ਖ਼ਬਰਾਂ

ਇਸ ਸਾਲ ਦਾ ਲਾਸਕਰ ਬੇਸਿਕ ਮੈਡੀਕਲ ਰਿਸਰਚ ਅਵਾਰਡ ਡੈਮਿਸ ਹਸਾਬਿਸ ਅਤੇ ਜੌਨ ਜੰਪਰ ਨੂੰ ਅਲਫ਼ਾਫੋਲਡ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਸਟਮ ਦੀ ਸਿਰਜਣਾ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਣ ਲਈ ਦਿੱਤਾ ਗਿਆ ਜੋ ਅਮੀਨੋ ਐਸਿਡ ਦੇ ਪਹਿਲੇ ਕ੍ਰਮ ਕ੍ਰਮ ਦੇ ਅਧਾਰ ਤੇ ਪ੍ਰੋਟੀਨ ਦੀ ਤਿੰਨ-ਅਯਾਮੀ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ।

ਉਨ੍ਹਾਂ ਦੇ ਨਤੀਜੇ ਇੱਕ ਅਜਿਹੀ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਦੇ ਹਨ ਜਿਸਨੇ ਵਿਗਿਆਨਕ ਭਾਈਚਾਰੇ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਪਰੇਸ਼ਾਨ ਕੀਤਾ ਹੋਇਆ ਹੈ ਅਤੇ ਬਾਇਓਮੈਡੀਕਲ ਖੇਤਰ ਵਿੱਚ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਦਾ ਦਰਵਾਜ਼ਾ ਖੋਲ੍ਹਦੇ ਹਨ। ਪ੍ਰੋਟੀਨ ਬਿਮਾਰੀ ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੇ ਹਨ: ਅਲਜ਼ਾਈਮਰ ਰੋਗ ਵਿੱਚ, ਉਹ ਇਕੱਠੇ ਫੋਲਡ ਅਤੇ ਇਕੱਠੇ ਹੋ ਜਾਂਦੇ ਹਨ; ਕੈਂਸਰ ਵਿੱਚ, ਉਨ੍ਹਾਂ ਦਾ ਰੈਗੂਲੇਟਰੀ ਕਾਰਜ ਖਤਮ ਹੋ ਜਾਂਦਾ ਹੈ; ਜਨਮਜਾਤ ਪਾਚਕ ਵਿਕਾਰ ਵਿੱਚ, ਉਹ ਨਪੁੰਸਕ ਹੁੰਦੇ ਹਨ; ਸਿਸਟਿਕ ਫਾਈਬਰੋਸਿਸ ਵਿੱਚ, ਉਹ ਸੈੱਲ ਵਿੱਚ ਗਲਤ ਜਗ੍ਹਾ ਵਿੱਚ ਜਾਂਦੇ ਹਨ। ਇਹ ਬਹੁਤ ਸਾਰੇ ਵਿਧੀਆਂ ਵਿੱਚੋਂ ਕੁਝ ਹਨ ਜੋ ਬਿਮਾਰੀ ਦਾ ਕਾਰਨ ਬਣਦੇ ਹਨ। ਵਿਸਤ੍ਰਿਤ ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਮਾਡਲ ਪਰਮਾਣੂ ਸੰਰਚਨਾ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦੇ ਹਨ, ਉੱਚ-ਸਬੰਧਤ ਅਣੂਆਂ ਦੇ ਡਿਜ਼ਾਈਨ ਜਾਂ ਚੋਣ ਨੂੰ ਚਲਾ ਸਕਦੇ ਹਨ, ਅਤੇ ਡਰੱਗ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੇ ਹਨ।

ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਆਮ ਤੌਰ 'ਤੇ ਐਕਸ-ਰੇ ਕ੍ਰਿਸਟਲੋਗ੍ਰਾਫੀ, ਨਿਊਕਲੀਅਰ ਮੈਗਨੈਟਿਕ ਰੈਜ਼ੋਨੈਂਸ ਅਤੇ ਕ੍ਰਾਇਓ-ਇਲੈਕਟ੍ਰੋਨ ਮਾਈਕ੍ਰੋਸਕੋਪੀ ਦੁਆਰਾ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇਹ ਤਰੀਕੇ ਮਹਿੰਗੇ ਅਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲੇ ਹਨ। ਇਸ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮੌਜੂਦਾ 3D ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਡੇਟਾਬੇਸ ਵਿੱਚ ਸਿਰਫ 200,000 ਢਾਂਚਾਗਤ ਡੇਟਾ ਹੁੰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਡੀਐਨਏ ਸੀਕੁਐਂਸਿੰਗ ਤਕਨਾਲੋਜੀ ਨੇ 8 ਮਿਲੀਅਨ ਤੋਂ ਵੱਧ ਪ੍ਰੋਟੀਨ ਸੀਕੁਐਂਸ ਤਿਆਰ ਕੀਤੇ ਹਨ। 1960 ਦੇ ਦਹਾਕੇ ਵਿੱਚ, ਐਨਫਿਨਸਨ ਅਤੇ ਹੋਰਾਂ ਨੇ ਖੋਜ ਕੀਤੀ ਕਿ ਅਮੀਨੋ ਐਸਿਡ ਦਾ 1D ਕ੍ਰਮ ਸਵੈਚਲਿਤ ਤੌਰ 'ਤੇ ਅਤੇ ਦੁਹਰਾਉਣਯੋਗ ਤੌਰ 'ਤੇ ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਤਿੰਨ-ਅਯਾਮੀ ਰੂਪਾਂਤਰਣ (ਚਿੱਤਰ 1A) ਵਿੱਚ ਫੋਲਡ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਹ ਕਿ ਅਣੂ "ਚੈਪਰੋਨ" ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਤੇਜ਼ ਅਤੇ ਸੁਵਿਧਾਜਨਕ ਬਣਾ ਸਕਦੇ ਹਨ। ਇਹ ਨਿਰੀਖਣ ਅਣੂ ਜੀਵ ਵਿਗਿਆਨ ਵਿੱਚ 60 ਸਾਲਾਂ ਦੀ ਚੁਣੌਤੀ ਵੱਲ ਲੈ ਜਾਂਦੇ ਹਨ: ਅਮੀਨੋ ਐਸਿਡ ਦੇ 1D ਕ੍ਰਮ ਤੋਂ ਪ੍ਰੋਟੀਨ ਦੀ 3D ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ। ਮਨੁੱਖੀ ਜੀਨੋਮ ਪ੍ਰੋਜੈਕਟ ਦੀ ਸਫਲਤਾ ਦੇ ਨਾਲ, 1D ਅਮੀਨੋ ਐਸਿਡ ਕ੍ਰਮ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਸਾਡੀ ਯੋਗਤਾ ਵਿੱਚ ਬਹੁਤ ਸੁਧਾਰ ਹੋਇਆ ਹੈ, ਅਤੇ ਇਹ ਚੁਣੌਤੀ ਹੋਰ ਵੀ ਜ਼ਰੂਰੀ ਹੋ ਗਈ ਹੈ।

ਪ੍ਰੋਟੀਨ ਬਣਤਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨਾ ਕਈ ਕਾਰਨਾਂ ਕਰਕੇ ਮੁਸ਼ਕਲ ਹੈ। ਪਹਿਲਾ, ਹਰੇਕ ਅਮੀਨੋ ਐਸਿਡ ਵਿੱਚ ਹਰੇਕ ਪਰਮਾਣੂ ਦੀਆਂ ਸਾਰੀਆਂ ਸੰਭਾਵਿਤ ਤਿੰਨ-ਅਯਾਮੀ ਸਥਿਤੀਆਂ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਖੋਜ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਦੂਜਾ, ਪ੍ਰੋਟੀਨ ਪਰਮਾਣੂਆਂ ਨੂੰ ਕੁਸ਼ਲਤਾ ਨਾਲ ਸੰਰਚਿਤ ਕਰਨ ਲਈ ਆਪਣੀ ਰਸਾਇਣਕ ਬਣਤਰ ਵਿੱਚ ਪੂਰਕਤਾ ਦੀ ਵੱਧ ਤੋਂ ਵੱਧ ਵਰਤੋਂ ਕਰਦੇ ਹਨ। ਕਿਉਂਕਿ ਪ੍ਰੋਟੀਨ ਵਿੱਚ ਆਮ ਤੌਰ 'ਤੇ ਸੈਂਕੜੇ ਹਾਈਡ੍ਰੋਜਨ ਬਾਂਡ "ਦਾਨੀ" (ਆਮ ਤੌਰ 'ਤੇ ਆਕਸੀਜਨ) ਹੁੰਦੇ ਹਨ ਜੋ ਹਾਈਡ੍ਰੋਜਨ ਬਾਂਡ "ਸਵੀਕਾਰਕਰਤਾ" (ਆਮ ਤੌਰ 'ਤੇ ਹਾਈਡ੍ਰੋਜਨ ਨਾਲ ਜੁੜੇ ਨਾਈਟ੍ਰੋਜਨ) ਦੇ ਨੇੜੇ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ, ਇਸ ਲਈ ਅਜਿਹੇ ਰੂਪਾਂ ਨੂੰ ਲੱਭਣਾ ਬਹੁਤ ਮੁਸ਼ਕਲ ਹੋ ਸਕਦਾ ਹੈ ਜਿੱਥੇ ਲਗਭਗ ਹਰ ਦਾਨੀ ਸਵੀਕਾਰਕਰਤਾ ਦੇ ਨੇੜੇ ਹੋਵੇ। ਤੀਜਾ, ਪ੍ਰਯੋਗਾਤਮਕ ਤਰੀਕਿਆਂ ਦੀ ਸਿਖਲਾਈ ਲਈ ਸੀਮਤ ਉਦਾਹਰਣਾਂ ਹਨ, ਇਸ ਲਈ ਸੰਬੰਧਿਤ ਪ੍ਰੋਟੀਨ ਦੇ ਵਿਕਾਸ ਬਾਰੇ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ 1D ਕ੍ਰਮਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਅਮੀਨੋ ਐਸਿਡਾਂ ਵਿਚਕਾਰ ਸੰਭਾਵੀ ਤਿੰਨ-ਅਯਾਮੀ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਨੂੰ ਸਮਝਣਾ ਜ਼ਰੂਰੀ ਹੈ।

ਸਭ ਤੋਂ ਵਧੀਆ ਰੂਪਾਂਤਰਣ ਦੀ ਖੋਜ ਵਿੱਚ ਪਰਮਾਣੂਆਂ ਦੇ ਪਰਸਪਰ ਪ੍ਰਭਾਵ ਨੂੰ ਮਾਡਲ ਕਰਨ ਲਈ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੀ ਵਰਤੋਂ ਸਭ ਤੋਂ ਪਹਿਲਾਂ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਪ੍ਰੋਟੀਨ ਦੀ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਇੱਕ ਵਿਧੀ ਵਿਕਸਤ ਕੀਤੀ ਗਈ ਸੀ। ਕਾਰਪਲਸ, ਲੇਵਿਟ ਅਤੇ ਵਾਰਸ਼ੇਲ ਨੂੰ ਪ੍ਰੋਟੀਨ ਦੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਿਮੂਲੇਸ਼ਨ 'ਤੇ ਉਨ੍ਹਾਂ ਦੇ ਕੰਮ ਲਈ 2013 ਦਾ ਰਸਾਇਣ ਵਿਗਿਆਨ ਵਿੱਚ ਨੋਬਲ ਪੁਰਸਕਾਰ ਦਿੱਤਾ ਗਿਆ ਸੀ। ਹਾਲਾਂਕਿ, ਭੌਤਿਕ ਵਿਗਿਆਨ-ਅਧਾਰਿਤ ਤਰੀਕੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਤੌਰ 'ਤੇ ਮਹਿੰਗੇ ਹਨ ਅਤੇ ਲਗਭਗ ਪ੍ਰੋਸੈਸਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਇਸ ਲਈ ਸਟੀਕ ਤਿੰਨ-ਅਯਾਮੀ ਬਣਤਰਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ। ਇੱਕ ਹੋਰ "ਗਿਆਨ-ਅਧਾਰਿਤ" ਪਹੁੰਚ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (AI-ML) ਦੁਆਰਾ ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਜਾਣੇ-ਪਛਾਣੇ ਢਾਂਚਿਆਂ ਅਤੇ ਕ੍ਰਮਾਂ ਦੇ ਡੇਟਾਬੇਸ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ। ਹਸਾਬਿਸ ਅਤੇ ਜੰਪਰ ਭੌਤਿਕ ਵਿਗਿਆਨ ਅਤੇ AI-ML ਦੋਵਾਂ ਦੇ ਤੱਤਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੇ ਹਨ, ਪਰ ਪਹੁੰਚ ਦੀ ਨਵੀਨਤਾ ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਛਾਲ ਮੁੱਖ ਤੌਰ 'ਤੇ AI-ML ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ। ਦੋਵਾਂ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਅਲਫ਼ਾਫੋਲਡ ਬਣਾਉਣ ਲਈ ਉਦਯੋਗਿਕ-ਗ੍ਰੇਡ ਕੰਪਿਊਟਿੰਗ ਸਰੋਤਾਂ ਨਾਲ ਵੱਡੇ ਜਨਤਕ ਡੇਟਾਬੇਸ ਨੂੰ ਰਚਨਾਤਮਕ ਤੌਰ 'ਤੇ ਜੋੜਿਆ।

ਅਸੀਂ ਕਿਵੇਂ ਜਾਣਦੇ ਹਾਂ ਕਿ ਉਨ੍ਹਾਂ ਨੇ ਢਾਂਚਾਗਤ ਭਵਿੱਖਬਾਣੀ ਦੀ ਬੁਝਾਰਤ ਨੂੰ "ਹੱਲ" ਕਰ ਲਿਆ ਹੈ? 1994 ਵਿੱਚ, ਢਾਂਚਾਗਤ ਭਵਿੱਖਬਾਣੀ ਦੀ ਆਲੋਚਨਾਤਮਕ ਮੁਲਾਂਕਣ (CASP) ਮੁਕਾਬਲਾ ਸਥਾਪਿਤ ਕੀਤਾ ਗਿਆ ਸੀ, ਜੋ ਢਾਂਚਾਗਤ ਭਵਿੱਖਬਾਣੀ ਦੀ ਪ੍ਰਗਤੀ ਨੂੰ ਟਰੈਕ ਕਰਨ ਲਈ ਹਰ ਦੋ ਸਾਲਾਂ ਬਾਅਦ ਮਿਲਦਾ ਹੈ। ਖੋਜਕਰਤਾ ਪ੍ਰੋਟੀਨ ਦੇ 1D ਕ੍ਰਮ ਨੂੰ ਸਾਂਝਾ ਕਰਨਗੇ ਜਿਸਦੀ ਬਣਤਰ ਉਨ੍ਹਾਂ ਨੇ ਹਾਲ ਹੀ ਵਿੱਚ ਹੱਲ ਕੀਤੀ ਹੈ, ਪਰ ਜਿਸਦੇ ਨਤੀਜੇ ਅਜੇ ਪ੍ਰਕਾਸ਼ਿਤ ਨਹੀਂ ਹੋਏ ਹਨ। ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ ਇਸ 1D ਕ੍ਰਮ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਤਿੰਨ-ਅਯਾਮੀ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ, ਅਤੇ ਮੁਲਾਂਕਣ ਕਰਨ ਵਾਲਾ ਪ੍ਰਯੋਗਾਤਮਕ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਤਿੰਨ-ਅਯਾਮੀ ਢਾਂਚੇ (ਸਿਰਫ਼ ਮੁਲਾਂਕਣਕਰਤਾ ਨੂੰ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ) ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਭਵਿੱਖਬਾਣੀ ਕੀਤੇ ਨਤੀਜਿਆਂ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਨਿਰਣਾ ਕਰਦਾ ਹੈ। CASP ਸੱਚੀਆਂ ਅੰਨ੍ਹੀਆਂ ਸਮੀਖਿਆਵਾਂ ਕਰਦਾ ਹੈ ਅਤੇ ਵਿਧੀਗਤ ਨਵੀਨਤਾ ਨਾਲ ਜੁੜੇ ਸਮੇਂ-ਸਮੇਂ 'ਤੇ ਪ੍ਰਦਰਸ਼ਨ ਛਾਲ ਨੂੰ ਰਿਕਾਰਡ ਕਰਦਾ ਹੈ। 2020 ਵਿੱਚ 14ਵੀਂ CASP ਕਾਨਫਰੰਸ ਵਿੱਚ, ਅਲਫ਼ਾਫੋਲਡ ਦੇ ਭਵਿੱਖਬਾਣੀ ਨਤੀਜਿਆਂ ਨੇ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਇੰਨੀ ਛਾਲ ਦਿਖਾਈ ਕਿ ਪ੍ਰਬੰਧਕਾਂ ਨੇ ਐਲਾਨ ਕੀਤਾ ਕਿ 3D ਬਣਤਰ ਭਵਿੱਖਬਾਣੀ ਸਮੱਸਿਆ ਹੱਲ ਹੋ ਗਈ ਹੈ: ਜ਼ਿਆਦਾਤਰ ਭਵਿੱਖਬਾਣੀਆਂ ਦੀ ਸ਼ੁੱਧਤਾ ਪ੍ਰਯੋਗਾਤਮਕ ਮਾਪਾਂ ਦੇ ਨੇੜੇ ਸੀ।

ਵਿਆਪਕ ਮਹੱਤਵ ਇਹ ਹੈ ਕਿ ਹਸਾਬਿਸ ਅਤੇ ਜੰਪਰ ਦਾ ਕੰਮ ਯਕੀਨਨ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ AI-ML ਵਿਗਿਆਨ ਨੂੰ ਕਿਵੇਂ ਬਦਲ ਸਕਦਾ ਹੈ। ਇਸਦੀ ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ AI-ML ਕਈ ਡੇਟਾ ਸਰੋਤਾਂ ਤੋਂ ਗੁੰਝਲਦਾਰ ਵਿਗਿਆਨਕ ਧਾਰਨਾਵਾਂ ਬਣਾ ਸਕਦਾ ਹੈ, ਧਿਆਨ ਵਿਧੀਆਂ (ਚੈਟਜੀਪੀਟੀ ਦੇ ਸਮਾਨ) ਡੇਟਾ ਸਰੋਤਾਂ ਵਿੱਚ ਮੁੱਖ ਨਿਰਭਰਤਾਵਾਂ ਅਤੇ ਸਬੰਧਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਅਤੇ ਇਹ ਕਿ AI-ML ਆਪਣੇ ਆਉਟਪੁੱਟ ਨਤੀਜਿਆਂ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਸਵੈ-ਨਿਰਣਾ ਕਰ ਸਕਦਾ ਹੈ। AI-ML ਅਸਲ ਵਿੱਚ ਵਿਗਿਆਨ ਕਰ ਰਿਹਾ ਹੈ।