बातम्या

या वर्षीचा लास्कर बेसिक मेडिकल रिसर्च पुरस्कार डेमिस हसाबिस आणि जॉन जम्पर यांना अल्फाफोल्ड आर्टिफिशियल इंटेलिजेंस सिस्टमच्या निर्मितीमध्ये योगदान दिल्याबद्दल देण्यात आला जो अमीनो आम्लांच्या पहिल्या क्रमाच्या अनुक्रमावर आधारित प्रथिनांच्या त्रिमितीय संरचनेचा अंदाज लावतो.

त्यांच्या निकालांमुळे वैज्ञानिक समुदायाला दीर्घकाळापासून त्रास देणाऱ्या समस्येचे निराकरण होते आणि बायोमेडिकल क्षेत्रात संशोधनाला गती मिळण्याची दारे उघडतात. रोगाच्या विकासात प्रथिने महत्त्वाची भूमिका बजावतात: अल्झायमर रोगात, ते दुमडतात आणि एकत्र जमतात; कर्करोगात, त्यांचे नियामक कार्य नष्ट होते; जन्मजात चयापचय विकारांमध्ये, ते अकार्यक्षम असतात; सिस्टिक फायब्रोसिसमध्ये, ते पेशीतील चुकीच्या जागेत जातात. रोग निर्माण करणाऱ्या अनेक यंत्रणांपैकी हे काही आहेत. तपशीलवार प्रथिने रचना मॉडेल अणु संरचना प्रदान करू शकतात, उच्च-आत्मीय रेणूंची रचना किंवा निवड चालवू शकतात आणि औषध शोध गतिमान करू शकतात.

प्रथिन संरचना सामान्यतः एक्स-रे क्रिस्टलोग्राफी, न्यूक्लियर मॅग्नेटिक रेझोनान्स आणि क्रायो-इलेक्ट्रॉन मायक्रोस्कोपीद्वारे निश्चित केल्या जातात. या पद्धती महागड्या आणि वेळखाऊ आहेत. यामुळे विद्यमान 3D प्रोटीन स्ट्रक्चर डेटाबेसमध्ये फक्त 200,000 स्ट्रक्चरल डेटा असतो, तर डीएनए सिक्वेन्सिंग तंत्रज्ञानाने 8 दशलक्षाहून अधिक प्रोटीन सीक्वेन्स तयार केले आहेत. 1960 च्या दशकात, अँफिनसेन आणि इतरांनी शोधून काढले की अमिनो आम्लांचा 1D सीक्वेन्स आपोआप आणि पुनरावृत्तीपणे कार्यात्मक त्रिमितीय रचनामध्ये बदलू शकतो (आकृती 1A), आणि आण्विक "चॅपरोन्स" ही प्रक्रिया वेगवान आणि सुलभ करू शकतात. या निरीक्षणांमुळे आण्विक जीवशास्त्रात 60 वर्षांचे आव्हान निर्माण होते: अमिनो आम्लांच्या 1D सीक्वेन्समधून प्रथिनांच्या 3D रचनेचा अंदाज लावणे. मानवी जीनोम प्रकल्पाच्या यशासह, 1D एमिनो आम्ल सीक्वेन्स मिळविण्याची आपली क्षमता खूप सुधारली आहे आणि हे आव्हान आणखी निकडीचे बनले आहे.

प्रथिनांच्या संरचनेचा अंदाज लावणे अनेक कारणांमुळे कठीण आहे. पहिले, प्रत्येक अमिनो आम्लातील प्रत्येक अणूच्या सर्व संभाव्य त्रिमितीय स्थानांसाठी खूप शोध घ्यावा लागतो. दुसरे, प्रथिने अणूंना कार्यक्षमतेने कॉन्फिगर करण्यासाठी त्यांच्या रासायनिक संरचनेत पूरकतेचा जास्तीत जास्त वापर करतात. प्रथिनांमध्ये सामान्यतः शेकडो हायड्रोजन बंध "दाते" (सामान्यतः ऑक्सिजन) असतात जे हायड्रोजन बंध "स्वीकारकर्ता" (सामान्यतः हायड्रोजनशी बांधलेले नायट्रोजन) जवळ असले पाहिजेत, त्यामुळे जवळजवळ प्रत्येक दाता स्वीकारकर्त्याच्या जवळ असतो अशा ठिकाणी रचना शोधणे खूप कठीण असू शकते. तिसरे, प्रायोगिक पद्धतींच्या प्रशिक्षणासाठी मर्यादित उदाहरणे आहेत, म्हणून संबंधित प्रथिनांच्या उत्क्रांतीवरील माहिती वापरून 1D अनुक्रमांच्या आधारे अमिनो आम्लांमधील संभाव्य त्रिमितीय परस्परसंवाद समजून घेणे आवश्यक आहे.

सर्वोत्तम रचना शोधण्यासाठी अणूंच्या परस्परसंवादाचे मॉडेलिंग करण्यासाठी भौतिकशास्त्राचा प्रथम वापर करण्यात आला आणि प्रथिनांच्या संरचनेचा अंदाज लावण्यासाठी एक पद्धत विकसित करण्यात आली. कार्प्लस, लेविट आणि वॉरशेल यांना प्रथिनांच्या संगणकीय सिम्युलेशनवरील त्यांच्या कार्यासाठी २०१३ चे रसायनशास्त्रातील नोबेल पारितोषिक देण्यात आले. तथापि, भौतिकशास्त्र-आधारित पद्धती संगणकीयदृष्ट्या महाग आहेत आणि त्यांना अंदाजे प्रक्रिया आवश्यक आहे, म्हणून अचूक त्रिमितीय संरचनांचा अंदाज लावता येत नाही. आणखी एक "ज्ञान-आधारित" दृष्टिकोन म्हणजे कृत्रिम बुद्धिमत्ता आणि मशीन लर्निंग (AI-ML) द्वारे मॉडेल्सना प्रशिक्षित करण्यासाठी ज्ञात संरचना आणि अनुक्रमांचे डेटाबेस वापरणे. हसाबिस आणि जम्पर भौतिकशास्त्र आणि AI-ML दोन्ही घटकांचा वापर करतात, परंतु दृष्टिकोनातील नावीन्य आणि कामगिरीतील झेप प्रामुख्याने AI-ML मधून येते. अल्फाफोल्ड तयार करण्यासाठी दोन्ही संशोधकांनी औद्योगिक-दर्जाच्या संगणकीय संसाधनांसह मोठ्या सार्वजनिक डेटाबेसचे सर्जनशीलपणे संयोजन केले.

आम्हाला कसे कळेल की त्यांनी स्ट्रक्चरल प्रेडिक्शन कोडे "उकलले" आहे? १९९४ मध्ये, क्रिटिकल असेसमेंट ऑफ स्ट्रक्चर प्रेडिक्शन (CASP) स्पर्धा स्थापन करण्यात आली, जी स्ट्रक्चरल प्रेडिक्शनच्या प्रगतीचा मागोवा घेण्यासाठी दर दोन वर्षांनी भरते. संशोधक ज्या प्रथिनाची रचना त्यांनी अलीकडेच सोडवली आहे, परंतु ज्यांचे निकाल अद्याप प्रकाशित झालेले नाहीत त्याचा १D क्रम शेअर करतील. प्रेडिक्टर या १D क्रमाचा वापर करून त्रिमितीय संरचनेचा अंदाज लावतो आणि मूल्यांकनकर्ता स्वतंत्रपणे अंदाजित निकालांच्या गुणवत्तेचे मूल्यांकन प्रयोगकर्त्याने प्रदान केलेल्या त्रिमितीय संरचनेशी (केवळ मूल्यांकनकर्त्याला प्रदान केलेले) तुलना करून करतो. CASP खरे अंध पुनरावलोकने करते आणि पद्धतशीर नवोपक्रमाशी संबंधित नियतकालिक कामगिरी उडी नोंदवते. २०२० मध्ये १४ व्या CASP परिषदेत, अल्फाफोल्डच्या प्रेडिक्शन निकालांनी कामगिरीत इतकी झेप घेतली की आयोजकांनी जाहीर केले की ३D स्ट्रक्चर प्रेडिक्शनची समस्या सोडवली गेली आहे: बहुतेक भाकितेची अचूकता प्रायोगिक मोजमापांच्या जवळ होती.

व्यापक महत्त्व असे आहे की हसाबिस आणि जम्पर यांचे कार्य खात्रीशीरपणे दाखवते की एआय-एमएल विज्ञानाचे रूपांतर कसे करू शकते. त्यांच्या संशोधनातून असे दिसून आले आहे की एआय-एमएल अनेक डेटा स्रोतांमधून जटिल वैज्ञानिक गृहीतके तयार करू शकते, लक्ष देण्याची यंत्रणा (चॅटजीपीटी मधील सारखी) डेटा स्रोतांमधील प्रमुख अवलंबित्वे आणि सहसंबंध शोधू शकते आणि एआय-एमएल त्याच्या आउटपुट निकालांच्या गुणवत्तेचे स्वतः मूल्यांकन करू शकते. एआय-एमएल मूलतः विज्ञान करत आहे.