นักวิจัยใช้ขั้นตอนการประมวลผลภาษาธรรมชาติเพื่อทำความเข้าใจการเปลี่ยนแปลงของโปรตีน

นักวิจัยจากมหาวิทยาลัยแมริแลนด์ใช้เทคนิคการประมวลผลภาษาธรรมชาติและอัลกอริทึมการเรียนรู้ของเครื่องจักรเพื่อทำความเข้าใจว่าโมเลกุลโปรตีนเปลี่ยนแปลงรูปทรงอย่างไร การประมวลผลภาษาธรรมชาติ และ โมเลกุลโปรตีน สามารถเปลี่ยนแปลงรูปทรงได้หลายรูปแบบ แต่กลไกที่ทำให้โปรตีนเปลี่ยนแปลงรูปทรงยังคงเป็นเรื่องที่ไม่เข้าใจอย่างสมบูรณ์ งานวิจัยล่าสุด ที่ตีพิมพ์ในวารสาร Nature Communications เป็นครั้งแรกที่ใช้อัลกอริทึม AI เพื่อศึกษาการเปลี่ยนแปลงของระบบไบโอมOLEคูลาร์

โมเลกุลโปรตีนสามารถมีรูปทรงที่แตกต่างกัน แต่กลไกที่ทำให้โปรตีนเปลี่ยนแปลงรูปทรงยังคงเป็นเรื่องที่ไม่เข้าใจอย่างสมบูรณ์ ฟังก์ชันของโมเลกุลโปรตีนถูกกำหนดโดยรูปทรงของมัน และการทำความเข้าใจกลไกที่มีอิทธิพลต่อรูปทรงของโปรตีนสามารถช่วยให้นักวิทยาศาสตร์ออกแบบยาที่มีผลข้างเคียงน้อยลงและกำหนดสาเหตุของโรค

โมเลกุลชีวภาพไม่ได้หยุดนิ่ง แต่เคลื่อนไหวอยู่เสมอในตอบสนองต่อเหตุการณ์ในสภาพแวดล้อม ความกดดันจากสภาพแวดล้อมสามารถทำให้โมเลกุลเปลี่ยนแปลงรูปทรงได้ โมเลกุลสามารถเปลี่ยนแปลงรูปทรงได้อย่างรวดเร็วในกระบวนการที่คล้ายกับการคลายของสปริง ส่วนต่างๆ ของโมเลกุลสามารถคลายและพับได้ และนักวิจัยศึกษาระดับกลางระหว่างรูปทรงต่างๆ ของโมเลกุล

ตาม Phys.org Pratyush Tiwary เป็นนักวิจัยหลักของงานวิจัยและเป็นอาจารย์ประจำภาควิชาเคมีและชีวเคมีและสถาบันวิทยาศาสตร์กายภาพและเทคโนโลยี ที่มหาวิทยาลัยแมริแลนด์ Tiwary ระบุว่าการประมวลผลภาษาธรรมชาติสามารถใช้เพื่อสร้างแบบจำลองการเปลี่ยนแปลงและปรับตัวของโมเลกุล Tiwary ระบุว่าโมเลกุลมี “ภาษา” ที่เฉพาะตัว และการเคลื่อนไหวของโมเลกุลสามารถแปลเป็นภาษาอbstract ได้ เมื่อกระบวนการนี้เสร็จสิ้น การประมวลผลภาษาธรรมชาติและอัลกอริทึม AI สามารถใช้เพื่อ “สร้างเรื่องราวที่เป็นจริงจากคำศัพท์抽象ที่ได้รับ”

เมื่อโมเลกุลเปลี่ยนแปลงรูปทรง การเปลี่ยนแปลงจะเกิดขึ้นอย่างรวดเร็ว การเปลี่ยนแปลงอาจใช้เวลาเพียงหนึ่งในล้านล้านวินาที ความเร็วของการเปลี่ยนแปลงทำให้นักวิทยาศาสตร์难ที่จะกำหนดพารามิเตอร์ที่มีอิทธิพลต่อการคลายของโปรตีนโดยใช้วิธีการเช่นสเปกโทรสโกปีหรือแม้แต่กล้องจุลทรรศน์ที่มีพลังมาก ในการกำหนดพารามิเตอร์ที่มีอิทธิพลต่อการคลายของโปรตีน Tiwary และทีมวิจัยสร้างแบบจำลองฟิสิกส์ที่จำลองโปรตีน แบบจำลองสถิติที่ซับซ้อนถูกใช้เพื่อสร้างการจำลองโปรตีที่เลียนแบบรูปทรง การเคลื่อนไหว และการเคลื่อนที่ของโมเลกุล แบบจำลองเหล่านี้ถูกให้กับอัลกอริทึมการเรียนรู้ของเครื่องจักรที่ใช้เทคนิคการประมวลผลภาษาธรรมชาติ

แบบจำลองการประมวลผลภาษาธรรมชาติที่ใช้ในการฝึกอัลกอริทึมการเรียนรู้ของเครื่องจักรคล้ายกับอัลกอริทึมที่ใช้ในระบบข้อความที่คาดเดาได้ของ Gmail การจำลองโปรตีนถูกปฏิบัติเหมือนภาษา โดยการเคลื่อนไหวของโมเลกุลถูกแปลเป็น “ตัวอักษร” ตัวอักษรเหล่านี้ถูกเชื่อมต่อเพื่อสร้างคำและประโยค อัลกอริทึมการเรียนรู้ของเครื่องจักรสามารถเรียนรู้กฎไวยากรณ์และ句法เบื้องหลังโครงสร้างโปรตีน โดยกำหนดรูปทรงหรือการเคลื่อนไหวที่ตามมา อัลกอริทึมเหล่านี้สามารถใช้เพื่อคาดเดาว่าโปรตีนจะคลายและรูปทรงใดที่จะเกิดขึ้น

นักวิจัยใช้เครือข่าย ความจำระยะยาว-ระยะสั้น (LSTM) เพื่อวิเคราะห์ประโยคโปรตีน ทีมวิจัยยังติดตามคณิตศาสตร์ที่เครือข่ายอาศัยอยู่ โดยติดตามพารามิเตอร์เมื่อเครือข่ายเรียนรู้การเปลี่ยนแปลงของระบบไบโอมOLEคูลาร์ ตามผลการศึกษา เครือข่ายใช้ตรรกะที่คล้ายกับแนวคิดฟิสิกส์สถิติที่เรียกว่า เอนโทรปีของเส้นทาง หากผลการวิจัยนี้ยังคงเท่าเดิม อาจนำไปสู่การปรับปรุงเครือข่าย LSTM ได้ Tiwary อธิบายว่าการค้นพบครั้งนี้ช่วยให้เข้าใจเครือข่าย LSTM ได้ดีขึ้น และช่วยให้นักวิจัยเข้าใจพารามิเตอร์ที่สามารถปรับให้เหมาะสมเพื่อประสิทธิภาพสูงสุด

ในฐานะกรณีทดสอบสำหรับอัลกอริทึมของตน นักวิจัยวิเคราะห์โมเลกุลชีวภาพที่เรียกว่า riboswitch Riboswitch ได้รับการวิเคราะห์โดยใช้สเปกโทรสโกปีแล้ว และเมื่อวิเคราะห์ riboswitch โดยใช้ระบบการเรียนรู้ของเครื่องจักร รูปทรงที่คาดเดาได้ของ riboswitch สอดคล้องกับรูปทรงที่พบโดยสเปกโทรสโกปี

Tiwary หวังว่าผลการวิจัยของเขาจะช่วยให้นักวิจัยสามารถพัฒนายาที่มีผลข้างเคียงน้อยลง ตามที่ Tiwary อธิบายผ่าน Phys.org:

“คุณต้องการมียาที่มีประสิทธิภาพสูงซึ่งสามารถจับกับเป้าหมายได้แรง แต่จับกับเป้าหมายที่คุณต้องการจับเท่านั้น เราสามารถทำได้ถ้าเราสามารถเข้าใจรูปทรงต่างๆ ที่โมเลกุลชีวภาพที่สนใจสามารถมีได้ เนื่องจากเราสามารถสร้างยาที่จับกับรูปทรงเฉพาะเหล่านั้นได้ ณ เวลาที่เหมาะสมและเพียงเวลาที่เราต้องการเท่านั้น”