นักวิจัยใช้ขั้นตอนการประมวลผลภาษาธรรมชาติเพื่อทำความเข้าใจการเปลี่ยนแปลงโปรตีน

นักวิจัยจากมหาวิทยาลัยแมริแลนด์ใช้เทคนิค การประมวลผลภาษาธรรมชาติ และอัลกอริทึมการเรียนรู้ของเครื่องจักรเพื่อให้ได้ข้อมูลเชิงลึกเกี่ยวกับวิธีการที่ โมเลกุลโปรตีน เปลี่ยนแปลงจากหนึ่งรูปเป็นอีกรูปหนึ่ง งานวิจัยล่าสุด ที่ตีพิมพ์ในวารสาร Nature Communications เป็นครั้งแรกที่ใช้อัลกอริทึม AI เพื่อศึกษาการเปลี่ยนแปลงของระบบชีวโมเลกุลเกี่ยวกับการเปลี่ยนแปลงโปรตีน

โมเลกุลโปรตีนสามารถมีรูปร่างต่างๆ แต่กลไกที่ทำให้โปรตีนเปลี่ยนแปลงจากรูปหนึ่งไปเป็นอีกรูปหนึ่งยังคงเป็นเรื่องที่ยังไม่เข้าใจอย่างสมบูรณ์ ฟังก์ชันของโมเลกุลโปรตีนถูกกำหนดโดยรูปร่างของมัน และการทำความเข้าใจกลไกที่มีอิทธิพลต่อโครงสร้าง/รูปร่างของโปรตีนจะช่วยให้นักวิทยาศาสตร์สามารถออกแบบยาที่มีเป้าหมายและกำหนดสาเหตุของโรคได้

โมเลกุลชีวภาพไม่หยุดนิ่ง แต่เคลื่อนไหวอยู่เสมอตามเหตุการณ์ในสิ่งแวดล้อม สิ่งแวดล้อมสามารถทำให้โมเลกุลเปลี่ยนแปลงรูปได้บ่อยครั้ง โมเลกุลหนึ่งสามารถเปลี่ยนแปลงรูปเป็นโครงสร้างที่แตกต่างอย่างสิ้นเชิงในกระบวนการที่คล้ายกับการคลายของสปริง ส่วนต่างๆ ของโมเลกุลจะคลายและพับ และนักวิจัยศึกษาขั้นตอนกลางระหว่างรูปโมเลกุลต่างๆ

ตาม Phys.org Pratyush Tiwary เป็นผู้เขียนอาวุโสของงานวิจัยและเป็นรองศาสตราจารย์ที่ภาควิชาเคมีและชีวเคมีและสถาบันวิทยาศาสตร์กายภาพและเทคโนโลยีของมหาวิทยาลัยแมริแลนด์ ตามที่ Tiwary ระบุ การประมวลผลภาษาธรรมชาติสามารถใช้เพื่อสร้างแบบจำลองการเปลี่ยนแปลงและการปรับตัวของโมเลกุล Tiwary ระบุว่าโมเลกุลมี “ภาษา” ที่พวกมันสื่อสาร โดยการเคลื่อนไหวของโมเลกุลสามารถแปลเป็นภาษาสมมุติได้ เมื่อกระบวนการนี้เสร็จสิ้น เทคนิคการประมวลผลภาษาธรรมชาติและอัลกอริทึม AI สามารถใช้เพื่อ “สร้างเรื่องราวที่เป็นจริงทางชีววิทยาจากคำสมมุติที่ได้”

เมื่อโมเลกุลเปลี่ยนแปลงจากรูปหนึ่งไปเป็นอีกรูปหนึ่ง การเปลี่ยนแปลงเกิดขึ้นอย่างรวดเร็ว การเปลี่ยนแปลงอาจใช้เวลาเพียงหนึ่งในล้านล้านวินาที ความเร็วของการเปลี่ยนแปลงทำให้นักวิทยาศาสตร์ยากที่จะกำหนดพารามิเตอร์ที่มีอิทธิพลต่อกระบวนการคลายโดยใช้วิธีการเช่นสเปกโทรสโกปีหรือแม้แต่กล้องจุลทรรศน์ที่มีพลังมาก ในการกำหนดพารามิเตอร์ที่มีอิทธิพลต่อการคลายของโปรตีน Tiwary และทีมวิจัยสร้างแบบจำลองฟิสิกส์ที่จำลองโปรตีน แบบจำลองสถิติที่ซับซ้อนถูกใช้เพื่อสร้างการจำลองโปรตีนที่เลียนแบบรูปร่าง ทิศทาง และการเคลื่อนไหวของโมเลกุล แบบจำลองเหล่านี้ถูกให้กับอัลกอริทึมการเรียนรู้ของเครื่องจักรที่ใช้เทคนิคการประมวลผลภาษาธรรมชาติ

แบบจำลองการประมวลผลภาษาธรรมชาติที่ใช้ในการฝึกอบรมระบบการเรียนรู้ของเครื่องจักรนั้นคล้ายกับอัลกอริทึมที่ใช้ในระบบข้อความที่คาดการณ์ไว้ของ Gmail โปรตีนจำลองถูกมองว่าเป็นภาษา โดยการเคลื่อนไหวของโมเลกุลถูกแปลเป็น “ตัวอักษร” ตัวอักษรเหล่านี้ถูกเชื่อมต่อกันเพื่อสร้างคำและประโยค อัลกอริทึมการเรียนรู้ของเครื่องจักรสามารถเรียนรู้กฎไวยากรณ์และ句法เบื้องหลังโครงสร้างโปรตีน โดยกำหนดรูป/การเคลื่อนไหวที่ตามมา อัลกอริทึมเหล่านี้สามารถใช้เพื่อคาดการณ์ว่าโปรตีนบางชนิดจะคลายและรูปที่พวกมันจะถือ

นักวิจัยใช้ เครือข่ายความจำระยะยาวสั้น (LSTM) เพื่อวิเคราะห์ประโยคโปรตีน ทีมวิจัยยังติดตามคณิตศาสตร์ที่เครือข่ายอาศัยอยู่ โดยติดตามพารามิเตอร์เมื่อเครือข่ายเรียนรู้การเปลี่ยนแปลงของโมเลกุล ตามผลลัพธ์ของการศึกษา เครือข่ายใช้ตรรกะที่คล้ายกับแนวคิดฟิสิกส์สถิติที่เรียกว่า เอนโทรปี้ของเส้นทาง หากการค้นพบครั้งนี้ยังคงเท่าเดิม อาจนำไปสู่การปรับปรุงเครือข่าย LSTM Tiwary อธิบายว่าการค้นพบครั้งนี้เปิดเผยธรรมชาติของเครือข่าย LSTM ที่ซับซ้อน ทำให้นักวิจัยเข้าใจพารามิเตอร์ที่สามารถปรับให้เหมาะสมสำหรับการทำงานที่ดีที่สุด

ในฐานะกรณีทดสอบสำหรับอัลกอริทึมของพวกเขา นักวิจัยวิเคราะห์โมเลกุลชีวภาพที่เรียกว่า riboswitch riboswitch ถูกวิเคราะห์แล้วโดยใช้สเปกโทรสโกปี และเมื่อ riboswitch ถูกวิเคราะห์โดยใช้ระบบการเรียนรู้ของเครื่องจักร รูปที่คาดการณ์ไว้ของ riboswitch สอดคล้องกับที่พบโดยสเปกโทรสโกปี

Tiwary หวังว่าการค้นพบของพวกเขาจะช่วยให้นักวิจัยสามารถพัฒนายาที่มีเป้าหมายและมีผลข้างเคียงน้อยลง ตามที่ Tiwary อธิบายผ่าน Phys.org:

“คุณต้องการมียาที่มีประสิทธิภาพสูงซึ่งยึดติดกับสิ่งที่คุณต้องการให้พวกมันเชื่อมต่ออย่างแน่นหนา แต่เฉพาะกับสิ่งที่คุณต้องการให้พวกมันเชื่อมต่อเท่านั้น เราสามารถทำได้ถ้าเราสามารถเข้าใจรูปต่างๆ ที่โมเลกุลชีวภาพที่สนใจสามารถรับได้ เนื่องจากเราสามารถสร้างยาที่เชื่อมต่อกับรูปเฉพาะเหล่านั้นได้ ณ เวลาที่เหมาะสมและเพียงช่วงเวลาที่เราต้องการ”