వార్తలు

ఈ సంవత్సరం లాస్కర్ బేసిక్ మెడికల్ రీసెర్చ్ అవార్డును డెమిస్ హస్సాబిస్ మరియు జాన్ జంపర్ లకు అందించారు, ఇది అమైనో ఆమ్లాల మొదటి ఆర్డర్ క్రమం ఆధారంగా ప్రోటీన్ల త్రిమితీయ నిర్మాణాన్ని అంచనా వేసే ఆల్ఫాఫోల్డ్ కృత్రిమ మేధస్సు వ్యవస్థను రూపొందించడంలో వారి కృషికి గాను లభించింది.

వారి ఫలితాలు చాలా కాలంగా శాస్త్రీయ సమాజాన్ని వేధిస్తున్న సమస్యను పరిష్కరిస్తాయి మరియు బయోమెడికల్ రంగంలో పరిశోధనలను వేగవంతం చేయడానికి తలుపులు తెరుస్తాయి. వ్యాధి అభివృద్ధిలో ప్రోటీన్లు కీలక పాత్ర పోషిస్తాయి: అల్జీమర్స్ వ్యాధిలో, అవి ముడుచుకుంటాయి మరియు కలిసిపోతాయి; క్యాన్సర్‌లో, వాటి నియంత్రణ పనితీరు కోల్పోతుంది; పుట్టుకతో వచ్చే జీవక్రియ రుగ్మతలలో, అవి పనిచేయవు; సిస్టిక్ ఫైబ్రోసిస్‌లో, అవి కణంలోని తప్పు స్థలంలోకి వెళతాయి. వ్యాధికి కారణమయ్యే అనేక విధానాలలో ఇవి కొన్ని మాత్రమే. వివరణాత్మక ప్రోటీన్ నిర్మాణ నమూనాలు అణు ఆకృతీకరణలను అందించగలవు, అధిక-అనుబంధ అణువుల రూపకల్పన లేదా ఎంపికను నడిపించగలవు మరియు ఔషధ ఆవిష్కరణను వేగవంతం చేయగలవు.

ప్రోటీన్ నిర్మాణాలు సాధారణంగా ఎక్స్-రే క్రిస్టల్లాగ్రఫీ, న్యూక్లియర్ మాగ్నెటిక్ రెసొనెన్స్ మరియు క్రయో-ఎలక్ట్రాన్ మైక్రోస్కోపీ ద్వారా నిర్ణయించబడతాయి. ఈ పద్ధతులు ఖరీదైనవి మరియు సమయం తీసుకునేవి. దీని ఫలితంగా ఇప్పటికే ఉన్న 3D ప్రోటీన్ స్ట్రక్చర్ డేటాబేస్‌లు కేవలం 200,000 స్ట్రక్చరల్ డేటాతో ఉంటాయి, అయితే DNA సీక్వెన్సింగ్ టెక్నాలజీ 8 మిలియన్లకు పైగా ప్రోటీన్ సీక్వెన్స్‌లను ఉత్పత్తి చేసింది. 1960లలో, అన్ఫిన్సెన్ మరియు ఇతరులు అమైనో ఆమ్లాల 1D క్రమం ఆకస్మికంగా మరియు పదేపదే ఫంక్షనల్ త్రిమితీయ కన్ఫర్మేషన్‌గా మడవగలదని మరియు పరమాణు "చాపెరోన్‌లు" ఈ ప్రక్రియను వేగవంతం చేయగలవని మరియు సులభతరం చేయగలవని కనుగొన్నారు. ఈ పరిశీలనలు పరమాణు జీవశాస్త్రంలో 60 సంవత్సరాల సవాలుకు దారితీస్తాయి: అమైనో ఆమ్లాల 1D క్రమం నుండి ప్రోటీన్ల 3D నిర్మాణాన్ని అంచనా వేయడం. హ్యూమన్ జీనోమ్ ప్రాజెక్ట్ విజయంతో, 1D అమైనో ఆమ్ల శ్రేణులను పొందగల మన సామర్థ్యం బాగా మెరుగుపడింది మరియు ఈ సవాలు మరింత అత్యవసరంగా మారింది.

ప్రోటీన్ నిర్మాణాలను అంచనా వేయడం అనేక కారణాల వల్ల కష్టం. మొదటిది, ప్రతి అమైనో ఆమ్లంలోని ప్రతి అణువు యొక్క అన్ని సాధ్యమైన త్రిమితీయ స్థానాలకు చాలా అన్వేషణ అవసరం. రెండవది, ప్రోటీన్లు అణువులను సమర్థవంతంగా ఆకృతీకరించడానికి వాటి రసాయన నిర్మాణంలో పరిపూరకతను గరిష్టంగా ఉపయోగించుకుంటాయి. ప్రోటీన్లు సాధారణంగా వందలాది హైడ్రోజన్ బంధ "దాతలు" (సాధారణంగా ఆక్సిజన్) కలిగి ఉంటాయి, అవి హైడ్రోజన్ బంధం "స్వీకర్త" (సాధారణంగా నైట్రోజన్‌తో బంధించబడి ఉంటుంది)కి దగ్గరగా ఉండాలి కాబట్టి, దాదాపు ప్రతి దాత అంగీకరించేవారికి దగ్గరగా ఉన్న ఆకృతీకరణలను కనుగొనడం చాలా కష్టం. మూడవది, ప్రయోగాత్మక పద్ధతుల శిక్షణకు పరిమిత ఉదాహరణలు ఉన్నాయి, కాబట్టి సంబంధిత ప్రోటీన్ల పరిణామంపై సమాచారాన్ని ఉపయోగించి 1D శ్రేణుల ఆధారంగా అమైనో ఆమ్లాల మధ్య సంభావ్య త్రిమితీయ పరస్పర చర్యలను అర్థం చేసుకోవడం అవసరం.

ఉత్తమ ఆకృతి కోసం అన్వేషణలో అణువుల పరస్పర చర్యను నమూనా చేయడానికి భౌతిక శాస్త్రాన్ని మొదట ఉపయోగించారు మరియు ప్రోటీన్ల నిర్మాణాన్ని అంచనా వేయడానికి ఒక పద్ధతిని అభివృద్ధి చేశారు. ప్రోటీన్ల గణన అనుకరణపై చేసిన కృషికి కార్ప్లస్, లెవిట్ మరియు వార్షెల్‌లకు 2013లో రసాయన శాస్త్రంలో నోబెల్ బహుమతి లభించింది. అయితే, భౌతిక శాస్త్ర ఆధారిత పద్ధతులు గణనపరంగా ఖరీదైనవి మరియు ఉజ్జాయింపు ప్రాసెసింగ్ అవసరం, కాబట్టి ఖచ్చితమైన త్రిమితీయ నిర్మాణాలను అంచనా వేయలేము. కృత్రిమ మేధస్సు మరియు యంత్ర అభ్యాసం (AI-ML) ద్వారా నమూనాలకు శిక్షణ ఇవ్వడానికి తెలిసిన నిర్మాణాలు మరియు శ్రేణుల డేటాబేస్‌లను ఉపయోగించడం మరొక "జ్ఞాన ఆధారిత" విధానం. హస్సాబిస్ మరియు జంపర్ భౌతిక శాస్త్రం మరియు AI-ML రెండింటి యొక్క అంశాలను వర్తింపజేస్తారు, కానీ విధానం యొక్క పనితీరులో ఆవిష్కరణ మరియు లీపు ప్రధానంగా AI-ML నుండి వచ్చింది. ఆల్ఫాఫోల్డ్‌ను రూపొందించడానికి ఇద్దరు పరిశోధకులు పెద్ద పబ్లిక్ డేటాబేస్‌లను పారిశ్రామిక-గ్రేడ్ కంప్యూటింగ్ వనరులతో సృజనాత్మకంగా కలిపారు.

వారు స్ట్రక్చరల్ ప్రిడిక్షన్ పజిల్‌ను "పరిష్కరించారని" మనకు ఎలా తెలుస్తుంది? 1994లో, క్రిటికల్ అసెస్‌మెంట్ ఆఫ్ స్ట్రక్చర్ ప్రిడిక్షన్ (CASP) పోటీ స్థాపించబడింది, ఇది స్ట్రక్చరల్ ప్రిడిక్షన్ పురోగతిని ట్రాక్ చేయడానికి ప్రతి రెండు సంవత్సరాలకు ఒకసారి సమావేశమవుతుంది. పరిశోధకులు ఇటీవల వారు పరిష్కరించిన, కానీ ఫలితాలు ఇంకా ప్రచురించబడని ప్రోటీన్ యొక్క 1D క్రమాన్ని పంచుకుంటారు. ఈ 1D క్రమాన్ని ఉపయోగించి ప్రిడిక్టర్ త్రిమితీయ నిర్మాణాన్ని అంచనా వేస్తాడు మరియు మూల్యాంకనం చేసేవాడు ప్రయోగాత్మకంగా అందించిన త్రిమితీయ నిర్మాణంతో పోల్చడం ద్వారా అంచనా వేసిన ఫలితాల నాణ్యతను స్వతంత్రంగా నిర్ణయిస్తాడు (మూల్యాంకనదారునికి మాత్రమే అందించబడుతుంది). CASP నిజమైన బ్లైండ్ సమీక్షలను నిర్వహిస్తుంది మరియు మెథడలాజికల్ ఇన్నోవేషన్‌తో అనుబంధించబడిన ఆవర్తన పనితీరు జంప్‌లను నమోదు చేస్తుంది. 2020లో జరిగిన 14వ CASP సమావేశంలో, ఆల్ఫాఫోల్డ్ యొక్క ప్రిడిక్షన్ ఫలితాలు పనితీరులో చాలా పురోగతిని చూపించాయి, నిర్వాహకులు 3D స్ట్రక్చర్ ప్రిడిక్షన్ సమస్య పరిష్కరించబడిందని ప్రకటించారు: చాలా అంచనాల ఖచ్చితత్వం ప్రయోగాత్మక కొలతలకు దగ్గరగా ఉంది.

విస్తృత ప్రాముఖ్యత ఏమిటంటే, హస్సాబిస్ మరియు జంపర్ యొక్క పని AI-ML సైన్స్‌ను ఎలా మార్చగలదో నమ్మకంగా ప్రదర్శిస్తుంది. AI-ML బహుళ డేటా వనరుల నుండి సంక్లిష్టమైన శాస్త్రీయ పరికల్పనలను నిర్మించగలదని, శ్రద్ధ విధానాలు (ChatGPT లో ఉన్నటువంటివి) డేటా వనరులలో కీలకమైన ఆధారపడటాలు మరియు సహసంబంధాలను కనుగొనగలవని మరియు AI-ML దాని అవుట్‌పుట్ ఫలితాల నాణ్యతను స్వీయ-నిర్ణయం చేయగలదని దాని పరిశోధన చూపిస్తుంది. AI-ML తప్పనిసరిగా సైన్స్ చేస్తోంది.