ابزاری که قواعد بازی را عوض کرد
از زمانی که ابزار دگرگونساز هوش مصنوعی «آلفافولد» (AlphaFold)، محصول گوگل دیپمایند (Google DeepMind)، در سال ۲۰۲۰ رونمایی شد، به محققان سراسر جهان کمک کرده است تا ساختار سهبعدی صدها میلیون پروتئین را پیشبینی کنند.
دکتر آندرهآ پائولی، بیوشیمیدان در مؤسسه تحقیقات پاتولوژی مولکولی وین، تقریباً یک دهه تلاش کرده بود تا چگونگی اتصال اسپرم و تخمک را درک کند. در سال ۲۰۱۸، آزمایشگاه او پروتئینی به نام Bouncer را روی سطح تخمک ماهی زبرا (Zebrafish) پیدا کرد که برای لقاح حیاتی بود. اما تیم پائولی و دیگران برای نشان دادن اینکه Bouncer چگونه سلولهای اسپرم را شناسایی میکند، با مشکل مواجه بودند. سپس یک انقلاب رخ داد.
انقلاب آلفافولد ۲ (AlphaFold2) و نوبل شیمی
پنج سال پیش، در اواخر نوامبر ۲۰۲۰، محققان گوگل دیپمایند در لندن از آلفافولد ۲ رونمایی کردند. این ابزار هوش مصنوعی، که برای پیشبینی ساختارهای پروتئینی طراحی شده بود، مدلهای سهبعدی بسیار دقیقی تولید کرد؛ به طوری که در برخی موارد، نتایج آن از نقشههای تجربی و آزمایشگاهی غیرقابل تشخیص بودند.
نسخه اولیه آلفافولد در سال ۲۰۱۸ معرفی شده بود، اما پیشبینیهای آن هرگز به خوبی جانشین خود نبود. انتشار کد آلفافولد ۲ و یک پایگاه داده (Database) که اکنون به صدها میلیون ساختار پیشبینیشده افزایش یافته است، به این معنی است که دانشمندان میتوانند برای تقریباً هر پروتئینی یک پیشبینی قابل اعتماد به دست آورند.
جانت تورنتون، متخصص بیوانفورماتیک در مؤسسه بیوانفورماتیک اروپا (EMBL–EBI)، میگوید: «در دسترس بودن مدلها برای تقریباً هر چیزی، تأثیر عظیمی داشته است. این مانند دومین ظهور زیستشناسی ساختاری است.»
این ابزار برای تیم پائولی، مسیری را روشن کرد که شاید هرگز به آن دست نمییافتند. مدل پیشبینی کرد که پروتئینی به نام Tmem81، یک مجموعه از دو پروتئین اسپرم دیگر را تثبیت میکند و یک جیب برای اتصال Bouncer ایجاد میکند. آزمایشهای بعدی، پیشبینیهای این ابزار را تأیید کردند. پائولی میگوید: «آلفافولد روند کشف را سرعت میبخشد. ما از آن برای هر پروژهای استفاده میکنیم.»
جایزه نوبل و دسترسی جهانی
مقاله تیم پائولی، که در سال ۲۰۲۴ منتشر شد، یکی از نزدیک به ۴۰,۰۰۰ مقاله ژورنالی است که مقاله توصیفکننده آلفافولد ۲ را (منتشر شده در نشریه Nature در ۲۰۲۱) ارجاع دادهاند.
جان جامپر از دیپمایند – که به همراه دمیس هاسابیس، مدیر اجرایی، نصف جایزه نوبل شیمی ۲۰۲۴ را برای توسعه آلفافولد به خود اختصاص داد – میگوید از مفید بودن این ابزار برای دانشمندانی مانند پائولی «عمیقاً احساس غرور» میکند.
محققان میگویند بخشی از تأثیر سریع آلفافولد ۲ به دلیل دسترسی آسان آن است. گوگل دیپمایند، کد اصلی و پارامترهای دیگر را به صورت رایگان در دسترس دانشمندان قرار داد.
- ۳.۳ میلیون کاربر در بیش از ۱۹۰ کشور به پایگاه داده آلفافولد (AFDB) دسترسی پیدا کردهاند.
- این پایگاه داده که توسط EMBL–EBI میزبانی میشود، حاوی بیش از ۲۴۰ میلیون پیشبینی ساختاری است.
- بیش از یک میلیون کاربر AFDB از کشورهای کمدرآمد و متوسط، از جمله چین و هند هستند.
انباشت پروتئین و تأثیر بر زیستشناسی
زمینهای که آلفافولد بیشترین تأثیر را در آن گذاشته است، زیستشناسی ساختاری (Structural Biology) است. یک مطالعه جدید که توسط گوگل دیپمایند تأمین مالی شده، نشان میدهد محققانی که از آلفافولد استفاده کردهاند، حدود ۵۰ درصد بیشتر از محققانی که از آن استفاده نکردهاند، ساختارهای پروتئینی را به بانک داده پروتئین (PDB) ارسال کردهاند.
جامپر میگوید که از اینکه آلفافولد ۲، که خود با استفاده از دادههای PDB آموزش دیده، برای استنتاج ساختارهای پروتئینی بسیار مفید واقع شده، بسیار خوشحال است. این ساختارهای پیشبینیشده میتوانند به محققان کمک کنند تا دادههای خام تولید شده توسط روشهایی مانند کریستالوگرافی اشعه ایکس و میکروسکوپ الکترونی کرایو را بهتر درک کنند.
حوزه دیگری که تحت تأثیر آلفافولد قرار گرفته، زیستشناسی محاسباتی (Computational Biology) است. تورنتون میگوید: «به جلسات میروید و تقریباً در هر سخنرانی، نام آلفافولد ذکر میشود.» در میان مقالاتی که به طور مستقیم آلفافولد ۲ را ارجاع دادهاند، زمینههای سنگین محاسباتی مانند کشف دارو با کمک هوش مصنوعی و طراحی پروتئین به خوبی دیده میشوند.
محمد القریشی، متخصص زیستشناسی محاسباتی در دانشگاه کلمبیا، میگوید در هفتهها و ماههای پس از معرفی آلفافولد ۲، یک «بحران وجودی» در میان محققان دانشگاهی که روی پیشبینی ساختار پروتئین کار میکردند، ایجاد شد؛ با این احساس که هدف اصلی اکنون «حل شده» است. اما در عوض، آلفافولد مسیرهای تحقیقاتی جدیدی را گشوده است – طراحی پروتئین توسط هوش مصنوعی یکی از امیدوارکنندهترین آنهاست – و علاقه و بودجه جدیدی را به این حوزه تزریق کرده است.
تأثیرات غیرمستقیم و آینده
تعداد دانشمندانی که به طور مستقیم آلفافولد ۲ را نقلقول کرده یا از AFDB استفاده میکنند، تنها بخشی از داستان تأثیر این ابزار را روایت میکند. یک تحلیل گستردهتر، که تحقیقات مرتبط با آلفافولد ۲ را بررسی کرده، بیش از ۲۰۰,۰۰۰ مطالعه را شناسایی کرده است که به طور مستقیم یا غیرمستقیم از آلفافولد استفاده کردهاند و کار نزدیک به ۸۰۰,۰۰۰ دانشمند را در بر میگیرد.
با این حال، این تحلیل، که توسط آزمایشگاه Innovation Growth Lab لندن انجام شده، تصویر پیچیدهای را در اندازهگیری مزایای استفاده از آلفافولد نشان میدهد. آزمایشگاههایی که از این نرمافزار استفاده کردند، تنها حدود ۵ درصد مقالات بیشتری نسبت به آزمایشگاههایی که استفاده نکردند، منتشر کردند.
جورج ریچاردسون، از محققان این مطالعه، میگوید: «شاید انتظار داشته باشید که آلفافولد به برخی آزمایشگاهها کمک کرده تا به “کارخانه تولید مقاله” تبدیل شوند. ما چنین چیزی را مشاهده نکردیم.»
جامپر نیز انتظار دارد که تبدیل بینشهای بیولوژیکی حاصل از آلفافولد به کاربردهای عملی، مانند توسعه داروها، زمان ببرد. نسخه بهروز شده این مدل، آلفافولد ۳ (AlphaFold3)، که میتواند تعامل داروهای بالقوه با پروتئینها را پیشبینی کند و مرتبطتر با کشف دارو است، تنها در سال ۲۰۲۴ منتشر شد.
او در پایان ابراز امیدواری میکند که: «مطمئنم افرادی هستند که به لطف آلفافولد ۲، روزی سالم از بیمارستان به خانه باز خواهند گشت.»
