تصور کنید سالها تلاش در آزمایشگاه برای یافتن یک پروتئین هدف، حالا در چند هفته به نتیجه برسد. اگر پژوهشگر حوزه درمان هستید، باید بدانید که قواعد بازی در کشف داروهای هدفمند تغییر کرده است.
این تحول از طریق ESMFold2 محقق شده است؛ ابزاری که طبق گزارشهای منتشر شده، در پیشبینی ساختار پروتئین از مدل مشهور AlphaFold پیشی گرفته است. این مدل بر پایه یک مدل زبانی پروتئین (Protein Language Model) — مثل مترجمی که تمام کتابهای زیستشناسی را خوانده و حالا میتواند زبان طبیعت را ترجمه کند — ساخته شده است. همانطور که در تحلیلهای قبلی ما دربارهی کاربردهای هوش مصنوعی در پزشکی اشاره کردیم، سرعت بخشیدن به مرحلهی «طراحی» کلید کاهش هزینههای دارویی است.
Biohub، سازمان غیرانتفاعی تحت حمایت مارک زاکربرگ و پریسیلا چن، این مدل را در قالب یک ابتکار ۵۰۰ میلیون دلاری برای زیستشناسی مجازی عرضه کرده است. جزئیات فنی این سیستم عبارتند از:
- آموزش بر روی ۲.۸ میلیارد توالی پروتئینی.
- دستیابی به نرخ موفقیت ۳۶ تا ۸۸ درصدی در طراحی پیونددهندهها (Binders) برای پنج هدف سرطان و بیماریهای ایمنی.
- معرفی ESM Atlas که نقشهای از ۶.۸ میلیارد توالی پروتئینی و ۱.۱ میلیارد ساختار پیشبینیشده را ارائه میدهد.
به نقل از گزارش ۲۸ می ۲۰۲۴، این ابزار اجازه میدهد پژوهشگران ارتباطات تکاملی جدیدی را پیدا کنند که پیش از این برای چشم انسان نامرئی بود. پیشبینی ساختار پروتئین — که شبیه به تا کردن یک کاغذ اوریگامی پیچیده، تنها با داشتن لیستی از دستورات است — اکنون با دقت و سرعت بیسابقهای انجام میشود.
این اقدام، توازن قدرت در صنعت بیوتکنولوژی را تغییر میدهد. با متنباز کردن این زیرساخت، Biohub مانع از آن میشود که چند آزمایشگاه خصوصی، «مدل جهانی» زیستشناسی را در انحصار بگیرند. در نتیجه، هزینه مراحل اولیه کشف دارو به یک خدمت عمومی تبدیل میشود.
گام بعدی شما
- بررسی نقشهی پروتئینی در ESM Atlas برای شناسایی اهداف درمانی جدید.
- دنبال کردن نتایج نخستین آزمایشهای بالینی که از پروتئینهای مشتقشده از این مدل استفاده میکنند.
- رصد grants مربوط به بنیاد OpenAI که اواخر سال جاری برای پروژههای تحولآفرین منتشر میشود.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ برای درک اینکه این مدلها روی چه تراشههایی آموزش دیدهاند، به تحلیل ما دربارهی پردازندههای گرافیکی نسل جدید مراجعه کنید.
گفتگو