هوش مصنوعی «قیچیهای ژنی» جدید ساخت | پروتئینهای مصنوعی کریسپر از نمونههای طبیعی پیشی گرفتند
پژوهشگران با استفاده از مدلهای هوش مصنوعی موفق به طراحی پروتئینهای مصنوعی کریسپر شدهاند که در برخی آزمایشها عملکردی بهتر از نمونههای طبیعی در ویرایش ژنوم از خود نشان دادهاند. این دستاورد میتواند مسیر توسعه ابزارهای دقیقتر و کارآمدتر برای پزشکی، کشاورزی و زیستفناوری را هموار کند.
به گزارش شهرآرانیوز؛ پژوهشگران با استفاده از هوش مصنوعی، پروتئینهای مصنوعی کریسپر را طراحی کردهاند که کارایی بیشتری نسبت به نمونههای طبیعی در ویرایش ژنوم دارند.
به نقل از نیچر، دانشمندان با بهرهگیری از مدلهای هوش مصنوعی موفق شدهاند پروتئینهای مصنوعی کریسپر طراحی کنند که ژنوم را با کارایی بیشتری نسبت به نمونههای طبیعی ویرایش میکنند. این سامانههای مصنوعی میتوانند در آینده به پیشبرد پژوهشها در حوزههایی مانند پزشکی، کشاورزی و زیستفناوری کمک کنند.
همانطور که فناوری کریسپر توانایی ویرایش دیانای را برای طیف گستردهای از پژوهشگران در دسترس قرار داد، طراحی پروتئین با کمک هوش مصنوعی نیز این امکان را فراهم میکند که تقریبا هر کسی بتواند پروتئینهایی با ویژگیهای کاملا جدید طراحی کند. این پژوهش دو حوزه تحولآفرین را به هم پیوند داده است که اولی طراحی پروتئین با هدایت هوش مصنوعی و دومی آنزیمهای موسوم به نوکلئازهای هدایتشونده با آرانای است که قادر به برش رشتههای دیانای و آرانای هستند.
قیچیهای مولکولی چگونه عمل میکنند؟
این نوکلئازها ستون فقرات سامانه ویرایش ژنی کریسپر را تشکیل میدهند. در این سامانه، یک آرانای راهنما نوکلئاز را به سمت توالی هدف در دیانای هدایت میکند. سپس نوکلئاز مانند یک قیچی مولکولی عمل کرده و بخش مورد نظر دیانای را برش میدهد؛ فرایندی که به پژوهشگران امکان میدهد اطلاعات ژنتیکی را حذف، اضافه یا اصلاح کنند.
سامانههای کریسپر در اصل از سازوکار دفاعی باکتریها در برابر ویروسها الهام گرفته شدهاند. رایجترین نوکلئازهای مورد استفاده، مانند Cas۹ و Cas۱۲، نیز از باکتریها استخراج شدهاند.
محدودیتهای کریسپر طبیعی
با وجود قدرت بالای فناوری ویرایش ژن، این فرایند بسیار پیچیده است.
جنیفر دودنا، زیستشیمیدان دانشگاه کالیفرنیا در برکلی، نویسنده ارشد این مقاله و یکی از برندگان جایزه نوبل شیمی ۲۰۲۰ به دلیل توسعه فناوری کریسپر، میگوید: نوکلئازها باید مجموعهای از مراحل بسیار دقیق و هماهنگ را طی کنند. به همین دلیل، فراتر رفتن از آنچه فرگشت طی میلیونها سال ایجاد کرده، کار دشواری است. به محض اینکه شروع به تغییر دادن این پروتئینها میکنید، خیلی زود متوجه میشوید که هرچند میتوان تغییراتی ایجاد کرد، اما در نهایت محصول حاصل دیگر عملکرد مناسبی ندارد.
نقش هوش مصنوعی در طراحی آنزیمهای جدید
ابزارهای هوش مصنوعی میتوانند روند یافتن نوکلئازهای جدید و کارآمد را به شکل چشمگیری سرعت ببخشند. به جای انجام صدها یا هزاران آزمایش آزمایشگاهی برای یافتن یک گزینه مناسب، پژوهشگران میتوانند این وظیفه را به الگوریتمهای یادگیری ماشین بسپارند.
برای آزمایش این ایده، دودنا و همکارانش روی طراحی نسخههای مصنوعی گروهی از نوکلئازهای کوچک به نام TnpB تمرکز کردند؛ آنزیمهایی که از نظر تکاملی، پیشساز نوکلئاز شناختهشده Cas۱۲ محسوب میشوند. هدف آنها این بود که بررسی کنند تا چه اندازه میتوان توالی این پروتئینها را تغییر داد، بدون آنکه توانایی ویرایش ژن را از دست بدهند.
هوش مصنوعی چگونه این پروتئینها را طراحی کرد؟
برای عملکرد صحیح، یک پروتئین باید ساختار سهبعدی مشخصی داشته باشد. پژوهشگران ابتدا شکل نهایی یکی از انواع TnpB را در اختیار یک مدل هوش مصنوعی قرار دادند و از آن خواستند تغییراتی در توالی دیانای ایجاد کند که با وجود تفاوت در توالی، همان ساختار نهایی پروتئین حفظ شود. این مدل هزاران نسخه احتمالی تولید کرد، اما مشخص نمیکرد که آیا این پروتئینها واقعا فعال خواهند بود یا خیر.
به همین دلیل، پژوهشگران مدل دومی را آموزش دادند که بر اساس حجم عظیمی از دادههای آزمایشگاهی گذشته، روابط پیچیده میان بخشهای مختلف پروتئین را تحلیل میکرد؛ از جمله اینکه کدام قسمتهای توالی باید بدون تغییر باقی بمانند تا عملکرد پروتئین حفظ شود.
قیچیهای مصنوعی بهتر از نمونههای طبیعی
در نهایت، تعداد محدودی نوکلئاز مصنوعی انتخاب شد که تفاوت قابلتوجهی با نمونههای طبیعی داشتند. در برخی از آنزیمهای طراحی شده توسط هوش مصنوعی، حدود ۳۰ درصد از توالی پروتئین نسبت به نسخه طبیعی تغییر کرده بود؛ در حالی که در تلاشهای پیشین مبتنی بر هوش مصنوعی، این تغییرات معمولا تنها یک تا دو درصد بود.
با این حال، آزمایشهای استاندارد نشان داد این نوکلئازهای مصنوعی همچنان قادر به ویرایش ژن در سلولهای باکتری، گیاه و انسان هستند. حتی برخی از آنها در حذف یا افزودن قطعات هدف ژنوم، عملکرد بهتری نسبت به نسخههای طبیعی نشان دادند؛ موضوعی که دودنا آن را «بسیار هیجانانگیز» توصیف میکند.
تحقیقات پایه همچنان ضروری است
با وجود موفقیت این فناوری، هم دودنا و هم «لو کونگ»، زیستشناس ژنتیک دانشگاه استنفورد که در این پژوهش حضور نداشت و از پیشگامان توسعه ابزارهای کریسپر برای ژندرمانی است، تاکید میکنند که تحقیقات بنیادی روی نوکلئازهای طبیعی همچنان اهمیت زیادی دارد. به گفته آنها، این مطالعات هم درک ما از سازوکارهای مولکولی را افزایش میدهد و هم دادههای لازم برای آموزش مدلهای هوش مصنوعی را فراهم میکند.
دودنا در پایان میگوید: این پژوهش آینده هوش مصنوعی و زیستشناسی را بهخوبی نشان میدهد. ما برای سرعت بخشیدن به تحقیقات به ابزارهای هوش مصنوعی نیاز داریم، اما اگر بخواهیم بیشترین بهره را از این مدلها ببریم، همچنان به دانشمندانی نیاز خواهیم داشت که سازوکارهای مولکولی را عمیقا درک میکنند.
منبع: ایسنا
ارسال نظرات
دیدگاه های ارسال شده توسط شما، پس از تائید توسط شهرآرانیوز در سایت منتشر خواهد شد.
نظراتی که حاوی توهین و افترا باشد منتشر نخواهد شد.
