သတင်း

အမိုင်နိုအက်ဆစ်၏ ပထမအစီအစဥ်အလိုက် ပရိုတိန်းများ၏ သုံးဖက်မြင် ဉာဏ်ရည်တုစနစ် ဖန်တီးမှုအတွက် ပံ့ပိုးကူညီမှုများကြောင့် ယခုနှစ် Lasker Basic Medical Research Award ကို Demis Hassabis နှင့် John Jumper တို့အား ချီးမြှင့်ခဲ့ပါသည်။

၎င်းတို့၏ရလဒ်များသည် သိပ္ပံပညာအသိုင်းအဝိုင်းကို ကာလအတန်ကြာ အနှောက်အယှက်ဖြစ်စေခဲ့သည့် ပြဿနာကို ဖြေရှင်းပေးပြီး ဇီဝဆေးပညာနယ်ပယ်တစ်လျှောက် သုတေသနလုပ်ငန်းများကို အရှိန်မြှင့်ရန် တံခါးဖွင့်ပေးထားသည်။ ပရိုတိန်းများသည် ရောဂါဖွံ့ဖြိုးတိုးတက်မှုတွင် အဓိကအခန်းကဏ္ဍမှပါဝင်သည်- အယ်လ်ဇိုင်းမားရောဂါတွင် ၎င်းတို့သည် ခေါက်ပြီး စုပုံနေပါသည်။ ကင်ဆာရောဂါတွင်၊ ၎င်းတို့၏ စည်းမျဉ်းစည်းကမ်းများ ဆုံးရှုံးသွားခြင်း၊ မွေးရာပါ ဇီဝဖြစ်စဉ် ချို့ယွင်းမှုများတွင် ၎င်းတို့သည် အလုပ်မလုပ်ခြင်း၊ cystic fibrosis တွင်၊ ၎င်းတို့သည် ဆဲလ်အတွင်းရှိ နေရာမှားသို့ ရောက်သွားကြသည်။ ဤအရာများသည် ရောဂါဖြစ်စေသော ယန္တရားများစွာထဲမှ အနည်းငယ်မျှသာဖြစ်သည်။ အသေးစိတ်ပရိုတိန်းဖွဲ့စည်းပုံမော်ဒယ်များသည် အက်တမ်ဖွဲ့စည်းပုံများကို ပံ့ပိုးပေးကာ၊ ဆက်စပ်မှုမြင့်မားသော မော်လီကျူးများ၏ ဒီဇိုင်း သို့မဟုတ် ရွေးချယ်မှုကို မောင်းနှင်နိုင်ပြီး ဆေးဝါးရှာဖွေတွေ့ရှိမှုကို အရှိန်မြှင့်ပေးနိုင်သည်။

ပရိုတင်းဖွဲ့စည်းပုံများကို ယေဘူယျအားဖြင့် X-ray ပုံဆောင်ခဲပုံဆောင်ခဲပုံသဏ္ဍာန်၊ အဏုမြူသံလိုက်ပဲ့တင်ရိုက်ခတ်မှုနှင့် cryo-electron microscopy ဖြင့် ဆုံးဖြတ်သည်။ ဒီနည်းလမ်းတွေက ဈေးကြီးပြီး အချိန်ကုန်တယ်။ ၎င်းသည် လက်ရှိ 3D ပရိုတိန်းဖွဲ့စည်းပုံဒေတာဘေ့စ်များကို ရလဒ်အဖြစ် 200,000 မျှသာရှိသော ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာအချက်အလက်များကို DNA စီစစ်ခြင်းနည်းပညာက ပရိုတင်းအစီအစဥ်ပေါင်း 8 သန်းကျော်ကို ထုတ်လုပ်ပေးသော်လည်း၊ 1960 ခုနှစ်များတွင်, Anfinsen et al. အမိုင်နိုအက်ဆစ်၏ 1D အစီအစဥ်သည် လုပ်ငန်းသုံးသုံးဖက်မြင်ပုံစံ (ပုံ 1A) သို့ အလိုအလျောက်နှင့် ထပ်ခါတလဲလဲ ခေါက်နိုင်သည်ကို တွေ့ရှိခဲ့ပြီး အဆိုပါ မော်လီကျူး "chaperones" သည် ဤလုပ်ငန်းစဉ်ကို အရှိန်မြှင့်ကာ လွယ်ကူချောမွေ့စေနိုင်ကြောင်း တွေ့ရှိခဲ့သည်။ ဤလေ့လာတွေ့ရှိချက်များသည် မော်လီကျူလာဇီဝဗေဒတွင် နှစ် 60 စိန်ခေါ်မှုကို ဦးတည်သည်- အမိုင်နိုအက်ဆစ်၏ 1D အစီအစဥ်မှ ပရိုတင်းများ၏ 3D ဖွဲ့စည်းပုံကို ခန့်မှန်းခြင်း။ Human Genome ပရောဂျက်၏ အောင်မြင်မှုနှင့်အတူ၊ ကျွန်ုပ်တို့၏ 1D အမိုင်နိုအက်ဆစ် အစီအစဉ်များကို ရယူနိုင်စွမ်းသည် အလွန်တိုးတက်လာပြီး ဤစိန်ခေါ်မှုသည် ပို၍ပင် အရေးတကြီး ဖြစ်လာပါသည်။

ပရိုတင်းဖွဲ့စည်းပုံများကို ခန့်မှန်းရန်မှာ အကြောင်းရင်းများစွာအတွက် ခက်ခဲသည်။ ဦးစွာ၊ အမိုင်နိုအက်ဆစ်တိုင်းရှိ အက်တမ်တိုင်း၏ ဖြစ်နိုင်ချေရှိသော သုံးဖက်မြင် အနေအထားအားလုံးကို စူးစမ်းလေ့လာရန် များစွာလိုအပ်ပါသည်။ ဒုတိယ၊ ပရိုတိန်းများသည် အက်တမ်များကို ထိထိရောက်ရောက် ပုံဖော်ရန်အတွက် ၎င်းတို့၏ ဓာတုဖွဲ့စည်းပုံတွင် ဖြည့်စွက်အား အများဆုံး အသုံးပြုကြသည်။ ပရိုတိန်းများတွင် ပုံမှန်အားဖြင့် ဟိုက်ဒရိုဂျင်နှောင်ကြိုး “အလှူရှင်များ” (များသောအားဖြင့် အောက်ဆီဂျင်) ရာနှင့်ချီရှိပြီး ဟိုက်ဒရိုဂျင်နှောင်ကြိုး “လက်ခံသူ” (များသောအားဖြင့် နိုက်ထရိုဂျင်နှင့် ဟိုက်ဒရိုဂျင်နှင့် ချည်နှောင်ထားသင့်သော) အလှူရှင်တိုင်းနီးပါးသည် လက်ခံသူနှင့် နီးစပ်သည့် ပေါင်းစပ်မှုများကို ရှာဖွေရန် အလွန်ခက်ခဲပါသည်။ တတိယ၊ စမ်းသပ်နည်းများလေ့ကျင့်ခြင်းအတွက် ကန့်သတ်ဥပမာများရှိသည်၊ ထို့ကြောင့် သက်ဆိုင်ရာပရိုတိန်းများ၏ ဆင့်ကဲဖြစ်စဉ်အချက်အလက်ကိုအသုံးပြု၍ 1D အမိုင်နိုအက်ဆစ်များကြားရှိ သုံးဖက်မြင် အပြန်အလှန်အကျိုးသက်ရောက်မှုများကို နားလည်ရန် လိုအပ်ပါသည်။

ရူပဗေဒကို အက်တမ်များ၏ အပြန်အလှန်အကျိုးသက်ရောက်မှုကို စံနမူနာပြုရန် ပထမဆုံးအသုံးပြုခဲ့ပြီး ပရိုတင်းများ၏ဖွဲ့စည်းပုံကို ခန့်မှန်းရန် နည်းလမ်းတစ်ခုကို တီထွင်ခဲ့သည်။ Karplus၊ Levitt နှင့် Warshel တို့သည် ပရိုတိန်း၏ တွက်ချက်မှုဆိုင်ရာ ပုံသဏ္ဍန်ပြုခြင်းဆိုင်ရာ အလုပ်အတွက် 2013 ခုနှစ် ဓာတုဗေဒနိုဘယ်ဆုကို ချီးမြှင့်ခံခဲ့ရသည်။ သို့သော်လည်း ရူပဗေဒအခြေခံနည်းလမ်းများသည် တွက်ချက်မှုအရ စျေးကြီးပြီး အနီးစပ်ဆုံးလုပ်ဆောင်မှု လိုအပ်သောကြောင့် တိကျသော သုံးဖက်မြင်ဖွဲ့စည်းပုံများကို ခန့်မှန်း၍မရနိုင်ပါ။ နောက်ထပ် "အသိပညာအခြေခံ" ချဉ်းကပ်နည်းမှာ ဉာဏ်ရည်တုနှင့် စက်သင်ယူမှု (AI-ML) မှတဆင့် မော်ဒယ်များကို လေ့ကျင့်ရန်အတွက် လူသိများသော တည်ဆောက်ပုံများနှင့် အစီအမံများ၏ ဒေတာဘေ့စ်များကို အသုံးပြုခြင်းဖြစ်သည်။ Hassabi နှင့် Jumper တို့သည် ရူပဗေဒနှင့် AI-ML နှစ်မျိုးလုံး၏ အစိတ်အပိုင်းများကို အသုံးချသော်လည်း ချဉ်းကပ်မှု၏ ဆန်းသစ်တီထွင်မှုနှင့် စွမ်းဆောင်မှုတွင် ခုန်ပေါက်မှုသည် AI-ML မှ အဓိကဖြစ်သည်။ သုတေသီနှစ်ဦးသည် AlphaFold ကိုဖန်တီးရန်အတွက် ကြီးမားသော အများသူငှာဒေတာဘေ့စ်များကို စက်မှုအဆင့်ကွန်ပျူတာအရင်းအမြစ်များနှင့် ပေါင်းစပ်ဖန်တီးထားသည်။

ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာ ခန့်မှန်းချက်ပဟေဋ္ဌိကို ၎င်းတို့ “ဖြေရှင်း” ပြီးကြောင်း ကျွန်ုပ်တို့ မည်သို့သိနိုင်သနည်း။ 1994 ခုနှစ်တွင်၊ ဖွဲ့စည်းတည်ဆောက်ပုံခန့်မှန်းမှု၏တိုးတက်မှုကိုခြေရာခံရန် နှစ်နှစ်တစ်ကြိမ်တွေ့ဆုံသည့် ပြိုင်ဆိုင်မှုအကဲဖြတ်ခြင်း (CASP) ကို ဖွဲ့စည်းခဲ့သည်။ သုတေသီများသည် ၎င်းတို့ မကြာသေးမီက ဖြေရှင်းထားသော ပရိုတင်း၏ 1D အစီအစဥ်ကို မျှဝေပေးမည်ဖြစ်သော်လည်း ရလဒ်များကို ထုတ်ပြန်ခြင်းမရှိသေးပေ။ ကြိုတင်ခန့်မှန်းသူသည် ဤ 1D အစီအစဥ်ကို အသုံးပြု၍ သုံးဖက်မြင်ဖွဲ့စည်းပုံအား ခန့်မှန်းပေးမည်ဖြစ်ပြီး၊ အကဲဖြတ်သူသည် စမ်းသပ်သူမှပေးဆောင်သော သုံးဖက်မြင်ဖွဲ့စည်းပုံ (အကဲဖြတ်သူအတွက်သာ ပေးဆောင်သည်) နှင့် နှိုင်းယှဉ်ခြင်းဖြင့် ခန့်မှန်းရလဒ်များ၏ အရည်အသွေးကို သီးခြားအကဲဖြတ်သည်။ CASP သည် နည်းစနစ်ပိုင်းဆိုင်ရာ ဆန်းသစ်တီထွင်မှုနှင့် ဆက်နွှယ်သည့် အချိန်အခါအလိုက် စွမ်းဆောင်ရည် ခုန်တက်မှုများကို မှတ်တမ်းတင်ပါသည်။ 2020 ခုနှစ် 14 ကြိမ်မြောက် CASP ညီလာခံတွင် AlphaFold ၏ ခန့်မှန်းချက်ရလဒ်များသည် 3D ဖွဲ့စည်းပုံ ခန့်မှန်းမှုပြဿနာကို ဖြေရှင်းပြီးဖြစ်ကြောင်း ပွဲစီစဉ်သူများက ကြေညာခဲ့သော စွမ်းဆောင်ရည်တွင် ခုန်တက်သွားသည်- ခန့်မှန်းချက်အများစု၏တိကျမှုသည် စမ်းသပ်တိုင်းတာမှုများနှင့်နီးစပ်ပါသည်။

ပိုမိုကျယ်ပြန့်သော အရေးပါမှုမှာ Hassabi နှင့် Jumper ၏ အလုပ်သည် AI-ML သိပ္ပံပညာကို မည်သို့ပြောင်းလဲနိုင်သည်ကို စိတ်ချယုံကြည်စွာ သက်သေပြနေခြင်းဖြစ်သည်။ AI-ML သည် အာရုံစူးစိုက်မှုယန္တရားများ (ChatGPT နှင့်ဆင်တူသည်) သည် ဒေတာရင်းမြစ်များတွင် အဓိကမှီခိုမှုနှင့် ဆက်နွယ်မှုများကို ရှာဖွေတွေ့ရှိနိုင်ပြီး AI-ML သည် ၎င်း၏ထွက်ရှိမှုရလဒ်များ၏ အရည်အသွေးကို ကိုယ်တိုင်အကဲဖြတ်နိုင်သည်ဟု AI-ML မှ ရှုပ်ထွေးသော သိပ္ပံနည်းကျယူဆချက်များကို တည်ဆောက်နိုင်သည်ဟု ၎င်း၏ သုတေသနပြုချက်တွင် ဖော်ပြသည်။ AI-ML သည် အခြေခံအားဖြင့် သိပ္ပံပညာကို လုပ်ဆောင်သည်။