ترلاسه کولو وړتیا خورا ښه شوې، او دا ننګونه نوره هم عاجله شوې ده.
د پروټین جوړښتونو وړاندوینه کول د څو دلیلونو لپاره ستونزمن دي. لومړی، په هر امینو اسید کې د هر اتوم ټول ممکنه درې اړخیز موقعیتونه ډیرې پلټنې ته اړتیا لري. دوهم، پروټینونه په خپل کیمیاوي جوړښت کې د بشپړونکي څخه اعظمي ګټه پورته کوي ترڅو اتومونه په مؤثره توګه تنظیم کړي. څرنګه چې پروټینونه معمولا په سلګونو هایدروجن بانډ "ډونرونه" (معمولا اکسیجن) لري چې باید د هایدروجن بانډ "منونکي" (معمولا نایتروجن هایدروجن سره تړلی) ته نږدې وي، نو دا خورا ستونزمن کیدی شي چې داسې جوړښتونه ومومئ چیرې چې نږدې هر ډونر د منلوونکي سره نږدې وي. دریم، د تجربوي میتودونو د روزنې لپاره محدود مثالونه شتون لري، نو دا اړینه ده چې د اړونده پروټینونو د ارتقا په اړه د معلوماتو په کارولو سره د 1D ترتیبونو پراساس د امینو اسیدونو ترمنځ احتمالي درې اړخیز تعاملات پوه شي.
فزیک لومړی د غوره جوړښت په لټه کې د اتومونو د تعامل ماډل کولو لپاره کارول شوی و، او د پروټینونو جوړښت وړاندوینې لپاره یوه طریقه رامینځته شوه. کارپلس، لیویټ او وارشیل ته د پروټینونو د محاسباتي سمولیشن په اړه د دوی د کار لپاره په کیمیا کې د 2013 نوبل جایزه ورکړل شوه. په هرصورت، د فزیک پر بنسټ میتودونه د محاسبې له پلوه ګران دي او نږدې پروسس ته اړتیا لري، نو دقیق درې اړخیز جوړښتونه وړاندوینه نشي کیدی. بله "پوهه پر بنسټ" طریقه د مصنوعي استخباراتو او ماشین زده کړې (AI-ML) له لارې د ماډلونو د روزنې لپاره د پیژندل شوي جوړښتونو او ترتیبونو ډیټابیسونو کارول دي. حسابیس او جمپر د فزیک او AI-ML دواړو عناصر پلي کوي، مګر د طریقې په فعالیت کې نوښت او کود په عمده توګه د AI-ML څخه سرچینه اخلي. دواړو څیړونکو په تخلیقي ډول لوی عامه ډیټابیسونه د صنعتي درجې کمپیوټري سرچینو سره یوځای کړل ترڅو الفا فولډ رامینځته کړي.
موږ څنګه پوهیږو چې دوی د جوړښتي وړاندوینې معما "حل" کړې ده؟ په 1994 کې، د جوړښت وړاندوینې انتقادي ارزونې (CASP) سیالۍ رامینځته شوه، چې هر دوه کاله وروسته د جوړښتي وړاندوینې پرمختګ تعقیبولو لپاره غونډه کوي. څیړونکي به د پروټین 1D ترتیب شریک کړي چې جوړښت یې پدې وروستیو کې حل کړی، مګر پایلې یې لا نه دي خپرې شوي. وړاندوینه کونکی د دې 1D ترتیب په کارولو سره د درې اړخیز جوړښت وړاندوینه کوي، او ارزونکی په خپلواکه توګه د وړاندوینې پایلو کیفیت قضاوت کوي د تجربه کونکي لخوا چمتو شوي درې اړخیز جوړښت سره پرتله کولو سره (یوازې ارزونکي ته چمتو شوی). CASP ریښتیني ړانده بیاکتنې ترسره کوي او د میتودولوژیکي نوښت سره تړلي دوره ایز فعالیت کودونه ثبتوي. په 2020 کې د CASP په 14 کنفرانس کې، د الفا فولډ د وړاندوینې پایلو په فعالیت کې دومره لوړوالی وښود چې تنظیم کونکو اعلان وکړ چې د 3D جوړښت وړاندوینې ستونزه حل شوې ده: د ډیری وړاندوینو دقت د تجربوي اندازه کولو سره نږدې و.
پراخه اهمیت دا دی چې د حسابیس او جمپر کار په قناعت وړ ډول ښیي چې څنګه AI-ML کولی شي ساینس بدل کړي. د دوی څیړنې ښیي چې AI-ML کولی شي د ډیری معلوماتو سرچینو څخه پیچلي ساینسي فرضیې رامینځته کړي، د پاملرنې میکانیزمونه (د ChatGPT په څیر) کولی شي د معلوماتو سرچینو کې کلیدي انحصارونه او اړیکې کشف کړي، او دا چې AI-ML کولی شي د خپل محصول پایلو کیفیت پخپله قضاوت وکړي. AI-ML په اصل کې ساینس کوي.
د پوسټ وخت: سپتمبر-۲۳-۲۰۲۳