ຂ່າວ

ລາງວັນການຄົ້ນຄວ້າການແພດຂັ້ນພື້ນຖານ Lasker ປີນີ້ໄດ້ຖືກມອບໃຫ້ Demis Hassabis ແລະ John Jumper ສໍາລັບການປະກອບສ່ວນຂອງເຂົາເຈົ້າໃນການສ້າງລະບົບປັນຍາປະດິດ AlphaFold ທີ່ຄາດຄະເນໂຄງສ້າງສາມມິຕິຂອງທາດໂປຼຕີນໂດຍອີງໃສ່ລໍາດັບທໍາອິດຂອງອາຊິດ amino.

ຜົນໄດ້ຮັບຂອງພວກເຂົາແກ້ໄຂບັນຫາທີ່ເຮັດໃຫ້ຊຸມຊົນວິທະຍາສາດເປັນເວລາດົນນານແລະເປີດປະຕູໃຫ້ເລັ່ງການຄົ້ນຄວ້າໃນທົ່ວຂົງເຂດຊີວະແພດ. ທາດໂປຼຕີນມີບົດບາດສໍາຄັນໃນການພັດທະນາພະຍາດ: ໃນພະຍາດ Alzheimer, ພວກມັນພັບແລະ clut ຮ່ວມກັນ; ໃນມະເລັງ, ຫນ້າທີ່ກົດລະບຽບຂອງພວກເຂົາສູນເສຍໄປ; ໃນຄວາມຜິດກະຕິ metabolic inborn, ພວກເຂົາເຈົ້າແມ່ນ dysfunctional; ໃນ cystic fibrosis, ພວກມັນເຂົ້າໄປໃນຊ່ອງຫວ່າງຢູ່ໃນຈຸລັງ. ເຫຼົ່ານີ້ແມ່ນພຽງແຕ່ສອງສາມກົນໄກທີ່ເຮັດໃຫ້ເກີດພະຍາດ. ແບບຈໍາລອງໂຄງສ້າງຂອງທາດໂປຼຕີນທີ່ລະອຽດສາມາດສະຫນອງການຕັ້ງຄ່າປະລໍາມະນູ, ຂັບລົດການອອກແບບຫຼືການຄັດເລືອກຂອງໂມເລກຸນທີ່ມີຄວາມສໍາພັນສູງ, ແລະເລັ່ງການຄົ້ນພົບຢາ.

ໂຄງສ້າງທາດໂປຼຕີນໂດຍທົ່ວໄປແມ່ນຖືກກໍານົດໂດຍ crystallography X-ray, resonance ສະນະແມ່ເຫຼັກນິວເຄລຍແລະກ້ອງຈຸລະທັດ cryo-electron. ວິທີການເຫຼົ່ານີ້ແມ່ນລາຄາແພງແລະໃຊ້ເວລາຫຼາຍ. ນີ້ເຮັດໃຫ້ຖານຂໍ້ມູນໂຄງສ້າງທາດໂປຼຕີນຈາກ 3D ທີ່ມີຢູ່ແລ້ວມີພຽງແຕ່ປະມານ 200,000 ຂໍ້ມູນໂຄງສ້າງ, ໃນຂະນະທີ່ເຕັກໂນໂລຢີການຈັດລໍາດັບ DNA ໄດ້ຜະລິດຫຼາຍກວ່າ 8 ລ້ານລໍາດັບທາດໂປຼຕີນ. ໃນຊຸມປີ 1960, Anfinsen et al. ຄົ້ນພົບວ່າ ລຳດັບ 1D ຂອງອາຊິດ amino ສາມາດພັບໄດ້ຕາມລຳດັບ ແລະ ຊ້ຳແລ້ວຊ້ຳອີກເປັນຮູບສາມມິຕິທີ່ມີປະໂຫຍດ (ຮູບ 1A), ແລະໂມເລກຸນ “chaperones” ສາມາດເລັ່ງ ແລະ ອຳນວຍຄວາມສະດວກໃຫ້ແກ່ຂະບວນການນີ້. ການສັງເກດເຫຼົ່ານີ້ນໍາໄປສູ່ການທ້າທາຍ 60 ປີໃນຊີວະສາດໂມເລກຸນ: ການຄາດຄະເນໂຄງສ້າງ 3D ຂອງທາດໂປຼຕີນຈາກລໍາດັບ 1D ຂອງອາຊິດ amino. ດ້ວຍຄວາມສໍາເລັດຂອງໂຄງການ Genome ຂອງມະນຸດ, ຄວາມສາມາດຂອງພວກເຮົາທີ່ຈະໄດ້ຮັບລໍາດັບອາຊິດ amino 1D ໄດ້ປັບປຸງຢ່າງຫຼວງຫຼາຍ, ແລະຄວາມທ້າທາຍນີ້ໄດ້ກາຍເປັນຄວາມຮີບດ່ວນຫຼາຍຂຶ້ນ.

ການຄາດເດົາໂຄງສ້າງຂອງທາດໂປຼຕີນແມ່ນມີຄວາມຫຍຸ້ງຍາກສໍາລັບເຫດຜົນຫຼາຍຢ່າງ. ຫນ້າທໍາອິດ, ຕໍາແຫນ່ງສາມມິຕິທີ່ເປັນໄປໄດ້ທັງຫມົດຂອງອະຕອມໃນທຸກໆອາຊິດ amino ຮຽກຮ້ອງໃຫ້ມີການຂຸດຄົ້ນຫຼາຍ. ອັນທີສອງ, ທາດໂປຼຕີນເຮັດໃຫ້ການນໍາໃຊ້ສູງສຸດຂອງການເສີມໃນໂຄງສ້າງທາງເຄມີຂອງພວກເຂົາເພື່ອກໍານົດປະລໍາມະນູຢ່າງມີປະສິດທິພາບ. ເນື່ອງຈາກທາດໂປຼຕີນໂດຍປົກກະຕິມີພັນທະບັດ hydrogen ຫຼາຍຮ້ອຍ "ຜູ້ໃຫ້ທຶນ" (ປົກກະຕິແລ້ວອົກຊີເຈນ) ທີ່ຄວນຈະຢູ່ໃກ້ກັບພັນທະບັດ hydrogen "ຜູ້ຮັບ" (ປົກກະຕິແລ້ວໄນໂຕຣເຈນຜູກມັດກັບ hydrogen), ມັນສາມາດມີຄວາມຫຍຸ້ງຍາກຫຼາຍທີ່ຈະຊອກຫາຄວາມສອດຄ່ອງທີ່ເກືອບທຸກຜູ້ໃຫ້ທຶນຢູ່ໃກ້ກັບຜູ້ຮັບ. ອັນທີສາມ, ມີຕົວຢ່າງຈໍາກັດສໍາລັບການຝຶກອົບຮົມວິທີການທົດລອງ, ດັ່ງນັ້ນມັນຈໍາເປັນຕ້ອງເຂົ້າໃຈການໂຕ້ຕອບສາມມິຕິທີ່ມີທ່າແຮງລະຫວ່າງອາຊິດ amino ບົນພື້ນຖານຂອງລໍາດັບ 1D ໂດຍນໍາໃຊ້ຂໍ້ມູນກ່ຽວກັບວິວັດທະນາຂອງທາດໂປຼຕີນທີ່ກ່ຽວຂ້ອງ.

ຟີຊິກທໍາອິດຖືກນໍາໃຊ້ເພື່ອສ້າງແບບຈໍາລອງການໂຕ້ຕອບຂອງອະຕອມໃນການຊອກຫາຄວາມສອດຄ່ອງທີ່ດີທີ່ສຸດ, ແລະວິທີການໄດ້ຖືກພັດທະນາເພື່ອຄາດຄະເນໂຄງສ້າງຂອງທາດໂປຼຕີນ. Karplus, Levitt ແລະ Warshel ໄດ້ຮັບລາງວັນໂນແບລ 2013 ສາຂາເຄມີສໍາລັບວຽກງານຂອງເຂົາເຈົ້າກ່ຽວກັບການຈໍາລອງການຄິດໄລ່ຂອງທາດໂປຼຕີນ. ຢ່າງໃດກໍ່ຕາມ, ວິທີການທີ່ອີງໃສ່ຟີຊິກແມ່ນມີລາຄາແພງໃນຄອມພິວເຕີ້ແລະຕ້ອງການການປຸງແຕ່ງໂດຍປະມານ, ດັ່ງນັ້ນໂຄງສ້າງສາມມິຕິທີ່ຊັດເຈນບໍ່ສາມາດຄາດເດົາໄດ້. ວິທີການ "ອີງໃສ່ຄວາມຮູ້" ອີກອັນຫນຶ່ງແມ່ນການນໍາໃຊ້ຖານຂໍ້ມູນຂອງໂຄງສ້າງແລະລໍາດັບທີ່ຮູ້ຈັກເພື່ອຝຶກອົບຮົມແບບຈໍາລອງໂດຍຜ່ານປັນຍາປະດິດແລະການຮຽນຮູ້ເຄື່ອງຈັກ (AI-ML). Hassabis ແລະ Jumper ນໍາໃຊ້ອົງປະກອບຂອງທັງຟີຊິກແລະ AI-ML, ແຕ່ການປະດິດສ້າງແລະການກ້າວກະໂດດໃນການປະຕິບັດຂອງວິທີການຕົ້ນຕໍແມ່ນມາຈາກ AI-ML. ນັກຄົ້ນຄວ້າສອງຄົນໄດ້ລວມເອົາຖານຂໍ້ມູນສາທາລະນະຂະຫນາດໃຫຍ່ທີ່ມີຄວາມຄິດສ້າງສັນກັບຊັບພະຍາກອນຄອມພິວເຕີ້ລະດັບອຸດສາຫະກໍາເພື່ອສ້າງ AlphaFold.

ພວກ​ເຮົາ​ຮູ້​ໄດ້​ແນວ​ໃດ​ວ່າ​ເຂົາ​ເຈົ້າ​ໄດ້ "ແກ້​ໄຂ​" ປິດ​ການ​ຄາດ​ຄະ​ເນ​ໂຄງ​ສ້າງ​? ໃນປີ 1994, ການແຂ່ງຂັນການປະເມີນຄວາມສໍາຄັນຂອງການຄາດຄະເນໂຄງສ້າງ (CASP) ໄດ້ຖືກສ້າງຕັ້ງຂຶ້ນ, ເຊິ່ງຕອບສະຫນອງທຸກໆສອງປີເພື່ອຕິດຕາມຄວາມຄືບຫນ້າຂອງການຄາດຄະເນໂຄງສ້າງ. ນັກຄົ້ນຄວ້າຈະແບ່ງປັນລໍາດັບ 1D ຂອງທາດໂປຼຕີນທີ່ໂຄງສ້າງທີ່ເຂົາເຈົ້າໄດ້ແກ້ໄຂເມື່ອໄວໆມານີ້, ແຕ່ຜົນໄດ້ຮັບຂອງມັນຍັງບໍ່ທັນໄດ້ເຜີຍແຜ່. ຜູ້ຄາດຄະເນຄາດຄະເນໂຄງສ້າງສາມມິຕິໂດຍໃຊ້ລໍາດັບ 1D ນີ້, ແລະຜູ້ປະເມີນຈະຕັດສິນຢ່າງເປັນອິດສະຫຼະກ່ຽວກັບຄຸນນະພາບຂອງຜົນໄດ້ຮັບທີ່ຄາດຄະເນໂດຍການປຽບທຽບພວກມັນກັບໂຄງສ້າງສາມມິຕິທີ່ໃຫ້ໂດຍນັກທົດລອງ (ສະຫນອງໃຫ້ພຽງແຕ່ຜູ້ປະເມີນ). CASP ດໍາເນີນການທົບທວນຕາບອດທີ່ແທ້ຈິງແລະບັນທຶກການກະໂດດຂອງການປະຕິບັດແຕ່ລະໄລຍະທີ່ກ່ຽວຂ້ອງກັບການປະດິດສ້າງວິທີການ. ໃນກອງປະຊຸມ CASP ຄັ້ງທີ 14 ໃນປີ 2020, ຜົນໄດ້ຮັບຂອງການຄາດຄະເນຂອງ AlphaFold ໄດ້ສະແດງໃຫ້ເຫັນເຖິງການກ້າວກະໂດດດັ່ງກ່າວໃນການປະຕິບັດທີ່ຜູ້ຈັດຕັ້ງປະກາດວ່າບັນຫາການຄາດຄະເນໂຄງສ້າງ 3D ໄດ້ຖືກແກ້ໄຂແລ້ວ: ຄວາມຖືກຕ້ອງຂອງການຄາດຄະເນສ່ວນຫຼາຍແມ່ນຢູ່ໃກ້ກັບການວັດແທກການທົດລອງ.

ຄວາມສໍາຄັນທີ່ກວ້າງຂວາງແມ່ນວ່າວຽກງານຂອງ Hassabis ແລະ Jumper ສະແດງໃຫ້ເຫັນຢ່າງແນ່ນອນວ່າ AI-ML ສາມາດຫັນປ່ຽນວິທະຍາສາດໄດ້ແນວໃດ. ການຄົ້ນຄວ້າຂອງມັນສະແດງໃຫ້ເຫັນວ່າ AI-ML ສາມາດສ້າງສົມມຸດຕິຖານທາງວິທະຍາສາດທີ່ສັບສົນຈາກແຫຼ່ງຂໍ້ມູນຫຼາຍ, ກົນໄກການເອົາໃຈໃສ່ (ຄ້າຍຄືກັນກັບ ChatGPT) ສາມາດຄົ້ນພົບຄວາມເພິ່ງພາອາໄສແລະຄວາມສໍາພັນທີ່ສໍາຄັນໃນແຫຼ່ງຂໍ້ມູນ, ແລະ AI-ML ສາມາດຕັດສິນຕົນເອງຄຸນນະພາບຂອງຜົນໄດ້ຮັບຂອງມັນ. AI-ML ແມ່ນການເຮັດວິທະຍາສາດທີ່ຈໍາເປັນ.