توسط: آلفافولد
آلفافولد، ابزار انقلابی پیشبینی ساختار پروتئین که دستاورد آن به دریافت جایزه نوبل منجر شد، با یک چالش جدی مواجه است: دادههای آن رو به پایان است. جدیدترین نسخه این ابزار، آلفافولد ۳، به عنوان یک تحول بزرگ در حوزه کشف دارو شناخته میشود، چرا که قابلیت مدلسازی تعامل میان پروتئینها و سایر مولکولها – از جمله داروها – را دارد. با این حال، دانشمندان هشدار میدهند که کمبود دادههای تجربی درباره تعاملات پروتئینی در پایگاههای عمومی، مانند آنچه آلفافولد از آنها تغذیه میکند، مانعی جدی برای استفاده مؤثر از این ابزار در حوزههایی است که برای شرکتهای داروسازی بیشترین اهمیت را دارند.
توسعه نسخه اختصاصی از آلفافولد
گروهی از شرکتهای پیشرو داروسازی امروز اعلام کردند که قصد دارند با بهرهگیری از هزاران ساختار سهبعدی پروتئین ذخیرهشده در پایگاههای داخلی خود، مدلی جدید از هوش مصنوعی مبتنی بر AlphaFold 3 توسعه دهند. این اقدام فراتر از دسترسی به بیش از هزاران ساختار پروتئینی موجود در پایگاه داده عمومی PDB (بانک داده پروتئین) است. جان کارانیکولا، رئیس بخش کشف داروهای محاسباتی در شرکت داروسازی AbbVie در شیکاگو و یکی از اعضای کنسرسیوم تحت عنوان کنسرسیوم زیستشناسی ساختاری هوش مصنوعی، در این رابطه میگوید:
«دقیقاً دادههایی که در PDB وجود ندارند، همانهایی هستند که در پایگاههای داخلی ما ذخیره شدهاند.»
مدل مورد نظر این کنسرسیوم قرار است بر پایه OpenFold 3 ساخته شود؛ نسخهای کاملاً متنباز از AlphaFold 3 که توسط پژوهشگران دانشگاهی و با استفاده از دادههای عمومی توسعه یافته است. با این حال، برخلاف OpenFold، مدل توسعهیافته توسط کنسرسیوم تنها در اختیار شرکتهای عضو قرار خواهد گرفت. این شرکتها شامل AbbVie، Johnson & Johnson، Sanofi و Boehringer Ingelheim هستند. انتشار عمومی این مدل در دستور کار نیست.
شرکت DeepMind (وابسته به گوگل) که توسعهدهنده اصلی AlphaFold است، در این پروژه مشارکتی ندارد و در اینباره نیز اظهار نظری نکرده است. شرکت زیرمجموعه آن، Isomorphic Labs، از آلفافولد ۳ در قالب همکاریهایی با شرکتهای دارویی از جمله Novartis و Eli Lilly بهره میبرد.
دادههای اختصاصی، منبعی همتراز یا حتی فراتر از PDB
وسعت دقیق دادههای اختصاصی در اختیار شرکتها مشخص نیست، اما استفن کی. برلی، زیستشناس ساختاری در دانشگاه راتگرز و مدیر یکی از نهادهای میزبان مخزن دادههای زیستی، میگوید:
این دادهها میتوانند از نظر حجم با PDB رقابت کنند یا حتی از آن فراتر روند. تنها شرکت AbbVie بیش از ۹۰۰۰ ساختار را به مدل کنسرسیوم اضافه خواهد کرد.
محمد القریشی، یک زیستشناس محاسباتی در دانشگاه کلمبیا در شهر نیویورک که رهبری توسعه OpenFold را بر عهده دارد نیز میگوید:
«این حجم از دادههایی که پشت دیوارهای بسته شرکتها نگهداری میشود، واقعاً شگفتانگیز است.»
آیا دادههای بیشتر واقعاً مفیدند؟
محمد القریشی میگوید:
هنوز مشخص نیست که افزودن دادههای اختصاصی تا چه حد میتواند توانایی آلفافولد را در مدلسازی تعامل میان پروتئینها و داروها افزایش دهد. این سؤال کلیدی است — دستاوردها دقیقاً چه خواهند بود؟
تیم او عملکرد مدل را با مقایسه پیشبینیهای آن با دادههای تجربی بررسی خواهد کرد و تحلیل دقیقی از نتایج منتشر خواهد شد. او میافزاید:
به نظر من، چه نتیجه مثبت باشد چه منفی، این آزمایش فوقالعاده ارزشمند است. برخی از دانشمندان و نهادهای تأمین مالی در حال بررسی امکان ایجاد پایگاههای داده ساختاری مشابه نمونههای اختصاصی شرکتها هستند تا به بهبود مدلهای هوش مصنوعی کمک کنند. پرسش اساسی این است که آیا واقعاً دادههای بیشتر، عملکرد مدلها را بهبود میدهد یا نه.
پیشرفتهای چشمگیر و موانع محرمانگی
استفانی وانکوویچ، زیستشناس ساختاری محاسباتی در دانشگاه وندربیلت، معتقد است که دادههای محرمانه شرکتهای داروسازی احتمالاً تأثیر چندانی بر بهبود دقت فوقالعادهی آلفافولد در پیشبینی ساختار پروتئینها نخواهند داشت. با این حال، او تأکید میکند که تنوع شیمیایی موجود در گنجینههای دادهای شرکتها میتواند پیشبینی تعاملات دارویی را «بهطور چشمگیری بهبود بخشد».
در مقابل، برایان شویچت، شیمیدان دارویی در دانشگاه کالیفرنیا، سانفرانسیسکو، در مورد کافی بودن دادههای اختصاصی شرکتها برای دستیابی به دستاوردهای بزرگ ابراز تردید میکند. او میگوید:
«تنها تا حدی میتوان نوآوری را از این منابع استخراج کرد. از یک لیمو فقط آنقدر میتوان آب گرفت.»
با این حال، شویچت معتقد است که حتی پیشرفتی جزئی نیز میتواند ارزش بالایی داشته باشد. برای نمونه، اگر بتوانیم به درستی پیشبینی کنیم که یک دارو به پروتئینی خاص متصل میشود یا نه، میتوانیم اثربخشی آن را بهتر ارزیابی کنیم. شویچت میگوید:
«اگر ۲۰ درصد از پیشبینیها جواب بدهند، خوشحال میشویم. حالا تصور کنید اگر این عدد به ۵۰ درصد برسد؛ این یک تحول عظیم خواهد بود.»
سوالات متداول
۱. آلفافولد ۳ چه تفاوتی با نسخههای قبلی دارد؟
علاوه بر پیشبینی ساختار پروتئین، توانایی مدلسازی تعامل پروتئینها با داروها و مولکولهای دیگر را دارد.
۲. چرا کمبود داده برای آلفافولد یک چالش محسوب میشود؟
زیرا دادههای تجربی تعاملات پروتئینی در پایگاههای عمومی محدودند و این موضوع دقت مدلها در کشف دارو را کاهش میدهد.
۳. نقش دادههای اختصاصی شرکتهای داروسازی چیست؟
این دادهها میتوانند تنوع شیمیایی و اطلاعات تعاملی بیشتری فراهم کنند و پیشبینی تعامل دارو–پروتئین را بهبود دهند، هرچند میزان تأثیر آن هنوز محل بحث است.
