मशीन लर्निंग प्रोटीन इंजीनियरिंग को सरल बनाता है, मल्टी-इवॉल्व फ्रेमवर्क

संयुक्त राज्य अमेरिका - इख़बारी समाचार एजेंसी

मशीन लर्निंग प्रोटीन इंजीनियरिंग को सरल बनाता है, मल्टी-इवॉल्व फ्रेमवर्क

बायोटेक्नोलॉजी और चिकित्सा के क्षेत्र में एक महत्वपूर्ण छलांग लगाते हुए, शोधकर्ताओं ने MULTI-evolve नामक एक नवीन मशीन लर्निंग फ्रेमवर्क का अनावरण किया है। यह परिष्कृत AI प्रणाली प्रोटीन इंजीनियरिंग की जटिल प्रक्रिया को नाटकीय रूप से सुव्यवस्थित करने के लिए डिज़ाइन की गई है, जो फार्मास्यूटिकल्स से लेकर औद्योगिक एंजाइमों तक विभिन्न अनुप्रयोगों के लिए उन्नत प्रोटीन के विकास में तेजी लाने का वादा करती है।

परंपरागत रूप से, दवाओं, जैव ईंधन, या यहां तक ​​कि कपड़े धोने के डिटर्जेंट जैसे विशिष्ट उपयोगों के लिए उच्च-प्रदर्शन वाले प्रोटीन बनाना एक श्रमसाध्य और समय लेने वाला कार्य रहा है। इसमें अक्सर वांछित कार्यक्षमता प्राप्त करने के लिए कई ट्वीक्स, प्रयोगों और फाइन-ट्यूनिंग सहित परीक्षण-और-त्रुटि के व्यापक चक्र शामिल होते हैं। प्रमुख चुनौती अमीनो एसिड म्यूटेशनों के बीच जटिल अंतःक्रियाओं में निहित है। एक अमीनो एसिड को बदलने से बाद के म्यूटेशनों के प्रभाव पर अप्रत्याशित रूप से प्रभाव पड़ सकता है, जिससे इष्टतम संयोजनों की खोज एक उच्च-आयामी समस्या बन जाती है जिसके लिए पुनरावृत्ति संशोधनों और प्रयोगशाला परीक्षणों की आवश्यकता होती है।

कैलिफोर्निया विश्वविद्यालय, बर्कले और आर्क इंस्टीट्यूट में बायोइंजीनियर पैट्रिक ह्सु ने पारंपरिक दृष्टिकोण को "एक बहुत उच्च-आयामी खोज समस्या जहां हम प्रभावी ढंग से अनुमान लगाते हैं और जांचते हैं" के रूप में वर्णित किया है। यह विधि, परिणाम देने में सक्षम होने के बावजूद, स्वाभाविक रूप से अक्षम और महंगी है, जिसमें अक्सर समर्पित शोध के महीनों या वर्षों की आवश्यकता होती है।

MULTI-evolve फ्रेमवर्क उन्नत मशीन लर्निंग एल्गोरिदम को प्रयोगशाला प्रयोगों के साथ एकीकृत करके इन सीमाओं को सीधे संबोधित करता है। वर्कफ़्लो को तीन प्रमुख चरणों में संरचित किया गया है। प्रारंभ में, शोधकर्ता मौजूदा डेटा का लाभ उठाते हैं या प्रोटीन फ़ंक्शन पर एकल अमीनो एसिड प्रतिस्थापन के प्रभाव की भविष्यवाणी करने के लिए मशीन लर्निंग तकनीकों का उपयोग करते हैं। इसके बाद, म्यूटेशनों के बीच जटिल परस्पर क्रिया को समझने के लिए, प्रयोगशाला में प्रोटीन की एक श्रृंखला को संश्लेषित किया जाता है, प्रत्येक में दो विशिष्ट म्यूटेशन शामिल होते हैं। फिर उनके प्रदर्शन का मूल्यांकन करने के लिए उनका परीक्षण किया जाता है। अंत में, एकत्र किए गए प्रायोगिक डेटा का उपयोग मशीन लर्निंग मॉडल को प्रशिक्षित करने के लिए किया जाता है। यह प्रशिक्षित मॉडल तब पांच या अधिक म्यूटेशनों के साथ लक्ष्य प्रोटीन की कार्यात्मक प्रदर्शन की भविष्यवाणी कर सकता है, जो सहक्रियात्मक प्रभावों की व्यापक समझ प्रदान करता है।

MULTI-evolve की प्रभावकारिता को तीन अलग-अलग प्रोटीनों पर कठोर परीक्षणों के माध्यम से प्रदर्शित किया गया है। इनमें ऑटोइम्यून बीमारियों के इलाज के लिए महत्वपूर्ण एंटीबॉडी और CRISPR जीन संपादन तकनीक के लिए महत्वपूर्ण प्रोटीन शामिल था। प्रत्येक परीक्षण मामले में, MULTI-evolve मॉडल ने सफलतापूर्वक कई म्यूटेशन संयोजनों की पहचान की, जिन्होंने प्रयोगशाला मूल्यांकनों में मूल प्रोटीन से काफी बेहतर प्रदर्शन किया। यह सत्यापन प्रोटीन प्रदर्शन को बढ़ाने वाले म्यूटेशनों के सहक्रियात्मक सेटों की पहचान करने के लिए फ्रेमवर्क की क्षमता को रेखांकित करता है।

ह्सु ने MULTI-evolve की व्यापक प्रयोज्यता पर प्रकाश डाला, और इसे कोशिकाओं के भीतर आणविक आंदोलनों को ट्रैक करने के लिए प्रोटीन विकसित करने और एंजाइम की कमी वाले व्यक्तियों के लिए अधिक प्रभावी जीन थेरेपी बनाने जैसे महत्वपूर्ण क्षेत्रों में उपयोग की कल्पना की। ह्सु ने कहा, "हम इस काम से उत्साहित हैं।" "मुझे लगता है कि इस बात में जबरदस्त रुचि है कि यह वास्तव में विज्ञान के अभ्यास को कैसे बदलता है।"

प्रतिष्ठित साइंस जर्नल में प्रकाशित, MULTI-evolve का विकास कम्प्यूटेशनल बायोलॉजी और आर्टिफिशियल इंटेलिजेंस में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। प्रोटीन डिजाइन में आवश्यक जटिलता और समय को नाटकीय रूप से कम करके, यह ढांचा दवा खोज, सिंथेटिक बायोलॉजी और उपन्यास बायोमटेरियल्स के विकास में नई संभावनाओं को खोलने के लिए तैयार है, अंततः कई विषयों में वैज्ञानिक प्रगति और नवाचार में तेजी लाता है।

इख़बारी समाचार एजेंसी