هوش مصنوعی Deepmind مشکل 50 ساله خم شدن پروتیین را حل نمود!

پیشرفت خیره‌ کننده‌ این الگوریتم در علم زیست‌شناسی، باعث درک چگونگی عملکرد و ساختار موجودات زنده خواهد شد. تیم هوش مصنوعی Deepmind که با عملکرد فوق بشری خود در انجام بازی‌های رایانه‌ای به شهرت رسیده، یک مشکل جدی علمی که برای نیم قرن ذهن دانشمندان را به خود مشغول کرده بود را حل کرد.

این شرکت و آزمایشگاه تحقیقاتی با جدیدترین برنامه هوش مصنوعی خود، با نام AlphaFold، نشان داد که می‌تواند چگونگی جمع شدن پروتئین‌ها به شکل‌های سه بعدی را پیش‌بینی نماید. این مسئله، فرآیندی کاملا پیچیده و اساسی برای درک ماشین آلات بیولوژیک زندگی است. پژوهشگران این پروژه در آغاز، کار خود را با تعداد محدودی گروه علمی آغاز کردند و در ابتدا بر روی مالاریا تمرکز کردند.

دمیس حاسابیس (Demis Hassabis)، بنیانگذار و مدیر اجرایی DeepMind چنین گفت: “این لحظه، یک لحظه هیجان‌انگیز برای این رشته است. این الگوریتم‌ها در حال حاضر به اندازه کافی بالغ و قدرتمند شده‌اند تا در مسایل علمی واقعا چالش‌برانگیز قابل استفاده باشند.” وانکی راماكریشنان (Vanki Ramkrishnan)، رئیس انجمن سلطنتی، دستاورد Deepmind AI را “پیشرفت خیره‌كننده‌ای” دانست كه به مدت ده‌ها سال ذهن پژوهشگران و دانشمندان را به خود مشغول داشته بود.

DeepMind بیشتر به خاطر برنامه‌هایی شناخته می‌شود که انجامشان برای انسان دشوار و سخت است؛ برنامه‌هایی مانند برتری در بازی‌هایی مانند شطرنج، Go، Starcraft II و آتاری کلاسیک در مدرسه قدیمی (old-school Atari Classics). اما انجام فوق بشری بازی‌های رایانه‌ای (gameplay) هرگز هدف اصلی این پروژه نبوده است. در حقیقت، انجام چنین بازی‌هایی زمینه تمرینی لازم برای الگوریتم‌ هوش مصنوعی Deepmind AI را فراهم کرد تا خود را برای چالش‌های سخت آماده ساخته تا بتوانند از پس مشکلات واقعی برآید.

جمع شدن پروتئین به مدت 50 سال یک چالش بزرگ در علم زیست‌شناسی به شمار می‌رفت. این جمع شدن، نوعی فُرم ناشناخته از اوریگامی مولکولی (molecular origami) است که اهمیت بسیار زیادی دارد. بیشتر فرآیندهای بیولوژیکی به دور پروتئین‌ها می چرخند و شکل پروتئین عملکرد آن را تعیین می‎کند. وقتی محققان بدانند که چگونه یک پروتئین جمع می‎شود، می‎توانند کشف کنند که پروتئین دقیقا چیست. می‌توانند درک کنند که انسولین چگونه میزان قند خون را کنترل می‎کند و یا چگونه آنتی‎بادی‎ها با ویروس کرونا مبارزه می‎کنند. درک همگی این‌ها، از طریق فهم این مطلب است که ساختار پروتئین به درستی چگونه است.

دانشمندان بیش از 200 متر پروتئین را شناسایی کرده‎اند اما تنها توانسته‌اند تا ساختارهای بخشی از آنان را شناسایی نمایند. به طور سنتی، کشف شکل‌ها و فرم‌های پیچیده و گوناگون پروتیین‌ها در طی سال‌ها و با انجام آزمایش‌های دقیق آزمایشگاهی ممکن است. در حالی‎که دانشمندان علم رایانه توانستند گامی بسیار ارزشمند در این‌باره بردارند، نتیجه‌گیری فرم و آرایش پروتئین به هیچ عنوان کار ساده‌ای نیست. پروتئین‎ها زنجیره‎ای از اسیدهای آمینه‌اند که می‎توانند به شکل‎های گیج‎کننده‎ای پیچیده و خم شوند. شکل‌هایی که یک پروتیین می‌تواند بدان خم شود، یک googol cubed (1.0×10³⁰⁰) است.

برای یادگیری چگونگی جمع شدن پروتئین‌ها، محققان DeepMind AI، الگوریتم خود را بر روی یک پایگاه داده عمومی حاوی حدود 170000 توالی پروتئین و شکل‌های مختلف آن‌ها آموزش دادند. آموزش این الگوریتم، با معادل 100 تا 200 واحد پردازش گرافیک (طبق استانداردهای مدرن، با قدرت محاسباتی نسبتا کم) اجرا شد که چند هفته به طول انجامید.

DeepMind الگوریتم AlphaFold را در مسابقات دوسالانه “المپیک پروتئینی”، که برای ارزیابی مهم ساختار پروتئینی به نام Casp برگزار شد، به کار برد. شرکت‌کنندگان در این مسابقه بین‎المللی، باید توالی آمینه اسید برای حدود 100 پروتئین را حل می‌کردند و سپس نتایج حاصل الگوریتم‌های رایانه‌ای، با نتایج آزمایشگاهی مقایسه می‌شد.

در این مسابقه مهم بین‌المللی، الگوریتم DeepMind مبتنی بر هوش مصنوعی، AlphaFold نه تنها از دیگر برنامه‌های رایانه‌ای بهتر عمل کرد، بلکه این چالش را با دقتی قابل مقایسه با روش‌های دقیق، سخت‌گیرانه و البته زمانبر آزمایشگاهی، با پیروزی خیره‌کننده‌ای پشت سر نهاد. پس از تجزیه و تحلیل تمامی پروتیین‌ها توسط AlphaFold، توانست نمره 92.5 از 100 را کسب نماید، که 90 برابر روش‌های آزمایشگاهی است. برای سخت‌ترین پروتئین‎ها، میانگین امتیاز دریافتی این الگوریتم افت داشت و توانست نمره 87 (از 100) را کسب کند.

حاسابیس اعلام کرد: هوش مصنوعی DeepMind کارش را در مورد چگونگی دسترسی محققان به AlphaFold را برای کمک به تحقیقات علمی آغاز کرده است. آندری لوپاس (Andrei Lupas)، مدیر انستیتوی زیست‎شناسی تکاملی ماکس پلانک در توبینگن آلمان چنین گفت که وی پیش‌تر از این برنامه برای حل ساختار پروتئینی استفاده کرده است. ساختاری که به مدت یک دهه، ذهن پژوهشگران و دانشمندان بسیاری را به خود مشغول کرده بود.

جانت تورنتون (Janet Thornton)، مدیر بازنشیته موسسه بیوانفورماتیک اروپا EMBL در نزدیکی کمبریج (وی در این پژوهش شرکت نداشته است)، چنین گفت که از شنیدن نتایج بسیار هیجان زده شده است. وی اعلام کرد که: “این مشکلی است که من فکر می‌کردم در طول عمر من حل نخواهد شد. شناختن این ساختارها به ما کمک می‌کند تا بفهمیم که نحوه کارکردن و عملکرد بدن انسان واقعا چگونه است.”

جان جامپر (John Jumper)، محقق تیم پژوهشی DeepMind AI گفت: “ما واقعا درباره دقت و کارایی الگوریتم خود تا این اندازه نمی‌دانستیم، تا اینکه نتایج Casp را مشاهده کرده و متوجه شدیم تا چه اندازه، در این میدان پیش رفته‌ایم. با همه این‌ها، قعطا این‌جا پایان کار ما نخواهد بود. پژوهش‌های آینده بر این نکته تمرکز دارند که چگونه پروتیین‌ها برای فرم‌های بزرگ‌تر و پیچیده‌تر با یکدیگر ترکیب می‌شود. ما همچنین بر چگونگی تعامل آنان با دیگر مولوکل‌ها در بدن موجودات زنده نیز متمرکز خواهیم شد.”