ព័ត៌មាន

ពានរង្វាន់ស្រាវជ្រាវវេជ្ជសាស្ត្រ Lasker Basic នៅឆ្នាំនេះត្រូវបានប្រគល់ជូនដល់ Demis Hassabis និង John Jumper សម្រាប់ការរួមចំណែករបស់ពួកគេក្នុងការបង្កើតប្រព័ន្ធបញ្ញាសិប្បនិម្មិត AlphaFold ដែលព្យាករណ៍ពីរចនាសម្ព័ន្ធបីវិមាត្រនៃប្រូតេអ៊ីនដោយផ្អែកលើលំដាប់លំដាប់ទីមួយនៃអាស៊ីតអាមីណូ។

លទ្ធផលរបស់ពួកគេដោះស្រាយបញ្ហាដែលបានធ្វើឱ្យសហគមន៍អ្នកវិទ្យាសាស្ត្រមានការរំខានជាយូរមកហើយ និងបើកទ្វារឱ្យពន្លឿនការស្រាវជ្រាវនៅទូទាំងផ្នែកជីវវេជ្ជសាស្ត្រ។ ប្រូតេអ៊ីនដើរតួនាទីយ៉ាងសំខាន់ក្នុងការវិវត្តន៍ជំងឺ៖ នៅក្នុងជំងឺភ្លេចភ្លាំង ពួកវាបត់ និងរួបរួមគ្នា។ នៅក្នុងជំងឺមហារីក, មុខងារបទប្បញ្ញត្តិរបស់ពួកគេត្រូវបានបាត់បង់; នៅក្នុងជំងឺមេតាប៉ូលីសពីកំណើត, ពួកវាមិនដំណើរការ; នៅក្នុង cystic fibrosis ពួកវាចូលទៅក្នុងចន្លោះខុសនៅក្នុងកោសិកា។ ទាំងនេះគ្រាន់តែជាយន្តការមួយចំនួនក្នុងចំណោមយន្តការជាច្រើនដែលបង្កឱ្យមានជំងឺ។ គំរូរចនាសម្ព័ន្ធប្រូតេអ៊ីនលម្អិតអាចផ្តល់នូវការកំណត់រចនាសម្ព័ន្ធអាតូម ជំរុញការរចនា ឬការជ្រើសរើសម៉ូលេគុលដែលមានទំនាក់ទំនងខ្ពស់ និងពន្លឿនការរកឃើញថ្នាំ។

រចនាសម្ព័ន្ធប្រូតេអ៊ីនជាទូទៅត្រូវបានកំណត់ដោយគ្រីស្តាល់កាំរស្មីអ៊ិច, អនុភាពម៉ាញេទិកនុយក្លេអ៊ែរ និងមីក្រូស្កុបគ្រីអូអេឡិចត្រុង។ វិធីសាស្រ្តទាំងនេះមានតម្លៃថ្លៃ និងចំណាយពេលច្រើន។ លទ្ធផលនេះនៅក្នុងមូលដ្ឋានទិន្នន័យរចនាសម្ព័ន្ធប្រូតេអ៊ីន 3D ដែលមានស្រាប់ជាមួយនឹងទិន្នន័យរចនាសម្ព័ន្ធប្រហែល 200,000 ខណៈពេលដែលបច្ចេកវិទ្យាលំដាប់ DNA បានបង្កើតលំដាប់ប្រូតេអ៊ីនច្រើនជាង 8 លាន។ នៅទសវត្សរ៍ឆ្នាំ 1960 Anfinsen et al ។ បានរកឃើញថា លំដាប់ 1D នៃអាស៊ីដអាមីណូអាចបត់ដោយឯកឯង និងម្តងហើយម្តងទៀត ទៅជាទម្រង់បីវិមាត្រដែលមានមុខងារ (រូបភាពទី 1A) ហើយថា "chaperones" ម៉ូលេគុលអាចបង្កើនល្បឿន និងសម្របសម្រួលដំណើរការនេះ។ ការសង្កេតទាំងនេះនាំឱ្យមានបញ្ហាប្រឈមរយៈពេល 60 ឆ្នាំនៅក្នុងជីវវិទ្យាម៉ូលេគុល៖ ការព្យាករណ៍រចនាសម្ព័ន្ធ 3D នៃប្រូតេអ៊ីនពីលំដាប់ 1D នៃអាស៊ីតអាមីណូ។ ជាមួយនឹងភាពជោគជ័យនៃគម្រោងហ្សែនមនុស្ស សមត្ថភាពរបស់យើងក្នុងការទទួលបានលំដាប់អាស៊ីតអាមីណូ 1D បានប្រសើរឡើងយ៉ាងខ្លាំង ហើយបញ្ហាប្រឈមនេះកាន់តែមានភាពបន្ទាន់។

ការទស្សន៍ទាយរចនាសម្ព័ន្ធប្រូតេអ៊ីនគឺពិបាកសម្រាប់ហេតុផលជាច្រើន។ ទីមួយ ទីតាំងបីវិមាត្រដែលអាចធ្វើបាននៃអាតូមនីមួយៗនៅក្នុងអាស៊ីតអាមីណូនីមួយៗទាមទារការរុករកច្រើន។ ទីពីរ ប្រូតេអ៊ីនធ្វើឱ្យការប្រើប្រាស់អតិបរមានៃការបំពេញបន្ថែមនៅក្នុងរចនាសម្ព័ន្ធគីមីរបស់ពួកគេដើម្បីកំណត់រចនាសម្ព័ន្ធអាតូមប្រកបដោយប្រសិទ្ធភាព។ ដោយសារប្រូតេអ៊ីនជាធម្មតាមានចំណងអ៊ីដ្រូសែនរាប់រយ “ម្ចាស់ជំនួយ” (ជាធម្មតាអុកស៊ីហ្សែន) ដែលគួរតែនៅជិតចំណងអ៊ីដ្រូសែន “អ្នកទទួល” (ជាធម្មតាអាសូតភ្ជាប់ទៅនឹងអ៊ីដ្រូសែន) វាអាចពិបាកស្វែងរកការអនុលោមតាមដែលអ្នកផ្តល់ជំនួយស្ទើរតែទាំងអស់នៅជិតអ្នកទទួល។ ទីបី មានឧទាហរណ៍មានកម្រិតសម្រាប់ការបណ្តុះបណ្តាលវិធីសាស្ត្រពិសោធន៍ ដូច្នេះចាំបាច់ត្រូវយល់អំពីអន្តរកម្មបីវិមាត្រដែលមានសក្តានុពលរវាងអាស៊ីតអាមីណូនៅលើមូលដ្ឋាននៃលំដាប់ 1D ដោយប្រើព័ត៌មានស្តីពីការវិវត្តនៃប្រូតេអ៊ីនដែលពាក់ព័ន្ធ។

រូបវិទ្យា​ត្រូវ​បាន​គេ​ប្រើ​ជា​លើក​ដំបូង​ដើម្បី​យក​គំរូ​តាម​អន្តរកម្ម​នៃ​អាតូម​ក្នុង​ការ​ស្វែង​រក​ការ​អនុលោម​ភាព​ល្អ​បំផុត ហើយ​វិធីសាស្ត្រ​មួយ​ត្រូវ​បាន​បង្កើត​ឡើង​ដើម្បី​ទស្សន៍ទាយ​រចនាសម្ព័ន្ធ​ប្រូតេអ៊ីន។ Karplus, Levitt និង Warshel បានទទួលរង្វាន់ណូបែលគីមីវិទ្យាឆ្នាំ 2013 សម្រាប់ការងាររបស់ពួកគេលើការក្លែងធ្វើការគណនានៃប្រូតេអ៊ីន។ ទោះជាយ៉ាងណាក៏ដោយ វិធីសាស្ត្រផ្អែកលើរូបវិទ្យាមានតម្លៃថ្លៃក្នុងការគណនា និងទាមទារដំណើរការប្រហាក់ប្រហែល ដូច្នេះរចនាសម្ព័ន្ធបីវិមាត្រច្បាស់លាស់មិនអាចទាយទុកជាមុនបានទេ។ វិធីសាស្រ្ត "ផ្អែកលើចំណេះដឹង" មួយផ្សេងទៀតគឺត្រូវប្រើមូលដ្ឋានទិន្នន័យនៃរចនាសម្ព័ន្ធ និងលំដាប់ដែលគេស្គាល់ ដើម្បីបណ្តុះបណ្តាលគំរូតាមរយៈបញ្ញាសិប្បនិម្មិត និងការរៀនម៉ាស៊ីន (AI-ML)។ Hassabis និង Jumper អនុវត្តធាតុទាំងរូបវិទ្យា និង AI-ML ប៉ុន្តែការច្នៃប្រឌិត និងការលោតផ្លោះនៃការអនុវត្តវិធីសាស្រ្តនេះកើតចេញពី AI-ML ។ អ្នកស្រាវជ្រាវទាំងពីរបានរួមបញ្ចូលគ្នានូវមូលដ្ឋានទិន្នន័យសាធារណៈដ៏ធំជាមួយនឹងធនធានកុំព្យូទ័រថ្នាក់ឧស្សាហកម្មដើម្បីបង្កើត AlphaFold ។

តើ​យើង​ដឹង​ថា​ពួកគេ​បាន​ "ដោះស្រាយ​" ល្បែង​ទស្សន៍ទាយ​តាម​រចនាសម្ព័ន្ធ​ដោយ​របៀប​ណា? នៅឆ្នាំ 1994 ការប្រកួតប្រជែងការវាយតម្លៃសំខាន់នៃការទស្សន៍ទាយរចនាសម្ព័ន្ធ (CASP) ត្រូវបានបង្កើតឡើង ដែលជួបរៀងរាល់ពីរឆ្នាំម្តង ដើម្បីតាមដានវឌ្ឍនភាពនៃការទស្សន៍ទាយតាមរចនាសម្ព័ន្ធ។ អ្នកស្រាវជ្រាវនឹងចែករំលែកលំដាប់ 1D នៃប្រូតេអ៊ីនដែលរចនាសម្ព័ន្ធដែលពួកគេបានដោះស្រាយនាពេលថ្មីៗនេះ ប៉ុន្តែលទ្ធផលរបស់វាមិនទាន់ត្រូវបានផ្សព្វផ្សាយនៅឡើយ។ អ្នកព្យាករណ៍ព្យាករណ៍រចនាសម្ព័ន្ធបីវិមាត្រដោយប្រើលំដាប់ 1D នេះហើយអ្នកវាយតម្លៃវិនិច្ឆ័យដោយឯករាជ្យនូវគុណភាពនៃលទ្ធផលដែលបានព្យាករណ៍ដោយប្រៀបធៀបពួកវាទៅនឹងរចនាសម្ព័ន្ធបីវិមាត្រដែលផ្តល់ដោយអ្នកពិសោធន៍ (ផ្តល់តែចំពោះអ្នកវាយតម្លៃប៉ុណ្ណោះ)។ CASP ធ្វើការត្រួតពិនិត្យពិការភ្នែកពិត និងកត់ត្រាការលោតតាមកាលកំណត់ដែលទាក់ទងនឹងការច្នៃប្រឌិតវិធីសាស្រ្ត។ នៅក្នុងសន្និសិទ CASP លើកទី 14 ក្នុងឆ្នាំ 2020 លទ្ធផលព្យាករណ៍របស់ AlphaFold បានបង្ហាញពីការលោតផ្លោះនៃការអនុវត្ត ដែលអ្នករៀបចំបានប្រកាសថាបញ្ហាការទស្សន៍ទាយរចនាសម្ព័ន្ធ 3D ត្រូវបានដោះស្រាយ៖ ភាពត្រឹមត្រូវនៃការទស្សន៍ទាយភាគច្រើនគឺជិតទៅនឹងការវាស់វែងពិសោធន៍។

សារៈសំខាន់កាន់តែទូលំទូលាយគឺថាការងាររបស់ Hassabis និង Jumper បង្ហាញឱ្យឃើញយ៉ាងជឿជាក់ពីរបៀបដែល AI-ML អាចផ្លាស់ប្តូរវិទ្យាសាស្ត្រ។ ការស្រាវជ្រាវរបស់វាបង្ហាញថា AI-ML អាចបង្កើតសម្មតិកម្មវិទ្យាសាស្រ្តដ៏ស្មុគស្មាញពីប្រភពទិន្នន័យជាច្រើន ដែលយន្តការយកចិត្តទុកដាក់ (ស្រដៀងទៅនឹង ChatGPT) អាចរកឃើញភាពអាស្រ័យ និងទំនាក់ទំនងសំខាន់ៗនៅក្នុងប្រភពទិន្នន័យ ហើយ AI-ML អាចវិនិច្ឆ័យដោយខ្លួនឯងនូវគុណភាពនៃលទ្ធផលលទ្ធផលរបស់វា។ AI-ML គឺសំខាន់ក្នុងការធ្វើវិទ្យាសាស្ត្រ។