معرفی نویسنده

مریم رفیعی پور

دانشجوی ارشد رشته بیوانفورماتیک( دانشگاه تربیت مدرس)

پایگاه دادهٔ AlphaFold: نمای سه بعدی از جهان پروتئین

پایگاه دادهٔ AlphaFold: نمای سه بعدی از جهان پروتئین

موسسهٔ DeepMind و EMBL با استفاده از هوش مصنوعی ساختار سه بعدی تقریباً همهٔ پروتئین‌های فهرست‌بندی شده را پیش‌بینی کردند. این کاتالوگ در پایگاه دادهٔ ساختار پروتئین AlphaFold به صورت آزاد در دسترس جامعهٔ علمی قرار داده شده است.

این دو سازمان امیدوارند که این پایگاه داده درک ما از زیست‌شناسی را بهبود دهد و به دانشمندان کمک کند تا با چالش‌های جهانی بهتر مقابله کنند.

این پیش‌بینی به عنوان یک نقطه عطف است و تقریباً پایگاه دادهٔ ساختارِ سه بعدی پروتئین را ۲۰۰ برابر کرده است. تاکنون نزدیک به یک میلیون ساختار پروتئینی تعیین شده بود که اکنون این تعداد به بیش از ۲۰۰ میلیون رسیده است. این تعداد تقریباً تمام موجوداتی که ساختار ژنوم آن‌ها تعیین شده است را پوشش می‌دهد. ساختارهای پیش‌بینی شده طیف گسترده‌ای از گونه‌ها، از جمله گیاهان، باکتری‌ها، حیوانات و سایر موجودات را دربر می‌گیرد. این پیش‌بینی‌ها راه‌های جدیدی را برای تحقیقات در سراسر علوم زیستی باز می کنند که بر چالش‌های جهانی از جمله پایداری، ناامنی غذایی و بیماری‌های نادیده گرفته شده تأثیر خواهند گذاشت.اکنون، یک ساختار پیش‌بینی‌شده برای تقریباً تمام توالی‌های پروتئین در پایگاه دادهٔ پروتئین UniProt در دسترس خواهد بود. این نسخه همچنین راه‌های تحقیقاتی جدیدی را برای بیوانفورماتیک و فرآیندهای محاسباتی  باز می‌کند.

ادیت هرد، مدیر کل EMBL گفت: «AlphaFold یک نمای سه بعدی از جهان پروتئین ارائه می‌دهد. محبوبیت و رشد پایگاه دادهٔ AlphaFold گواهی بر موفقیت همکاری بین DeepMind و EMBL است و قدرت علم چند رشته‌ای را نشان می‌دهد.»

دمیس حسابیس، بنیانگذار و مدیر عامل DeepMind گفت: «ما از سرعت تبدیل AlphaFold به ابزاری ضروری برای صدها هزار دانشمند در آزمایشگاه‌ها و دانشگاه‌ها در سراسر جهان شگفت زده شدیم. در حال حاضر AlphaFold تاثیر باورنکردنی بر برخی از بزرگ‌ترین چالش‌های جهانی ایجاد کرده است؛ از مبارزه با بیماری تا مقابله با آلودگی پلاستیکی. امید ما این است که این پایگاه داده به تعداد بیشماری از دانشمندان در تحقیقات مهم خود کمک کند و راه‌های کاملاً جدیدی برای اکتشافات علمی باز کند.»

 

ابزاری ضروری برای دانشمندان

DeepMind و EMBL-EBI پایگاه داده AlphaFold را در ژوئیه ۲۰۲۱ راه اندازی کردند. در آن زمان بیش از ۳۵۰۰۰۰ پیش‌بینی ساختار پروتئین، از جمله کل پروتئوم انسانی را شامل می‌شد. به روز رسانی‌های بعدی شامل اضافه شدن UniProtKB/SwissProt و ۲۷ پروتئوم جدید بود که ۱۷ مورد از آن‌ها نشان دهندهٔ بیماری‌های استوایی نادیده گرفته شده است که همچنان زندگی بیش از ۱ میلیارد نفر را در سراسر جهان ویران می کند.

بیش از ۱۰۰۰ مقاله علمی به این پایگاه داده ارجاع داده‌اند و بیش از ۵۰۰۰۰۰ محقق از بیش از ۱۹۰ کشور به پایگاه داده AlphaFold برای مشاهده بیش از دو میلیون ساختار در مدت نزدیک به یک سال دسترسی پیدا کرده‌اند.

همچنین محققانی روی AlphaFold برای ایجاد و تطبیق ابزارهایی مانند Foldseek و Dali کار کرده‌اند تا کاربران بتوانند به جستجوی ورودی‌هایی شبیه به یک پروتئین خاص بپردازند. برخی از پژوهشگران از ایده‌های اصلی یادگیری ماشین AlphaFold برای ایجاد الگوریتم‌های جدید استفاده کرده‌اند؛ همچنین آن‌ها را در زمینه‌هایی مانند پیش‌بینی ساختار RNA یا توسعهٔ مدل‌های جدید برای طراحی پروتئین‌ها به کار برده‌اند.

 

تاثیر و آیندهٔ AlphaFold 

AlphaFold همچنین در زمینه‌هایی مانند بهبود توانایی ما برای مبارزه با آلودگی پلاستیکی، دستیابی به بینش در مورد بیماری پارکینسون، افزایش سلامت زنبورهای عسل، درک چگونگی تشکیل یخ، مقابله با بیماری‌های نادیده گرفته شده مانند بیماری  Chagasو  Leishmaniasisو کاوش در تکامل انسان تأثیر داشته است.

جان جامپر، محقق و سرپرست AlphaFold در DeepMind می‌گوید: «ما AlphaFold را منتشر کردیم به این امید که سایر تیم‌ها بتوانند از پیشرفت‌هایی که ما به دست آورده‌ایم یاد بگیرند و با توجه به آن پیشرفت کنند. دیدن این اتفاق به این سرعت هیجان‌انگیز بود. بسیاری از سازمان‌های تحقیقاتی هوش مصنوعی اکنون وارد این میدان شده‌اند و درصدد پیشرفت‌های بیشتر بر اساس پیشرفت‌های AlphaFold هستند. این اتفاق واقعاً عصر جدیدی در زیست‌شناسی ساختاری است و روش‌های مبتنی بر هوش مصنوعی پیشرفت‌های باورنکردنی را به همراه خواهد داشت.»

رهبر تیم در بانک داده پروتئین EMBL-EBI در اروپا گفت: « AlphaFold تاثیرات زیادی در جامعه زیست‌شناسی مولکولی ایجاد کرده است. در سال گذشته، بیش از هزار مقالهٔ علمی در مورد طیف وسیعی از موضوعات تحقیقاتی که از ساختارهای AlphaFold استفاده می‌کردند؛ وجود داشته است. من هرگز چنین چیزی را ندیده‌ام. این فقط تأثیر یک میلیون پیش‌بینی است. تأثیر بیش از ۲۰۰ میلیون پیش‌بینی ساختار پروتئینی را تصور کنید که در پایگاه داده AlphaFold قابل دسترسی است.»

 

DeepMind و EMBL-EBI با هدف بهبود ویژگی‌ها و عملکرد در پاسخ به بازخورد کاربران، به‌روزرسانی دوره‌ای پایگاه داده را ادامه خواهند داد. دسترسی به ساختارها تحت مجوز CC-BY 4.0 به طور کامل باز خواهد بود و بارگیری انبوه از  طریق مجموعه داده‌های عمومی Google Cloud در دسترس خواهد بود.

 

منبع : scitechdaily

کلید واژه ها: #AlphaFold #DeepMind #EMBL #UniProt #Bioinformatics