સમાચાર

આ વર્ષનો લાસ્કર બેઝિક મેડિકલ રિસર્ચ એવોર્ડ ડેમિસ હાસાબીસ અને જોન જમ્પરને આલ્ફાફોલ્ડ આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમના નિર્માણમાં તેમના યોગદાન બદલ એનાયત કરવામાં આવ્યો હતો જે એમિનો એસિડના પ્રથમ ક્રમના ક્રમના આધારે પ્રોટીનની ત્રિ-પરિમાણીય રચનાની આગાહી કરે છે.

તેમના પરિણામો એક સમસ્યાનું નિરાકરણ લાવે છે જે લાંબા સમયથી વૈજ્ઞાનિક સમુદાયને પરેશાન કરે છે અને બાયોમેડિકલ ક્ષેત્રમાં સંશોધનને વેગ આપવા માટે દ્વાર ખોલે છે. પ્રોટીન રોગના વિકાસમાં મુખ્ય ભૂમિકા ભજવે છે: અલ્ઝાઇમર રોગમાં, તેઓ એકસાથે ફોલ્ડ અને ગંઠાઈ જાય છે; કેન્સરમાં, તેમનું નિયમનકારી કાર્ય ખોવાઈ જાય છે; જન્મજાત મેટાબોલિક ડિસઓર્ડરમાં, તેઓ નિષ્ક્રિય હોય છે; સિસ્ટિક ફાઇબ્રોસિસમાં, તેઓ કોષમાં ખોટી જગ્યામાં જાય છે. આ ઘણી પદ્ધતિઓમાંથી થોડા છે જે રોગનું કારણ બને છે. વિગતવાર પ્રોટીન માળખાના મોડેલો અણુ રૂપરેખાંકનો પ્રદાન કરી શકે છે, ઉચ્ચ-સંબંધિત પરમાણુઓની ડિઝાઇન અથવા પસંદગીને ચલાવી શકે છે અને દવાની શોધને વેગ આપી શકે છે.

પ્રોટીન માળખાં સામાન્ય રીતે એક્સ-રે ક્રિસ્ટલોગ્રાફી, ન્યુક્લિયર મેગ્નેટિક રેઝોનન્સ અને ક્રાયો-ઇલેક્ટ્રોન માઇક્રોસ્કોપી દ્વારા નક્કી કરવામાં આવે છે. આ પદ્ધતિઓ ખર્ચાળ અને સમય માંગી લે તેવી છે. આના પરિણામે હાલના 3D પ્રોટીન માળખાં ડેટાબેઝમાં ફક્ત 200,000 માળખાકીય ડેટા હોય છે, જ્યારે DNA સિક્વન્સિંગ ટેકનોલોજીએ 8 મિલિયનથી વધુ પ્રોટીન સિક્વન્સ ઉત્પન્ન કર્યા છે. 1960 ના દાયકામાં, એન્ફિન્સેન અને અન્ય લોકોએ શોધ્યું કે એમિનો એસિડનો 1D ક્રમ સ્વયંભૂ અને પુનરાવર્તિત રીતે કાર્યાત્મક ત્રિ-પરિમાણીય રચનામાં ફોલ્ડ થઈ શકે છે (આકૃતિ 1A), અને તે પરમાણુ "ચેપરોન્સ" આ પ્રક્રિયાને વેગ અને સુવિધા આપી શકે છે. આ અવલોકનો મોલેક્યુલર બાયોલોજીમાં 60-વર્ષના પડકાર તરફ દોરી જાય છે: એમિનો એસિડના 1D ક્રમમાંથી પ્રોટીનની 3D રચનાની આગાહી કરવી. માનવ જીનોમ પ્રોજેક્ટની સફળતા સાથે, 1D એમિનો એસિડ સિક્વન્સ મેળવવાની આપણી ક્ષમતામાં ઘણો સુધારો થયો છે, અને આ પડકાર વધુ તાકીદનો બની ગયો છે.

પ્રોટીન રચનાઓની આગાહી કરવી ઘણા કારણોસર મુશ્કેલ છે. પ્રથમ, દરેક એમિનો એસિડમાં દરેક અણુની બધી શક્ય ત્રિ-પરિમાણીય સ્થિતિઓ માટે ઘણી શોધખોળની જરૂર પડે છે. બીજું, પ્રોટીન પરમાણુઓને કાર્યક્ષમ રીતે ગોઠવવા માટે તેમના રાસાયણિક બંધારણમાં પૂરકતાનો મહત્તમ ઉપયોગ કરે છે. પ્રોટીનમાં સામાન્ય રીતે સેંકડો હાઇડ્રોજન બોન્ડ "દાતાઓ" (સામાન્ય રીતે ઓક્સિજન) હોય છે જે હાઇડ્રોજન બોન્ડ "સ્વીકારકર્તા" (સામાન્ય રીતે નાઇટ્રોજન હાઇડ્રોજન સાથે બંધાયેલ) ની નજીક હોવા જોઈએ, તેથી જ્યાં લગભગ દરેક દાતા સ્વીકારનારની નજીક હોય ત્યાં રચનાઓ શોધવા ખૂબ મુશ્કેલ હોઈ શકે છે. ત્રીજું, પ્રાયોગિક પદ્ધતિઓની તાલીમ માટે મર્યાદિત ઉદાહરણો છે, તેથી સંબંધિત પ્રોટીનના ઉત્ક્રાંતિ પરની માહિતીનો ઉપયોગ કરીને 1D સિક્વન્સના આધારે એમિનો એસિડ વચ્ચે સંભવિત ત્રિ-પરિમાણીય ક્રિયાપ્રતિક્રિયાઓને સમજવી જરૂરી છે.

શ્રેષ્ઠ રચનાની શોધમાં અણુઓની ક્રિયાપ્રતિક્રિયાનું મોડેલિંગ કરવા માટે ભૌતિકશાસ્ત્રનો સૌપ્રથમ ઉપયોગ કરવામાં આવ્યો હતો, અને પ્રોટીનની રચનાની આગાહી કરવા માટે એક પદ્ધતિ વિકસાવવામાં આવી હતી. પ્રોટીનના કોમ્પ્યુટેશનલ સિમ્યુલેશન પરના તેમના કાર્ય માટે કાર્પ્લસ, લેવિટ અને વોર્શેલને 2013 માં રસાયણશાસ્ત્રમાં નોબેલ પુરસ્કાર એનાયત કરવામાં આવ્યો હતો. જો કે, ભૌતિકશાસ્ત્ર-આધારિત પદ્ધતિઓ કોમ્પ્યુટેશનલ રીતે ખર્ચાળ છે અને અંદાજિત પ્રક્રિયાની જરૂર છે, તેથી ચોક્કસ ત્રિ-પરિમાણીય રચનાઓની આગાહી કરી શકાતી નથી. બીજો "જ્ઞાન-આધારિત" અભિગમ કૃત્રિમ બુદ્ધિ અને મશીન લર્નિંગ (AI-ML) દ્વારા મોડેલોને તાલીમ આપવા માટે જાણીતા માળખાં અને ક્રમના ડેટાબેઝનો ઉપયોગ કરવાનો છે. હસાબીસ અને જમ્પર ભૌતિકશાસ્ત્ર અને AI-ML બંનેના તત્વો લાગુ કરે છે, પરંતુ અભિગમની નવીનતા અને કામગીરીમાં છલાંગ મુખ્યત્વે AI-ML માંથી ઉદ્ભવે છે. બંને સંશોધકોએ આલ્ફાફોલ્ડ બનાવવા માટે ઔદ્યોગિક-ગ્રેડ કમ્પ્યુટિંગ સંસાધનો સાથે મોટા જાહેર ડેટાબેઝને સર્જનાત્મક રીતે જોડ્યા.

આપણે કેવી રીતે જાણી શકીએ કે તેમણે માળખાકીય આગાહી કોયડો "ઉકેલ" કર્યો છે? 1994 માં, ક્રિટિકલ એસેસમેન્ટ ઓફ સ્ટ્રક્ચર પ્રિડિક્શન (CASP) સ્પર્ધાની સ્થાપના કરવામાં આવી હતી, જે માળખાકીય આગાહીની પ્રગતિને ટ્રેક કરવા માટે દર બે વર્ષે મળે છે. સંશોધકો પ્રોટીનનો 1D ક્રમ શેર કરશે જેની રચના તેમણે તાજેતરમાં ઉકેલી છે, પરંતુ જેના પરિણામો હજુ સુધી પ્રકાશિત થયા નથી. આગાહી કરનાર આ 1D ક્રમનો ઉપયોગ કરીને ત્રિ-પરિમાણીય માળખાની આગાહી કરે છે, અને મૂલ્યાંકનકાર સ્વતંત્ર રીતે અનુમાનિત પરિણામોની ગુણવત્તાનું મૂલ્યાંકન પ્રયોગકર્તા દ્વારા પૂરી પાડવામાં આવેલ ત્રિ-પરિમાણીય માળખા સાથે કરીને કરે છે (ફક્ત મૂલ્યાંકનકર્તાને પ્રદાન કરવામાં આવે છે). CASP સાચી અંધ સમીક્ષાઓ કરે છે અને પદ્ધતિસરની નવીનતા સાથે સંકળાયેલ સમયાંતરે પ્રદર્શન કૂદકા રેકોર્ડ કરે છે. 2020 માં 14મી CASP કોન્ફરન્સમાં, આલ્ફાફોલ્ડના આગાહી પરિણામોએ પ્રદર્શનમાં એટલી છલાંગ દર્શાવી કે આયોજકોએ જાહેરાત કરી કે 3D માળખાની આગાહી સમસ્યા હલ થઈ ગઈ છે: મોટાભાગની આગાહીઓની ચોકસાઈ પ્રાયોગિક માપનની નજીક હતી.

વ્યાપક મહત્વ એ છે કે હાસાબીસ અને જમ્પરનું કાર્ય ખાતરીપૂર્વક દર્શાવે છે કે AI-ML વિજ્ઞાનને કેવી રીતે બદલી શકે છે. તેમનું સંશોધન દર્શાવે છે કે AI-ML બહુવિધ ડેટા સ્ત્રોતોમાંથી જટિલ વૈજ્ઞાનિક પૂર્વધારણાઓ બનાવી શકે છે, ધ્યાન પદ્ધતિઓ (ચેટજીપીટીમાં સમાન) ડેટા સ્ત્રોતોમાં મુખ્ય નિર્ભરતા અને સહસંબંધો શોધી શકે છે, અને AI-ML તેના આઉટપુટ પરિણામોની ગુણવત્તાનું સ્વ-ન્યાય કરી શકે છે. AI-ML મૂળભૂત રીતે વિજ્ઞાન કરી રહ્યું છે.