خط لوله یادگیری ماشین کارآمد مکان تعاملات در مقیاس نانو را پیش‌بینی می‌کند

شناسایی اینکه آیا و چگونه یک نانوذره و پروتئین به یکدیگر متصل می‌شوند، گام مهمی در جهت توانایی طراحی آنتی‌بیوتیک‌ها و ضد ویروس‌ها در صورت نیاز است و یک مدل کامپیوتری توسعه‌یافته در دانشگاه میشیگان می‌تواند این کار را انجام دهد.

ابزار جدید می‌تواند به یافتن راه‌هایی برای توقف عفونت‌های مقاوم به آنتی‌بیوتیک و ویروس‌های جدید و کمک به طراحی نانوذرات برای اهداف مختلف کمک کند.

«فقط در سال 2019، تعداد افرادی که به دلیل مقاومت ضد میکروبی جان خود را از دست دادند، 4.95 میلیون نفر بود. آنجلا ویولی، پروفسور مهندسی مکانیک آرتور اف. تورنائو و نویسنده مسئول این مطالعه گفت: حتی قبل از کووید که مشکل را بدتر کرد، مطالعات نشان داد که تا سال 2050، تعداد مرگ و میر ناشی از مقاومت آنتی‌بیوتیکی به 10 میلیون نفر خواهد رسید. جلد کتاب علوم محاسباتی طبیعت.

در سناریوی ایده‌آل من، 20 یا 30 سال آینده، می‌خواهم – با توجه به هر ابر میکروبی – بتوانم به سرعت بهترین نانوذرات را تولید کنم که می‌توانند آن را درمان کنند.

Angela Violi، Arthur F. Thurnau استاد، مهندسی مکانیک، دانشگاه میشیگان

بیشتر کار درون سلولی توسط پروتئین ها انجام می شود. مکان‌های برهمکنش روی سطوح آن‌ها می‌توانند مولکول‌ها را به هم بچسبانند، آنها را از هم جدا کنند و تغییرات دیگری را انجام دهند – باز کردن دریچه‌ها به داخل سلول‌ها، شکستن قندها برای آزاد کردن انرژی، ساخت ساختارهایی برای پشتیبانی از گروه‌های سلولی و موارد دیگر. اگر می‌توانستیم داروهایی طراحی کنیم که پروتئین‌های حیاتی باکتری‌ها و ویروس‌ها را بدون آسیب رساندن به سلول‌های خودمان هدف قرار می‌دهند، انسان را قادر می‌سازد تا به سرعت با بیماری‌های جدید و در حال تغییر مبارزه کند.

مدل جدید که NeCLAS نام دارد، از یادگیری ماشینی استفاده می کند – تکنیک هوش مصنوعی که به دستیار مجازی در تلفن هوشمند و ChatGPT شما کمک می کند. اما به جای یادگیری پردازش زبان، مدل‌های ساختاری پروتئین‌ها و مکان‌های تعامل شناخته شده آن‌ها را جذب می‌کند. از این اطلاعات، می‌آموزد که چگونه پروتئین‌ها و نانوذرات ممکن است برهم‌کنش داشته باشند، مکان‌های اتصال و احتمال اتصال بین آنها را پیش‌بینی کند – و همچنین پیش‌بینی برهم‌کنش بین دو پروتئین یا دو نانوذره.

پائولو الواتی، دانشمند پژوهشی UM در مهندسی مکانیک گفت: «مدل‌های دیگری نیز وجود دارد، اما مدل ما برای پیش‌بینی برهم‌کنش‌های بین پروتئین‌ها و نانوذرات بهترین است.

به عنوان مثال، آلفا فولد ابزاری پرکاربرد برای پیش‌بینی ساختار سه‌بعدی یک پروتئین بر اساس بلوک‌های سازنده آن، به نام اسیدهای آمینه است. در حالی که این ظرفیت بسیار مهم است، اما این تنها شروع است: کشف چگونگی ترکیب این پروتئین ها در ساختارهای بزرگتر و طراحی سیستم های کاربردی در مقیاس نانو، گام های بعدی است.

جاکوب سالدینگر، دانشجوی دکترای مهندسی شیمی دانشگاه UM و اولین نویسنده این مطالعه، گفت: «این جایی است که NeCLAS وارد می شود. با نشان دادن چگونگی تعامل نانوساختارها با یکدیگر، فراتر از آلفا فولد است و به پروتئین ها محدود نمی شود. این امر محققان را قادر می‌سازد تا کاربردهای بالقوه نانوذرات را درک کرده و طرح‌های آنها را بهینه کنند.»

این تیم سه مطالعه موردی را مورد آزمایش قرار دادند که برای آنها داده های اضافی داشت:

• موچین های مولکولی، که در آن یک مولکول به محل خاصی از مولکول دیگر متصل می شود. این رویکرد می تواند فرآیندهای بیولوژیکی مضر مانند تجمع پلاک های پروتئینی در بیماری های مغز مانند آلزایمر را متوقف کند.
• چگونه نقاط کوانتومی گرافن بیوفیلم تولید شده توسط باکتری استاف را می شکند. این نانوذرات تکه‌های کربنی هستند که بیش از چند لایه اتمی ضخامت ندارند و ضخامت آنها 0.0001 میلی‌متر است. شکستن بیوفیلم‌ها احتمالاً ابزاری حیاتی در مبارزه با عفونت‌های مقاوم به آنتی‌بیوتیک است – از جمله باکتری استافیلوکوکوس اورئوس مقاوم به متی سیلین (MRSA) که معمولاً در بیمارستان‌ها به دست می‌آید.
• این که آیا نقاط کوانتومی گرافن در آب پراکنده می‌شوند، توانایی مدل را در پیش‌بینی اتصال نانوذرات به نانوذرات نشان می‌دهد، حتی اگر این مدل منحصراً بر روی داده‌های پروتئین-پروتئین آموزش دیده باشد.

در حالی که بسیاری از مدل های پروتئین-پروتئین آمینو اسیدها را به عنوان کوچکترین واحدی که مدل باید در نظر بگیرد تعیین می کند، این برای نانوذرات کار نمی کند. در عوض، تیم اندازه کوچکترین ویژگی را تقریباً به اندازه اسید آمینه تعیین کرد، اما سپس به مدل کامپیوتری اجازه داد تصمیم بگیرد که مرزهای بین این حداقل ویژگی ها کجاست. نتیجه نمایش‌هایی از پروتئین‌ها و نانوذرات است که کمی شبیه مجموعه‌ای از دانه‌های به هم پیوسته به نظر می‌رسند و انعطاف‌پذیری بیشتری را در کاوش فعل و انفعالات در مقیاس کوچک فراهم می‌کنند.

NeCLAS علاوه بر کلی‌تر بودن، از داده‌های آموزشی بسیار کمتری نسبت به AlphaFold استفاده می‌کند. ما فقط 21 نانوذره برای بررسی داریم، بنابراین باید از داده های پروتئینی به روشی هوشمندانه استفاده کنیم.»

در مرحله بعد، این تیم قصد دارد سایر بیوفیلم ها و میکروارگانیسم ها از جمله ویروس ها را کشف کند.

مطالعه علوم محاسباتی طبیعت توسط دانشگاه میشیگان ابتکار آسمان آبی، دفتر تحقیقات ارتش و بنیاد ملی علوم تامین شد.

ویولی همچنین استاد مهندسی برق و کامپیوتر، مهندسی شیمی و بیوفیزیک است.