ಸುದ್ದಿ

ಈ ವರ್ಷದ ಲ್ಯಾಸ್ಕರ್ ಮೂಲ ವೈದ್ಯಕೀಯ ಸಂಶೋಧನಾ ಪ್ರಶಸ್ತಿಯನ್ನು ಡೆಮಿಸ್ ಹಸ್ಸಾಬಿಸ್ ಮತ್ತು ಜಾನ್ ಜಂಪರ್ ಅವರಿಗೆ ಅಮೈನೋ ಆಮ್ಲಗಳ ಮೊದಲ ಕ್ರಮಾಂಕದ ಅನುಕ್ರಮದ ಆಧಾರದ ಮೇಲೆ ಪ್ರೋಟೀನ್‌ಗಳ ಮೂರು ಆಯಾಮದ ರಚನೆಯನ್ನು ಊಹಿಸುವ ಆಲ್ಫಾಫೋಲ್ಡ್ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ವ್ಯವಸ್ಥೆಯ ರಚನೆಗೆ ನೀಡಿದ ಕೊಡುಗೆಗಳಿಗಾಗಿ ನೀಡಲಾಯಿತು.

ಅವರ ಫಲಿತಾಂಶಗಳು ವೈಜ್ಞಾನಿಕ ಸಮುದಾಯವನ್ನು ದೀರ್ಘಕಾಲದಿಂದ ಕಾಡುತ್ತಿದ್ದ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತವೆ ಮತ್ತು ಜೈವಿಕ ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರದಾದ್ಯಂತ ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸಲು ಬಾಗಿಲು ತೆರೆಯುತ್ತವೆ. ರೋಗ ಬೆಳವಣಿಗೆಯಲ್ಲಿ ಪ್ರೋಟೀನ್‌ಗಳು ಪ್ರಮುಖ ಪಾತ್ರವಹಿಸುತ್ತವೆ: ಆಲ್ಝೈಮರ್ ಕಾಯಿಲೆಯಲ್ಲಿ, ಅವು ಮಡಚಿಕೊಳ್ಳುತ್ತವೆ ಮತ್ತು ಒಟ್ಟಿಗೆ ಸೇರಿಕೊಳ್ಳುತ್ತವೆ; ಕ್ಯಾನ್ಸರ್‌ನಲ್ಲಿ, ಅವುಗಳ ನಿಯಂತ್ರಕ ಕಾರ್ಯವು ಕಳೆದುಹೋಗುತ್ತದೆ; ಜನ್ಮಜಾತ ಚಯಾಪಚಯ ಅಸ್ವಸ್ಥತೆಗಳಲ್ಲಿ, ಅವು ನಿಷ್ಕ್ರಿಯವಾಗಿರುತ್ತವೆ; ಸಿಸ್ಟಿಕ್ ಫೈಬ್ರೋಸಿಸ್‌ನಲ್ಲಿ, ಅವು ಜೀವಕೋಶದಲ್ಲಿನ ತಪ್ಪು ಜಾಗಕ್ಕೆ ಹೋಗುತ್ತವೆ. ರೋಗವನ್ನು ಉಂಟುಮಾಡುವ ಹಲವು ಕಾರ್ಯವಿಧಾನಗಳಲ್ಲಿ ಇವು ಕೆಲವೇ. ವಿವರವಾದ ಪ್ರೋಟೀನ್ ರಚನೆ ಮಾದರಿಗಳು ಪರಮಾಣು ಸಂರಚನೆಗಳನ್ನು ಒದಗಿಸಬಹುದು, ಹೆಚ್ಚಿನ ಸಂಬಂಧ ಹೊಂದಿರುವ ಅಣುಗಳ ವಿನ್ಯಾಸ ಅಥವಾ ಆಯ್ಕೆಯನ್ನು ಚಾಲನೆ ಮಾಡಬಹುದು ಮತ್ತು ಔಷಧ ಅನ್ವೇಷಣೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು.

ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಎಕ್ಸ್-ರೇ ಸ್ಫಟಿಕಶಾಸ್ತ್ರ, ನ್ಯೂಕ್ಲಿಯರ್ ಮ್ಯಾಗ್ನೆಟಿಕ್ ರೆಸೋನೆನ್ಸ್ ಮತ್ತು ಕ್ರಯೋ-ಎಲೆಕ್ಟ್ರಾನ್ ಮೈಕ್ರೋಸ್ಕೋಪಿಯಿಂದ ನಿರ್ಧರಿಸಲಾಗುತ್ತದೆ. ಈ ವಿಧಾನಗಳು ದುಬಾರಿ ಮತ್ತು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುತ್ತವೆ. ಇದು ಕೇವಲ 200,000 ರಚನಾತ್ಮಕ ಡೇಟಾವನ್ನು ಹೊಂದಿರುವ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ 3D ಪ್ರೋಟೀನ್ ರಚನೆ ಡೇಟಾಬೇಸ್‌ಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ, ಆದರೆ DNA ಅನುಕ್ರಮ ತಂತ್ರಜ್ಞಾನವು 8 ಮಿಲಿಯನ್‌ಗಿಂತಲೂ ಹೆಚ್ಚು ಪ್ರೋಟೀನ್ ಅನುಕ್ರಮಗಳನ್ನು ಉತ್ಪಾದಿಸಿದೆ. 1960 ರ ದಶಕದಲ್ಲಿ, ಅನ್ಫಿನ್ಸೆನ್ ಮತ್ತು ಇತರರು ಅಮೈನೋ ಆಮ್ಲಗಳ 1D ಅನುಕ್ರಮವು ಸ್ವಯಂಪ್ರೇರಿತವಾಗಿ ಮತ್ತು ಪುನರಾವರ್ತಿತವಾಗಿ ಕ್ರಿಯಾತ್ಮಕ ಮೂರು ಆಯಾಮದ ರೂಪಾಂತರವಾಗಿ ಮಡಚಿಕೊಳ್ಳಬಹುದು (ಚಿತ್ರ 1A), ಮತ್ತು ಆಣ್ವಿಕ "ಚಾಪೆರೋನ್‌ಗಳು" ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ವೇಗಗೊಳಿಸಬಹುದು ಮತ್ತು ಸುಗಮಗೊಳಿಸಬಹುದು ಎಂದು ಕಂಡುಹಿಡಿದರು. ಈ ಅವಲೋಕನಗಳು ಆಣ್ವಿಕ ಜೀವಶಾಸ್ತ್ರದಲ್ಲಿ 60 ವರ್ಷಗಳ ಸವಾಲಿಗೆ ಕಾರಣವಾಗುತ್ತವೆ: ಅಮೈನೋ ಆಮ್ಲಗಳ 1D ಅನುಕ್ರಮದಿಂದ ಪ್ರೋಟೀನ್‌ಗಳ 3D ರಚನೆಯನ್ನು ಊಹಿಸುವುದು. ಮಾನವ ಜೀನೋಮ್ ಯೋಜನೆಯ ಯಶಸ್ಸಿನೊಂದಿಗೆ, 1D ಅಮೈನೋ ಆಮ್ಲ ಅನುಕ್ರಮಗಳನ್ನು ಪಡೆಯುವ ನಮ್ಮ ಸಾಮರ್ಥ್ಯವು ಹೆಚ್ಚು ಸುಧಾರಿಸಿದೆ ಮತ್ತು ಈ ಸವಾಲು ಇನ್ನಷ್ಟು ತುರ್ತು ಆಗಿದೆ.

ಪ್ರೋಟೀನ್ ರಚನೆಗಳನ್ನು ಊಹಿಸುವುದು ಹಲವಾರು ಕಾರಣಗಳಿಂದ ಕಷ್ಟಕರವಾಗಿದೆ. ಮೊದಲನೆಯದಾಗಿ, ಪ್ರತಿ ಅಮೈನೋ ಆಮ್ಲದಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಪರಮಾಣುವಿನ ಎಲ್ಲಾ ಸಂಭಾವ್ಯ ಮೂರು ಆಯಾಮದ ಸ್ಥಾನಗಳಿಗೆ ಸಾಕಷ್ಟು ಪರಿಶೋಧನೆ ಅಗತ್ಯವಿರುತ್ತದೆ. ಎರಡನೆಯದಾಗಿ, ಪರಮಾಣುಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಸಂರಚಿಸಲು ಪ್ರೋಟೀನ್‌ಗಳು ತಮ್ಮ ರಾಸಾಯನಿಕ ರಚನೆಯಲ್ಲಿ ಪೂರಕತೆಯನ್ನು ಗರಿಷ್ಠವಾಗಿ ಬಳಸಿಕೊಳ್ಳುತ್ತವೆ. ಪ್ರೋಟೀನ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ನೂರಾರು ಹೈಡ್ರೋಜನ್ ಬಂಧ "ದಾನಿಗಳು" (ಸಾಮಾನ್ಯವಾಗಿ ಆಮ್ಲಜನಕ) ಹೊಂದಿದ್ದು ಅದು ಹೈಡ್ರೋಜನ್ ಬಂಧ "ಸ್ವೀಕರಿಸುವವ" (ಸಾಮಾನ್ಯವಾಗಿ ಸಾರಜನಕವು ಹೈಡ್ರೋಜನ್‌ಗೆ ಬಂಧಿತವಾಗಿದೆ) ಗೆ ಹತ್ತಿರವಾಗಿರಬೇಕು, ಬಹುತೇಕ ಪ್ರತಿಯೊಬ್ಬ ದಾನಿಯು ಸ್ವೀಕರಿಸುವವನಿಗೆ ಹತ್ತಿರವಿರುವಲ್ಲಿ ಅನುರೂಪತೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯುವುದು ತುಂಬಾ ಕಷ್ಟಕರವಾಗಿರುತ್ತದೆ. ಮೂರನೆಯದಾಗಿ, ಪ್ರಾಯೋಗಿಕ ವಿಧಾನಗಳ ತರಬೇತಿಗೆ ಸೀಮಿತ ಉದಾಹರಣೆಗಳಿವೆ, ಆದ್ದರಿಂದ ಸಂಬಂಧಿತ ಪ್ರೋಟೀನ್‌ಗಳ ವಿಕಾಸದ ಮಾಹಿತಿಯನ್ನು ಬಳಸಿಕೊಂಡು 1D ಅನುಕ್ರಮಗಳ ಆಧಾರದ ಮೇಲೆ ಅಮೈನೋ ಆಮ್ಲಗಳ ನಡುವಿನ ಸಂಭಾವ್ಯ ಮೂರು ಆಯಾಮದ ಪರಸ್ಪರ ಕ್ರಿಯೆಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಅವಶ್ಯಕ.

ಅತ್ಯುತ್ತಮ ರಚನೆಯ ಹುಡುಕಾಟದಲ್ಲಿ ಪರಮಾಣುಗಳ ಪರಸ್ಪರ ಕ್ರಿಯೆಯನ್ನು ಮಾದರಿ ಮಾಡಲು ಭೌತಶಾಸ್ತ್ರವನ್ನು ಮೊದಲು ಬಳಸಲಾಯಿತು ಮತ್ತು ಪ್ರೋಟೀನ್‌ಗಳ ರಚನೆಯನ್ನು ಊಹಿಸಲು ಒಂದು ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಯಿತು. ಪ್ರೋಟೀನ್‌ಗಳ ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಿಮ್ಯುಲೇಶನ್‌ನ ಕುರಿತಾದ ಅವರ ಕೆಲಸಕ್ಕಾಗಿ ಕಾರ್ಪ್ಲಸ್, ಲೆವಿಟ್ ಮತ್ತು ವಾರ್ಶೆಲ್ ಅವರಿಗೆ 2013 ರ ರಸಾಯನಶಾಸ್ತ್ರದ ನೊಬೆಲ್ ಪ್ರಶಸ್ತಿಯನ್ನು ನೀಡಲಾಯಿತು. ಆದಾಗ್ಯೂ, ಭೌತಶಾಸ್ತ್ರ ಆಧಾರಿತ ವಿಧಾನಗಳು ಕಂಪ್ಯೂಟೇಶನಲ್ ಆಗಿ ದುಬಾರಿಯಾಗಿದೆ ಮತ್ತು ಅಂದಾಜು ಸಂಸ್ಕರಣೆಯ ಅಗತ್ಯವಿರುತ್ತದೆ, ಆದ್ದರಿಂದ ನಿಖರವಾದ ಮೂರು ಆಯಾಮದ ರಚನೆಗಳನ್ನು ಊಹಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ (AI-ML) ಮೂಲಕ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ತಿಳಿದಿರುವ ರಚನೆಗಳು ಮತ್ತು ಅನುಕ್ರಮಗಳ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು ಬಳಸುವುದು ಮತ್ತೊಂದು "ಜ್ಞಾನ-ಆಧಾರಿತ" ವಿಧಾನವಾಗಿದೆ. ಹಸ್ಸಾಬಿಸ್ ಮತ್ತು ಜಂಪರ್ ಭೌತಶಾಸ್ತ್ರ ಮತ್ತು AI-ML ಎರಡರ ಅಂಶಗಳನ್ನು ಅನ್ವಯಿಸುತ್ತಾರೆ, ಆದರೆ ವಿಧಾನದ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿನ ನಾವೀನ್ಯತೆ ಮತ್ತು ಅಧಿಕವು ಪ್ರಾಥಮಿಕವಾಗಿ AI-ML ನಿಂದ ಬಂದಿದೆ. ಆಲ್ಫಾಫೋಲ್ಡ್ ಅನ್ನು ರಚಿಸಲು ಇಬ್ಬರು ಸಂಶೋಧಕರು ಕೈಗಾರಿಕಾ ದರ್ಜೆಯ ಕಂಪ್ಯೂಟಿಂಗ್ ಸಂಪನ್ಮೂಲಗಳೊಂದಿಗೆ ದೊಡ್ಡ ಸಾರ್ವಜನಿಕ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು ಸೃಜನಾತ್ಮಕವಾಗಿ ಸಂಯೋಜಿಸಿದರು.

ಅವರು ರಚನಾತ್ಮಕ ಭವಿಷ್ಯ ಒಗಟನ್ನು "ಪರಿಹರಿಸಿದ್ದಾರೆ" ಎಂದು ನಮಗೆ ಹೇಗೆ ಗೊತ್ತು? 1994 ರಲ್ಲಿ, ಕ್ರಿಟಿಕಲ್ ಅಸೆಸ್ಮೆಂಟ್ ಆಫ್ ಸ್ಟ್ರಕ್ಚರ್ ಪ್ರಿಡಿಕ್ಷನ್ (CASP) ಸ್ಪರ್ಧೆಯನ್ನು ಸ್ಥಾಪಿಸಲಾಯಿತು, ಇದು ರಚನಾತ್ಮಕ ಮುನ್ಸೂಚನೆಯ ಪ್ರಗತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಪ್ರತಿ ಎರಡು ವರ್ಷಗಳಿಗೊಮ್ಮೆ ಭೇಟಿಯಾಗುತ್ತದೆ. ಸಂಶೋಧಕರು ಇತ್ತೀಚೆಗೆ ಪರಿಹರಿಸಿದ, ಆದರೆ ಫಲಿತಾಂಶಗಳನ್ನು ಇನ್ನೂ ಪ್ರಕಟಿಸದ ಪ್ರೋಟೀನ್‌ನ 1D ಅನುಕ್ರಮವನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ. ಈ 1D ಅನುಕ್ರಮವನ್ನು ಬಳಸಿಕೊಂಡು ಮುನ್ಸೂಚಕರು ಮೂರು ಆಯಾಮದ ರಚನೆಯನ್ನು ಊಹಿಸುತ್ತಾರೆ ಮತ್ತು ಮೌಲ್ಯಮಾಪಕರು ಪ್ರಾಯೋಗಿಕರು ಒದಗಿಸಿದ ಮೂರು ಆಯಾಮದ ರಚನೆಗೆ ಹೋಲಿಸುವ ಮೂಲಕ ಊಹಿಸಲಾದ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟವನ್ನು ಸ್ವತಂತ್ರವಾಗಿ ನಿರ್ಣಯಿಸುತ್ತಾರೆ (ಮೌಲ್ಯಮಾಪಕರಿಗೆ ಮಾತ್ರ ಒದಗಿಸಲಾಗಿದೆ). CASP ನಿಜವಾದ ಕುರುಡು ವಿಮರ್ಶೆಗಳನ್ನು ನಡೆಸುತ್ತದೆ ಮತ್ತು ಕ್ರಮಶಾಸ್ತ್ರೀಯ ನಾವೀನ್ಯತೆಗೆ ಸಂಬಂಧಿಸಿದ ಆವರ್ತಕ ಕಾರ್ಯಕ್ಷಮತೆಯ ಜಿಗಿತಗಳನ್ನು ದಾಖಲಿಸುತ್ತದೆ. 2020 ರಲ್ಲಿ ನಡೆದ 14 ನೇ CASP ಸಮ್ಮೇಳನದಲ್ಲಿ, ಆಲ್ಫಾಫೋಲ್ಡ್‌ನ ಭವಿಷ್ಯವಾಣಿಯ ಫಲಿತಾಂಶಗಳು ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಅಂತಹ ಅಧಿಕವನ್ನು ತೋರಿಸಿದವು, ಸಂಘಟಕರು 3D ರಚನೆ ಭವಿಷ್ಯ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲಾಗಿದೆ ಎಂದು ಘೋಷಿಸಿದರು: ಹೆಚ್ಚಿನ ಭವಿಷ್ಯವಾಣಿಗಳ ನಿಖರತೆಯು ಪ್ರಾಯೋಗಿಕ ಅಳತೆಗಳಿಗೆ ಹತ್ತಿರದಲ್ಲಿದೆ.

ವಿಶಾಲವಾದ ಮಹತ್ವವೆಂದರೆ ಹಸ್ಸಾಬಿಸ್ ಮತ್ತು ಜಂಪರ್ ಅವರ ಕೆಲಸವು AI-ML ವಿಜ್ಞಾನವನ್ನು ಹೇಗೆ ಪರಿವರ್ತಿಸಬಹುದು ಎಂಬುದನ್ನು ಮನವರಿಕೆಯಾಗುವಂತೆ ಪ್ರದರ್ಶಿಸುತ್ತದೆ. AI-ML ಬಹು ದತ್ತಾಂಶ ಮೂಲಗಳಿಂದ ಸಂಕೀರ್ಣವಾದ ವೈಜ್ಞಾನಿಕ ಊಹೆಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು, ಗಮನ ಕಾರ್ಯವಿಧಾನಗಳು (ChatGPT ಯಲ್ಲಿರುವಂತೆ) ದತ್ತಾಂಶ ಮೂಲಗಳಲ್ಲಿ ಪ್ರಮುಖ ಅವಲಂಬನೆಗಳು ಮತ್ತು ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಕಂಡುಹಿಡಿಯಬಹುದು ಮತ್ತು AI-ML ತನ್ನ ಔಟ್‌ಪುಟ್ ಫಲಿತಾಂಶಗಳ ಗುಣಮಟ್ಟವನ್ನು ಸ್ವಯಂ-ನಿರ್ಣಯಿಸಬಹುದು ಎಂದು ಅದರ ಸಂಶೋಧನೆ ತೋರಿಸುತ್ತದೆ. AI-ML ಮೂಲಭೂತವಾಗಿ ವಿಜ್ಞಾನವನ್ನು ಮಾಡುತ್ತಿದೆ.