کشف دارو با هوش مصنوعی گوگل: آزمایشگاه تحقیقاتی هوش مصنوعی DeepMind با استفاده از امکانات هوش مصنوعی، جامع ترین نقشه ی پروتئین های انسانی را تا به امروز تهیه کرده است. این شرکت که زیر مجموعه‌ی آلفابت-شرکت مادر گوگل- است، داده ها را به صورت رایگان منتشر می کند و برخی از دانشمندان تأثیرات آن را با پروژه‌ی ژنوم انسان مقایسه می‌کنند؛ تلاشی بین المللی برای ترسیم هر ژن انسانی.

پروتئین ها مولکول های طولانی و پیچیده ای هستند که وظایف متعددی را از تشکیل بافت تا مبارزه با بیماری را در بدن انجام می دهند. هدف آنها را ساختارشان مشخص می‌کند  که مانند اوریگامی به اشکال پیچیده و نامنظم تا می شود. درک درهم‌ آمیختگی یک پروتئین به توضیح عملکرد آن منجر می‌شود، که به نوبه خود به دانشمندان در انجام طیف وسیعی از وظایف کمک می‌کند؛ از انجام تحقیقات اساسی در مورد نحوه عملکرد بدن تا پی‌ریزی داروها و درمان‌های جدید.

پیش از این، آزمایش‌های تعیین ساختار یک پروتئین بسیار پرهزینه و زمان ‌بر بود. اما سال گذشته DeepMind نشان داد که می تواند با استفاده از یک نرم‌افزار هوش مصنوعی به نام AlphaFold، پیش‌بینی‌های دقیقی از ساختار پروتئین ارائه دهد. هم اکنون، این شرکت صدها هزار پیش‌بینی انجام شده توسط این برنامه را برای عموم منتشر کرده است.

در حال حاضر حدود 180000 ساختار پروتئینی در حوزه عمومی موجود است که هر کدام با روش‌های آزمایشگاهی تولید می شوند و از طریق بانک داده‌ها قابل دسترسی هستند.  دیپمایند در حال انتشار پیش‌بینی‌هایی برای ساختار حدود 350000 پروتئین در 20 ارگانیسم مختلف، از جمله حیواناتی مانند موش‌ و مگس‌ و باکتری‌هایی مانند ای.کولی است. مهم‌تر از همه، این داده های منتشر شده شامل پیش‌بینی‌هایی برای 98 درصد از پروتئین‌های انسانی با حدود 20000 ساختار مختلف است که در مجموع به عنوان پروتئوم انسانی شناخته می‌شوند. این اولین مجموعه داده ی عمومیِ پروتئین های انسانی نیست، اما جامع ترین و دقیق ترین آن است.

دمیس حسابیس، مدیرعامل و موسس این شرکت به The Verge گفت: «من این پروژه را نقطه اوج 10 سال عمر DeepMind می‌دانم. این همان هدفی است که ما داشتیم: ایجاد پیشرفت‌هایی در هوش مصنوعی و آزمایش آن بر روی بازی‌هایی مانند Go و Atari، و همچنین اعمال آن برای مشکلات دنیای واقعی، تا ببینیم آیا می‌توانیم پیشرفت‌های علمی را به نفع بشریت سرعت ببخشیم و از آنها استفاده کنیم. »

جان جامپر، سرپرست فنی AlphaFold می‌گوید : دانشمندان می‌توانند کل پروتئوم انسان را دانلود کنند. یک فایل HumanProteome.zip وجود دارد، که فکر می کنم اندازه آن حدود 50 گیگابایت است.’ اگر بخواهید می‌توانید آن را روی فلش درایو قرار دهید، اگرچه بدون رایانه ای برای تجزیه و تحلیل، فایده چندانی برای شما نخواهد داشت!» این داده ها برای محققان علمی و تجاری، همیشه رایگان خواهد بود.

درک ساختار پروتئین برای دانشمندان در طیف وسیعی از زمینه ها مفید است. این اطلاعات می‌تواند به پی ریزی داروهای جدید، سنتز آنزیم‌های جدید که مواد زائد را تجزیه می‌کنند، و همچنین ایجاد محصولاتی مقاوم در برابر ویروس‌ها کمک کند. در حال حاضر، پیش‌بینی‌های پروتئین DeepMind برای تحقیقات پزشکی، از جمله مطالعه عملکرد SARS CoV 2، ویروسی که باعث COVID 19 می‌شود، استفاده می‌شود.

DeepMind می گوید که زمان زیادی را صرف ایجاد معیارهای دقیق اندازه گیری در نرم افزار AlphaFold کرده است، که میزان اطمینان آن را برای هر پیش بینی رتبه بندی می کند. پیش بینی ساختار پروتئین ها هنوز هم بسیار مفید است اگرچه شناسایی ساختار پروتئین ها از طریق آزمایش بسیار گران و طاقت فرسا است و با خطا همراه است. اما حتی پیش بینی های اولیه و نا دقیق هم سالهای تحقیقاتی زیادی را برای دانشمندان ذخیره می‌کند و آنها را به مسیر درست تحقیقاتی سوق می‌دهد.

حالا چرا پیشبینیِ در هم پیچیدگی پروتئین ها انقدر سخت است؟

پروتئین ها از زنجیره های آمینواسید ـ که در حدود بیست نوع مختلف در بدن انسان هستند ـ ساخته می شوند و از آنجایی که هر پروتئین می تواند از صدها آمینو اسید مجزا تشکیل شده باشد ـ که هر کدام می توانند در جهات مختلف تا شوند و بپیچند ـ به این معنی است که ساختار نهایی یک مولکول دارای تعداد بسیار زیادی از پیکربندی های ممکن است. پروتئین ها برای بررسی توسط میکروسکوپ بسیار کوچک هستند و در نتیجه دانشمندان مجبور شدند به طور غیرمستقیم ساختار آنها را با استفاده از روش های گران قیمت و پیچیده مانند تشدید مغناطیسی هسته ای و کریستالوگرافی اشعه ایکس تشخیص دهند.

با این حال، در سال‌های اخیر، روش‌های محاسباتی – به‌ویژه آن‌هایی که از هوش مصنوعی استفاده می‌کنند – نشان داده‌اند که چنین تحلیلی امکان‌پذیر است. با این تکنیک ها، سیستم های هوش مصنوعی بر روی مجموعه داده های ساختارهای پروتئینی شناخته شده آموزش می بینند و از این اطلاعات برای ایجاد پیش بینی های خود استفاده می کنند.

بسیاری از گروه‌ها سال‌ها بر روی این موضوع دشوار کار می‌کنند، اما هوش مصنوعی DeepMind با دسترسی به منابع محاسباتی توانست به طور چشمیگیری پیشرفت کند. سال گذشته، این شرکت در یک مسابقه بین‌المللی پیچیدگی پروتئین موسوم به CASP شرکت کرد و رقابت را به بهترین شکل برنده شد. نتایج آن به قدری دقیق بود که جان مولت، زیست‌شناس محاسباتی، یکی از بنیان‌گذاران CASP، گفت که « تا حدودی مشکل پیچیدگی پروتئین حل شده است».

برنامه AlphaFold_ DeepMind از زمان مسابقه CASP سال گذشته ارتقا یافته و در حال حاضر 16 برابر سریعتر شده است.

دیپ مایند یک شرکت تازه تاسیس به نام آزمایشگاه‌های ایزومورفیک تاسیس کرده است که از آن برای ساخت ابزارهایی استفاده می‌کند که توانایی شناسایی داروهای جدید را دارد. دمیس حسابیس، مدیرعامل DeepMind نیز به‌عنوان مدیرعامل ایزومورفیک فعالیت خواهد کرد، اما به گفته یکی از سخنگویان، این دو شرکت از هم جدا خواهند ماند و گهگاه با هم همکاری خواهند کرد.

برای سال‌ها، کارشناسان ازهوش مصنوعی برای  یافتن راهی سریع‌تر و ارزان‌تر به منظور کشف داروهای جدید  و درمان بیماری‌های مختلف استفاده کرده‌اند.هوش مصنوعی پایگاه‌های داده مولکول‌های بالقوه را اسکن می‌کند تا آن‌هایی را که بهترین تناسب با یک هدف بیولوژیکی خاص را دارند ، پیدا کند یا ترکیبات پیشنهادی را به طور دقیق  تنظیم کند. طی دو سال گذشته صدها میلیون دلار در شرکت‌هایی که ابزارهای هوش مصنوعی می‌سازند سرمایه‌گذاری شده است.

حسابیس به Stat News گفت که ایزومورفیک در تلاش است مدل هایی بسازد که بتوانند نحوه تعامل داروها با بدن را پیش بینی کنند. این مدل می تواند از کار DeepMind بر روی ساختار پروتئین استفاده کند تا بفهمد چگونه چندین پروتئین ممکن است با یکدیگر تعامل داشته باشند. این شرکت ممکن است به خودی خود دارویی تولید نکند اما مدل های خود را می‌فروشد. این پروژه بر توسعه مشارکت با شرکت های داروسازی تمرکز خواهد کرد.

با این حال، کشف دارو با هوش مصنوعی گوگل و توسعه و آزمایش داروها می تواند چالشی سخت تر از کشف ساختار پروتئین باشد. به عنوان مثال، حتی اگر دو پروتئین دارای ساختارهایی باشند که از نظر فیزیکی با هم تطابق داشته باشند، تشخیص اینکه واقعا چقدر خوب می‌چسبند دشوار است. یک کاندید دارویی که بر اساس نحوه عملکرد آن در سطح شیمیایی امیدوارکننده به نظر می‌رسد، ممکن است زمانی که به حیوان یا انسان داده می‌شود، همیشه مؤثر نباشد. بیش از 90 درصد از داروهایی که به کارآزمایی بالینی راه می یابند در نهایت بی ثمر هستند. موضوع قابل توجه این است که بیشتر مشکلات به این دلیل نیست که مشکلی در سطح مولکولی وجود دارد بلکه اشکال ممکن است در چسبندگی آنها باشد.

کار انجام شده در DeepMind و کار پیشنهادی در ایزومورفیک می‌تواند به رفع برخی تنگناهای تحقیقاتی کمک کند، اما راه حلی سریع برای چالش‌های بی‌شمار توسعه دارو نیست.

حسابیس پیش‌بینی می‌کند که AlphaFold نشانه ایست که آینده خوبی در راه است .پروژه‌ای که توانایی عظیم هوش مصنوعی را برای رسیدگی به مشکلات آشفته دنیا مانند زیست‌شناسی  نشان می‌دهد.او می‌گوید: «فکر می‌کنم ما در یک لحظه واقعاً هیجان‌انگیز هستیم. در دهه آینده، ما و سایرین در زمینه هوش مصنوعی امیدواریم پیشرفت‌های شگفت‌انگیزی ایجاد کنیم که واقعاً راه‌حل‌هایی را برای مشکلات واقعاً بزرگی که ما در  زمین داریم حل می کند.»