یادگیری ماشین فرآیند مهندسی پروتئین را ساده و عملکرد آن را بهبود می‌بخشد

ایالات متحده - خبرگزاری اخباری

یادگیری ماشین با چارچوب MULTI-evolve در مهندسی پروتئین انقلاب ایجاد می‌کند

در یک پیشرفت علمی قابل توجه، محققان یک چارچوب یادگیری ماشین نوآورانه به نام MULTI-evolve را معرفی کرده‌اند که آماده است تا زمینه مهندسی پروتئین را متحول کند. این سیستم نوآورانه با هدف تسریع و ساده‌سازی چشمگیر توسعه پروتئین‌های با کارایی بالا است که اجزای حیاتی در طیف گسترده‌ای از کاربردها، از داروهای نجات‌بخش گرفته تا محصولات مصرفی روزمره مانند شوینده‌ها و سوخت‌های زیستی، محسوب می‌شوند.

از نظر تاریخی، فرآیند بهینه‌سازی عملکرد پروتئین یک وظیفه پیچیده و دشوار بوده است. این معمولاً شامل چرخه‌های متعددی از تنظیم توالی اسیدهای آمینه، انجام آزمایش‌های آزمایشگاهی برای هر تغییر و تجزیه و تحلیل دقیق نتایج برای شناسایی بهبودهای مطلوب است. با این حال، تعامل پیچیده بین جهش‌های متعدد، پیش‌بینی نتیجه نهایی را به چالشی هولناک تبدیل می‌کند و اغلب نیازمند آزمایش‌های گسترده مبتنی بر آزمون و خطا است. این فرآیند جامع توسط دکتر پاتریک هسو، مهندس بیوشیمی در دانشگاه کالیفرنیا، برکلی، به درستی به عنوان "یک مسئله جستجوی بسیار با ابعاد بالا که ما به طور مؤثر حدس می‌زنیم و بررسی می‌کنیم" توصیف شده است.

MULTI-evolve به عنوان یک راه‌حل قدرتمند برای این چالش دیرینه ظهور می‌کند. این چارچوب به جای اتکا صرف به روش‌های آزمایشی سنتی، به طور هوشمندانه آزمایش‌های آزمایشگاهی را با الگوریتم‌های پیشرفته یادگیری ماشین ادغام می‌کند تا عملکرد پروتئین‌ها با جهش‌های متعدد همزمان را پیش‌بینی کند. قدرت اصلی MULTI-evolve در توانایی آن در رمزگشایی تعاملات پیچیده بین جهش‌های مختلف نهفته است، که عاملی حیاتی برای دستیابی به بهبودهای قابل توجه در عملکرد پروتئین است.

گردش کار MULTI-evolve از طریق یک فرآیند سه مرحله‌ای عمل می‌کند. در ابتدا، محققان از داده‌های موجود استفاده می‌کنند یا از تکنیک‌های یادگیری ماشین برای پیش‌بینی تأثیر جایگزینی اسیدهای آمینه منفرد بر عملکرد پروتئین بهره می‌برند. متعاقباً، برای تعیین چگونگی تأثیر جهش‌ها بر یکدیگر، مجموعه‌ای از پروتئین‌ها در آزمایشگاه سنتز می‌شوند که هر کدام شامل جفت‌هایی از جهش‌های بالقوه هستند. سپس عملکرد آنها به صورت آزمایشی ارزیابی می‌شود. در نهایت، این داده‌های تجربی برای آموزش یک مدل یادگیری ماشین که قادر به پیش‌بینی اثربخشی پروتئین هدف با پنج جهش یا بیشتر است، استفاده می‌شود و در نتیجه نیاز به آزمایش جامع هر ترکیب ممکن را از بین می‌برد.

اثربخشی MULTI-evolve از طریق آزمایش‌های دقیق بر روی سه پروتئین متمایز نشان داده شده است. اینها شامل یک آنتی‌بادی مرتبط با بیماری‌های خودایمنی و پروتئینی است که در فناوری پیشرفته ویرایش ژن CRISPR استفاده می‌شود. در هر مورد، مدل با موفقیت ترکیباتی از جهش‌ها را شناسایی کرد که در سنجش‌های آزمایشگاهی به طور قابل توجهی بهتر از پروتئین‌های اصلی عمل کردند، که توانایی آن را در انتخاب مجموعه‌های هم‌افزای اصلاحات برجسته می‌کند.

این پیشرفت درها را به روی انبوهی از کاربردها باز می‌کند. دکتر هسو دو مسیر به ویژه امیدوارکننده را برجسته کرد: استفاده از پروتئین‌های مهندسی شده برای ردیابی حرکت مولکول‌های دیگر در داخل سلول‌ها و توسعه درمان‌های ژنی برتر برای افراد مبتلا به کمبود آنزیم. هسو گفت: "ما از این کار هیجان‌زده هستیم." "من فکر می‌کنم علاقه فوق‌العاده‌ای به این موضوع وجود دارد که این چگونه واقعاً عمل علم را تغییر می‌دهد."

چارچوب MULTI-evolve نمایانگر جهش قابل توجهی در مهندسی پروتئین است که ابزاری قدرتمند را در اختیار دانشمندان قرار می‌دهد تا پروتئین‌هایی با عملکرد بهبود یافته را به طور کارآمدتر و سریع‌تر از همیشه طراحی کنند. این پیشرفت نه تنها سرعت اکتشافات علمی را تسریع می‌بخشد، بلکه راه را برای مداخلات درمانی نوآورانه و محصولات صنعتی پیچیده برای پاسخگویی به نیازهای رو به رشد جامعه هموار می‌کند.

خبرگزاری اخباری