اگه از هوش مصنوعی (AI) شنیدین و براتون سوال بوده قراره دقیقاً تو حوزه پزشکی یا زیست‌فناوری چه کار هیجان‌انگیزی انجام بده، پس این مقاله رو از دست ندین!
یه تیم خفن از محقق‌ها اومدن از مدل‌های خیلی پیشرفته‌ی هوش مصنوعی استفاده کردن تا پپتیدهایی رو طراحی کنن که بتونن با آمیلوئید بتا (Amyloid-β یا همون Aβ که نقش اصلی تو آلزایمر داره) بچسبن و شاید حتی کمک کنن تمیزش کنن. پپتیدها، همون تیکه‌های کوچیک پروتئین هستن که می‌تونن کارهای خاص تو بدن انجام بدن.
حالا از اون طرف، مدل BiLSTM چی هست؟ این یه نوع شبکه عصبی هوش مصنوعی مخصوص داده‌های ترتیبیه و با اسمش یه کم ترسناک به نظر می‌رسه (Bidirectional Long Short-Term Memory)، ولی خلاصه‌ش اینه که تو محیط‌های مثل زبان یا توالی پروتئین‌ها، خیلی خوب می‌فهمه وضعیت چطوره. اگه بخوام باحالت توضیح بدم: BiLSTM یعنی مغزی که هم جلو رو می‌فهمه هم عقب رو، پس می‌تونه سر و ته قضیه رو با هم بچسبونه!
توی این پژوهش، اولش مدل رو با کلی پروتئین که اطلاعاتشون با «Gene Ontology» یا همون واژه‌نامه جامع صفات ژنی مشخص شدن آموزش دادن. این GO مشخص می‌کنه کدوم پروتئین‌ها با آمیلوئید بتا تعامل دارن. بعد، مدل سراغ تکه‌پپتیدهای واقعی و معتبر که تو آزمایشگاه تست شدن هم رفت تا ذره‌بینش قوی‌تر شه!
هدفشون این بود که پپتیدهایی بسازن که بتونن اختصاصی Aβ42 رو هدف بگیرن. (Aβ42 یه نسخه خاص و معروف از آمیلوئید بتاست که توی آلزایمر کلی دردسر درست می‌کنه و باعث تجمعات سمی میشه)
محقق‌ها با این مدل هوش مصنوعی تونستن ۱۰۰۰ تا توالی پپتیدی جدید بسازن، اما خب همشون که به درد نمی‌خورن! پس یه سری فیلتر بیوفیزیکی مثل GRAVY (شاخص آبدوستی/آبگریزی)، شاخص پایداری و انتروپی شانون (که یه جوری میزان تنوع و نظم رو می‌سنجه) گذاشتن و تهش ۲۵ تا کاندید جدی پیدا کردن.
از بین این ۲۵ تا، با آنالیز شباهت توالی، یازده‌تاش رو انتخاب کردن و اسم‌های باحال ADNP1 تا ADNP11 روشون گذاشتن (مخفف: AI-Designed Novel Peptides).
اینجا مدل‌سازی ساختاری و چیزی به اسم docking هم وارد کار شد: اول از AlphaFold2 استفاده کردن (یه ابزار خیلی معروف هوش مصنوعی برای مدل‌سازی ساختار سه‌بعدی پروتئین‌ها) و بعد با pyDockWEB چک کردن این پپتیدها چطور به Aβ42 می‌چسبن. نتیجه چی شد؟ ADNP7 از همه بهتر عمل کرد! امتیاز docking منفی ۶۳.۳۳ کیلوکالری بر مول شد – هرچی این عدد منفی‌تر باشه یعنی اتصال قوی‌تر.
نکته جذاب‌ترش اینه که این اتصال دقیقاً به منطقه‌هایی از Aβ می‌چسبه که معروف به «aggregation-prone» هستن (یعنی اون بخش‌هایی که عاشق جمع شدن و ایجاد توده سمی هستن، و واقعاً دردسر حساب می‌شن).
برای اینکه خیالشون راحت باشه اتصال واقعاً پایداره، اومدن شبیه‌سازی دینامیک مولکولی در ابعاد اتمی اجرا کردن (یک روش شبیه فیلمبرداری بسیار دقیق از رفتار مولکول‌ها برای ۲۰ نانوثانیه). همه‌چی استوار بود! آنالیز MM/PBSA هم نشون داد انرژی اتصال خیلی عالیه (منفی ۵۰.۶ کیلوکالری بر مول)، که بیشتر به خاطر برهم‌کنش‌های آبگریز و آروماتیک (مثل اون بین PHE12 و TRP50 در ADNP7) بود.
در نهایتش چی؟ این مدل BiLSTM واقعاً می‌تونه پپتیدهایی بسازه که نه‌تنها جدید و پایدارن، بلکه قابلیت اتصال خیلی بالایی به هدف‌های درمانی دارن، مخصوصاً برای بیماری‌هایی مثل آلزایمر. البته یه نکته: داده‌های آموزش شامل پروتئین‌هایی بود که به روند پاکسازی آمیلوئید بتا هم مربوط می‌شدن (GO:0097242)، اما فعلاً تو کامپیوتر فقط چسبیدن پپتیدها رو چک کردن، یعنی هنوز پاکسازی عملی تو تست‌های آزمایشگاهی ثابت نشده و قراره بعداً سراغش برن.
خلاصه‌ش این کار نشون میده که میشه با کمک هوش مصنوعی، یه خط تولید خفن و عمومی برای طراحی پپتید کاربردی راه انداخت؛ چیزی که می‌تونه تو درمان و کشف دارو یا حتی زیست‌سنتز، کلی جابه‌جایی ایجاد کنه!
منبع: +
