بازنویسی قواعد مهندسی پروتئین با استفاده از هوش‌مصنوعی
گروهی از دانشمندان در چین به رهبری پروفسور «کای‌شیا گائو» از مؤسسه ژنتیک و زیست‌شناسی تکوینی (IGDB) در آکادمی علوم چین، روش نوآورانه‌ای را معرفی کرده‌اند که می‌تواند پیشرفت قابل توجهی در مهندسی پروتئین ایجاد کند.
این روش جدید با نام محدودیت‌های آگاه از هوش مصنوعی برای مهندسی پروتئین (AiCE) شناخته می‌شود و با تلفیق بینش‌های ساختاری و فرگشتی در چارچوب یک مدل استاندارد از بازپیچش (inverse folding)، روند تکامل پروتئین‌ها را تسریع می‌بخشد. نکته قابل توجه این است که این روش نیازی به توسعه یا آموزش سامانه‌های اختصاصی هوش مصنوعی ندارد.
به گزارش scitechdaily، نتایج این پژوهش که در تاریخ ۷ ژوئیه در نشریه Cell منتشر شده، به برخی از محدودیت‌های دیرینه در شیوه‌های سنتی مهندسی پروتئین می‌پردازد.
در حالت ایده‌آل، مهندسی پروتئین باید با کمترین پیچیدگی، به نتایجی با عملکرد بالا دست یابد. اما اکثر روش‌های فعلی با مشکلاتی مانند هزینه‌های بالا، کارایی پایین و مقیاس‌پذیری محدود مواجه‌اند. اگرچه رویکرد‌های مبتنی بر هوش مصنوعی در برخی زمینه‌ها بهبود‌هایی ایجاد کرده‌اند، اما این روش‌ها معمولاً نیازمند منابع محاسباتی سنگینی هستند. به همین دلیل، نیاز به راه‌حل‌هایی احساس می‌شود که در عین قدرت، از نظر اجرایی نیز کاربردی و در دسترس باشند، بدون آنکه دقت را قربانی کنند.
معرفی AiCEsingle: دقت از طریق محدودیت‌های ساختاری
در این پژوهش، محققان ابتدا ماژولی به نام AiCEsingle طراحی کردند که هدف آن پیش‌بینی جانشینی‌های تک‌اسیدآمینه‌ای با تناسب بالا (HF) است. این ماژول با استفاده گسترده از مدل‌های بازپیچش مدل‌های مبتنی بر هوش مصنوعی که بر اساس ساختار سه‌بعدی پروتئین، توالی‌های سازگار اسیدآمینه‌ای تولید می‌کنند و با اعمال محدودیت‌های ساختاری، دقت پیش‌بینی را به میزان چشمگیری افزایش می‌دهد.
ارزیابی عملکرد AiCEsingle با استفاده از ۶۰ مجموعه داده حاصل از اسکن جهش‌های عمیق (DMS) نشان داد که این روش در مقایسه با سایر روش‌های مبتنی بر هوش مصنوعی، بین ۳۶ تا ۹۰ درصد عملکرد بهتری دارد.
همچنین اثربخشی آن در رابطه با پروتئین‌های پیچیده و کمپلکس‌های پروتئین اسید نوکلئیک نیز مورد تأیید قرار گرفت. شایان توجه است که افزودن صرفِ محدودیت‌های ساختاری، به‌تنهایی موجب بهبود ۳۷ درصدی در دقت پیش‌بینی‌ها شده است.
برای مقابله با چالش تعاملات اپیستاتیکی منفی در جهش‌های ترکیبی، پژوهشگران ماژول جدیدی به نام AiCEmulti طراحی کردند که محدودیت‌های هم‌تکاملی (evolutionary coupling constraints) را در نظر می‌گیرد. این ماژول امکان پیش‌بینی دقیق چندین جهش با تناسب بالا را با حداقل هزینه محاسباتی فراهم می‌سازد و موجب گسترش کاربرد و کارایی عملی این ابزار می‌شود.
مهندسی نسل جدیدی از پروتئین‌های عملکردی
با استفاده از چارچوب AiCE، پژوهشگران موفق شدند هشت پروتئین با ساختار‌ها و عملکرد‌های متنوع از جمله دی‌آمینازها، توالی‌های هدایت‌کننده به هسته (NLS)، نوکلئاز‌ها و نسخه‌بردار‌های معکوس را به‌طور موفقیت‌آمیز تکامل دهند. این پروتئین‌های مهندسی‌شده امکان توسعه چندین ویراستار بازی نوین برای پزشکی دقیق و اصلاح ژنتیکی مولکولی را فراهم کرده‌اند. از جمله این ویراستار‌ها می‌توان به موارد زیر اشاره کرد:
enABE۸e: یک ویراستار باز سیتوزینی با پنجره ویرایشی حدود ۵۰ درصد باریک‌تر
enSdd۶-CBE: یک ویراستار باز آدنین با دقت ۱٫۳ برابر بیشتر
enDdd۱-DdCBE: یک ویراستار باز میتوکندریایی با افزایش ۱۳ برابری در فعالیت
در مجموع، AiCE یک راهبرد ساده، کارآمد و گسترده‌کاربرد برای مهندسی پروتئین ارائه می‌دهد. این چارچوب با بهره‌گیری هوشمندانه از ظرفیت مدل‌های موجود هوش مصنوعی، افق‌های نوینی در بازطراحی پروتئین با هدایت هوش مصنوعی گشوده و درک‌پذیری بیشتری در فرایند طراحی فراهم می‌سازد.
انتهای پیام/
