دانشمندان MIT از مدل هوش مصنوعی مولد رونمایی کردند که می‌تواند مولکول‌هایی برای درمان بیماری‌های سخت‌درمان بسازد

مدل BoltzGen با تولید پروتئین از صفر، هوش مصنوعی را از «درک زیست‌شناسی» به «مهندسی آن» می‌برد.

بیش از ۳۰۰ نفر از دانشگاه و صنعت برای شرکت در سمینار BoltzGen که روز پنج‌شنبه ۳۰ اکتبر به میزبانی کلینیک عبداللطیف جمیل برای یادگیری ماشین در سلامت (MIT Jameel Clinic) برگزار شد، در یک سالن گرد هم آمدند. سخنران اصلی این رویداد، هانس اشتارک، دانشجوی دکتری MIT و نویسندهٔ اول BoltzGen بود که تنها چند روز پیش از آن، BoltzGen را معرفی کرده بود.

مدل Boltzen که بر اساس Boltz-2 ساخته شده، مدل متن‌باز پیش‌بینی ساختارهای زیست‌مولکولی و اتصال پروتئین‌ها، حال یک گام فراتر می‌رود. BoltzGen که به‌طور رسمی در یک‌شنبه ۲۶ اکتبر منتشر شد، نخستین مدل از نوع خود است که می‌تواند اتصال‌دهنده‌های پروتئینی جدید تولید کند؛ اتصال‌دهنده‌هایی که آمادهٔ ورود به فرایند کشف دارو هستند.

سه نوآوری کلیدی این امکان را فراهم

می‌کنند:

اول، توانایی BoltzGen در انجام وظایف مختلف و یکپارچه‌سازی طراحی پروتئین و پیش‌بینی ساختار، که با وجود چندکاره بودن، دقت و کیفیت خود را در سطح عالی حفظ کرده است.

دوم، محدودیت‌های درونی BoltzGen که با نظارت پژوهشگران آزمایشگاه‌های تجربی wetlab طراحی شده‌اند تا مطمئن شوند پروتئین‌های تولیدشده کارا هستند و قوانین فیزیک و شیمی را نقض نمی‌کنند و خروجی هایش بصورت عملی قابل آزمایش در آزمایشگاه است.

و در نهایت، یک فرایند ارزیابی سخت‌گیرانه که مدل را روی بیماری‌های غیرقابل ‌دارو درمانی آزمایش می‌کند و توانایی‌های تولید اتصال‌دهندهٔ binder generational مدل BoltzGen را به چالش می‌کشد.

بیشتر مدل‌هایی که در صنعت یا دانشگاه استفاده می‌شوند، تنها قادر به انجام یکی از این کارها هستند: پیش‌بینی ساختار یا طراحی پروتئین. علاوه بر این، آن‌ها معمولاً به تولید تنها انواع خاصی از پروتئین‌ها محدود می‌شوند که به اهداف آسان، یعنی پروتئین‌ها یا اهداف زیستی‌ای که ساخت دارو یا اتصال دهنده برایشان ساده تر است، متصل می‌شوند.

مثل دانش‌آموزانی که سؤالات امتحانشان مثل تمرین های جزوه‌شان باشد، تا زمانی که داده‌های آموزشی شبیه هدف موردنظر باشند، این مدل‌ها خوب عمل می‌کنند. اما روش‌های موجود تقریباً همیشه روی اهدافی ارزیابی می‌شوند که از قبل ساختارهایی با اتصال‌دهنده برایشان وجود دارد و وقتی روی اهداف چالش‌برانگیزتر به کار می‌روند، عملکردشان افت می‌کند.

هانس اشتارک توضیح می‌دهد:

«مدل‌هایی بوده‌اند که سعی کرده‌اند طراحی اتصال‌دهنده را حل کنند، اما مشکل این است که این مدل‌ها وابسته به یک مدل و کار خاص modality-specific هستند. یک مدل عمومی نه‌تنها به ما اجازه می‌دهد وظایف بیشتری را پوشش دهیم، بلکه برای هر وظیفهٔ خاص هم مدل بهتری به دست می‌آوریم؛ چون شبیه‌سازی فیزیک با دیدن مثال‌ها آموخته می‌شود و با یک طرح آموزشی عمومی‌تر، مثال‌های بیشتری از الگوهای فیزیکی قابل تعمیم در اختیار مدل قرار می‌دهیم.»

پژوهشگران BoltzGen این مدل را روی ۲۶ هدف مختلف آزمایش کردند. از موارد درمانی مهم گرفته تا اهدافی که عمداً به دلیل تفاوت زیاد با داده‌های آموزشی انتخاب شده بودند.

این فرایند اعتبارسنجی جامع، که در هشت آزمایشگاه تجربی در دانشگاه و صنعت انجام شد، پتانسیل و توانایی BoltzGen برای ایجاد پیشرفت و جهشی چشمگیر در توسعهٔ دارو را نشان می‌دهد.

شرکت Parabilis Medicines، یک شرکت صنعتی که BoltzGen را در محیط آزمایشگاهی آزمایش کرده، دربارهٔ پتانسیل آن گفت:

«ما معتقدیم ادغام BoltzGen در توانمندی‌های محاسباتی پلتفرم Helicon peptide می‌تواند پیشرفت ما را برای ارائه داروهای متحول کننده‌ علیه بیماری‌های بزرگ انسانی شتاب دهد.»

برای جامعهٔ دانشگاهی، BoltzGen به معنای گسترش امکانات علمی است.

در نگاه به آینده، اشتارک معتقد است که آیندهٔ طراحی زیست‌مولکولی به‌واسطهٔ هوش مصنوعی دگرگون خواهد شد.

او می‌گوید:

می‌خواهم ابزارهایی بسازم که به ما کمک کنند زیست‌شناسی را برای حل بیماری‌ها دستکاری کنیم، یا با ماشین‌های مولکولی کارهایی انجام دهیم که حتی تصورشان را هم نکرده‌ایم. می‌خواهم این ابزارها را فراهم کنم و به زیست‌شناسان امکان دهم چیزهایی را تصور کنند که تا امروز حتی به ذهنشان نرسیده است.