செயற்கை நுண்ணறிவு மூலம் புரத புதிருக்கான தீர்வு வேதியியலுக்கான நோபல் பரிசை வென்றது

2024 ஆம் ஆண்டு வேதியியலுக்கான நோபல் பரிசு டெமிஸ் ஹசாபிஸ் , ஜான் ஜம்பர் மற்றும் டேவிட் பேக்கர் ஆகியோரை, உயிரியலின் மிகப்பெரிய சவால்களில் ஒன்றைச் சமாளிக்க புரதங்களின் 3D வடிவத்தைக் கணித்தல் மற்றும் அவற்றை புதிதாக வடிவமைத்தல் ஆகியவற்றிகு இயந்திரக் கற்றலைப் பயன்படுத்தியதற்காக அங்கீகரித்தது

2014 இல் கூகுள் வாங்கிய AI ஆராய்ச்சி தொடக்கமான DeepMind என்ற தொழில்நுட்ப நிறுவனத்தில் உருவான ஆராய்ச்சியை கெளரவித்ததால் இந்த ஆண்டு விருது தனித்து நின்றது . முந்தைய வேதியியலுக்கான நோபல் பரிசுகள் கல்வித்துறையில் உள்ள ஆராய்ச்சியாளர்களுக்கு சென்றுள்ளது.

பல பரிசு பெற்றவர்கள் தொடக்க நிறுவனங்களை உருவாக்கத் தொடங்கினர், மேலும் அவர்களின் அற்புதமான வேலையை விரிவுபடுத்தவும் வணிகமயமாக்கவும் - உதாரணமாக, CRISPR மரபணு-எடிட்டிங் தொழில்நுட்பம் மற்றும் குவாண்டம் புள்ளிகள் - ஆனால் ஆராய்ச்சி, ஆரம்பம் முதல் இறுதி வரை, வணிகத் துறையில் செய்யப்படவில்லை.

இயற்பியல் மற்றும் வேதியியலுக்கான நோபல் பரிசுகள் தனித்தனியாக வழங்கப்பட்டாலும், 2024 இல் அந்தத் துறைகளில் வெற்றி பெற்ற ஆராய்ச்சிகளுக்கு இடையே ஒரு கவர்ச்சிகரமான தொடர்பு உள்ளது.

இயற்பியல் விருது இயந்திரக் கற்றலுக்கு அடித்தளமிட்ட இரண்டு கணினி விஞ்ஞானிகளுக்கு வழங்கப்பட்டது , அதே நேரத்தில் வேதியியல் பரிசு பெற்றவர்கள் உயிரியலின் மிகப்பெரிய மர்மங்களில் ஒன்றைச் சமாளிக்க இயந்திர கற்றலைப் பயன்படுத்தியதற்காக வெகுமதி பெற்றனர்.

2024 ஆம் ஆண்டுக்கான நோபல் பரிசுகள் இந்த வகையான செயற்கை நுண்ணறிவின் முக்கியத்துவத்தை அடிக்கோடிட்டுக் காட்டுகின்றன மற்றும் இன்று அறிவியல் எவ்வாறு பாரம்பரிய எல்லைகளைக் கடந்து, பல்வேறு துறைகளை ஒன்றிணைத்து அற்புதமான முடிவுகளை அடைகிறது.

புரத மடிப்பு சவால்

புரதங்கள் உயிரின் மூலக்கூறு இயந்திரங்கள். அவை தசைகள், என்சைம்கள், ஹார்மோன்கள், இரத்தம், முடி மற்றும் குருத்தெலும்பு உள்ளிட்ட நமது உடலின் குறிப்பிடத்தக்க பகுதியை உருவாக்குகின்றன.

புரதங்களின் கட்டமைப்புகளைப் புரிந்துகொள்வது அவசியம், ஏனெனில் அவற்றின் வடிவங்கள் அவற்றின் செயல்பாடுகளை தீர்மானிக்கின்றன.

1972 ஆம் ஆண்டில், கிறிஸ்டியன் அன்ஃபின்சென் வேதியியலுக்கான நோபல் பரிசை வென்றார் , புரதத்தின் அமினோ அமில கட்டுமானத் தொகுதிகளின் வரிசையானது புரதத்தின் வடிவத்தை ஆணையிடுகிறது , இது அதன் செயல்பாட்டை பாதிக்கிறது. ஒரு புரதம் தவறாக மடிந்தால், அது சரியாக வேலை செய்யாமல் போகலாம் மற்றும் அல்சைமர் , சிஸ்டிக் ஃபைப்ரோஸிஸ் அல்லது நீரிழிவு போன்ற நோய்களுக்கு வழிவகுக்கும் .

ஒரு புரதத்தின் ஒட்டுமொத்த வடிவம் அது உருவாக்கப்பட்ட அமினோ அமிலங்களில் உள்ள அனைத்து அணுக்களுக்கும் இடையிலான சிறிய இடைவினைகள், ஈர்ப்புகள் மற்றும் விரட்டல்களைப் பொறுத்தது. சிலர் ஒன்றாக இருக்க விரும்புகிறார்கள், சிலர் இல்லை. இந்த பல ஆயிரக்கணக்கான இரசாயன இடைவினைகளின் அடிப்படையில் புரதம் தன்னைத்தானே ஒரு இறுதி வடிவமாக முறுக்கி மடித்துக் கொள்கிறது.

பல தசாப்தங்களாக, உயிரியலின் மிகப்பெரிய சவால்களில் ஒன்று புரதத்தின் வடிவத்தை அதன் அமினோ அமில வரிசையின் அடிப்படையில் மட்டுமே கணிப்பது.

ஆராய்ச்சியாளர்கள் இப்போது வடிவத்தை கணிக்க முடியும் என்றாலும், புரதங்கள் அவற்றின் குறிப்பிட்ட வடிவங்களில் எவ்வாறு செயல்படுகின்றன மற்றும் ஒரு சில மைக்ரோ விநாடிகளில் அனைத்து அணுக்கரு இடைவினைகளின் விரட்டல்களைக் குறைக்கின்றன என்பது இன்னும் புரியவில்லை.

புரதங்கள் எவ்வாறு செயல்படுகின்றன என்பதைப் புரிந்துகொள்வதற்கும், தவறான மடிப்புகளைத் தடுப்பதற்கும், புரதங்கள் மடிவதைக் கணிக்க விஞ்ஞானிகளுக்கு ஒரு வழி தேவைப்பட்டது, ஆனால் இந்தப் புதிரைத் தீர்ப்பது எளிதான காரியமல்ல.

2003 ஆம் ஆண்டில், வாஷிங்டன் பல்கலைக்கழக உயிர்வேதியியல் நிபுணர் டேவிட் பேக்கர் , புரதங்களை வடிவமைப்பதற்கான கணினி நிரலான ரொசெட்டாவை எழுதினார் . புரத வடிவத்தை வடிவமைத்து, அதை உருவாக்கத் தேவையான அமினோ அமில வரிசையைக் கணிப்பதன் மூலம் புரத-மடிப்பு சிக்கலை மாற்றியமைக்க முடியும் என்று அவர் அதைக் காட்டினார் .

இது ஒரு அற்புதமான முன்னோக்கி பாய்ச்சலாக இருந்தது, ஆனால் கணக்கீட்டிற்கு தேர்ந்தெடுக்கப்பட்ட வடிவம் எளிமையானது மற்றும் கணக்கீடுகள் சிக்கலானவை. விரும்பிய கட்டமைப்புகளுடன் நாவல் புரதங்களை வழக்கமாக வடிவமைக்க ஒரு பெரிய முன்னுதாரண மாற்றம் தேவைப்பட்டது.

இயந்திர கற்றலின் புதிய சகாப்தம்

இயந்திர கற்றல் என்பது ஒரு வகை AI ஆகும், அங்கு கணினிகள் பரந்த அளவிலான தரவை பகுப்பாய்வு செய்வதன் மூலம் சிக்கல்களைத் தீர்க்க கற்றுக்கொள்கின்றன. இது விளையாட்டு விளையாடுதல் மற்றும் பேச்சு அங்கீகாரம் முதல் தன்னாட்சி வாகனங்கள் மற்றும் அறிவியல் ஆராய்ச்சி வரை பல்வேறு துறைகளில் பயன்படுத்தப்படுகிறது .

சிக்கலான கேள்விகளுக்கு பதிலளிக்க தரவுகளில் மறைக்கப்பட்ட வடிவங்களைப் பயன்படுத்துவதே இயந்திரக் கற்றலின் பின்னணியில் உள்ள யோசனை.

2010 ஆம் ஆண்டில் டெமிஸ் ஹசாபிஸ் டீப் மைண்ட் என்ற நிறுவனத்தை இணைந்து நிறுவியபோது இந்த அணுகுமுறை ஒரு பெரிய பாய்ச்சலை ஏற்படுத்தியது , இது நிஜ உலக பிரச்சனைகளை தீர்க்க AI உடன் நரம்பியல் அறிவியலை இணைக்கும் நோக்கம் கொண்டது.

4 வயதில் செஸ் ப்ராடிஜியான ஹசாபிஸ், ஆல்ஃபாஜீரோ என்ற AI மூலம் விரைவில் தலைப்புச் செய்திகளை உருவாக்கினார். 2017 ஆம் ஆண்டில், AlphaZero உலகின் தலைசிறந்த கணினி சதுரங்க திட்டமான Stockfish-8ஐ முழுமையாக வென்றது.

முன் திட்டமிடப்பட்ட உத்திகளை நம்பாமல், அதன் சொந்த விளையாட்டிலிருந்து கற்றுக்கொள்ளும் AI இன் திறன், AI உலகில் ஒரு திருப்புமுனையைக் குறித்தது.

விரைவில், DeepMind அதன் மகத்தான சிக்கலான தன்மைக்கு பெயர் பெற்ற பழங்கால பலகை விளையாட்டான Go விற்கு இதே போன்ற நுட்பங்களைப் பயன்படுத்தியது. 2016 ஆம் ஆண்டில், அதன் AI திட்டமான AlphaGo, மில்லியன் கணக்கானவர்களைத் திகைக்கச் செய்த பரவலாகப் பார்க்கப்பட்ட போட்டியில் , உலகின் தலைசிறந்த வீரர்களில் ஒருவரான லீ செடோலை தோற்கடித்தது .

2016 ஆம் ஆண்டில், ஹசாபிஸ் டீப் மைண்டின் கவனத்தை ஒரு புதிய சவாலுக்கு மாற்றினார்: புரதம்-மடிப்பு பிரச்சனை. புரத அறிவியலில் பின்னணி கொண்ட வேதியியலாளர் ஜான் ஜம்பரின் தலைமையில் , ஆல்பாஃபோல்ட் திட்டம் தொடங்கியது.

AI க்கு பயிற்சியளிக்க சோதனை ரீதியாக தீர்மானிக்கப்பட்ட புரத கட்டமைப்புகளின் பெரிய தரவுத்தளத்தை குழு பயன்படுத்தியது, இது புரத மடிப்பு கொள்கைகளை அறிய அனுமதித்தது.

இதன் விளைவாக AlphaFold2 ஆனது , புரதங்களின் 3D கட்டமைப்பை அவற்றின் அமினோ அமில வரிசைகளிலிருந்து குறிப்பிடத்தக்க துல்லியத்துடன் கணிக்கக்கூடிய AI ஆகும்.

இது ஒரு குறிப்பிடத்தக்க அறிவியல் முன்னேற்றம். ஆல்பாஃபோல்ட் 200 மில்லியனுக்கும் அதிகமான புரதங்களின் கட்டமைப்புகளை கணித்துள்ளது - அடிப்படையில் விஞ்ஞானிகள் இன்றுவரை வரிசைப்படுத்திய அனைத்து புரதங்களும். புரத கட்டமைப்புகளின் இந்த பாரிய தரவுத்தளம் இப்போது இலவசமாகக் கிடைக்கிறது, உயிரியல், மருத்துவம் மற்றும் மருந்து வளர்ச்சியில் ஆராய்ச்சியை துரிதப்படுத்துகிறது.

நோயை எதிர்த்துப் போராட வடிவமைப்பாளர் புரதங்கள்

புதிய மருந்துகளை வடிவமைக்க புரதங்கள் எவ்வாறு மடிகின்றன மற்றும் செயல்படுகின்றன என்பதைப் புரிந்துகொள்வது முக்கியம். என்சைம்கள் , ஒரு வகை புரதம், உயிர்வேதியியல் எதிர்வினைகளில் வினையூக்கிகளாக செயல்படுகின்றன, மேலும் இந்த செயல்முறைகளை விரைவுபடுத்தலாம் அல்லது கட்டுப்படுத்தலாம்.

புற்றுநோய் அல்லது நீரிழிவு போன்ற நோய்களுக்கு சிகிச்சையளிப்பதற்காக , ஆராய்ச்சியாளர்கள் பெரும்பாலும் நோய்ப் பாதைகளில் ஈடுபடும் குறிப்பிட்ட நொதிகளை குறிவைக்கின்றனர். ஒரு புரதத்தின் வடிவத்தை கணிப்பதன் மூலம், புதிய மருந்துகளை வடிவமைப்பதில் முதல் படியாக இருக்கும் சிறிய மூலக்கூறுகள் - சாத்தியமான மருந்து வேட்பாளர்கள் - அதனுடன் எங்கு பிணைக்கப்படலாம் என்பதை விஞ்ஞானிகள் கண்டுபிடிக்க முடியும் .

2024 ஆம் ஆண்டில், டீப் மைண்ட் ஆல்பாஃபோல்ட் 3 ஐ அறிமுகப்படுத்தியது , இது ஆல்பாஃபோல்ட் திட்டத்தின் மேம்படுத்தப்பட்ட பதிப்பாகும், இது புரத வடிவங்களைக் கணிப்பது மட்டுமல்லாமல் சிறிய மூலக்கூறுகளுக்கான சாத்தியமான பிணைப்பு தளங்களையும் அடையாளம் காட்டுகிறது. இந்த முன்னேற்றமானது சரியான புரதங்களை துல்லியமாக குறிவைக்கும் மருந்துகளை வடிவமைப்பதை ஆராய்ச்சியாளர்களுக்கு எளிதாக்குகிறது.

கூகுள் 2014 இல் சுமார் அரை பில்லியன் டாலர்களுக்கு Deepmind ஐ வாங்கியதாக கூறப்படுகிறது . இந்த AlphaFold3 கணிப்புகளைப் பயன்படுத்தி நிஜ உலக மருந்து மேம்பாட்டில் மருந்து நிறுவனங்களுடன் ஒத்துழைக்க Google DeepMind இப்போது Isomorphic Labs என்ற புதிய முயற்சியைத் தொடங்கியுள்ளது .

அவரது பங்கிற்கு, டேவிட் பேக்கர் தொடர்ந்து புரத அறிவியலில் குறிப்பிடத்தக்க பங்களிப்பைச் செய்து வருகிறார். வாஷிங்டன் பல்கலைக்கழகத்தில் உள்ள அவரது குழு, " குடும்ப அளவிலான மாயத்தோற்றம் " என்று அழைக்கப்படும் AI- அடிப்படையிலான முறையை உருவாக்கியது , அவர்கள் புதிதாக முற்றிலும் புதிய புரதங்களை வடிவமைக்கப் பயன்படுத்தினர்.

மாயத்தோற்றங்கள் புதிய வடிவங்கள் - இந்த விஷயத்தில், புரதங்கள் - அவை நம்பத்தகுந்தவை, அதாவது அவை AI இன் பயிற்சி தரவுகளில் உள்ள வடிவங்களுடன் நன்றாகப் பொருந்துகின்றன.

இந்த புதிய புரதங்கள் ஒரு ஒளி-உமிழும் நொதியை உள்ளடக்கியது, இயந்திர கற்றல் புதிய செயற்கை புரதங்களை உருவாக்க உதவும் என்பதை நிரூபிக்கிறது. இந்த AI கருவிகள் செயல்பாட்டு என்சைம்கள் மற்றும் பிற புரதங்களை வடிவமைக்க புதிய வழிகளை வழங்குகின்றன.

ஆராய்ச்சியின் அடுத்த அத்தியாயத்தை AI செயல்படுத்தும்

ஹசாபிஸ், ஜம்பர் மற்றும் பேக்கர் ஆகியோரின் நோபல்-தகுதியான சாதனைகள், இயந்திர கற்றல் என்பது கணினி விஞ்ஞானிகளுக்கான ஒரு கருவி அல்ல என்பதைக் காட்டுகிறது - இது இப்போது உயிரியல் மற்றும் மருத்துவத்தின் எதிர்காலத்தின் இன்றியமையாத பகுதியாகும்.

உயிரியலில் உள்ள கடினமான பிரச்சனைகளில் ஒன்றைக் கையாள்வதன் மூலம், 2024 பரிசு வென்றவர்கள் மருந்து கண்டுபிடிப்பு, தனிப்பயனாக்கப்பட்ட மருத்துவம் மற்றும் வாழ்க்கையின் வேதியியலைப் பற்றிய நமது புரிதல் ஆகியவற்றில் புதிய வாய்ப்புகளைத் திறந்துள்ளனர்.