جایزه نوبل شیمی برای کار بر روی پروتئین ها

تیآکادمی سلطنتی علوم سوئد امروز (9 اکتبر) اعلام کرد که جایزه نوبل شیمی 2024 به محققانی می رسد که کد ساختارهای پروتئینی را شکسته اند. دیوید بیکر، بیوشیمیدان دانشگاه واشنگتن، نیمی از جایزه را برای کار خود در زمینه طراحی پروتئین محاسباتی به دست آورد. دمیس حسابیس و جان جامپر، دانشمندان کامپیوتر در گوگل دیپ مایند، نیمه دوم جایزه را برای کارشان در پیش بینی ساختار پروتئین به اشتراک گذاشتند.

یوهان آکوئیست، یکی از اعضای کمیته نوبل شیمی در سال 2024، می گوید: “برای درک نحوه عملکرد پروتئین ها، باید بدانید که آنها چگونه هستند.”

پروتئین ها اجزای سازنده زندگی هستند. آنها از رشته‌هایی از مولکول‌های اسید آمینه تشکیل شده‌اند که به شکل‌های سه‌بعدی پیچیده تا می‌شوند. این ساختارها از هزاران اتم تشکیل شده اند که موقعیت آنها در فضا نسبت به یکدیگر عملکرد پروتئین را تعیین می کند، از کمک به واکنش های بیوشیمیایی تا محافظت در برابر عوامل بیماری زا.

هاینر لینکه، رئیس کمیته نوبل شیمی در سال 2024 می گوید: «برای درک چگونگی عملکرد زندگی، ابتدا باید شکل پروتئین ها را درک کنیم.

در دهه 20^هفتم قرن، دانشمندان بر تلاش برای درک چگونگی شکل گیری پروتئین ها در اشکال خاص متمرکز شده اند. تحقیقات کریستین انفینسن برنده جایزه نوبل در سال 1961، زمانی که نشان داد که توالی اسید آمینه بر ساختار سه بعدی پروتئین حاکم است، پایه و اساس این مطالعات را پایه گذاری کرد. این بدان معناست که زیست شناسان باید بتوانند ساختار پروتئین را تنها بر اساس توالی اسید آمینه آن، بدون تکیه بر روش های خسته کننده مانند کریستالوگرافی اشعه ایکس، پیش بینی کنند. با این حال، این مشکل پیش‌بینی پروتئین چندین دهه است که دانشمندان را به چالش کشیده است.

سپس، در آغاز قرن، دیوید بیکر در حین بررسی چگونگی تا شدن پروتئین ها به پیشرفتی دست یافت. او با استفاده از بینش‌های آزمایش‌های خود، یک برنامه رایانه‌ای به نام روزتا توسعه داد که ساختارهای پروتئینی را از توالی‌های اسید آمینه پیش‌بینی می‌کرد. بیکر و تیمش به زودی متوجه شدند که می توانند مشکل را به عقب مهندسی کنند. در مصاحبه با دانشمند اوایل سال جاری، بیکر گفت: مدت زیادی پس از اولین موفقیت‌هایمان در پیش‌بینی ساختار، ما شروع به فکر کردیم، خوب، شاید به جای پیش‌بینی ساختاری که یک سکانس به چه ساختاری تبدیل می‌شود، بتوانیم از این روش‌ها برای ساختن یک ساختار کاملاً جدید استفاده کنیم و سپس آن را رقم بزنیم. مشخص کنید چه دنباله ای می تواند در آن تا شود.

با استفاده از روزتا، تیم بیکر یک پروتئین کاملاً جدید را در سال 2003 طراحی کرد و آن را در آزمایشگاه سنتز کرد.¹ این به عنوان دلیلی بر این مفهوم بود که طراحی پروتئین محاسباتی امکان پذیر است.

علیرغم موفقیت نرم افزار روزتا، دقت پیش بینی ساختار پروتئین کم است – پروتئینی که حتی چند اسید آمینه داشته باشد می تواند طیف وسیعی از ساختارها را بپذیرد. برای سال‌های متمادی، حتی موفق‌ترین برنامه‌های رایانه‌ای نیز می‌توانستند ساختار سه بعدی یک توالی اسید آمینه را تنها با ۴۰ درصد دقت پیش‌بینی کنند. سپس مدل های هوش مصنوعی (AI) وارد صحنه شدند.

پیش از تأسیس DeepMind در سال 2010، Hassabis به عنوان یک عصب شناس در حال مطالعه شبکه های عصبی برای هوش مصنوعی آموزش دیده است. برای شرکت نوپای خود، او این تجربه را برای توسعه مدل های هوش مصنوعی برای بازی های رومیزی محبوب، از جمله Go، به کار برد. با این حال، او می‌خواست مهارت‌های خود را در چیزی به کار گیرد که می‌تواند تأثیر بیشتری بر بشریت داشته باشد. Hassabis و تیمش AlphaFold را توسعه دادند، یک مدل هوش مصنوعی که ساختارهای پروتئین را با دقت 60 درصد پیش‌بینی می‌کند. اگرچه پیشرفت بزرگی بود، اما هنوز از هدف 90 درصدی که برای خود تعیین کرده بود فاصله داشت.

در سال 2017، جامپر، یک دکترای جدید، به DeepMind پیوست تا از تخصص خود در شبیه سازی پروتئین و فیزیک نظری برای بهبود بیشتر دقت AlphaFold استفاده کند. جامپر و حسابیس به طور مشترک مدل مبتنی بر یادگیری عمیق را بر روی توالی ها و ساختارهای حدود 100000 پروتئین آموزش دادند تا ساختار پروتئین را با دقت بیشتری پیش بینی کنند.² مدل جدید همچنین از پیشرفت‌های همزمان در هوش مصنوعی وام گرفته است: ترانسفورماتورها یا شبکه‌های عصبی که می‌توانند با انعطاف‌پذیری بیشتری الگوهای پنهان در مقادیر زیادی داده را جستجو کنند. آنها مدل خود را برای بهبود دقت آن تکرار کردند و تا سال 2021، AlphaFold2 می‌تواند ساختارهای پروتئینی را با دقت 90 درصدی پیش‌بینی کند.³

Hassabis و Jumper از مدل خود برای پیش بینی ساختار بیشتر پروتئین هایی که محققان شناسایی کرده اند استفاده کرده اند. از زمان راه اندازی این ابزارها، محققان در سراسر جهان از آنها برای توسعه پروتئین های جدید برای واکسن ها و درمان های هدفمند و تعیین ساختار پروتئین هایی که پلاستیک را تخریب می کنند یا منجر به مقاومت آنتی بیوتیکی می شوند، استفاده کرده اند.

Åqvist گفت: «تأثیر جوایز امسال در طراحی پروتئین و پیش‌بینی ساختار پروتئین واقعاً بسیار زیاد است.

کار انجام شده توسط Baker، Hassabis و Jumper نه تنها مشکل چندین دهه تا شدن پروتئین را حل کرد، بلکه به آغاز دوره جدیدی از مدل‌سازی مبتنی بر هوش مصنوعی برای درک و طراحی مولکول‌های اساسی که تمام زندگی را قادر می‌سازد کمک کرد.