Google Deepmind به‌روزرسانی بزرگ AlphaFold و برنامه وب رایگان Proteomics-as-a-service را معرفی کرد.

Google Deepmind نسخه جدید AlphaFold را منتشر کرده است، مدل یادگیری ماشینی متحول کننده آنها که شکل و رفتار پروتئین ها را پیش بینی می کند. AlphaFold 3 نه تنها دقیق‌تر است، بلکه تعاملات با سایر مولکول‌های زیستی را پیش‌بینی می‌کند و آن را به یک ابزار تحقیقاتی بسیار متنوع‌تر تبدیل می‌کند – و این شرکت نسخه محدودی از مدل را برای استفاده آنلاین رایگان قرار می‌دهد.

از زمان معرفی اولین AlphaFold در سال 2018، این مدل روش پیشرو برای پیش‌بینی ساختار پروتئین از توالی اسیدهای آمینه تشکیل دهنده آنها باقی مانده است.

اگرچه این کار نسبتاً محدودی به نظر می رسد، اما برای تقریباً تمام زیست شناسی درک پروتئین ها – که انواع تقریباً بی پایانی از وظایف را در بدن ما انجام می دهند – در سطح مولکولی اساسی است. در سال‌های اخیر، تکنیک‌های مدل‌سازی محاسباتی مانند AlphaFold و RoseTTaFold از روش‌های گران‌قیمت و مبتنی بر آزمایشگاه استفاده کرده‌اند و کار هزاران محقق را در حوزه‌های مختلف تسریع کرده‌اند.

اما این فناوری هنوز در حال پیشرفت است، همانطور که دمیس حسابیس، بنیانگذار Deepmind در یک تماس مطبوعاتی در مورد سیستم جدید گفت، هر مدل “فقط یک قدم در مسیر” است. این شرکت اواخر سال گذشته از انتشار آن خبر داد اما این اولین رسمی آن است.

من به وبلاگ‌های علمی اجازه می‌دهم دقیقاً به چگونگی بهبود نتایج مدل جدید بپردازند، اما در اینجا کافی است بگوییم که انواع پیشرفت‌ها و تکنیک‌های مدل‌سازی AlphaFold 3 را نه تنها دقیق‌تر، بلکه به طور گسترده‌تری قابل استفاده‌تر کرده است.

یکی از محدودیت‌های مدل‌سازی پروتئین این است که حتی اگر می‌دانید شکل دنباله‌ای از اسیدهای آمینه چگونه خواهد بود، به این معنی نیست که لزوماً می‌دانید که به چه مولکول‌های دیگری و چگونه متصل می‌شود. و اگر می‌خواهید واقعاً با این مولکول‌ها کارهایی انجام دهید، که اکثر آنها انجام می‌دهند، باید آن را از طریق مدل‌سازی و آزمایش‌های سخت‌تر دریابید.

“زیست شناسی یک سیستم پویا است، و شما باید درک کنید که چگونه خواص زیست شناسی از طریق آن پدیدار شده است فعل و انفعالات بین مولکول های مختلف در سلول و شما می توانید AlphaFold 3 را به عنوان اولین گام بزرگ ما به سمت آن در نظر بگیرید،” Hassabis گفت. او می‌تواند پروتئین‌هایی را که البته با پروتئین‌های دیگر، و همچنین مولکول‌های زیستی دیگر، از جمله رشته‌های DNA و RNA در تعامل هستند، مدل کند.

AlphaFold 3 به چندین مولکول امکان شبیه‌سازی همزمان را می‌دهد – برای مثال، رشته‌ای از DNA، برخی مولکول‌های متصل به DNA، و شاید برخی یون‌ها برای ادویه‌سازی چیزها. در اینجا چیزی است که برای یک چنین ترکیب خاص به دست می آورید، با نوارهای DNA که از وسط بالا می روند، پروتئین ها در کناره می تابند، و من فکر می کنم اینها یون هایی هستند که مانند تخم مرغ های کوچک در وسط قرار دارند:

البته این به خودی خود یک کشف علمی نیست. اما حتی فهمیدن اینکه یک پروتئین آزمایشی اصلاً می‌پیوندد، یا به این شکل، یا به این شکل منحرف می‌شود، معمولاً کار چند روز یا شاید هفته‌ها تا ماه‌ها بود.

در حالی که اغراق کردن هیجان در این زمینه در چند سال گذشته دشوار است، محققان عمدتاً به دلیل عدم مدل‌سازی تعامل (که نسخه جدید شکلی از آن را ارائه می‌کند) و دشواری در استقرار مدل دچار مشکل شده‌اند.

این موضوع دوم شاید بزرگ‌تر از این دو باشد، زیرا در حالی که تکنیک‌های مدل‌سازی جدید به نوعی «باز» بودند، مانند سایر مدل‌های هوش مصنوعی، لزوماً پیاده‌سازی و کارکرد آن‌ها ساده نیست. به همین دلیل است که Google Deepmind سرور AlphaFold را ارائه می دهد، یک برنامه وب رایگان و کاملا میزبانی شده که این مدل را برای استفاده غیرتجاری در دسترس قرار می دهد.

این رایگان است و استفاده از آن بسیار آسان است – من این کار را در پنجره دیگری در تماس انجام دادم در حالی که آنها در حال توضیح آن بودند (به این ترتیب تصویر بالا را دریافت کردم). شما فقط به یک حساب Google نیاز دارید، و سپس هر تعداد دنباله‌ها و دسته‌بندی‌ها را به آن اضافه می‌کنید – چند نمونه ارائه شده است – و ارسال می‌کنید. در عرض چند دقیقه کار شما باید انجام شود و یک مولکول سه بعدی زنده رنگی به شما داده می شود تا نشان دهنده اعتماد مدل به ترکیب در آن موقعیت باشد. همانطور که در تصویر بالا می بینید، نوک روبان ها و آن قسمت هایی که بیشتر در معرض اتم های سرکش قرار دارند روشن تر یا قرمز هستند تا اعتماد کمتری را نشان دهند.

من پرسیدم که آیا تفاوت واقعی بین مدل در دسترس عموم و مدلی که در داخل استفاده می شود وجود دارد؟ Hassabis گفت که “ما اکثر قابلیت های مدل جدید را در دسترس قرار داده ایم”، اما بیشتر از آن توضیح نداد.

واضح است که گوگل وزن خود را در این مورد پرتاب می‌کند – در حالی که تا حدی بهترین بیت‌ها را برای خود نگه می‌دارد، که البته حق آنهاست. ساخت یک ابزار رایگان میزبانی شده مانند این مستلزم اختصاص منابع قابل توجهی به این کار است – اشتباه نکنید، این یک چاله پولی است، یک نسخه اشتراک‌افزار گران قیمت (برای گوگل) برای متقاعد کردن محققان جهان که AlphaFold 3 باید در همان زمان باشد. حداقل، یک تیر در کتک آنها.

اعتبار تصویر: Google Deepmind

با این حال، همه چیز درست است، زیرا این فناوری احتمالاً از طریق شرکت تابعه Alphabet (که آن را به… پسرعموی گوگل می‌سازد؟) Isomorphic Labs، که ابزارهای محاسباتی مانند AlphaFold را در طراحی داروها کار می‌کند، چاپ خواهد کرد. خب، این روزها همه از ابزارهای محاسباتی استفاده می‌کنند – اما Isomorphic اولین شکاف را در آخرین مدل‌های Deepmind به دست آورد و همانطور که Hassabis اشاره کرد، آن را با «چند چیزهای اختصاصی‌تر برای انجام کشف دارو» ترکیب کرد. این شرکت در حال حاضر با Eli Lilly و Novartis شراکت دارد.

با این حال، AlphaFold تمام و همه چیز زیست شناسی نیست – همانطور که محققان بی شماری با آن موافق هستند، فقط یک ابزار بسیار مفید است. و به آنها اجازه می دهد کاری را انجام دهند که مکس جادربرگ از Isomorphic آن را “طراحی منطقی دارو” نامید.

اگر هر روز به این فکر کنیم که چگونه این موضوع در آزمایشگاه‌های ایزومورفیک تأثیر می‌گذارد: به دانشمندان، طراحان داروی ما اجازه می‌دهد تا فرضیه‌هایی را در سطح اتمی ایجاد و آزمایش کنند، و سپس در عرض چند ثانیه پیش‌بینی‌های ساختاری بسیار دقیقی را برای کمک به تولید کنند. دانشمندان در مورد اینکه چه فعل و انفعالی باید ایجاد شود و چگونه می توان آن طرح ها را برای ایجاد یک داروی خوب پیش برد، استدلال می کنند. “این با ماه ها یا حتی سال ها مقایسه می شود که ممکن است انجام آزمایشی این کار طول بکشد.”

در حالی که بسیاری موفقیت و در دسترس بودن گسترده ابزار میزبانی رایگان مانند AlphaFold Server را جشن خواهند گرفت، دیگران ممکن است به درستی اشاره کنند که این واقعاً یک پیروزی برای علم باز نیست.

مانند بسیاری از مدل‌های اختصاصی هوش مصنوعی، فرآیند آموزش AlphaFold و سایر اطلاعات حیاتی برای تکرار آن – که به یاد می‌آورید بخشی اساسی از روش علمی – تا حد زیادی و به طور فزاینده‌ای پنهان می‌شوند. در حالی که مقاله منتشر شده در Nature روش های ایجاد آن را با جزئیات مورد بررسی قرار می دهد، بسیاری از جزئیات و داده های مهم وجود ندارد، به این معنی که دانشمندانی که می خواهند از قوی ترین ابزار زیست شناسی مولکولی در این سیاره استفاده کنند، باید این کار را تحت عنوان چشم هوشیار Alphabet، Google، و Deepmind (که می‌داند در واقع کنترل کدام یک است).

طرفداران علم باز برای سال ها گفته اند که اگرچه این پیشرفت ها قابل توجه است، اما در دراز مدت همیشه بهتر است این نوع چیزها را آشکارا به اشتراک بگذاریم. این بدان معناست که علم چگونه به جلو می رود و در واقع چگونه برخی از مهم ترین نرم افزارهای جهان نیز تکامل یافته اند.

رایگان کردن سرور AlphaFold برای هر برنامه دانشگاهی یا غیرتجاری از بسیاری جهات اقدامی سخاوتمندانه است. اما سخاوت و سخاوت گوگل به ندرت بدون هیچ رشته ای همراه است. بدون شک بسیاری از محققان از این دوره ماه عسل برای استفاده از این مدل تا حد ممکن قبل از افتادن کفش دیگر استفاده خواهند کرد.