خب بذارید از اولش بگم! پنج سال پیش، یه جوون باهوش به اسم جان جامپر که دکترای شیمی نظری داشت، شنید که توی گوگل دیپ‌مایند، یه پروژه مخفی راه افتاده برای پیش‌بینی ساختار پروتئین‌ها. (پروتئین همون جور که می‌دونید، یه جور ماشین بیولوژیکی توی بدنه که کلی کار مختلف انجام می‌ده؛ از ساخت عضله گرفته تا حمل اکسیژن و حتی کنترل سیستم ایمنی بدن!)
جامپر به پروژه پیوست و با کمک مدیرعامل دیپ‌مایند (دمیس هسابیس)، چیزی ساختن به اسم آلفافولد ۲ که ترکوند! این هوش مصنوعی (AI یعنی همون مغز کامپیوتری‌ای که خودش تصمیم می‌گیره و یاد می‌گیره)، می‌تونست شکل پروتئین رو با دقت عجیب، توی چند ساعت پیش‌بینی کنه. قبلش، برای چنین پیش‌بینی‌هایی، ماه‌ها وقت و کلی پول درمیومد. کاری که آلفافولد کرد، بعد از ۵۰ سال بالاخره یکی از بزرگترین چالش‌های زیست‌شناسی رو حل کرد.
جامپر و هسابیس امسال (۲۰۲۴) حتی جایزه نوبل شیمی رو هم بُردن برای همین شاهکار.
حالا که چند سال از پیدایش آلفافولد گذشته، پرسیدن که خب دقیقاً این ابزار فوق‌العاده چه تاثیری گذاشته و دانشمندا باهاش چی کارا می‌کنن؟ آلفافولد از مرحله اولیه‌اش خیلی ارتقا پیدا کرده؛ نسخه‌های جدیدتری مثل آلفافولد مالتی‌مر اومد (که می‌تونه چندتایی پروتئین رو باهم بررسی کنه) و بعد آلفافولد ۳ که سریعترینشه! تازه، این ابزار رو گذاشتن روی یه دیتابیس خیلی بزرگ به اسم UniProt (یه بانک اطلاعاتی که محقق‌ها همه جای دنیا هر روز باهاش کار می‌کنن). الان آلفافولد ساختار حدود ۲۰۰ میلیون پروتئین رو پیش‌بینی کرده — تقریباً تمام پروتئین‌هایی که علم تا الان می‌شناسه!
آلفافولد با استفاده از یه شبکه عصبی خاص به اسم Transformer کار می‌کنه (Transformer یعنی یه مدل هوش مصنوعیه که مثل مغز ما می‌تونه توی یه حجم زیاد دیتا، به جزئیات خیلی ریز دقت کنه؛ یه جور فن‌آوری که الان مدل‌های زبانی مثل ChatGPT هم دارن). جالبه بدونید جون جامپر میگه راز موفقیت‌شون سرعت بالای تست مدل بوده؛ با این سرعت می‌تونستن هزار جور ایده و فرضیه رو آزمایش کنن تا بالاخره یه راه جواب بده پیدا شد.
اما شوخی شوخی، حتی خودش هم فکر نمی‌کرد دانشمندا به این سرعت از آلفافولد تو هزار تا زمینه مختلف استفاده کنن! مثلاً، یه گروه تحقیقاتی از این سیستم برای بررسی مقاومت زنبورعسل‌ها به بیماری استفاده کرده — یعنی حتی انتظار نداشتن یه روز پای آلفافولد به زنبورداری باز شه! یه مثال جالب دیگه، تیمی بود که می‌خواست بفهمه اسپرم انسان چطوری به تخمک می‌چسبه. اونا هزاران پروتئین سطحی اسپرم رو با آلفافولد بررسی کردن تا آخرش یکی رو پیدا کردن که احتمالاً همونیه که دنبالشن. آزمایشگاه بعدش تاییدش کرد! واقعاً معلوم نیست آلفافولد دیگه کجاها سر ازش در می‌آره!
یه استفاده جالب دیگه، داستان طراحی پروتئین‌های مصنوعیه (Synthetic Proteins یعنی ساخت پروتئین جورواجور که تو طبیعت نیست و می‌تونه کار خاصی انجام بده. مثل نابود کردن پلاستیک یا درمان بیماری). گروه David Baker، حتی یه ابزار مخصوص به اسم RoseTTAFold ساختن که کلی از تکنولوژی آلفافولد الهام گرفته. پروسه ساخت پروتئین با کمک آلفافولد ده برابر سریع‌تر شده. هر چی پیش‌بینی ساختار دقیق‌تر و مطمئن‌تر باشه، احتمال موفقیت طراحی هم بالا میره.
البته هنوز محدودیت‌هایی هم هست. مثلاً برای مدل‌کردن تعامل چند پروتئین یا پروتئین و مولکولای کوچیک، آلفافولد به این راحتی‌ها جواب دقیق نمی‌ده؛ مثلاً یه جوریه که ممکنه خروجیش درست باشه، ممکن هم هست اشتباه بده با همون اعتماد! مثل همون داستان ChatGPT که گاهی با اعتمادبه‌نفس جمله اشتباه میگه.
با این وجود محسوب این سیستم واقعاً دانشمندان رو کمک کرده که قبل از اینکه توی آزمایشگاه وقت و هزینه زیادی بذارن، ورژن مجازی آزمایش‌هاشون رو با آلفافولد چک کنن و تصمیم بگیرن اصلاً اون آزمایش فیزیکی ارزششو داره یا نه.
الان کلی استارتاپ و دانشگاه دارن از رو آلفافولد ابزارهایی مخصوص کشف دارو می‌سازن. مثلاً تیمی از MIT و یه شرکت به اسم Recursion، مدلی آوردن به اسم Boltz-2 که علاوه بر ساختار خود پروتئین، حتی قدرت اتصال داروهای مختلف به هدفشون رو هم پیش‌بینی می‌کنه (یعنی میگه فلان دارو چقدر احتمال داره دقیق بچسبه به پروتئین موردنظر). یا مدل Pearl که توسط Genesis Molecular AI ساخته شده، تو بعضی پیش‌بینی‌ها حتی دقیق‌تر از آلفافولد ۳ شده!
دقت این سیستم‌ها داره کمتر و کمتر می‌شه — حالا دیگه حرف زیر یک آنگسترومه! (آنگستروم یعنی ده میلیونوم میلی‌متر، یعنی وسعت یه اتم هیدروژن.) این مقدار کم شدن خطا برای داروسازی خیلی مهمه؛ چون اگه پیش‌بینی اتصال‌ها حتی یه ذره خطا داشته باشه، کل فرایند طراحی دارو به هم می‌ریزه.
اما جامپر خودش واقع‌بینانه نگاه می‌کنه و میگه پیش‌بینی ساختار پروتئین فقط یکی از هزار مشکل زیست‌شناسیه؛ بازم راه خیلی زیاده تا مثلاً «درمان ابدی» اختراع کنیم! قبلاً پیدا کردن ساختار یه پروتئین تو آزمایشگاه شاید صد هزار دلار خرج داشت. اما هنوز دیگه کارها مونده.
برنامه بعدی جامپر هم خیلی هیجان‌انگیزه: ترکیب قدرت تخصصی آلفافولد با تواناییِ مدل‌های زبانی بزرگ (LLMها همون مدل‌های زبانی هوشمندین؛ مثلاً ChatGPT، که می‌تونن متنو بفهمن و نتیجه‌گیری پیچیده انجام بدن). خودش میگه: “ما الان ماشین‌هایی داریم که دانش علمی رو می‌خونن و حتی می‌تونن حدس و تحلیل علمی انجام بدن. حالا باید این دو فن‌آوری رو قاطی کنیم!”
حتی تو دیپ‌مایند یه سیستم دارن می‌سازن به اسم AlphaEvolve که مثلاً مدل زبانی (LLM) براش راه‌حل پیشنهادی می‌ده و یه مدل دیگه اون راه‌حلارو فیلتر می‌کنه. اینجوری یه موتور حل مسئله واقعی ایجاد می‌شه که قبلاً تو ریاضیات و علوم کامپیوتر کشف‌های عملی جدید داشته.
راستی جامپر الان فقط ۳۹ سالشه و میگه: “فکر می‌کنم جوون‌ترین برنده نوبل در شیمی تو هفتادپنج سال گذشته‌ام! حالا دیگه نمی‌خوام حتماً کار بعدیم هم نوبلی باشه، می‌خوام سراغ ایده‌های کوچیک‌تر و جذاب‌تر برم و ازشون بکشم.” خلاصه، خودش هم می‌دونه مهم ادامه دادن و خلاقیت داشتن توی علمه؛ حتی اگه دیگه جایزه نوبل نگیره!
در کل، آلفافولد ثابت کرد هوش مصنوعی وقتی با علم دست به یکی می‌شه، می‌تونه همه‌چی رو از ریشه تغییر بده. اما دوران شاهکارای بزرگ انگار تازه داره شروع می‌شه!
منبع: +
