AlphaFold

წარმოთქმა: „ალფაფოლდი"

„AlphaFold" ჩაწერილი დნმ-ის ოთხი ასოთი: ტექსტის ყოველი ორი ბიტი ერთი ნუკლეოტიდია.

AlphaFold Google DeepMind-ის მიერ შექმნილი ხელოვნური ინტელექტის სისტემაა, რომელიც ცილის ამინომჟავური მიმდევრობიდან მის სამგანზომილებიან სტრუქტურას წინასწარმეტყველებს — ხშირად ექსპერიმენტული მეთოდების მსგავსი სიზუსტით.

ამ გვერდზე
  1. რა არის AlphaFold?
  2. როგორ მუშაობს (მარტივად)
  3. ვერსიები და ეტაპები
  4. სად გამოიყენება
  5. შეზღუდვები
  6. ხშირი კითხვები

რა არის AlphaFold?

ნახევარი საუკუნის განმავლობაში ბიოლოგიის ერთ-ერთი დიდი გამოწვევა იყო: შეიძლება თუ არა, მხოლოდ ამინომჟავების თანმიმდევრობიდან ვიწინასწარმეტყველოთ, რა ფორმას მიიღებს ცილა? (ცილის დაკეცვის პრობლემა). ექსპერიმენტულად ერთი სტრუქტურის დადგენას თვეები და წლები სჭირდებოდა.

AlphaFold-მა ეს წამებსა და წუთებში შეასრულა. სისტემა Google DeepMind-მა შექმნა, ხოლო მისი მეორე ვერსია 2020 წელს სტრუქტურის პროგნოზირების საერთაშორისო შეჯიბრ CASP14-ზე ბევრად აჯობა ყველა სხვა მეთოდს.

როგორ მუშაობს (მარტივად)

  1. ევოლუციური ინფორმაცია. სისტემა ეძებს მსგავს ცილებს სხვა ორგანიზმებში. თუ ორი ამინომჟავა ევოლუციის მანძილზე ერთად იცვლება, სავარაუდოდ ისინი სივრცეში ერთმანეთთან ახლოს არიან.
  2. ნეირონული ქსელი. ღრმა სწავლების მოდელი, რომელიც ასობით ათას ცნობილ სტრუქტურაზე გაიწვრთნა, ამ სიგნალებს ერთმანეთთან აკავშირებს და ამინომჟავებს შორის მანძილებსა და კუთხეებს აფასებს.
  3. 3D მოდელი. შედეგი არის ატომური კოორდინატები — ცილის სამგანზომილებიანი მოდელი.
  4. სანდოობის შეფასება. ყოველი ამინომჟავისთვის მოდელი აძლევს ქულას (pLDDT), რომელიც აჩვენებს, რამდენად სანდოა პროგნოზის ეს ნაწილი.

ვერსიები და ეტაპები

  • 2018 — პირველი AlphaFold, CASP13-ის გამარჯვებული.
  • 2020 — AlphaFold 2, CASP14-ზე ექსპერიმენტთან შედარებადი სიზუსტე.
  • 2021 — კოდი და სამეცნიერო სტატია გამოქვეყნდა.
  • 2022 — AlphaFold DB, EMBL-EBI-სთან ერთად: 200 მილიონზე მეტი ცილის პროგნოზირებული სტრუქტურა, პრაქტიკულად ყველა ცნობილი ცილა, უფასოდ.
  • 2024 — AlphaFold 3: პროგნოზირებს არა მხოლოდ ცალკეულ ცილებს, არამედ მათ კომპლექსებს დნმ-თან, რნმ-თან და წამლის მსგავს მოლეკულებთან.
  • 2024 — დემის ჰასაბისმა და ჯონ ჯამპერმა ქიმიის ნობელის პრემია მიიღეს (დევიდ ბეიკერთან ერთად, რომელიც ცილების კომპიუტერული დიზაინისთვის დაჯილდოვდა).

სად გამოიყენება

  • ფუნდამენტური ბიოლოგია — უცნობი ცილების ფუნქციის გაგება მათი ფორმით.
  • წამლის აღმოჩენა — სამიზნე ცილის სტრუქტურა აჩვენებს, სად შეიძლება წამალი „ჩაჯდეს".
  • ექსპერიმენტული მუშაობის დაჩქარება — AlphaFold-ის მოდელები ეხმარება კრიო-EM და რენტგენოსტრუქტურული მონაცემების ინტერპრეტაციას.
  • ფერმენტების ინჟინერია — მაგ. პლასტიკის დამშლელი ფერმენტების ძიება და გაუმჯობესება.
  • ვაქცინების დიზაინი — პათოგენის ცილების სტრუქტურის სწრაფი შეფასება.

შეზღუდვები

  • AlphaFold ძირითადად ერთ, „საშუალო" სტრუქტურას აჩვენებს — ცილის მოძრაობასა და ფორმის ცვლილებებს ის სრულად ვერ ასახავს.
  • ცუდად აღწერს ბუნებრივად „მოუწესრიგებელ" უბნებს (თუმცა დაბალი სანდოობის ქულა ხშირად სწორედ ამაზე მიუთითებს).
  • ერთეული მუტაციის გავლენის პროგნოზირება საიმედო არ არის.
  • პროგნოზი ექსპერიმენტული დადასტურების შემცვლელი არ არის, განსაკუთრებით წამლის დიზაინისას.

ხშირი კითხვები

შემიძლია AlphaFold-ის გამოყენება?

დიახ. AlphaFold DB-ში ასობით მილიონი მზა სტრუქტურა უფასოდ არის ხელმისაწვდომი. AlphaFold 2-ის კოდი ღიაა, ხოლო AlphaFold 3-ის გამოყენება შესაძლებელია ონლაინ სერვერით და აკადემიური მიზნებისთვის განსაზღვრული პირობებით.

AlphaFold ერთადერთი ასეთი სისტემაა?

არა. არსებობს სხვა მოდელებიც, მათ შორის ღია კოდის მქონე, ასევე ცილის ენობრივ მოდელებზე დაფუძნებული მიდგომები. AlphaFold-ის წარმატებამ მთელი დარგის სწრაფი განვითარება გამოიწვია.

დაკავშირებული ტერმინები

წყაროები

  1. Jumper J. et al. Highly accurate protein structure prediction with AlphaFold. Nature, 2021
  2. Abramson J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature, 2024
  3. The Nobel Prize in Chemistry 2024 — nobelprize.org
  4. AlphaFold Protein Structure Database — alphafold.ebi.ac.uk

განახლდა

გააგრძელე შესწავლა

დაკავშირებული თემები და პრაქტიკული რესურსები biotech.ge-ზე.

AI და ბიოინფორმატიკა ↗AlphaFold vs AI წამლის აღმოჩენაში ↗