«لحظه آلفافولد» جدید در مهندسی پروتئین با BioEmu و BindCraft مایکروسافت

آلفافولد (AlphaFold) با پیش‌بینی موفقیت‌آمیز ساختار سه‌بعدی ایستا پروتئین‌ها مستقیماً از توالی‌های یک‌بعدی اسید آمینه آن‌ها، یکی از بزرگترین و سرسخت‌ترین چالش‌های زیست‌شناسی را حل کرد. این یک دستاورد تعیین‌کننده بود که شایسته جایزه نوبل شناخته شد و اساساً چشم‌انداز زیست‌شناسی مولکولی را تغییر داد. اما در دنیای واقعی، پروتئین‌ها مجسمه‌های یخ‌زده یا قطعات پازل سفت و سخت نیستند؛ آن‌ها ماشین‌هایی بسیار پویا و در حال حرکت هستند که دائماً شکل خود را تغییر می‌دهند تا عملکردهای حیاتی سلولی خود را انجام دهند. درک شکل ایستا یک پروتئین مانند نگاه کردن به عکس یک اسب مسابقه است، در حالی که درک دینامیک آن مانند تماشای دویدن آن است. برای تسلط واقعی بر زیست‌شناسی، دانشمندان باید فیلم را ببینند، نه فقط یک عکس فوری را.[2]

اکنون، جامعه زیست‌شناسی ساختاری، دومین «لحظه آلفافولد» را اعلام می‌کند که به همان اندازه تحول‌آفرین است. دو پیشرفت جدید هوش مصنوعی—شبیه‌ساز زیست‌مولکولی مایکروسافت، معروف به BioEmu، و یک خط لوله متن‌باز به نام BindCraft—این حوزه را فراتر از تصاویر ایستا به قلمرو پیچیده حرکت دینامیک و طراحی سفارشی پروتئین سوق می‌دهند. در حالی که آلفافولد دنیای زیستی موجود را نقشه‌برداری کرد، این ابزارهای جدید دستورالعمل مهندسی فعال آن را فراهم می‌کنند. محققان با استفاده از مدل‌های پیشرفته انتشار مولد و وزن‌های یادگیری عمیق، توانایی شبیه‌سازی حرکت پروتئین با سرعت‌های بی‌سابقه و طراحی مولکول‌های جدیدی را که می‌توانند با دقت بسیار بالا در فرآیندهای بیماری دخالت کنند، باز کرده‌اند.[1][4][6]

در مجموع، این ابزارها تحول زیست‌شناسی را از یک علم صرفاً مشاهده‌ای به یک رشته مهندسی قابل پیش‌بینی تسریع می‌کنند. BioEmu به دانشمندان اجازه می‌دهد تا نحوه حرکت، تا شدن و تعامل پروتئین‌ها را در کسری از زمان مورد نیاز روش‌های محاسباتی سنتی شبیه‌سازی کنند. به طور همزمان، BindCraft امکان ایجاد سریع و خودکار مولکول‌های سفارشی را فراهم می‌کند که می‌توانند به اهداف بیماری خاص متصل شوند و ماه‌ها آزمون و خطای خسته‌کننده آزمایشگاهی را دور بزنند. این همگرایی شبیه‌سازی دینامیک و طراحی مولد، مرزهای جدیدی را در کشف دارو، زیست‌مواد و زیست‌شناسی مصنوعی می‌گشاید و نویدبخش دموکراتیزه کردن دسترسی به درمان‌های پیشرفته برای آزمایشگاه‌های تحقیقاتی در سراسر جهان است.[5]

برای درک کامل اهمیت کمک BioEmu، باید به گلوگاه تاریخی که حل می‌کند نگاه کرد: شبیه‌سازی‌های دینامیک مولکولی. از نظر تاریخی، نقشه‌برداری از «چشم‌انداز ساختاری» (conformational landscape)—توزیع آماری کامل اشکال مختلفی که یک پروتئین می‌تواند به خود بگیرد—مستلزم شبیه‌سازی نیروهای فیزیکی و تعاملات بین تک‌تک اتم‌ها در طول زمان بود. محققان باید به معادلات فیزیک کلاسیک تکیه می‌کردند تا محاسبه کنند که چگونه هر اتم همسایگان خود را هل می‌دهد و می‌کشد، قدم به قدم میکروسکوپی، تا مشاهده کنند که چگونه یک پروتئین تا می‌شود یا ساختار خود را برای اتصال به یک مولکول دارویی تغییر می‌دهد.[1][2]

این شبیه‌سازی‌های سنتی دینامیک مولکولی به طرز بدنامی از نظر محاسباتی گران و به شدت کند هستند. شبیه‌سازی تنها چند میکروثانیه از حرکت پروتئین می‌تواند هفته‌ها یا حتی ماه‌ها محاسبه مداوم را در یک خوشه ابررایانه‌ای با عملکرد بالا به خود اختصاص دهد. به دلیل این بار محاسباتی عظیم، عملاً مطالعه دینامیک پروتئین در مقیاس بزرگ در سراسر ژنوم‌ها یا غربالگری سریع هزاران پروتئین برای تغییرات ساختاری ظریف غیرممکن بوده است. هزینه و زمان زیادی که لازم بود، تحلیل دینامیک پروتئین را محدود به تعداد انگشت‌شماری از مؤسسات با بودجه خوب و متمرکز بر تعداد محدودی از اهداف با اولویت بالا نگه می‌داشت.

BioEmu متعلق به مایکروسافت ریسرچ (Microsoft Research) با استفاده از یک چارچوب انتشار مولد، مشابه فناوری زیربنایی مولدهای پیشرفته تصویر هوش مصنوعی، به طور کامل این گلوگاه شبیه‌سازی فیزیکی را دور می‌زند. BioEmu به جای محاسبه گام به گام نیروهای اتمی با استفاده از فیزیک کلاسیک، بر روی یک مجموعه داده عظیم و با دقت تنظیم شده آموزش داده شد. این مجموعه آموزشی شامل حجم زیادی از ساختارهای پروتئینی ایستا از بانک داده پروتئین (Protein Data Bank)، پیش‌بینی‌های آلفافولد و، مهم‌تر از همه، بیش از ۲۰۰ میلی‌ثانیه شبیه‌سازی‌های دینامیک مولکولی تمام اتمی بود. هوش مصنوعی با هضم این حجم وسیع از داده‌های حرکتی، قوانین آماری زیربنایی نحوه انعطاف و تا شدن طبیعی پروتئین‌ها را آموخت.[1]

BioEmu با یادگیری این الگوهای آماری پیچیده حرکت پروتئین، می‌تواند هزاران ساختار پروتئینی مستقل آماری و از نظر فیزیکی قابل قبول را در هر ساعت بر روی یک واحد پردازش گرافیکی (GPU) استاندارد تولید کند. این مدل به طور مؤثری حرکت پروتئین را «توهم‌زایی» می‌کند و توزیع بولتزمن (Boltzmann distribution) حالت‌های ممکن آن را نمونه‌برداری می‌کند، بدون اینکه مجبور به شبیه‌سازی مراحل فیزیکی میانی باشد. این نشان‌دهنده جهشی چند برابری در کارایی محاسباتی است، فرآیندی که زمانی به یک ابررایانه و هفته‌ها انتظار نیاز داشت را به یک کار یک ساعته بر روی سخت‌افزاری تبدیل می‌کند که به طور گسترده برای اکثر آزمایشگاه‌های تحقیقاتی مدرن در دسترس است.[1]

نکته قابل توجه این است که این سرعت بی‌سابقه به قیمت دقت ترمودینامیکی تمام نمی‌شود. BioEmu با موفقیت حرکات حیاتی و مرتبط با عملکرد، از جمله بازآرایی‌های دامنه‌ای در مقیاس بزرگ و انتقال‌های بازشدگی موضعی را که نحوه عملکرد یک پروتئین را تعیین می‌کنند، ثبت می‌کند. مهم‌تر از همه، این مدل می‌تواند انرژی‌های آزاد نسبی—یک معیار حیاتی ترمودینامیکی برای پایداری پروتئین و احتمال اتخاذ یک شکل خاص توسط آن—را با دقت ۱ کیلوکالری بر مول پیش‌بینی کند. این سطح از دقت با خروجی‌های شبیه‌سازی‌های دینامیک مولکولی جامع در مقیاس میلی‌ثانیه رقابت می‌کند و ثابت می‌کند که هوش مصنوعی مولد می‌تواند با دقت موتورهای فیزیک کلاسیک برابری کند.[1]

یکی از باارزش‌ترین کاربردهای دارویی BioEmu، توانایی آن در شناسایی قابل اعتماد «حفره‌های مرموز» (cryptic pockets) است. این‌ها شکاف‌ها و جایگاه‌های اتصال پنهانی بر روی سطح پروتئین هستند که در ساختار ایستا آلفافولد کاملاً نامرئی باقی می‌مانند، اما هنگامی که مولکول در زندگی واقعی شکل خود را تغییر می‌دهد، به طور لحظه‌ای باز می‌شوند. برای توسعه‌دهندگان دارو، حفره‌های مرموز اهداف اصلی و قبلاً غیرقابل دسترس برای درمان‌های جدید با مولکول‌های کوچک را نشان می‌دهند. BioEmu با آشکار کردن این آسیب‌پذیری‌های پنهان در پروتئین‌های عامل بیماری، نقشه کاملاً جدیدی از اهداف را در اختیار محققان دارویی قرار می‌دهد که قبلاً از دید پنهان بودند.[1]

در حالی که BioEmu در نقشه‌برداری از این اهداف متحرک عالی عمل می‌کند، خط لوله متن‌باز BindCraft مهمات دقیقی را برای هدف قرار دادن آن‌ها فراهم می‌کند. BindCraft که به عنوان یک گردش کار کاملاً خودکار توسعه یافته است، چالش بزرگ طراحی پیونددهنده پروتئینی «د نوو» (de novo) را حل می‌کند—فرآیند مهندسی مولکول‌های کاملاً جدید از پایه که به طور خاص برای اتصال به یک پروتئین هدف و تغییر یا خنثی‌سازی عملکرد بیولوژیکی آن شکل داده شده‌اند. طراحی این پیونددهنده‌ها گام اساسی در ایجاد آنتی‌بادی‌های درمانی نسل بعدی، حسگرهای تشخیصی و ابزارهای بیوتکنولوژیکی هدفمند است.[4]

از نظر تاریخی، کشف یک پیونددهنده عملکردی نیازمند ماه‌ها غربالگری گران‌قیمت و با توان عملیاتی بالا در آزمایشگاه تر (wet lab) یا فرآیند کند ایمن‌سازی حیوانات برای برداشت آنتی‌بادی‌های تولید شده طبیعی آن‌ها بود. BindCraft این فرآیند فیزیکی دشوار و منابع‌بر را به یک کار محاسباتی ساده و یک‌باره تبدیل می‌کند. این امر با استفاده هوشمندانه از همان معماری‌های یادگیری عمیقی که آلفافولد را موفق کردند، و معکوس کردن هدف اصلی مدل، به دست می‌آید. BindCraft به جای پیش‌بینی یک ساختار از یک توالی، از وزن‌های آموزش‌دیده آلفافولد به عنوان یک «پیشگوی تناسب» استفاده می‌کند تا ایجاد توالی‌ای را که با یک ساختار دلخواه مطابقت دارد، هدایت کند.[2][4]

در عمل، کاربر به سادگی ساختار سه‌بعدی پروتئین هدف را وارد می‌کند و جایگاه اتصال مورد نظر را مشخص می‌کند. سپس BindCraft از یک تکنیک ریاضی به نام پس‌انتشار (backpropagation) برای به‌روزرسانی و بهینه‌سازی تکراری یک توالی پیونددهنده جدید استفاده می‌کند. این سیستم به طور مداوم هدف و پیونددهنده توهم‌زایی شده را با هم تا می‌کند و ارزیابی می‌کند که چقدر خوب با هم مطابقت دارند. BindCraft با دادن درجات انعطاف‌پذیری تعریف‌شده به هر دو مولکول در سطوح ستون فقرات و زنجیره‌های جانبی، تضمین می‌کند که پیونددهنده حاصل به طور کامل شکل گرفته تا با حداکثر میل ترکیبی در جایگاه اتصال خاص هدف قفل شود.[3][4]

این سیستم این پیونددهنده‌های جدید و رابط‌های پیچیده آن‌ها را بدون نیاز به منابع محاسباتی عظیم یا نیاز به نمونه‌برداری فیزیکی در مقیاس بزرگ، توهم‌زایی می‌کند. از آنجایی که این خط لوله کاملاً خودکار و متن‌باز است، مانع ورود به مهندسی پیشرفته پروتئین را به شدت کاهش می‌دهد. محققان دیگر برای کشف پیونددهنده‌های قوی نیازی به دسترسی به امکانات غربالگری با توان عملیاتی بالا و چند میلیون دلاری ندارند؛ آن‌ها صرفاً به یک GPU قدرتمند و ساختار پروتئین هدف نیاز دارند، و قابلیتی را دموکراتیزه می‌کند که زمانی حوزه انحصاری شرکت‌های بزرگ دارویی بود.[4]

اثبات واقعی کارایی انقلابی BindCraft در اعتبارسنجی دقیق آن در آزمایشگاه تر نهفته است. در آزمایش‌های مستقل و شخص ثالث—از جمله یک مسابقه بسیار رقابتی که توسط استارتاپ تست بیولوژیکی Adaptyv Bio برگزار شد—BindCraft نرخ‌های موفقیت تجربی شگفت‌انگیزی را از ۱۰٪ تا ۱۰۰٪ در طیف گسترده‌ای از اهداف بیولوژیکی پیچیده به دست آورد. این‌ها فقط مدل‌های نظری کامپیوتری نیستند؛ آن‌ها پروتئین‌های فیزیکی هستند که در آزمایشگاه سنتز شده‌اند و دقیقاً همانطور که هوش مصنوعی پیش‌بینی کرده بود، با موفقیت به اهداف مورد نظر خود متصل شدند.[2][4]

این اهداف تأیید شده شامل پروتئین‌های دشوار بدنامی مانند گیرنده فاکتور رشد اپیدرمی، نوکلئازهای چند دامنه‌ای و گلیکوپروتئین ویروس نیپا (Nipah virus) بودند. در چالش ویروس نیپا، خط لوله BindCraft با موفقیت پیونددهنده‌های «د نوو» با میل ترکیبی نانومولار تک رقمی تولید کرد—به این معنی که آن‌ها با قدرت و دقت فوق‌العاده‌ای به ویروس کشنده متصل می‌شوند و عملاً آن را خنثی می‌کنند. دستیابی به میل ترکیبی نانومولار در اولین تلاش بدون بهینه‌سازی تجربی بعدی، یک دستاورد برجسته است که اساساً جدول زمانی توسعه داروهای ضدویروسی و درمانی را تغییر می‌دهد.[2][4]

پیامدهای گسترده‌تر برای پزشکی جهانی و بیوتکنولوژی عمیق است. با ابزارهایی مانند BindCraft و BioEmu، سازمان‌های تحقیقاتی در سراسر جهان اکنون می‌توانند درمان‌ها، تشخیص‌ها و آنزیم‌های صنعتی بسیار مؤثری را از یک ایستگاه کاری کامپیوتری استاندارد طراحی کنند. این تغییر نوید تسریع توسعه درمان بیماری‌های نادر، داروهای ضدویروسی با واکنش سریع برای پاندمی‌های نوظهور، و ایمونوتراپی‌های سرطانی بسیار خاص را می‌دهد، در حالی که به طور چشمگیری هزینه‌های اولیه تحقیق و توسعه را که به طور سنتی مانع نوآوری دارویی می‌شوند، کاهش می‌دهد. توانایی نمونه‌سازی سریع و آزمایش مداخلات بیولوژیکی به صورت شبیه‌سازی کامپیوتری (in silico) قبل از دست زدن به لوله آزمایش، نشان‌دهنده یک تغییر پارادایم در نحوه رویکرد ما به سلامت انسان است.[4][5]

با وجود این جهش‌های بزرگ رو به جلو، حوزه زیست‌شناسی ساختاری مبتنی بر هوش مصنوعی همچنان با سؤالات و چالش‌های باز مهمی روبرو است. رویکرد مولد BioEmu به شدت به کیفیت و گستردگی داده‌های آموزشی خود متکی است؛ هنوز مشخص نیست که این مدل با چه دقتی می‌تواند تاخوردگی‌های پروتئینی کاملاً جدیدی را که به طور قابل توجهی از تعاملات فیزیکی که قبلاً آموخته است منحرف می‌شوند، شبیه‌سازی کند. علاوه بر این، ثبت دینامیک پروتئین‌های جاسازی شده در غشاهای سلولی پیچیده، یک کار محاسباتی دلهره‌آور باقی می‌ماند که مدل‌های فعلی تازه شروع به رسیدگی به آن کرده‌اند.[2][6]

به طور مشابه، در حالی که BindCraft در طراحی پیونددهنده‌های با میل ترکیبی بالا برای اهداف ساختاری به خوبی تعریف شده عالی است، تبدیل این پروتئین‌های طراحی شده محاسباتی به درمان‌های انسانی ایمن، پایدار و قابل تحویل، مستلزم غلبه بر مجموعه‌ای از موانع بیولوژیکی پیچیده است. یک پیونددهنده که در لوله آزمایش کاملاً کار می‌کند، همچنان باید در جریان خون انسان زنده بماند، از تحریک پاسخ خطرناک سیستم ایمنی جلوگیری کند و ثابت کند که به طور ناخواسته به پروتئین‌های خارج از هدف متصل نمی‌شود و باعث سمیت ناخواسته نمی‌گردد. طراحی محاسباتی تنها اولین گام در فرآیند طولانی و دقیق توسعه بالینی دارو است.[3][6]

با این وجود، همگرایی شبیه‌سازی‌های دینامیک BioEmu و طراحی مولد BindCraft نشان‌دهنده یک تغییر قطعی به سمت چیزی است که محققان آن را «زیست‌شناسی ۲.۰» می‌نامند. ما به سرعت در حال عبور از دوران صرفاً پیش‌بینی ظاهر یک پروتئین ایستا هستیم و وارد فاز دینامیکی می‌شویم که در آن می‌توانیم دقیقاً نحوه رفتار آن را در زمان واقعی شبیه‌سازی کنیم و مداخلات مولکولی سفارشی را برای کنترل آن مهندسی کنیم. این گذار از مشاهده به مهندسی فعال، سطح جدیدی از دقت را در درک ما از ماشین‌آلات مولکولی حیات باز می‌کند.[5][6]

همانطور که این مدل‌های هوش مصنوعی به تکامل، ادغام و یادگیری از مجموعه‌های داده‌ای که دائماً در حال گسترش هستند ادامه می‌دهند، نوید دموکراتیزه کردن کامل زیست‌شناسی ساختاری را می‌دهند. با از بین بردن موانع عظیم محاسباتی و مالی که به طور تاریخی پیشرفت علمی را کند کرده‌اند، «لحظه آلفافولد» جدید زمینه را برای رنسانسی در کشف دارو فراهم می‌کند. در نهایت، این ابزارها جامعه جهانی محققان را قادر می‌سازند تا راه‌حل‌های سریع و هدفمندی را برای برخی از مبرم‌ترین و پیچیده‌ترین چالش‌های سلامت و بیماری انسان پیدا کنند.[5][6]