செய்தி

இந்த ஆண்டுக்கான லாஸ்கர் அடிப்படை மருத்துவ ஆராய்ச்சி விருது, அமினோ அமிலங்களின் முதல் வரிசை வரிசையின் அடிப்படையில் புரதங்களின் முப்பரிமாண அமைப்பை முன்னறிவிக்கும் ஆல்பாஃபோல்ட் செயற்கை நுண்ணறிவு அமைப்பை உருவாக்குவதில் டெமிஸ் ஹசாபிஸ் மற்றும் ஜான் ஜம்பர் ஆகியோரின் பங்களிப்புகளுக்காக வழங்கப்பட்டது.

அவற்றின் முடிவுகள், நீண்டகாலமாக அறிவியல் சமூகத்தை கவலையடையச் செய்து வந்த ஒரு சிக்கலைத் தீர்த்து, உயிரிமருத்துவத் துறை முழுவதும் ஆராய்ச்சியை விரைவுபடுத்துவதற்கான கதவைத் திறக்கின்றன. புரதங்கள் நோய் வளர்ச்சியில் முக்கிய பங்கு வகிக்கின்றன: அல்சைமர் நோயில், அவை மடிந்து ஒன்றாகக் குவிகின்றன; புற்றுநோயில், அவற்றின் ஒழுங்குமுறை செயல்பாடு இழக்கப்படுகிறது; உள்ளார்ந்த வளர்சிதை மாற்றக் கோளாறுகளில், அவை செயலற்றவை; சிஸ்டிக் ஃபைப்ரோஸிஸில், அவை செல்லில் உள்ள தவறான இடத்திற்குச் செல்கின்றன. நோயை ஏற்படுத்தும் பல வழிமுறைகளில் இவை சில. விரிவான புரத அமைப்பு மாதிரிகள் அணு உள்ளமைவுகளை வழங்கலாம், உயர்-தொடர்பு மூலக்கூறுகளின் வடிவமைப்பு அல்லது தேர்வை இயக்கலாம் மற்றும் மருந்து கண்டுபிடிப்பை துரிதப்படுத்தலாம்.

புரத கட்டமைப்புகள் பொதுவாக எக்ஸ்-கதிர் படிகவியல், அணு காந்த அதிர்வு மற்றும் கிரையோ-எலக்ட்ரான் நுண்ணோக்கி மூலம் தீர்மானிக்கப்படுகின்றன. இந்த முறைகள் விலை உயர்ந்தவை மற்றும் நேரத்தை எடுத்துக்கொள்ளும். இதன் விளைவாக சுமார் 200,000 கட்டமைப்பு தரவுகளுடன் ஏற்கனவே உள்ள 3D புரத கட்டமைப்பு தரவுத்தளங்கள் உருவாகின்றன, அதே நேரத்தில் DNA வரிசைமுறை தொழில்நுட்பம் 8 மில்லியனுக்கும் அதிகமான புரத வரிசைகளை உருவாக்கியுள்ளது. 1960 களில், அன்ஃபின்சென் மற்றும் பலர் அமினோ அமிலங்களின் 1D வரிசை தன்னிச்சையாகவும் மீண்டும் மீண்டும் ஒரு செயல்பாட்டு முப்பரிமாண இணக்கமாக மடிக்க முடியும் என்பதைக் கண்டுபிடித்தனர் (படம் 1A), மேலும் மூலக்கூறு "சேப்பரோன்கள்" இந்த செயல்முறையை துரிதப்படுத்தி எளிதாக்க முடியும். இந்த அவதானிப்புகள் மூலக்கூறு உயிரியலில் 60 ஆண்டு சவாலுக்கு இட்டுச் செல்கின்றன: அமினோ அமிலங்களின் 1D வரிசையிலிருந்து புரதங்களின் 3D கட்டமைப்பை முன்னறிவித்தல். மனித ஜீனோம் திட்டத்தின் வெற்றியுடன், 1D அமினோ அமில வரிசைகளைப் பெறுவதற்கான நமது திறன் பெரிதும் மேம்பட்டுள்ளது, மேலும் இந்த சவால் இன்னும் அவசரமாகிவிட்டது.

புரத கட்டமைப்புகளை கணிப்பது பல காரணங்களுக்காக கடினம். முதலாவதாக, ஒவ்வொரு அமினோ அமிலத்திலும் உள்ள ஒவ்வொரு அணுவின் சாத்தியமான அனைத்து முப்பரிமாண நிலைகளுக்கும் நிறைய ஆய்வுகள் தேவை. இரண்டாவதாக, அணுக்களை திறம்பட உள்ளமைக்க புரதங்கள் அவற்றின் வேதியியல் கட்டமைப்பில் நிரப்புத்தன்மையை அதிகபட்சமாகப் பயன்படுத்துகின்றன. புரதங்கள் பொதுவாக நூற்றுக்கணக்கான ஹைட்ரஜன் பிணைப்பு "நன்கொடையாளர்கள்" (பொதுவாக ஆக்ஸிஜன்) கொண்டிருப்பதால், அவை ஹைட்ரஜன் பிணைப்பு "ஏற்றுக்கொள்ளுபவருக்கு" (பொதுவாக நைட்ரஜன் ஹைட்ரஜனுடன் பிணைக்கப்பட்டுள்ளது) நெருக்கமாக இருக்க வேண்டும், கிட்டத்தட்ட ஒவ்வொரு நன்கொடையாளரும் ஏற்பிக்கு அருகில் இருக்கும் இணக்கங்களைக் கண்டறிவது மிகவும் கடினமாக இருக்கும். மூன்றாவதாக, சோதனை முறைகளைப் பயிற்றுவிப்பதற்கான வரையறுக்கப்பட்ட எடுத்துக்காட்டுகள் உள்ளன, எனவே தொடர்புடைய புரதங்களின் பரிணாமம் குறித்த தகவல்களைப் பயன்படுத்தி 1D வரிசைகளின் அடிப்படையில் அமினோ அமிலங்களுக்கு இடையிலான சாத்தியமான முப்பரிமாண தொடர்புகளைப் புரிந்துகொள்வது அவசியம்.

சிறந்த இணக்கத்திற்கான தேடலில் அணுக்களின் தொடர்புகளை மாதிரியாக்க இயற்பியல் முதன்முதலில் பயன்படுத்தப்பட்டது, மேலும் புரதங்களின் கட்டமைப்பை கணிக்க ஒரு முறை உருவாக்கப்பட்டது. புரதங்களின் கணக்கீட்டு உருவகப்படுத்துதலில் அவர்களின் பணிக்காக கார்ப்ளஸ், லெவிட் மற்றும் வார்ஷெல் ஆகியோருக்கு 2013 ஆம் ஆண்டு வேதியியலுக்கான நோபல் பரிசு வழங்கப்பட்டது. இருப்பினும், இயற்பியல் அடிப்படையிலான முறைகள் கணக்கீட்டு ரீதியாக விலை உயர்ந்தவை மற்றும் தோராயமான செயலாக்கம் தேவை, எனவே துல்லியமான முப்பரிமாண கட்டமைப்புகளை கணிக்க முடியாது. மற்றொரு "அறிவு சார்ந்த" அணுகுமுறை, செயற்கை நுண்ணறிவு மற்றும் இயந்திர கற்றல் (AI-ML) மூலம் மாதிரிகளைப் பயிற்றுவிக்க அறியப்பட்ட கட்டமைப்புகள் மற்றும் வரிசைகளின் தரவுத்தளங்களைப் பயன்படுத்துவது. ஹாசாபிஸ் மற்றும் ஜம்பர் இயற்பியல் மற்றும் AI-ML இரண்டின் கூறுகளையும் பயன்படுத்துகின்றனர், ஆனால் அணுகுமுறையின் செயல்திறனில் புதுமை மற்றும் பாய்ச்சல் முதன்மையாக AI-ML இலிருந்து உருவாகிறது. இரண்டு ஆராய்ச்சியாளர்களும் ஆல்பாஃபோல்டை உருவாக்க தொழில்துறை தர கணினி வளங்களுடன் பெரிய பொது தரவுத்தளங்களை ஆக்கப்பூர்வமாக இணைத்தனர்.

கட்டமைப்பு கணிப்பு புதிரை அவர்கள் "தீர்த்துவிட்டார்கள்" என்று நமக்கு எப்படித் தெரியும்? 1994 ஆம் ஆண்டில், கட்டமைப்பு கணிப்புக்கான விமர்சன மதிப்பீடு (CASP) போட்டி நிறுவப்பட்டது, இது கட்டமைப்பு கணிப்பின் முன்னேற்றத்தைக் கண்காணிக்க ஒவ்வொரு இரண்டு வருடங்களுக்கும் கூடுகிறது. ஆராய்ச்சியாளர்கள் சமீபத்தில் தீர்க்கப்பட்ட, ஆனால் அதன் முடிவுகள் இன்னும் வெளியிடப்படாத புரதத்தின் 1D வரிசையைப் பகிர்ந்து கொள்வார்கள். இந்த 1D வரிசையைப் பயன்படுத்தி முன்னறிவிப்பாளர் முப்பரிமாண கட்டமைப்பைக் கணிப்பார், மேலும் மதிப்பீட்டாளர் பரிசோதனையாளரால் வழங்கப்பட்ட முப்பரிமாண அமைப்புடன் (மதிப்பீட்டாளருக்கு மட்டுமே வழங்கப்படுகிறது) ஒப்பிடுவதன் மூலம் கணிக்கப்பட்ட முடிவுகளின் தரத்தை சுயாதீனமாக தீர்மானிக்கிறார். CASP உண்மையான குருட்டு மதிப்புரைகளை நடத்துகிறது மற்றும் முறைசார் கண்டுபிடிப்புடன் தொடர்புடைய காலமுறை செயல்திறன் தாவல்களைப் பதிவு செய்கிறது. 2020 இல் 14வது CASP மாநாட்டில், AlphaFold இன் கணிப்பு முடிவுகள் செயல்திறனில் இவ்வளவு பாய்ச்சலைக் காட்டியது, 3D கட்டமைப்பு கணிப்பு சிக்கல் தீர்க்கப்பட்டதாக அமைப்பாளர்கள் அறிவித்தனர்: பெரும்பாலான கணிப்புகளின் துல்லியம் சோதனை அளவீடுகளின் துல்லியத்திற்கு அருகில் இருந்தது.

பரந்த முக்கியத்துவம் என்னவென்றால், ஹசாபிஸ் மற்றும் ஜம்பரின் பணி, AI-ML எவ்வாறு அறிவியலை மாற்ற முடியும் என்பதை உறுதியாக நிரூபிக்கிறது. அதன் ஆராய்ச்சி, AI-ML பல தரவு மூலங்களிலிருந்து சிக்கலான அறிவியல் கருதுகோள்களை உருவாக்க முடியும் என்பதையும், கவன வழிமுறைகள் (ChatGPT இல் உள்ளதைப் போன்றது) தரவு மூலங்களில் முக்கிய சார்புகள் மற்றும் தொடர்புகளைக் கண்டறிய முடியும் என்பதையும், AI-ML அதன் வெளியீட்டு முடிவுகளின் தரத்தை சுயமாக மதிப்பிட முடியும் என்பதையும் காட்டுகிறது. AI-ML அடிப்படையில் அறிவியலைச் செய்கிறது.