വാർത്തകൾ

അമിനോ ആസിഡുകളുടെ ആദ്യ ക്രമ ശ്രേണിയെ അടിസ്ഥാനമാക്കി പ്രോട്ടീനുകളുടെ ത്രിമാന ഘടന പ്രവചിക്കുന്ന ആൽഫഫോൾഡ് കൃത്രിമ ബുദ്ധി സംവിധാനത്തിന്റെ സൃഷ്ടിയിലെ സംഭാവനകൾക്ക് ഡെമിസ് ഹസാബിസിനും ജോൺ ജമ്പറിനും ഈ വർഷത്തെ ലാസ്കർ ബേസിക് മെഡിക്കൽ റിസർച്ച് അവാർഡ് ലഭിച്ചു.

അവരുടെ ഫലങ്ങൾ ശാസ്ത്ര സമൂഹത്തെ വളരെക്കാലമായി അലട്ടിയിരുന്ന ഒരു പ്രശ്നം പരിഹരിക്കുകയും ബയോമെഡിക്കൽ മേഖലയിലുടനീളം ഗവേഷണം ത്വരിതപ്പെടുത്തുന്നതിന് വാതിൽ തുറക്കുകയും ചെയ്യുന്നു. രോഗ വികസനത്തിൽ പ്രോട്ടീനുകൾ ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നു: അൽഷിമേഴ്‌സ് രോഗത്തിൽ, അവ ചുരുങ്ങുകയും ഒന്നിച്ചുകൂടുകയും ചെയ്യുന്നു; കാൻസറിൽ, അവയുടെ നിയന്ത്രണ പ്രവർത്തനം നഷ്ടപ്പെടുന്നു; ജന്മനായുള്ള ഉപാപചയ വൈകല്യങ്ങളിൽ, അവ പ്രവർത്തനരഹിതമാണ്; സിസ്റ്റിക് ഫൈബ്രോസിസിൽ, അവ കോശത്തിലെ തെറ്റായ സ്ഥലത്തേക്ക് പോകുന്നു. രോഗത്തിന് കാരണമാകുന്ന നിരവധി സംവിധാനങ്ങളിൽ ചിലത് മാത്രമാണിത്. വിശദമായ പ്രോട്ടീൻ ഘടന മോഡലുകൾക്ക് ആറ്റോമിക് കോൺഫിഗറേഷനുകൾ നൽകാനും, ഉയർന്ന അഫിനിറ്റി തന്മാത്രകളുടെ രൂപകൽപ്പനയോ തിരഞ്ഞെടുപ്പോ നയിക്കാനും, മയക്കുമരുന്ന് കണ്ടെത്തൽ ത്വരിതപ്പെടുത്താനും കഴിയും.

എക്സ്-റേ ക്രിസ്റ്റലോഗ്രഫി, ന്യൂക്ലിയർ മാഗ്നറ്റിക് റെസൊണൻസ്, ക്രയോ-ഇലക്ട്രോൺ മൈക്രോസ്കോപ്പി എന്നിവയാണ് പ്രോട്ടീൻ ഘടനകളെ സാധാരണയായി നിർണ്ണയിക്കുന്നത്. ഈ രീതികൾ ചെലവേറിയതും സമയമെടുക്കുന്നതുമാണ്. ഇത് ഏകദേശം 200,000 ഘടനാപരമായ ഡാറ്റ മാത്രമുള്ള നിലവിലുള്ള 3D പ്രോട്ടീൻ ഘടന ഡാറ്റാബേസുകൾക്ക് കാരണമാകുന്നു, അതേസമയം ഡിഎൻഎ സീക്വൻസിംഗ് സാങ്കേതികവിദ്യ 8 ദശലക്ഷത്തിലധികം പ്രോട്ടീൻ സീക്വൻസുകൾ നിർമ്മിച്ചിട്ടുണ്ട്. 1960-കളിൽ, അമിനോ ആസിഡുകളുടെ 1D ശ്രേണി സ്വയമേവയും ആവർത്തിച്ചും ഒരു ഫങ്ഷണൽ ത്രിമാന രൂപീകരണത്തിലേക്ക് മടക്കാൻ കഴിയുമെന്ന് ആൻഫിൻസെൻ തുടങ്ങിയവർ കണ്ടെത്തി (ചിത്രം 1A), കൂടാതെ തന്മാത്രാ "ചാപെറോണുകൾക്ക്" ഈ പ്രക്രിയയെ ത്വരിതപ്പെടുത്താനും സുഗമമാക്കാനും കഴിയും. ഈ നിരീക്ഷണങ്ങൾ തന്മാത്രാ ജീവശാസ്ത്രത്തിൽ 60 വർഷത്തെ വെല്ലുവിളിയിലേക്ക് നയിക്കുന്നു: അമിനോ ആസിഡുകളുടെ 1D ശ്രേണിയിൽ നിന്ന് പ്രോട്ടീനുകളുടെ 3D ഘടന പ്രവചിക്കുക. ഹ്യൂമൻ ജീനോം പ്രോജക്റ്റിന്റെ വിജയത്തോടെ, 1D അമിനോ ആസിഡ് സീക്വൻസുകൾ നേടാനുള്ള നമ്മുടെ കഴിവ് വളരെയധികം മെച്ചപ്പെട്ടു, ഈ വെല്ലുവിളി കൂടുതൽ അടിയന്തിരമായി മാറിയിരിക്കുന്നു.

പ്രോട്ടീൻ ഘടനകൾ പ്രവചിക്കുന്നത് പല കാരണങ്ങളാൽ ബുദ്ധിമുട്ടാണ്. ഒന്നാമതായി, ഓരോ അമിനോ ആസിഡിലെയും ഓരോ ആറ്റത്തിന്റെയും സാധ്യമായ എല്ലാ ത്രിമാന സ്ഥാനങ്ങൾക്കും ധാരാളം പര്യവേക്ഷണം ആവശ്യമാണ്. രണ്ടാമതായി, ആറ്റങ്ങളെ കാര്യക്ഷമമായി കോൺഫിഗർ ചെയ്യുന്നതിന് പ്രോട്ടീനുകൾ അവയുടെ രാസഘടനയിൽ പൂരകത്വം പരമാവധി ഉപയോഗിക്കുന്നു. പ്രോട്ടീനുകൾക്ക് സാധാരണയായി നൂറുകണക്കിന് ഹൈഡ്രജൻ ബോണ്ട് "ദാതാക്കൾ" (സാധാരണയായി ഓക്സിജൻ) ഉള്ളതിനാൽ, അവ ഹൈഡ്രജൻ ബോണ്ട് "സ്വീകർത്താവിന്" (സാധാരണയായി നൈട്രജൻ ഹൈഡ്രജനുമായി ബന്ധിപ്പിച്ചിരിക്കുന്നു) അടുത്തായിരിക്കണം, അതിനാൽ മിക്കവാറും എല്ലാ ദാതാവും സ്വീകർത്താവിന് അടുത്തായിരിക്കുന്നിടത്ത് പൊരുത്തങ്ങൾ കണ്ടെത്തുന്നത് വളരെ ബുദ്ധിമുട്ടാണ്. മൂന്നാമതായി, പരീക്ഷണ രീതികളുടെ പരിശീലനത്തിന് പരിമിതമായ ഉദാഹരണങ്ങളുണ്ട്, അതിനാൽ പ്രസക്തമായ പ്രോട്ടീനുകളുടെ പരിണാമത്തെക്കുറിച്ചുള്ള വിവരങ്ങൾ ഉപയോഗിച്ച് 1D ശ്രേണികളുടെ അടിസ്ഥാനത്തിൽ അമിനോ ആസിഡുകൾ തമ്മിലുള്ള സാധ്യതയുള്ള ത്രിമാന ഇടപെടലുകൾ മനസ്സിലാക്കേണ്ടത് ആവശ്യമാണ്.

ഏറ്റവും മികച്ച രൂപാന്തരീകരണത്തിനായുള്ള തിരയലിൽ ആറ്റങ്ങളുടെ പ്രതിപ്രവർത്തനം മാതൃകയാക്കാൻ ആദ്യമായി ഭൗതികശാസ്ത്രം ഉപയോഗിച്ചു, പ്രോട്ടീനുകളുടെ ഘടന പ്രവചിക്കുന്നതിനുള്ള ഒരു രീതി വികസിപ്പിച്ചെടുത്തു. പ്രോട്ടീനുകളുടെ കമ്പ്യൂട്ടേഷണൽ സിമുലേഷനെക്കുറിച്ചുള്ള അവരുടെ പ്രവർത്തനത്തിന് കാർപ്ലസ്, ലെവിറ്റ്, വാർഷൽ എന്നിവർക്ക് 2013 ലെ രസതന്ത്രത്തിനുള്ള നോബൽ സമ്മാനം ലഭിച്ചു. എന്നിരുന്നാലും, ഭൗതികശാസ്ത്രത്തെ അടിസ്ഥാനമാക്കിയുള്ള രീതികൾ കമ്പ്യൂട്ടേഷണൽ ആയി ചെലവേറിയതും ഏകദേശ പ്രോസസ്സിംഗ് ആവശ്യമുള്ളതുമാണ്, അതിനാൽ കൃത്യമായ ത്രിമാന ഘടനകൾ പ്രവചിക്കാൻ കഴിയില്ല. കൃത്രിമ ബുദ്ധി, മെഷീൻ ലേണിംഗ് (AI-ML) എന്നിവയിലൂടെ മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിന് അറിയപ്പെടുന്ന ഘടനകളുടെയും ക്രമങ്ങളുടെയും ഡാറ്റാബേസുകൾ ഉപയോഗിക്കുക എന്നതാണ് മറ്റൊരു "വിജ്ഞാനാധിഷ്ഠിത" സമീപനം. ഹസാബിസും ജമ്പറും ഭൗതികശാസ്ത്രത്തിന്റെയും AI-ML-ന്റെയും ഘടകങ്ങൾ പ്രയോഗിക്കുന്നു, എന്നാൽ സമീപനത്തിന്റെ നവീകരണവും പ്രകടനത്തിലെ കുതിപ്പും പ്രധാനമായും AI-ML-ൽ നിന്നാണ്. ആൽഫഫോൾഡ് സൃഷ്ടിക്കുന്നതിന് രണ്ട് ഗവേഷകരും വ്യാവസായിക-ഗ്രേഡ് കമ്പ്യൂട്ടിംഗ് ഉറവിടങ്ങളുമായി വലിയ പൊതു ഡാറ്റാബേസുകളെ സൃഷ്ടിപരമായി സംയോജിപ്പിച്ചു.

ഘടനാപരമായ പ്രവചന പസിൽ അവർ "പരിഹരിച്ചു" എന്ന് നമുക്ക് എങ്ങനെ അറിയാം? 1994-ൽ, ക്രിട്ടിക്കൽ അസസ്മെന്റ് ഓഫ് സ്ട്രക്ചർ പ്രഡിക്ഷൻ (CASP) മത്സരം ആരംഭിച്ചു, ഇത് ഘടനാപരമായ പ്രവചനത്തിന്റെ പുരോഗതി ട്രാക്ക് ചെയ്യുന്നതിനായി ഓരോ രണ്ട് വർഷത്തിലും ഒത്തുകൂടുന്നു. ഗവേഷകർ അടുത്തിടെ പരിഹരിച്ചതും എന്നാൽ ഇതുവരെ ഫലങ്ങൾ പ്രസിദ്ധീകരിച്ചിട്ടില്ലാത്തതുമായ പ്രോട്ടീന്റെ 1D ശ്രേണി പങ്കിടും. ഈ 1D ശ്രേണി ഉപയോഗിച്ച് പ്രവചകൻ ത്രിമാന ഘടന പ്രവചിക്കുന്നു, കൂടാതെ പരീക്ഷണാത്മകൻ നൽകുന്ന ത്രിമാന ഘടനയുമായി താരതമ്യം ചെയ്തുകൊണ്ട് വിലയിരുത്തുന്നയാൾ പ്രവചിച്ച ഫലങ്ങളുടെ ഗുണനിലവാരം സ്വതന്ത്രമായി വിലയിരുത്തുന്നു (മൂല്യനിർണ്ണയകന് മാത്രം നൽകിയിരിക്കുന്നു). CASP യഥാർത്ഥ അന്ധമായ അവലോകനങ്ങൾ നടത്തുകയും രീതിശാസ്ത്രപരമായ നവീകരണവുമായി ബന്ധപ്പെട്ട ആനുകാലിക പ്രകടന ജമ്പുകൾ രേഖപ്പെടുത്തുകയും ചെയ്യുന്നു. 2020-ൽ നടന്ന 14-ാമത് CASP കോൺഫറൻസിൽ, ആൽഫഫോൾഡിന്റെ പ്രവചന ഫലങ്ങൾ പ്രകടനത്തിൽ വളരെയധികം കുതിച്ചുചാട്ടം കാണിക്കുന്നതിനാൽ 3D ഘടന പ്രവചന പ്രശ്നം പരിഹരിച്ചതായി സംഘാടകർ പ്രഖ്യാപിച്ചു: മിക്ക പ്രവചനങ്ങളുടെയും കൃത്യത പരീക്ഷണാത്മക അളവുകളുടെ കൃത്യതയ്ക്ക് അടുത്തായിരുന്നു.

വിശാലമായ പ്രാധാന്യം, ഹസാബിസിന്റെയും ജമ്പറിന്റെയും പ്രവർത്തനങ്ങൾ AI-ML ന് ശാസ്ത്രത്തെ എങ്ങനെ പരിവർത്തനം ചെയ്യാൻ കഴിയുമെന്ന് ബോധ്യപ്പെടുത്തുന്ന രീതിയിൽ തെളിയിക്കുന്നു എന്നതാണ്. ഒന്നിലധികം ഡാറ്റാ സ്രോതസ്സുകളിൽ നിന്ന് സങ്കീർണ്ണമായ ശാസ്ത്രീയ സിദ്ധാന്തങ്ങൾ നിർമ്മിക്കാൻ AI-ML ന് കഴിയുമെന്നും, ശ്രദ്ധാ സംവിധാനങ്ങൾക്ക് (ChatGPT-യിലേതിന് സമാനമായി) ഡാറ്റാ സ്രോതസ്സുകളിലെ പ്രധാന ആശ്രിതത്വങ്ങളും പരസ്പര ബന്ധങ്ങളും കണ്ടെത്താൻ കഴിയുമെന്നും, AI-ML-ന് അതിന്റെ ഔട്ട്‌പുട്ട് ഫലങ്ങളുടെ ഗുണനിലവാരം സ്വയം വിലയിരുത്താൻ കഴിയുമെന്നും അതിന്റെ ഗവേഷണം കാണിക്കുന്നു. AI-ML അടിസ്ഥാനപരമായി ശാസ്ത്രമാണ് ചെയ്യുന്നത്.