समाचार

इस वर्ष का लास्कर बेसिक मेडिकल रिसर्च पुरस्कार डेमिस हसबिस और जॉन जम्पर को अल्फाफोल्ड कृत्रिम बुद्धिमत्ता प्रणाली के निर्माण में उनके योगदान के लिए दिया गया, जो अमीनो एसिड के प्रथम क्रम अनुक्रम के आधार पर प्रोटीन की त्रि-आयामी संरचना की भविष्यवाणी करती है।

उनके परिणाम एक ऐसी समस्या का समाधान करते हैं जो लंबे समय से वैज्ञानिक समुदाय को परेशान कर रही है और जैव चिकित्सा क्षेत्र में अनुसंधान को गति देने का मार्ग प्रशस्त करते हैं। प्रोटीन रोग के विकास में महत्वपूर्ण भूमिका निभाते हैं: अल्ज़ाइमर रोग में, वे मुड़ जाते हैं और एक साथ चिपक जाते हैं; कैंसर में, उनका नियामक कार्य नष्ट हो जाता है; जन्मजात चयापचय विकारों में, वे निष्क्रिय हो जाते हैं; सिस्टिक फाइब्रोसिस में, वे कोशिका में गलत स्थान पर चले जाते हैं। ये रोग उत्पन्न करने वाले कई तंत्रों में से कुछ ही हैं। विस्तृत प्रोटीन संरचना मॉडल परमाणु विन्यास प्रदान कर सकते हैं, उच्च-सम्बन्धी अणुओं के डिज़ाइन या चयन को गति प्रदान कर सकते हैं, और दवा खोज में तेजी ला सकते हैं।

प्रोटीन संरचनाओं का निर्धारण आम तौर पर एक्स-रे क्रिस्टलोग्राफी, परमाणु चुंबकीय अनुनाद और क्रायो-इलेक्ट्रॉन माइक्रोस्कोपी द्वारा किया जाता है। ये विधियां महंगी और समय लेने वाली हैं। इसके परिणामस्वरूप मौजूदा 3D प्रोटीन संरचना डेटाबेस में केवल लगभग 200,000 संरचनात्मक डेटा हैं, जबकि डीएनए अनुक्रमण तकनीक ने 8 मिलियन से अधिक प्रोटीन अनुक्रम उत्पन्न किए हैं। 1960 के दशक में, एनफिन्सन एट अल ने पता लगाया कि अमीनो एसिड का 1D अनुक्रम स्वचालित रूप से और बार-बार एक कार्यात्मक त्रि-आयामी संरूपण (चित्र 1A) में बदल सकता है, और आणविक "चैपरोन" इस प्रक्रिया को तेज और सुविधाजनक बना सकते हैं। ये अवलोकन आणविक जीव विज्ञान में 60 साल की चुनौती की ओर ले जाते हैं: अमीनो एसिड के 1D अनुक्रम से प्रोटीन की 3D संरचना की भविष्यवाणी करना।

प्रोटीन संरचनाओं की भविष्यवाणी कई कारणों से कठिन है। पहला, प्रत्येक अमीनो अम्ल में प्रत्येक परमाणु की सभी संभावित त्रि-आयामी स्थितियों के लिए गहन अन्वेषण की आवश्यकता होती है। दूसरा, प्रोटीन अपनी रासायनिक संरचना में परमाणुओं को कुशलतापूर्वक संयोजित करने के लिए पूरकता का अधिकतम उपयोग करते हैं। चूँकि प्रोटीन में आमतौर पर सैकड़ों हाइड्रोजन बंध "दाता" (आमतौर पर ऑक्सीजन) होते हैं, जिन्हें हाइड्रोजन बंध "ग्राही" (आमतौर पर हाइड्रोजन से बंधा नाइट्रोजन) के निकट होना चाहिए, इसलिए ऐसी संरचनाएँ खोजना बहुत कठिन हो सकता है जहाँ लगभग प्रत्येक दाता ग्राही के निकट हो। तीसरा, प्रायोगिक विधियों के प्रशिक्षण के लिए सीमित उदाहरण उपलब्ध हैं, इसलिए संबंधित प्रोटीनों के विकास की जानकारी का उपयोग करके 1D अनुक्रमों के आधार पर अमीनो अम्लों के बीच संभावित त्रि-आयामी अंतःक्रियाओं को समझना आवश्यक है।

सर्वोत्तम संरूपण की खोज में परमाणुओं की परस्पर क्रिया के मॉडल के लिए पहली बार भौतिकी का उपयोग किया गया था, और प्रोटीन की संरचना की भविष्यवाणी करने के लिए एक विधि विकसित की गई थी। प्रोटीन के कम्प्यूटेशनल सिमुलेशन पर उनके काम के लिए कार्प्लस, लेविट और वारशेल को 2013 में रसायन विज्ञान का नोबेल पुरस्कार दिया गया था। हालांकि, भौतिकी-आधारित विधियां कम्प्यूटेशनल रूप से महंगी हैं और अनुमानित प्रसंस्करण की आवश्यकता होती है, इसलिए सटीक त्रि-आयामी संरचनाओं की भविष्यवाणी नहीं की जा सकती है। एक अन्य "ज्ञान-आधारित" दृष्टिकोण कृत्रिम बुद्धिमत्ता और मशीन लर्निंग (एआई-एमएल) के माध्यम से मॉडलों को प्रशिक्षित करने के लिए ज्ञात संरचनाओं और अनुक्रमों के डेटाबेस का उपयोग करना है। हसबिस और जम्पर भौतिकी और एआई-एमएल दोनों के तत्वों को लागू करते हैं

हमें कैसे पता चलेगा कि उन्होंने संरचनात्मक भविष्यवाणी की पहेली को "हल" कर लिया है? 1994 में, संरचना भविष्यवाणी का महत्वपूर्ण मूल्यांकन (CASP) प्रतियोगिता की स्थापना की गई थी, जो संरचनात्मक भविष्यवाणी की प्रगति को ट्रैक करने के लिए हर दो साल में मिलती है। शोधकर्ता प्रोटीन के 1D अनुक्रम को साझा करेंगे जिसकी संरचना उन्होंने हाल ही में हल की है, लेकिन जिसके परिणाम अभी तक प्रकाशित नहीं हुए हैं। भविष्यवक्ता इस 1D अनुक्रम का उपयोग करके त्रि-आयामी संरचना की भविष्यवाणी करता है, और मूल्यांकनकर्ता स्वतंत्र रूप से प्रयोगात्मक द्वारा प्रदान की गई त्रि-आयामी संरचना (केवल मूल्यांकनकर्ता को प्रदान की गई) से तुलना करके पूर्वानुमानित परिणामों की गुणवत्ता का न्याय करता है। CASP सही ब्लाइंड समीक्षाएं करता है और पद्धतिगत नवाचार से जुड़े आवधिक प्रदर्शन कूद को रिकॉर्ड करता है। 2020 में 14वें CASP सम्मेलन में

व्यापक महत्व यह है कि हसबिस और जम्पर का काम इस बात को पुख्ता तौर पर दर्शाता है कि कैसे AI-ML विज्ञान को बदल सकता है। उनके शोध से पता चलता है कि AI-ML कई डेटा स्रोतों से जटिल वैज्ञानिक परिकल्पनाएँ बना सकता है, ध्यान तंत्र (ChatGPT के समान) डेटा स्रोतों में प्रमुख निर्भरताओं और सहसंबंधों की खोज कर सकता है, और AI-ML अपने आउटपुट परिणामों की गुणवत्ता का स्वयं मूल्यांकन कर सकता है। AI-ML मूलतः विज्ञान कर रहा है।