هوش مصنوعی در زیست شناسی: از شبکه های عصبی مصنوعی تا آلفا فولد

پهوش مصنوعی اخیراً با شک و تردید مواجه شد و دانشمندان جایزه نوبل شیمی 2024 را پس از استفاده از آن برای حل مشکل تا شدن و طراحی پروتئین برای دانشمندان به ارمغان آورد و اکنون توسط زیست شناسان در سراسر جهان پذیرفته شده است. مدل‌های هوش مصنوعی مانند شبکه‌های عصبی مصنوعی و مدل‌های زبان به دانشمندان کمک می‌کنند تا مشکلات مختلفی را حل کنند، از پیش‌بینی ساختار سه‌بعدی پروتئین‌ها تا طراحی آنتی‌بیوتیک‌های جدید از ابتدا. محققان به اصلاح مدل‌های هوش مصنوعی، رفع محدودیت‌های آن‌ها و نشان دادن کاربردهای گسترده در زیست‌شناسی ادامه می‌دهند.

جایزه نوبل برای هوش مصنوعی: خلاصه ای از تاریخچه تاشو و طراحی پروتئین

یکی از مشکلات اصلی زیست شناسان پروتئین، مشکل تا شدن پروتئین قبلاً توسط هوش مصنوعی حل شده است و برنده جایزه نوبل شیمی برای دیوید بیکر زیست شیمیدان از دانشگاه واشنگتن و محققان DeepMind، دمیس حسابیس و جان جامپر شده است. پس از حدود دو دهه تلاش برای تعیین ساختار سوم پروتئین ها از توالی اسید آمینه آنها، دانشمندان مسابقه ارزیابی انتقادی پیش بینی ساختاری (CASP) را در سال 1994 برای تشویق همکاری در این زمینه ایجاد کردند. در سال 1998 تیم بیکر نرم افزار روزتا را برای مدل سازی پیکربندی انرژی پروتئین ایجاد کرد. در واقع، چند سال بعد، تیم مدل محاسباتی خود را به بازی به نام Foldit تبدیل کردند تا داوطلبان را برای مشارکت در حل ساختارهای پروتئینی تشویق کند. در نسخه 2018 CASP تیم DeepMind از برنامه پیشگامانه AlphaFold خود که بر روی توالی ها و ساختارهای پروتئین واقعی آموزش داده شده بود، پرده برداری کرد. دو سال بعد، موفقیت برنامه AlphaFold2 در پیش‌بینی دقیق ساختار پروتئین، کارشناسان را بر آن داشت تا اعلام کنند که مشکل تا شدن پروتئین تا حد زیادی حل شده است. در سال 2024 بیکر، هاسابیس و جامپر جایزه نوبل را برای کارشان دریافت کردند که درک عمیق‌تری از عملکردها و کاربردهای پروتئین‌ها را امکان‌پذیر کرد.

در اینجا درباره پیشینه کشف برنده جایزه نوبل بخوانید.

AlphaFold الهام بخش پذیرش سریع هوش مصنوعی در زیست شناسی بود

با عرضه در سال 2018. با استفاده از AlphaFold، یک مدل یادگیری عمیق هوش مصنوعی، دانشمندان سرانجام توانستند ساختار سه بعدی پروتئین‌ها را پیش‌بینی کنند که چالشی چند دهه در زیست‌شناسی است. این مدل که بر روی 100000 توالی و ساختار پروتئینی شناخته شده آموزش دیده است، نه تنها می تواند ساختارهای پروتئینی را با دقت نزدیک به سطح تجربی پیش بینی کند، بلکه می تواند برای طراحی پروتئین های نو برای کاربردهای مختلف در درمان و فراتر از آن استفاده شود. با الهام از موفقیت AlphaFold، دانشمندان اکنون از مدل‌های یادگیری عمیق برای ایجاد نقشه‌های فضایی-زمانی سلول‌ها، تجزیه و تحلیل تصاویر سلول‌ها برای تشخیص تغییرات مورفولوژی که نشان‌دهنده بیماری است، و ارزیابی اثربخشی داروهای جدید برای توقف پیشرفت بیماری برای به حداقل رساندن تلفات در یک دارو استفاده می‌کنند. خط لوله کشف کارشناسانی مانند مدیسون ماسالی، مهندس علمی و مدیر عامل Deepcell، از پذیرش سریع هوش مصنوعی در زیست شناسی خوشحال هستند، اما هشدار می دهند که محققان برای استفاده از هوش مصنوعی برای کاربردهای بیولوژیکی به تجربه قابل توجهی نیاز دارند.

کاربردهای گسترده هوش مصنوعی در زیست شناسی را اینجا کاوش کنید.

De Novo Proteins Tackle 21^St مشکلات قرن

با استفاده از قدرت مدل‌های هوش مصنوعی، دانشمندان اکنون قادر به طراحی پروتئین‌های فردی با عملکردهای بیولوژیکی خاص هستند و به آن‌ها اجازه می‌دهد مشکلاتی را که توسط پروتئین‌های موجود در طبیعت حل نمی‌شوند، حل کنند. مهندسی پروتئین سنتی مبتنی بر ایجاد تغییرات تدریجی و مشاهده اثرات آنها است، اما مدل های یادگیری ماشینی می توانند پروتئین های بهتری را طراحی کنند و روند را تا حد زیادی سرعت بخشند. دیوید بیکر، طراح پروتئین و تیمش در دانشگاه واشنگتن از چندین مدل مختلف هوش مصنوعی برای طراحی آنزیم‌های لوسیفراز پایدار استفاده کردند که می‌توانند به لوسیفرین مصنوعی متصل شوند تا درخشش داشته باشند، با کاربردهایی در تصویربرداری عمیق از بافت‌های حیوانی. اگرچه این نوع طراحی پروتئین جای پیشرفت دارد و هنوز به طور کامل خودکار نشده است، اما در آینده می توان از آن برای ایجاد انواع پروتئین ها برای اهداف درمانی و اهداف دیگر استفاده کرد.

در اینجا درباره پروتئین های de novo بیشتر بدانید.

هوش مصنوعی آنتی بیوتیک جدیدی برای باکتری های مقاوم به دارو کشف کرد

طراحی پروتئین‌های نو با استفاده از هوش مصنوعی می‌تواند در توسعه آنتی‌بیوتیک مفید باشد. با افزایش مقاومت ضد میکروبی در سراسر جهان و کمبود آنتی‌بیوتیک‌های جدید کشف شده، محققان دانشگاه مک مستر برای طراحی آنتی‌بیوتیک‌های جدیدی که به راحتی قابل سنتز هستند، به هوش مصنوعی روی آورده‌اند. به رهبری جان استوکس، بیوشیمی‌دان، این تیم یک مدل هوش مصنوعی مولد به نام SyntheMol را برای طراحی مولکول‌های کوچکی که دارای فعالیت ضدباکتریایی هستند، توسعه دادند. اسینتوباکتر بومانییک پاتوژن مقاوم به دارو که توسط سازمان بهداشت جهانی به عنوان یک تهدید بزرگ برای سلامت جهانی شناخته می شود. اگرچه هنوز روی انسان آزمایش نشده است، اما چندین مولکول از رشد باکتری های هدف و همچنین سایر میکروب های مقاوم به دارو در شرایط آزمایشگاهی جلوگیری می کنند.

آنتی بیوتیک های تولید شده توسط هوش مصنوعی را در این مقاله بررسی کنید.

شبکه های عصبی مصنوعی مانند مغز انسان یاد می گیرند

https://www.youtube.com/watch?v=Eos66n7C2p4

شبکه‌های عصبی مصنوعی (ANN) با الهام از مغز انسان، نوعی مدل یادگیری ماشینی هستند که حاوی چندین لایه از گره‌ها (یا نورون‌ها) به هم پیوسته هستند که می‌توانند داده‌ها را پردازش کنند. هر گره در شبکه یک معادله ریاضی را با استفاده از ورودی های وزن دار اجرا می کند و تعیین می کند که آیا خروجی بر اساس مقدار آستانه به لایه بعدی گره ها ارسال می شود یا خیر. دانشمندان یک ANN را با استفاده از مجموعه داده‌هایی که دارای مقادیر یا ویژگی‌های شناخته شده هستند آموزش می‌دهند، سپس به آن اجازه می‌دهند تا نتایج پیش‌بینی‌شده خود را در برابر پاسخ واقعی برای هر نمونه ارزیابی کند تا بتواند دقت آن را در طول زمان بهبود بخشد. سپس می توان از ANN برای پیش بینی نتایج حاصل از مجموعه داده های جدید استفاده کرد. علی‌رغم برخی محدودیت‌های کلیدی، شبکه‌های عصبی مصنوعی می‌توانند الگوهایی را در داده‌های پیچیده شناسایی کنند که ممکن است انسان قادر به انجام آن‌ها نباشد و وظایف ساده‌ای را برای آزاد کردن زمان برای محققان انجام دهد.

در این مقاله توضیحی درباره شبکه های عصبی بیشتر بخوانید.

مدل های بزرگ زبان به ما کمک می کنند مغز را درک کنیم

محققان اکنون یک مدل زبان – نوع مدل یادگیری عمیق که مسئول ChatGPT است – ساخته اند که می تواند افکار افراد را از تصاویر MRI مغز آنها تعیین کند. الکساندر هات، محقق دانشگاه تگزاس در آستین، این تکنیک را ایجاد کرد تا به افرادی که نمی توانند صحبت کنند اجازه برقراری ارتباط را می دهد، اما همچنین بینش هایی را در مورد عملکرد مغز انسان نشان داد. مدل Huth نشان داد که تمام قسمت‌های مغز از اطلاعات مرتبط با معنا استفاده می‌کنند، حتی اگر اسکن‌های MRI نشان دهند که فقط قشر جلوی مغز فعال است. اگرچه این مدل نمی‌تواند بین موضوعات عمومی تعمیم یابد، به این معنی که نمی‌تواند ذهن‌ها را بخواند، کارشناسان توصیه می‌کنند که احتیاط کنند زیرا این مدل‌ها در آینده دقیق‌تر می‌شوند.

در این مقاله با الگوهای زبان و کاربرد آنها در زیست شناسی بیشتر آشنا شوید.

پیش بینی بیان ژن با استفاده از هوش مصنوعی

در حالی که ChatGPT برای پیش‌بینی کلمات بعدی در یک جمله استفاده می‌شود، دانشمندان قبلاً مدل‌های یادگیری عمیق مشابهی ایجاد کرده‌اند که می‌تواند بیان ژن را در سلول‌های فردی پیش‌بینی کند. ترانسفورماتور از پیش آموزش دیده مولد تک سلولی (scGPT) که توسط زیست شناس محاسباتی بو وانگ و تیمش در دانشگاه تورنتو ایجاد شده است، می تواند داده های توالی یابی RNA تک سلولی را کارآمدتر از چندین روش رایج رایج تجزیه و تحلیل کند. این مدل همچنین قادر به پیش‌بینی دقیق‌تر اثرات اختلالات ژنتیکی نسبت به مدل استاندارد بود. در ابتدا بر روی مغز استخوان و سلول های ایمنی آموزش دیده بود، یک تکرار جدید از scGPT اکنون برای تجزیه و تحلیل انواع دیگر سلول ها اقتباس شده است و ممکن است در آینده نزدیک برای پاسخ به سوالات مهم بیولوژیکی استفاده شود.

مطالعه در مورد scGPT را در اینجا ادامه دهید.

مدل‌های هوش مصنوعی پتانسیل بسیار زیادی در زیست‌شناسی دارند، از کمک به درک مغز گرفته تا ایجاد روش‌های درمانی جدید، اما کارشناسان هشدار می‌دهند که استفاده از آنها باید با احتیاط انجام شود و موفقیت آنها به دانش عمیق و گسترده بستگی دارد. محققان به کاوش، توسعه و اصلاح مدل‌های یادگیری عمیق برای کاربردهای مختلف، از جمله تفسیر و پیش‌بینی داده‌های بیولوژیکی، ادامه می‌دهند.