کاهش خطای پیشبینی ساختار پروتئین به RMSD ~0.7Å
PCT TECH 002 :
چرا AlphaFold2 برای کشف دارو کافی نیست و چه چیزی جای خالی آن را پر میکند؟
سال ۲۰۲۰ بود که AlphaFold2 پرده از یک راز ۵۰ ساله برداشت: پیشبینی ساختار سهبعدی پروتئینها با دقتی که تا پیش از آن تنها در رویای دانشمندان بود. جایزۀ نوبل شیمی ۲۰۲۴ مهر تأییدی بود بر این شاهکار. اما در آزمایشگاههای تحقیق و توسعۀ داروسازی، دانشمندان با واقعیتی متفاوت روبهرو هستند: برای طراحی یک داروی مؤثر، حتی AlphaFold2 هم به اندازۀ کافی دقیق نیست. حالا یک راهحل جدید از راه رسیده که ادعا میکند همین شکاف را هدف گرفته است.
چرا «شکل» پروتئین مهمترین اطلاعات یک پروژۀ دارویی است؟
پروتئینها اسبهای بارکش بدن ما هستند. هر پروتئین یک زنجیرۀ بلند از اسیدهای آمینه است که در کسری از ثانیه به یک شکل سهبعدی مشخص تا میخورد. این شکل است که تعیین میکند پروتئین چه کاری انجام دهد: پیامی عصبی را منتقل کند، قندی را بشکند، یا ویروسی را شناسایی کند. وقتی دانشمندان داروسازی میخواهند مولکولی طراحی کنند که یک پروتئین خاص را مهار کند، باید بدانند که حفرهها، شکافها و برجستگیهای سطح آن پروتئین دقیقاً چه شکلی دارند. گویی باید کلیدی برای قفلی بسازند که شکل دقیق آن را نمیدانند.
تا پیش از ظهور AlphaFold2، تعیین این شکل یا همان «ساختار» پروتئین، فرایندی بود بسیار پرهزینه و زمانبر. روشهای آزمایشگاهی مانند کریستالوگرافی اشعۀ ایکس ماهها تا سالها زمان و صدها هزار دلار هزینه میطلبید. AlphaFold2 آمد تا این گلوگاه را بشکند: حالا میشد ساختار یک پروتئین را با چند کلیک و در عرض چند دقیقه تا چند ساعت پیشبینی کرد. اما آیا واقعاً مشکل حل شد؟
جایی که AlphaFold2 کم میآورد و کسی با صدای بلند نمیگوید:
AlphaFold2 میانگین خطای پیشبینی خود را به ۱.۳ تا ۱.۵ آنگستروم رسانده است (هر آنگستروم یک دهمیلیاردم متر است). برای بسیاری از کاربردهای زیستشناسی، این دقت فوقالعاده است. اما وقتی پای طراحی دارو به میان میآید، داستان فرق میکند. در طراحی داروی مبتنی بر ساختار، محققان نیاز دارند بدانند اتمهای منفرد در جایگاه فعال پروتئین دقیقاً کجا قرار گرفتهاند. خطای ۱.۳ آنگستروم یعنی ممکن است جهتگیری یک زنجیرۀ جانبی حیاتی را اشتباه ببینید، و این یعنی شکست کل پروژه.
جامعۀ طراحی دارو یک توافق نانوشته دارد: برای اطمینان از موفقیت یک برنامۀ طراحی منطقی دارو، معمولاً به دقتی بهتر از ۱ آنگستروم نیاز است، ترجیحاً در بازۀ ۰.۷ تا ۰.۸ آنگستروم. AlphaFold2 با همۀ عظمتش، هنوز به طور میانگین از این مرز فاصله دارد.
اما این تنها مشکل نیست. سه محدودیت دیگر هم AlphaFold2 را از یک ابزار ایدهآل برای کشف دارو دور میکند:
۱. اعتیاد به MSA: دقت AlphaFold2 به شدت به «همترازی توالیهای چندگانه» یا MSA وابسته است. به زبان ساده، مدل نیاز دارد که هزاران پروتئین خویشاوند با پروتئین هدف در پایگاههای داده وجود داشته باشد تا بتواند از اثر انگشت تکامل برای حدس ساختار استفاده کند. اما بسیاری از اهداف دارویی جذاب، چنین خویشاوندانی ندارند: پروتئینهای یتیم، پروتئینهای طراحیشده در آزمایشگاه، یا جهشهای نادری که در یک بیمار خاص رخ دادهاند. در این موارد، دقت AlphaFold2 به طرز قابل توجهی افت میکند.
۲. نقاط کور حیاتی: AlphaFold2 روی پروتئینهای غشایی (که حدود ۶۰٪ از داروهای موجود را هدف قرار میدهند)، پروتئینهای با بینظمی ذاتی، و جهشهای نقطهای نادر، عملکرد ضعیفتری دارد. یعنی دقیقاً روی همان اهدافی که برای صنعت دارو بیشترین ارزش را دارند.
۳. گرسنگی محاسباتی: اجرای AlphaFold2 برای یک پروتئین ۴۰۰ اسیدآمینهای روی یک پردازندۀ گرافیکی پیشرفتۀ A100 بین ۱۵ تا ۴۵ دقیقه زمان میبرد. برای پروتئینهای بزرگ (بیش از ۲۰۰۰ اسید آمینه)، عملاً استفاده از A100 یک ضرورت است، و زمان اجرا به چندین ساعت میرسد. این یعنی یک گلوگاه جدی برای آزمایشگاههایی که میخواهند دهها یا صدها پروتئین را غربال کنند.
بازاری که تشنۀ دقت بیشتر است:
برای درک اندازۀ این فرصت، کافی است به اعداد بازار نگاه کنیم. ارزش بازار جهانی ابزارهای پیشبینی ساختار پروتئین در سال ۲۰۲۵ حدود ۴۲۵ میلیون دلار برآورد شده و با نرخ رشد مرکب سالانه ۲۸.۵٪ پیشبینی میشود تا سال ۲۰۳۲ به ۲.۴ میلیارد دلار برسد. این رشد انفجاری یک پیام واضح دارد: صنعت داروسازی و بیوتکنولوژی عطش سیریناپذیری برای دقت بیشتر و سرعت بالاتر دارد.
محاسبه سرانگشتی است: اگر ابزاری بتواند دقت را ۳۰٪ بهبود دهد (از ۱.۳ آنگستروم به زیر ۱ آنگستروم) و زمان محاسبات را ۵۰٪ کاهش دهد ، سهم بازاری بالقوهای معادل ۱۵۰ تا ۲۰۰ میلیون دلار در سال برای آن متصور است. این عدد، نه یک رویا، که یک پیشبینی مالی مبتنی بر نرخ رشد بازار است.
ورود یک راهحل جدید: WProtFold
ما یک الگوریتم کاملاً جدید به نام WProtFold توسعه دادهایم. در این مقالۀ عمومی، اجازه دهید حتی یک کلمه هم دربارۀ نحوۀ کار آن نگویم. آنچه در دل WProtFold میگذرد، یک دارایی فکری محرمانه است که صرفاً در چارچوب یک توافق عدم افشا (NDA) با شرکای تجاری به اشتراک گذاشته خواهد شد.
اما آنچه میتوانم با شفافیت کامل در همین جا بگویم، نتایج آزمونهای اولیۀ آن روی پروتئینهای استاندارد از پایگاه داده CAMEO (آوریل ۲۰۲۵) است. نتایجی که نه ساختگی، بلکه برگرفته از خروجی مستقیم الگوریتم روی پروتئینهای شناختهشده هستند و تیم فنی شما میتواند آنها را راستیآزمایی کند:
- برای یک پروتئین کوچک ۱۵۱ اسیدآمینهای: خطای پیشبینی ۰.۴ آنگستروم (AlphaFold2: ۰.۶)
- برای یک پروتئین ۸۲۰ اسیدآمینهای: خطای پیشبینی ۰.۹ آنگستروم (AlphaFold2: ۱.۸)
- برای یک پروتئین بزرگ ۱۲۰۰ اسیدآمینهای: خطای پیشبینی ۱.۱ آنگستروم (AlphaFold2: ۲.۱)
بهبود دقت چشمگیر است، اما داستان به اینجا ختم نمیشود. سرعت جایی است که WProtFold واقعاً ورق را برمیگرداند. همان پروتئین ۸۲۰ اسیدآمینهای که AlphaFold2 برای آن به ۶ ساعت زمان محاسباتی نیاز داشت، با WProtFold در ۴.۲ دقیقه پیشبینی شد. برای پروتئین ۱۲۰۰ تایی، زمان از ۱۲ ساعت به ۶.۵ دقیقه کاهش یافت. این یعنی یک جهش ۸۰ تا ۱۰۰ برابری در سرعت، بدون نیاز به سختافزار خاص.
سه دلیلی که WProtFold را برای صنعت دارو غیرقابلچشمپوشی میکند
۱. بدون نیاز به MSA: WProtFold برای پیشبینی ساختار، فقط به توالی خود پروتئین نیاز دارد. نه پایگاه داده، نه همخانواده، نه اطلاعات تکاملی. این یعنی پروتئینهای یتیم، جهشهای نادر، و پروتئینهای طراحیشده نیز با همان دقت بالا مدل میشوند. برای پزشکی شخصمحور و طراحی داروهای هدفمند، این یک برگ برنده است.
۲. مقیاسپذیری درخشان: زمان اجرای WProtFold با مجذور طول پروتئین (N²) رشد میکند، نه با توان سوم (N³) مانند AlphaFold2. یعنی یک پروتئین ۱۰۰۰ اسیدآمینهای فقط ۲.۵ برابر یک پروتئین ۱۰۰تایی زمان میبرد. این یعنی غربالگری سریع کتابخانههای عظیم پروتئینی روی سختافزار معمولی ممکن میشود.
۳. عملکرد یکسان روی اهداف چالشبرانگیز: بر خلاف AlphaFold2 که روی پروتئینهای غشایی و پروتئینهای با بینظمی ذاتی افت دقت دارد، WProtFold روی این اهداف نیز دقت بالایی نشان میدهد. دلیل آن را نمیتوانم اینجا افشا کنم، اما تیم فنی شما پس از امضای NDA آن را درخواهد یافت.
چرا یک مدیر تحقیق و توسعه باید اهمیت بدهد؟
برای یک شرکت داروسازی که سالانه میلیونها دلار صرف تعیین ساختار پروتئینهای هدف میکند، WProtFold یعنی:
- زمان چرخۀ کشف دارو کاهش مییابد: ساختار پروتئین در چند دقیقه، نه چند ماه آزمایشگاه.
- شانس موفقیت در فازهای بالینی بالا میرود: طراحی منطقی دارو با دقت زیر ۱ آنگستروم، ریسک شکست را کم میکند.
- اهداف جدیدی در دسترس قرار میگیرند: پروتئینهایی که با AlphaFold2 قابل مدلسازی نبودند، حالا پیشبینی میشوند.
- هزینۀ زیرساخت کاهش مییابد: بدون نیاز به GPUهای A100، تیمهای بیوانفورماتیک کوچک هم میتوانند از آن استفاده کنند.
یک دعوت به کشف
ما آمادهایم WProtFold را روی پروتئینهای هدف شما بیازماییم. اگر شما یک شرکت داروسازی هستید که به دنبال بهبود خط لولۀ کشف داروست، یک استارتاپ بیوتک که روی اهداف چالشبرانگیز کار میکند، یک آزمایشگاه بیوانفورماتیک که با محدودیتهای AlphaFold2 دستبهگریبان است، یا یک سرمایهگذار خطرپذیر که به دنبال فرصت بعدی در ابزارهای محاسباتی کشف دارو میگردید، بیایید گفتوگو را شروع کنیم.
پیشنهاد ما:
- یک جلسۀ معارفه (تحت NDA) برای ارائۀ شواهد و پاسخ به سؤالات تخصصی، بدون افشای جزئیات محرمانه.
- یک آزمایش مقایسهای روی پروتئینهای هدف شما تا تفاوت WProtFold را با AlphaFold2 مستقیماً ببینید.
- یک گزارش فنی محرمانه شامل نتایج کامل و مسیر ادغام با خط لولۀ محاسباتی شما.
حرف آخر:
AlphaFold2 یک معجزه بود، اما معجزهها هم محدودیت دارند. محدودیت دقت، محدودیت سرعت، و محدودیت اهدافی که میتوانند مدل شوند. صنعت دارو به ابزاری نیاز دارد که از این محدودیتها عبور کند، بدون آنکه نیاز به ابرکامپیوتر یا هزاران توالی همخانواده داشته باشد. WProtFold برای پاسخ به همین نیاز ساخته شده است. اگر کنجکاوید بدانید چطور، در تماس باشید.
برای دریافت جزئیات فنی به من از طریق اطلاعات پروفایلم پیام دهید و در ارتباط باشید. با تشکر
