DeepMind พร้อมที่จะพลิกโฉมวิทยาศาสตร์ชีวภาพด้วยการแก้ปัญหาการพับตัวของโปรตีน

DeepMind แผนก AI ของ Google เมื่อไม่นานมานี้ มีความก้าวหน้าอย่างมาก เพื่อแก้ปัญหาความท้าทายที่เก่าแก่ที่สุดอย่างหนึ่งทางชีววิทยาการคำนวณรูปร่างของโปรตีนจากลำดับกรดอะมิโน ตามธรรมชาติแล้ว การค้นพบนี้มีศักยภาพในการเปลี่ยนแปลงสาขาชีววิทยาและเคมี ทำให้นักวิทยาศาสตร์สามารถระบุหน้าที่ของโปรตีนหลายชนิดที่ยังลึกลับอยู่ในปัจจุบันได้

รูปร่างของโปรตีนเป็นตัวกำหนดหน้าที่ของมัน และหน้าที่ทางชีวภาพส่วนใหญ่ขึ้นอยู่กับโปรตีน “พับโปรตีน” เป็นชื่อที่กำหนดให้กับกระบวนการที่แปลงสายโซ่ของกรดอะมิโนเป็นโครงสร้างสามมิติที่โปรตีโอนต้องการเพื่อทำหน้าที่ของมัน หากนักวิทยาศาสตร์สามารถระบุความสัมพันธ์ระหว่างลำดับกรดอะมิโนและรูปร่างของโปรตีนที่สร้างขึ้นได้ พวกเขาสามารถระบุได้ว่าโปรตีนชนิดใดส่งผลต่อกระบวนการทางชีววิทยาที่แตกต่างกัน

นักวิทยาศาสตร์ตั้งสมมติฐานว่ามีโปรตีนอย่างน้อย 80,000 ชนิดภายในโปรตีโอมของมนุษย์ แต่มีเพียงส่วนน้อยของโปรตีนเหล่านี้เท่านั้นที่ทราบโครงสร้าง วิธีดั้งเดิมในการระบุรูปร่างของโปรตีนอาจใช้เวลาหลายปีในการทดลองในห้องปฏิบัติการ แม้กระทั่งใช้ประโยชน์จากพลังของอัลกอริธึมและแบบจำลองวิทยาการคอมพิวเตอร์ งานที่ทำโดย DeepMind สามารถเร่งกระบวนการค้นพบโครงสร้างโปรตีนได้อย่างมาก โดยสามารถระบุโครงสร้างของโปรตีนได้อย่างน่าเชื่อถือในเวลาเพียงเศษเสี้ยวของเวลาปกติ

นักวิจัยที่ DeepMind ได้ฝึกฝนอัลกอริทึมของพวกเขาบนฐานข้อมูลที่ประกอบด้วยลำดับโปรตีนประมาณ 170,0000 ลำดับและรูปร่างที่สอดคล้องกับลำดับเหล่านั้น อัลกอริทึมที่พัฒนาโดยนักวิจัยได้รับการฝึกฝนบน GPU ระหว่าง 100 ถึง 200 ตัว และกระบวนการฝึกอบรมใช้เวลาไม่กี่สัปดาห์จึงจะเสร็จสมบูรณ์ โมเดลที่นักวิจัยพัฒนาขึ้นนี้มีชื่อว่า “AlphaFold”

AlphaFold ทำงานผ่าน “อัลกอริธึมความตึง” โดยเริ่มจากการเชื่อมต่อโปรตีนชิ้นเล็กๆ เข้าด้วยกัน จากนั้นขยายขนาดขึ้นเพื่อเชื่อมต่อส่วนที่ใหญ่ขึ้นและใหญ่ขึ้น กลุ่มกรดอะมิโนขนาดเล็กถูกเชื่อมโยงเข้าด้วยกันในตอนแรก จากนั้นอัลกอริทึมจึงพยายามค้นหาวิธีการเชื่อมโยงกลุ่มเหล่านี้

ในตอนแรก นักวิจัยของ AlphaFold ได้ลองใช้อัลกอริธึมการเรียนรู้เชิงลึกทั่วไปเกี่ยวกับข้อมูลทางพันธุกรรมและโครงสร้างเพื่อทำนายความสัมพันธ์ระหว่างกรดอะมิโนและโปรตีน จากนั้น AlphaFold ได้สร้างแบบจำลองที่สอดคล้องกันสำหรับรูปแบบของโปรตีน เมื่อเทคนิคนี้มีข้อจำกัดมากเกินไป นักวิจัยจึงลองใช้กลยุทธ์ใหม่ ทีมวิจัยของ AlphaFold ได้สร้างแบบจำลองที่ได้รับการฝึกอบรมเกี่ยวกับคุณลักษณะต่างๆ มากขึ้น และในครั้งนี้ พวกเขามีแบบจำลองที่ส่งคืนการคาดคะเนสำหรับโครงสร้างขั้นสุดท้ายของลำดับโปรตีน

ความเครียดของทีมวิศวกรทดสอบ AlphaFold โดยเข้าร่วมการแข่งขันที่อัลกอริธึมคอมพิวเตอร์แข่งขันกันเพื่อประเมินโครงสร้างของโปรตีนจากลำดับกรดอะมิโน การแข่งขันคือ "Critical Assessment of Protein Structure Prediction" หรือ CASP ผู้เข้าร่วมการแข่งขันจะได้รับลำดับกรดอะมิโน 100 ลำดับ และแบบจำลองของพวกเขาจะต้องคำนวณโครงสร้างของโปรตีน AlphaFold ไม่เพียงแต่เอาชนะคอมพิวเตอร์รุ่นอื่นๆ ในแง่ของความแม่นยำเท่านั้น แต่ยังมีประสิทธิภาพเทียบเท่ากับเทคนิคการสร้างแบบจำลองในห้องปฏิบัติการแบบดั้งเดิมอีกด้วย คะแนนมัธยฐานสุดท้ายของ AlphaFold อยู่ที่ประมาณ 92 จาก 100 ด้วยวิธีการทดลองในห้องปฏิบัติการได้รับคะแนน 90 คะแนน ค่ามัธยฐานของ AlphaFold ลดลงเหลือ 87 เปอร์เซ็นต์สำหรับโปรตีนที่ยากที่สุด

Demis Hassabis ประธานเจ้าหน้าที่บริหารและผู้ร่วมก่อตั้ง DeepMind กล่าวบริษัทกำลังวางแผนที่จะให้นักวิจัยเข้าถึง AlphaFold ได้แล้ว โดยนักวิทยาศาสตร์จากสถาบันมักซ์พลังค์เพื่อการพัฒนาชีววิทยาได้ใช้แบบจำลองเพื่อค้นหาโครงสร้างโปรตีนที่พวกเขาทำงานมานานกว่าทศวรรษแล้ว

Janet Thornton ผู้อำนวยการสถาบันชีวสารสนเทศแห่งยุโรป อ้างผ่าน ScienceMag โดยกล่าวว่าความสำเร็จของ DeepMind “จะเปลี่ยนอนาคตของชีววิทยาเชิงโครงสร้างและการวิจัยโปรตีน” ในขณะเดียวกัน นักชีววิทยาแห่งมหาวิทยาลัยแมรี่แลนด์ เชดดี้ โกรฟ จอห์น มอลต์ กล่าว ว่าเขาไม่เคยคิดว่าปัญหาการพับของโปรตีนจะไม่มีทางแก้ไขได้ในชั่วชีวิตนี้

แม้ว่า AlphaFold ไม่น่าจะมาแทนที่วิธีการค้นพบโครงสร้างโปรตีนแบบดั้งเดิมได้อย่างสมบูรณ์ แต่ก็สามารถเพิ่มความเร็วในการค้นพบโครงสร้างโปรตีนได้อย่างมาก นักวิจัยอาจต้องการข้อมูลการทดลองที่มีคุณภาพน้อยกว่าในการระบุโครงสร้างโปรตีน และนักวิจัยสามารถเข้าถึงข้อมูลจีโนมจำนวนมากที่สามารถแปลงเป็นโครงสร้างโดยใช้โซลูชันของ AlphaFold