एआई मॉडल और प्लेटफ़ॉर्म
शोधकर्ता प्रोटीन परिवर्तन को समझने के लिए प्राकृतिक भाषा प्रसंस्करण एल्गोरिदम का उपयोग करते हैं
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मैरीलैंड विश्वविद्यालय के शोधकर्ताओं ने हाल ही में प्रोटीन अणुओं के एक आकार से दूसरे आकार में परिवर्तन को समझने के लिए प्राकृतिक भाषा प्रसंस्करण तकनीकों और मशीन लर्निंग एल्गोरिदम का उपयोग किया है। प्राकृतिक भाषा प्रसंस्करण और प्रोटीन अणु के बारे में जानकारी प्राप्त करने के लिए यह पहला मौका है जब किसी एआई एल्गोरिदम का उपयोग जैविक अणुओं के परिवर्तन के गतिविधियों का अध्ययन करने के लिए किया गया है।
प्रोटीन अणु विभिन्न आकारों में हो सकते हैं, लेकिन एक प्रोटीन को एक आकार से दूसरे आकार में परिवर्तित करने वाले तंत्र अभी भी कुछ हद तक रहस्यमय हैं। प्रोटीन अणु का कार्य इसके आकार द्वारा परिभाषित किया जाता है, और इसके आकार/संरचना को प्रभावित करने वाले तंत्रों को बेहतर ढंग से समझने से वैज्ञानिकों को लक्षित दवा चिकित्सा का डिज़ाइन करने और बीमारियों के कारणों का पता लगाने में मदद मिल सकती है।
जैविक अणु स्थिर नहीं होते हैं, वे अपने पर्यावरण में होने वाली घटनाओं के प्रति लगातार गति में रहते हैं। पर्यावरणीय दबाव अणुओं को अलग-अलग आकारों में परिवर्तित कर सकते हैं, अक्सर बहुत तेजी से। एक अणु एक पूरी तरह से अलग संरचना में अचानक से मोड़ सकता है, जो एक स्प्रिंग के अनकोइलिंग के समान है। अणु के विभिन्न हिस्से मोड़ते हैं और फिर से मोड़ते हैं, और शोधकर्ताओं ने विभिन्न अणु रूपों के बीच मध्यवर्ती चरणों का अध्ययन किया।
फिज़.ओर्ग के अनुसार, प्रात्युष तिवारी इस पत्र के वरिष्ठ लेखक हैं और मैरीलैंड के रसायन विज्ञान और जैव रसायन विभाग और भौतिक विज्ञान और प्रौद्योगिकी संस्थान में सहायक प्रोफेसर हैं। तिवारी के अनुसार, प्राकृतिक भाषा प्रसंस्करण का उपयोग अणुओं के परिवर्तन और अनुकूलन को मॉडल करने के लिए किया जा सकता है। तिवारी नोट करते हैं कि अणुओं में एक निश्चित “भाषा” होती है जो वे बोलते हैं, और अणुओं द्वारा की जाने वाली गतियों को एक अमूर्त भाषा में अनुवादित किया जा सकता है। जब इस प्रक्रिया को अणु गति को भाषा पैटर्न में मैप करने के लिए किया जाता है, तो प्राकृतिक भाषा प्रसंस्करण तकनीकों और एआई एल्गोरिदम का उपयोग “जैविक रूप से सच्ची कहानियों” को परिणामी अमूर्त शब्दों से उत्पन्न करने के लिए किया जा सकता है।
जब एक अणु एक रूप से दूसरे रूप में परिवर्तित होता है, तो परिवर्तन बहुत तेजी से होता है। परिवर्तन केवल एक ट्रिलियनवें हिस्से में हो सकता है। परिवर्तन की गति इतनी तेज होती है कि वैज्ञानिकों को यह निर्धारित करना मुश्किल हो जाता है कि कौन से पैरामीटर अन्य विधियों जैसे स्पेक्ट्रोस्कोपी या यहां तक कि उच्च-शक्ति वाले माइक्रोस्कोप का उपयोग करके अनफोल्डिंग प्रक्रिया को प्रभावित करते हैं। प्रोटीन के अनफोल्डिंग को प्रभावित करने वाले पैरामीटर का पता लगाने के लिए, तिवारी और शोध टीम ने भौतिक मॉडल बनाए जो प्रोटीन का अनुकरण करते थे। जटिल सांख्यिकीय मॉडल का उपयोग प्रोटीन सिमुलेशन बनाने के लिए किया गया था जो अणुओं के आकार, ट्रेजेक्टरी और गति का अनुकरण करते थे। मॉडल को फिर एक मशीन लर्निंग एल्गोरिदम को दिया गया जो प्राकृतिक भाषा प्रसंस्करण विधियों पर आधारित था।
प्राकृतिक भाषा प्रसंस्करण मॉडल जो मशीन लर्निंग सिस्टम को प्रशिक्षित करने के लिए उपयोग किए गए थे, वे जीमेल द्वारा उपयोग किए जाने वाले पूर्वानुमानिक पाठ प्रणालियों में उपयोग किए जाने वाले एल्गोरिदम के समान थे। सिम्युलेटेड प्रोटीन को एक भाषा के रूप में माना जाता था जहां अणुओं की गतियों को “अक्षरों” में अनुवादित किया जाता था। अक्षरों को फिर शब्दों और वाक्यों में जोड़ा जाता था। मशीन लर्निंग एल्गोरिदम प्रोटीन संरचनाओं के पीछे व्याकरण और वाक्य रचना के नियमों को सीखने में सक्षम थे, जो यह निर्धारित करते थे कि कौन से आकार/गतियां अन्य आकार/गतियों का अनुसरण करती हैं। एल्गोरिदम का उपयोग यह भविष्यवाणी करने के लिए किया जा सकता था कि कertain प्रोटीन कैसे अनफोल्ड होंगे और वे कौन से आकार लेंगे।
शोधकर्ताओं ने प्रोटीन-आधारित वाक्यों का विश्लेषण करने के लिए एक लंबी अवधि की स्मृति (एलएसटीएम) नेटवर्क का उपयोग किया। शोध टीम ने नेटवर्क पर आधारित गणित का भी ट्रैक रखा, जैसे ही नेटवर्क ने अणु परिवर्तन की गतिविधियों को सीखा। अध्ययन के परिणामों के अनुसार, नेटवर्क ने एक सांख्यिकीय भौतिकी अवधारणा के समान तर्क का उपयोग किया जिसे पथ एंट्रोपी के रूप में जाना जाता है। यदि यह खोज स्थिर रहती है, तो यह एलएसटीएम नेटवर्क में सुधार कर सकती है। तिवारी ने समझाया कि यह खोज एलएसटीएम के कुछ “ब्लैक-बॉक्स” प्रकृति को उजागर करती है, जिससे शोधकर्ताओं को यह बेहतर ढंग से समझने में मदद मिलती है कि कौन से पैरामीटर को ऑप्टिमल प्रदर्शन के लिए समायोजित किया जा सकता है।
एक परीक्षण मामले के रूप में, शोधकर्ताओं ने एक जैविक अणु का विश्लेषण किया जिसे रिबोस्विच कहा जाता है। रिबोस्विच का पहले से ही स्पेक्ट्रोस्कोपी का उपयोग करके विश्लेषण किया गया था, और जब रिबोस्विच को मशीन लर्निंग सिस्टम के साथ विश्लेषण किया गया, तो भविष्यवाणी की गई रिबोस्विच रूप स्पेक्ट्रोस्कोपी द्वारा खोजे गए लोगों से मेल खाते थे।
तिवारी उम्मीद करते हैं कि उनकी खोज शोधकर्ताओं को कम दुष्प्रभाव वाली लक्षित दवाएं विकसित करने में मदद करेगी। जैसा कि तिवारी ने फिज़.ओर्ग के माध्यम से समझाया:
“आपको ऐसी शक्तिशाली दवाएं चाहिए जो बहुत मजबूती से बंधें, लेकिन केवल उस चीज़ से जिससे आप चाहते हैं कि वे बंधें। हम यह हासिल कर सकते हैं यदि हम किसी दिए गए जैविक अणु के विभिन्न रूपों को समझ सकते हैं, क्योंकि हम केवल एक विशिष्ट रूप के लिए दवाएं बना सकते हैं जब हम चाहते हैं और जितनी देर चाहते हैं।”
