خبر

هن سال جو لاسڪر بيسڪ ميڊيڪل ريسرچ ايوارڊ ڊيمس هاسبيس ۽ جان جمپر کي الفا فولڊ مصنوعي ذهانت واري نظام جي تخليق ۾ انهن جي تعاون لاءِ ڏنو ويو جيڪو امينو ايسڊ جي پهرين ترتيب جي ترتيب جي بنياد تي پروٽين جي ٽن طرفي جوڙجڪ جي اڳڪٿي ڪري ٿو.

انهن جا نتيجا هڪ مسئلي کي حل ڪن ٿا جيڪو ڊگهي عرصي کان سائنسي برادري کي پريشان ڪري رهيو آهي ۽ بايوميڊيڪل فيلڊ ۾ تحقيق کي تيز ڪرڻ جو دروازو کولي ٿو. پروٽين بيماري جي ترقي ۾ اهم ڪردار ادا ڪن ٿا: الزائمر جي بيماري ۾، اهي گڏ ٿين ٿا ۽ گڏ ٿين ٿا؛ ڪينسر ۾، انهن جو ريگيوليٽري ڪم گم ٿي ويندو آهي؛ پيدائشي ميٽابولڪ خرابين ۾، اهي غير فعال هوندا آهن؛ سسٽڪ فائبروسس ۾، اهي سيل ۾ غلط جاءِ تي ويندا آهن. اهي صرف ڪجهه ڪيترن ئي ميڪانيزم مان آهن جيڪي بيماري جو سبب بڻجن ٿا. تفصيلي پروٽين جي جوڙجڪ جا ماڊل ايٽمي ترتيبون مهيا ڪري سگهن ٿا، اعلي-افنٽي ماليڪيولز جي ڊيزائن يا چونڊ کي هلائي سگهن ٿا، ۽ دوا جي دريافت کي تيز ڪري سگهن ٿا.

پروٽين جي بناوتن کي عام طور تي ايڪس ري ڪرسٽلوگرافي، نيوڪليئر ميگنيٽڪ ريزوننس ۽ ڪرائو-اليڪٽران مائڪروسڪوپي ذريعي طئي ڪيو ويندو آهي. اهي طريقا مهانگا ۽ وقت وٺندڙ آهن. ان جي نتيجي ۾ موجوده 3D پروٽين جي بناوت جي ڊيٽابيس ۾ صرف 200,000 بناوتن واري ڊيٽا موجود آهي، جڏهن ته ڊي اين اي سيڪوئنسنگ ٽيڪنالاجي 8 ملين کان وڌيڪ پروٽين جي ترتيب پيدا ڪئي آهي. 1960 جي ڏهاڪي ۾، اينفنسن ۽ ٻين دريافت ڪيو ته امينو ايسڊ جو 1D تسلسل خود بخود ۽ بار بار هڪ فنڪشنل ٽي-dimensional conformation (شڪل 1A) ۾ فولڊ ٿي سگهي ٿو، ۽ اهو ماليڪيولر "چيپرون" هن عمل کي تيز ۽ آسان بڻائي سگهن ٿا. اهي مشاهدا ماليڪيولر حياتيات ۾ 60 سالن جي چئلينج ڏانهن وٺي وڃن ٿا: امينو ايسڊ جي 1D تسلسل مان پروٽين جي 3D جوڙجڪ جي اڳڪٿي ڪرڻ. انساني جينوم پروجيڪٽ جي ڪاميابي سان، 1D امينو ايسڊ جي ترتيب حاصل ڪرڻ جي اسان جي صلاحيت تمام گهڻي بهتر ٿي وئي آهي، ۽ هي چئلينج اڃا به وڌيڪ ضروري ٿي ويو آهي.

پروٽين جي بناوتن جي اڳڪٿي ڪرڻ ڪيترن ئي سببن جي ڪري ڏکيو آهي. پهريون، هر امينو ايسڊ ۾ هر ايٽم جي سڀني ممڪن ٽن طرفي پوزيشنن کي تمام گهڻي ڳولا جي ضرورت آهي. ٻيو، پروٽين پنهنجي ڪيميائي بناوت ۾ مڪمل ڪرڻ جو وڌ کان وڌ استعمال ڪن ٿا ته جيئن ايٽم کي موثر طريقي سان ترتيب ڏئي سگهجي. جيئن ته پروٽين ۾ عام طور تي سوين هائيڊروجن بانڊ "ڊونرز" (عام طور تي آڪسيجن) هوندا آهن جيڪي هائيڊروجن بانڊ "قبول ڪندڙ" (عام طور تي نائٽروجن هائيڊروجن سان ڳنڍيل) جي ويجهو هجڻ گهرجن، اهو تمام ڏکيو ٿي سگهي ٿو جتي تقريبن هر عطيو ڪندڙ قبول ڪندڙ جي ويجهو هجي. ٽيون، تجرباتي طريقن جي تربيت لاءِ محدود مثال آهن، تنهن ڪري لاڳاپيل پروٽين جي ارتقا تي معلومات استعمال ڪندي 1D تسلسل جي بنياد تي امينو ايسڊ جي وچ ۾ امڪاني ٽن طرفي رابطي کي سمجهڻ ضروري آهي.

بهترين شڪل جي ڳولا ۾ ايٽمن جي رابطي کي ماڊل ڪرڻ لاءِ فزڪس پهريون ڀيرو استعمال ڪيو ويو، ۽ پروٽين جي بناوت جي اڳڪٿي ڪرڻ لاءِ هڪ طريقو تيار ڪيو ويو. ڪارپلس، ليوٽ ۽ وارشيل کي پروٽين جي ڪمپيوٽيشنل سموليشن تي انهن جي ڪم لاءِ ڪيمسٽري ۾ 2013 جو نوبل انعام ڏنو ويو. بهرحال، فزڪس تي ٻڌل طريقا ڪمپيوٽيشنل طور تي مهانگا آهن ۽ انهن کي تقريبن پروسيسنگ جي ضرورت آهي، تنهن ڪري صحيح ٽي-dimensional بناوتن جي اڳڪٿي نه ٿي ڪري سگهجي. هڪ ٻيو "علم تي ٻڌل" طريقو مصنوعي ذهانت ۽ مشين لرننگ (AI-ML) ذريعي ماڊلز کي تربيت ڏيڻ لاءِ سڃاتل بناوتن ۽ ترتيبن جي ڊيٽابيس کي استعمال ڪرڻ آهي. حسابس ۽ جمپر فزڪس ۽ AI-ML ٻنهي جي عنصرن کي لاڳو ڪن ٿا، پر طريقيڪار جي جدت ۽ ڪارڪردگي ۾ ٽپو بنيادي طور تي AI-ML مان پيدا ٿئي ٿو. ٻنهي محققن تخليقي طور تي صنعتي گريڊ ڪمپيوٽنگ وسيلن سان وڏي عوامي ڊيٽابيس کي گڏ ڪيو ته جيئن الفا فولڊ ٺاهيو وڃي.

اسان کي ڪيئن خبر پوي ته انهن structural prediction جي معما کي "حل" ڪيو آهي؟ 1994 ۾، Critical Assessment of Structure Prediction (CASP) مقابلو قائم ڪيو ويو، جيڪو structural prediction جي ترقي کي ٽريڪ ڪرڻ لاءِ هر ٻن سالن ۾ ملندو آهي. محقق پروٽين جي 1D ترتيب کي شيئر ڪندا جنهن جي جوڙجڪ انهن تازو حل ڪئي آهي، پر جن جا نتيجا اڃا تائين شايع نه ٿيا آهن. اڳڪٿي ڪندڙ هن 1D ترتيب کي استعمال ڪندي ٽي-dimensional structure جي اڳڪٿي ڪري ٿو، ۽ جائزو وٺندڙ آزاديءَ سان پيش ڪيل نتيجن جي معيار جو جائزو وٺندو آهي انهن جو مقابلو تجرباتي ماهر پاران مهيا ڪيل ٽي-dimensional structure سان ڪندي (صرف جائزو وٺندڙ کي مهيا ڪيل). CASP سچا انڌا جائزو وٺندو آهي ۽ طريقيڪار جي جدت سان لاڳاپيل وقتي ڪارڪردگي جمپ کي رڪارڊ ڪندو آهي. 2020 ۾ 14 هين CASP ڪانفرنس ۾، الفا فولڊ جي اڳڪٿي جي نتيجن ڪارڪردگي ۾ اهڙي ٽپو ڏيکاري جو منتظمين اعلان ڪيو ته 3D structure جي اڳڪٿي جو مسئلو حل ٿي چڪو آهي: اڪثر اڳڪٿين جي درستگي تجرباتي ماپن جي ويجهو هئي.

وسيع اهميت اها آهي ته حسابيس ۽ جمپر جو ڪم يقين سان ڏيکاري ٿو ته ڪيئن AI-ML سائنس کي تبديل ڪري سگهي ٿو. ان جي تحقيق ڏيکاري ٿي ته AI-ML ڪيترن ئي ڊيٽا ذريعن مان پيچيده سائنسي مفروضا ٺاهي سگهي ٿو، ته ڌيان ڏيڻ وارا طريقا (چيٽ جي پي ٽي ۾ ملندڙ جلندڙ) ڊيٽا ذريعن ۾ اهم انحصار ۽ لاڳاپا ڳولي سگهن ٿا، ۽ اهو ته AI-ML پنهنجي آئوٽ پُٽ نتيجن جي معيار جو پاڻ فيصلو ڪري سگهي ٿو. AI-ML بنيادي طور تي سائنس ڪري رهيو آهي.