طراحی پروتئین‌های سفارشی جهت درمان شخصی‌سازی شده سرطان با هوش مصنوعی
تنها چند سال پیش، پیش‌بینی چگونگی تشکیل یک زنجیره اسید آمینه به یک پروتئین عملکردی، یکی از پیچیده‌ترین معماهای زیست‌شناسی بود. تا اینکه هوش مصنوعی (AI) این مشکل را حل کرد و مورد تحسین جهانی قرار گرفت و حتی سال گذشته جایزه نوبل شیمی را از آن خود نمود.
این پیشرفت بر پایه یادگیری عمیق، شکلی از هوش مصنوعی که از مجموعه‌داده‌های عظیم برای پیش‌بینی‌هایی مانند ساختار پروتئین‌ها یاد می‌گیرد، استوار بود. اکنون محققان با استفاده از هوش مصنوعی مولد (Generative AI)، این موفقیت را گسترش داده‌اند. این مدل جدید و قدرتمند هوش مصنوعی، به جای پیش‌بینی صرف ساختار، می‌تواند امکان‌های کاملاً جدیدی را تصور کند – از توالی‌های ناشناخته پروتئین تا درمان‌های نوین برای طیف گسترده‌ای از بیماری‌ها.
طراحی پروتئین‌های سفارشی برای ایمنی‌درمانی سرطان
«تیموتی جنکینز» از دانشگاه فنی دانمارک می‌گوید:
«بیشتر کارهای طراحی پروتئین با یک نقشه سه‌بعدی کامل و تجربی از هدف شروع می‌شود. اما برای بسیاری از اهداف مهم درمانی… این نقشه‌ها اصلاً وجود ندارند. این موضوع یک مانع بزرگ برای پزشکی شخصی‌سازی شده بوده است.»
جنکینز و همکارانش اخیراً مطالعه‌ای منتشر کرده‌اند که در آن از یک مدل هوش مصنوعی مولد به نام RFdiffusion برای طراحی مولکول‌هایی استفاده کردند که به سیستم ایمنی کمک می‌کنند سرطان را شناسایی و حمله کنند. او می‌گوید: «به زبان ساده، ما یک خط تولید فوق‌سریع برای ساخت ایمنی‌درمانی‌های دقیق سرطان ایجاد کرده‌یم.»
تحولی در درمان‌های هدفمند
این فرآیند مانند یک خط مونتاژ پرسرعت عمل می‌کند که در آن ابزارهای هوش مصنوعی مختلف مراحل مختلف را مدیریت می‌کنند. جنکینز توضیح می‌دهد:
«ابتدا به RFdiffusion یک تصویر سه‌بعدی از نشانگر سرطان که می‌خواهیم هدف قرار دهیم نشان می‌دهیم.» این تصویر سه‌بعدی می‌تواند از داده‌های تجربی یا پیش‌بینی ساختار مبتنی بر هوش مصنوعی به دست آید. او اضافه می‌کند: «سپس هوش مصنوعی هزاران شکل کاملاً جدید و کوچک پروتئین را «تصور» می‌کند که فکر می‌کند به‌طور کامل روی آن هدف قرار می‌گیرند.»
یک مدل دوم هوش مصنوعی این شکل‌ها را گرفته و توالی دقیق اسیدهای آمینه مورد نیاز برای ساخت آنها را مشخص می‌کند. جنکینز می‌گوید:
«این فرآیند به‌طور باورنکردنی سریع است. تولید هزاران طرح بالقوه در رایانه تنها چند ساعت یا روز طول می‌کشد، در حالی که یافتن حتی یک کاندیدا با استفاده از روش‌های سنتی آزمایشگاهی ممکن است ماه‌ها یا حتی سال‌ها زمان ببرد.»
سپس از شبیه‌سازی دینامیک مولکولی به عنوان «تست تصادف مجازی» استفاده می‌شود تا ببینند پروتئین‌های طراحی شده چقدر به اهداف سرطان‌شان می‌چسبند و به این ترتیب به تیم کمک می‌کنند قبل از رفتن به آزمایش‌های آزمایشگاهی، کاندیداها را محدود کنند.
جنکینز می‌گوید:
«این واقعیت که ما توانستیم یک متصل‌شونده موفق را بر اساس یک پیش‌بینی کاملاً محاسباتی ایجاد کنیم، یک تحول است. این نشان می‌دهد که روش ما محدود به تعداد کمی از اهداف شناخته‌شده نیست و می‌تواند برای طراحی درمان‌هایی برای اهداف درمان شخصی‌سازی شده سرطان که هیچ اطلاعات ساختاری از آنها موجود نیست، گسترش یابد.»
تصور پروتئین‌هایی برای کشتن باکتری‌های مرگبار
فراتر از درمان شخصی‌سازی شده سرطان، گروهی به رهبری «ریس گرینتر» از دانشگاه ملبورن و «گاوین نات» از دانشگاه موناش از هوش مصنوعی مولد برای طراحی پروتئین‌هایی استفاده می‌کنند که باکتری‌های مقاوم به آنتی‌بیوتیک را می‌کشند.
گرینتر می‌گوید: «طراحی پروتئین مبتنی بر هوش مصنوعی عملاً به ما این امکان را داد که پروتئین‌های کوچکی را تصور کنیم که به ChuA متصل می‌شوند.» ChuA یک پروتئین انتقال‌دهنده غشای خارجی است که توسط باکتری‌های بیماری‌زای اشرشیاکلی و شیگلا برای استخراج هِم – یک منبع غنی از آهن – از میزبان‌شان استفاده می‌شود.
این تیم با استفاده از AlphaFold2، ساختار سه‌بعدی ChuA را از توالی اسید آمینه آن در عرض چند دقیقه پیش‌بینی کردند. سپس مدل از نظر دقت ارزیابی شد و استراتژی‌ای برای مسدود کردن عملکرد ChuA توسعه داده شد. در ادامه از ابزارهای هوش مصنوعی مولد، RFdiffusion و ProteinMPNN، برای طراحی پروتئین‌های قادر به اختلال در هدف استفاده شد.
نات می‌گوید: «کل این فرآیند چند هفته طول کشید، با نرخ موفقیت ۱۰ تا ۵۰ درصد برای طراحی‌های عملکردی. این روش عملاً ماه‌ها تا سال‌ها از روش استاندارد زیست‌شناسی ساختاری تجربی کم می‌کند و توسعه زیست‌داروهای نوین را به‌شدت تسریع می‌کند.»
گرینتر اضافه می‌کند: «این شگفت‌انگیز است و قدرت و پتانسیل تحول‌آفرین هوش مصنوعی در طراحی پروتئین را نشان می‌دهد.»
هوش مصنوعی و آزمایشگاه: ترکیبی قدرتمند
گرینتر، نات، جنکینز و همکارانشان از پلتفرم‌های هوش مصنوعی که به‌طور آزاد در دسترس جامعه علمی گسترده‌تر هستند، حمایت می‌کنند. در دسترس قرار دادن این ابزارها برای همه به کاهش موانع برای محققان در سراسر جهان کمک کرده است. در نتیجه، طیف گسترده‌تری از متخصصان می‌توانند همکاری و نوآوری کنند و پیشرفت در چالش‌های فوری اجتماعی مانند مقاومت به آنتی‌بیوتیک‌ها و درمان‌های شخصی‌سازی شده سرطان را تسریع کنند.
نات می‌گوید:
«با این حال، این کار به سادگی اشاره و کلیک کردن نیست. در حال حاضر، این فناوری هنوز به درک عمیقی از روابط ساختار و عملکرد پروتئین نیاز دارد.»
و هنوز هم نیاز به احتیاط وجود دارد، زیرا با وجود قابلیت‌های چشمگیر هوش مصنوعی مولد، محدودیت‌های ذاتی ناشی از داده‌هایی که از آنها یاد می‌گیرد، وجود دارد. جنکینز می‌گوید:
«هوش مصنوعی مولد بسیار قدرتمند است، اما جادو نیست. مدل‌ها بر اساس هزاران ساختار پروتئینی که از قبل می‌شناسیم آموزش داده شده‌اند. اگر از آنها بخواهیم چیزی کاملاً متفاوت از هر چیزی که تاکنون «دیده‌اند» طراحی کنند، گاهی ممکن است طرحی را «توهم» کنند که در رایانه خوب به نظر می‌رسد اما در دنیای واقعی پایدار یا عملکردی نیست.»
گرینتر در پایان می‌گوید:
«زیست‌شناسی در دنیای واقعی وجود دارد، بنابراین هوش مصنوعی زمانی به ارزش واقعی دست می‌یابد که با تکنیک‌های تجربی ترکیب شده و در سیستم‌های زیستی به کار رود. ترکیب آزمایش‌ها و هوش مصنوعی دارای قدرت تحول‌آفرین برای کشف علمی و توسعه فناوری است. ما فکر می‌کنیم در آینده ابزارهای هوش مصنوعی بخش مرکزی تقریباً تمام جنبه‌های تحقیقات زیست‌شناسی را تشکیل خواهند داد.»
