نسخه جدید پایگاه داده AlphaFold مجتمع های پروتئین ویروسی را برای پشتیبانی از آمادگی بیماری همه گیر اضافه می کند

توسط سرا گولی، آزمایشگاه بیولوژی مولکولی اروپا

ویرایش شده توسط لیزا لاک، بررسی توسط اندرو زینین

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

ساختارهای پیچیده پروتئینی پیش بینی شده توسط هوش مصنوعی برای بیش از 2800 ویروس اکنون به طور آشکار در پایگاه داده AlphaFold در دسترس است. برای درک بهتر و محافظت در برابر پاتوژن‌های نوظهور، مجموعه داده‌ها پروتئوم‌های خانواده‌های ویروسی را که انسان‌ها را آلوده می‌کنند، در اولویت قرار می‌دهد.

این کار با همکاری بین‌المللی بین مؤسسه بیوانفورماتیک اروپایی EMBL (EMBL-EBI)، Google DeepMind، NVIDIA، دانشگاه ملی سئول، دانشگاه گلاسکو، مؤسسه بیوانفورماتیک سوئیس (SIB)، ائتلاف برای نوآوری‌های آمادگی همه‌گیر (CEPI) در South Koreunk و S. این نسخه همچنین شامل مجموعه هایی است که مستقل از همکاری همکاران در دانشگاه لوند در سوئد محاسبه شده اند.

ویروس‌ها به شبکه پیچیده‌ای از پروتئین‌های تخصصی متکی هستند که از جمله به آنها اجازه می‌دهد با سلول‌های انسانی تعامل داشته باشند. تجسم ساختار سه بعدی این پروتئین ها می تواند نواحی روی سطح ویروس را که اهداف کلیدی برای تشخیص، درمان و واکسن هستند، آشکار کند. چنین اطلاعاتی می تواند به دانشمندان کمک کند تا در یک بیماری همه گیر آینده سریعتر واکنش نشان دهند.

جو مک انتایر، مدیر موقت EMBL-EBI گفت: «باز کردن این داده ها برای درک تشخیص ویروسی و توسعه درمان ها و واکسن ها بسیار مهم است. آنها می‌توانند از پاسخ‌های سریع‌تر و مؤثرتر به همه‌گیری‌های آینده پشتیبانی کنند. آنها همچنین ویروس‌های کمتر مطالعه‌شده را پوشش می‌دهند و موانع را برای دانشمندان در محیط‌های کم منابع، که دست اول با شیوع بیماری‌ها مواجه می‌شوند، کاهش می‌دهند.»

همه‌گیری کووید-19 نشان داد که جهان چقدر برای پیشگیری و واکنش به تهدیدات ویروسی نوظهور آماده نیست. تحلیلی توسط مرکز توسعه جهانی تخمین می‌زند که تقریبا 50 درصد احتمال دارد که جهان تا سال 2050 با یک بیماری همه‌گیر به شدت COVID-19 مواجه شود.

علی‌رغم این تهدید، بسیاری از کارشناسان بهداشت جهانی معتقدند که می‌توان با سرکوب سریع‌تر و موثرتر شیوع بیماری‌های همه‌گیر آینده را کاهش داد. یک ابتکار - که به درستی ماموریت 100 روز نامیده می شود - با هدف استقرار درمان ها و واکسن های ایمن و مؤثر در 100 روز اول پس از شناسایی یک تهدید جدید همه گیر ویروسی است.

دستیابی به چنین هدف بلندپروازانه ای، از جمله، مستلزم دسترسی به اطلاعات ساختاری در مورد ویروس ها بسیار قبل از ایجاد یک تهدید جهانی است. با در دسترس قرار دادن کمپلکس‌های پروتئین ویروسی پیش‌بینی‌شده در پایگاه داده AlphaFold، این نسخه می‌تواند به دانشمندان کمک کند تا بفهمند این پروتئین‌ها چگونه هستند و کدام مناطق ممکن است با سلول‌های انسانی تعامل داشته باشند. این اطلاعات به نوبه خود می تواند از توسعه واکسن ها و سایر اقدامات متقابل در صورت شیوع بیماری حمایت کند.

انتشار مجموعه داده ها همزمان با نشست سطح عالی مجمع عمومی سازمان ملل متحد در مورد پیشگیری، آمادگی و واکنش به بیماری همه گیر است که در 25 سپتامبر در مقر سازمان ملل در نیویورک برگزار می شود. در این نشست پیشرفت به سوی تعهدات انجام شده در سال 2023 برای تقویت آمادگی جهانی برای همه گیری بررسی خواهد شد.

همکاران انتشار داده جدید را برای اولین بار در 24 سپتامبر، قبل از نشست سازمان ملل، در میزگردی به میزبانی CEPI و مجمع جهانی اقتصاد اعلام خواهند کرد. شرکت‌کنندگان همچنین بررسی خواهند کرد که چگونه هوش مصنوعی می‌تواند توسعه تشخیص، درمان و واکسن‌ها را تسریع کند.

بیش از پنج سال پیش، Google DeepMind با EMBL-EBI برای ایجاد پایگاه داده AlphaFold همکاری کرد و به دانشمندان در سراسر جهان دسترسی آزاد به ساختارهای پروتئینی پیش‌بینی‌شده را داد. از زمان راه‌اندازی، پایگاه داده به بیش از 260 میلیون پیش‌بینی پیچیده پروتئین و پروتئین افزایش یافته است که تقریبا هر پروتئین فهرست‌بندی شده‌ای را که برای علم شناخته شده است، پوشش می‌دهد.

برای انتشار این مجموعه داده جدید، همکاران گرد هم آمدند تا یک گردش کار پیش‌بینی در مقیاس بزرگ برای تجزیه و تحلیل پروتئین‌های ویروسی، از جمله بهینه‌سازی از NVIDIA BioNeMo Inference Runtime ایجاد و اجرا کنند. آنها همچنین از مجموعه‌ای از پروتئوم‌های ویروسی، مدل‌های محک‌گذاری و ابزارها برای دستیابی به توان و دقت بالا استفاده کردند.

این مجموعه داده جدید با هدایت ابزار بیماری‌زای اولویت‌دار آژانس امنیت سلامت بریتانیا، بر پیش‌بینی‌های ساختاری سیستماتیک برای خانواده‌های ویروسی که انسان‌ها را آلوده می‌کنند، متمرکز است. این رویکرد جزئیات مولکولی را برای کمپلکس های پروتئینی شناخته شده فراهم می کند و امکان کشف برهمکنش های ناشناخته قبلی را فراهم می کند.

این ساختارها طیف گسترده‌ای از ویروس‌ها را پوشش می‌دهند، از ویروس‌های سرماخوردگی معمولی مانند ویروس‌های خانواده Picornaviridae تا تهدیدات ویروسی نوظهور مانند mpox، که اهداف مرتبط با تولید واکسن و دارو را فراهم می‌کنند.

در حالی که ساختارهای پروتئینی پیش‌بینی‌شده نشان می‌دهند که پروتئین‌های ویروسی چگونه ممکن است به نظر برسند و چگونه ممکن است برهم‌کنش داشته باشند، تأثیر تنوع ژنتیکی بر یک ویروس یا برهم‌کنش‌های میزبان و پاتوژن را پیش‌بینی نمی‌کنند. دانشمندان نمی‌توانند از این پیش‌بینی‌های ساختار پروتئین استفاده کنند تا ببینند چگونه تغییرات یک ویروس را کشنده‌تر یا قابل انتقال می‌کند یا برای مهندسی ویروس‌هایی که انسان‌ها را آلوده می‌کنند. ساختارهای پروتئینی پیش‌بینی‌شده به تنهایی نمی‌تواند به دانشمندان بگوید که یک ویروس واقعا چگونه رفتار می‌کند. که نیاز به بررسی تجربی در آزمایشگاه دارد.

جو گرو، استاد ویروس شناسی مولکولی در مرکز تحقیقات ویروس MRC-دانشگاه گلاسکو توضیح داد: «ساختار پیچیده پروتئینی به تنهایی به ما نمی گوید که وقتی یک ویروس جهش می یابد چه اتفاقی می افتد. مجموعه داده جدید دانش بنیادی ارزشمندی را ارائه می‌کند که می‌تواند تحقیقات بنیادی و توسعه اقدامات متقابل را امکان‌پذیر کند، اما روشن نمی‌کند که چرا برخی ویروس‌ها رشد می‌کنند و برخی دیگر رشد نمی‌کنند، و مهندسی پاتوژن‌های خطرناک‌تر را آسان‌تر نمی‌کند.

همه داده‌های ویروسی را می‌توان در صفحه اصلی وب‌سایت پایگاه داده AlphaFold با استفاده از پورتال آمادگی همه‌گیر مشاهده کرد.

آنا کویوونیمی، رئیس Google DeepMind Impact Accelerator می‌گوید: «پیش‌بینی ساختارهای خانواده ویروس که انسان‌ها را آلوده می‌کند، یک پیشرفت مهم است. افزودن این مدل‌های سه‌بعدی به پایگاه داده AlphaFold آنها را فورا برای علم دنیای واقعی مفید می‌سازد. این ابزارها به محققان در همه جا - به‌ویژه در مناطقی که با شیوع ناگهانی بیماری‌ها سر و کار دارند - ابزار رایگانی را که برای محافظت از سلامت عمومی نیاز دارند، می‌دهد.»

آنتونی کاستا، مدیر زیست شناسی دیجیتال در NVIDIA می گوید: «آمادگی برای همه گیری به داشتن اطلاعات مولکولی با کیفیت بالا قبل از شروع شیوع بستگی دارد. "محققان NVIDIA با شرکای ما کار کردند تا پیش‌بینی‌های گسترده‌ای از مجتمع‌های پروتئین ویروسی را محک بزنند و پیش‌بینی کنند و به تبدیل پوشش گسترده ویروسی به منبعی باز کمک کنند که دانشمندان می‌توانند از آن برای پیشبرد تحقیقات مقابله‌ای استفاده کنند."

فیلیپ لو مرسیه، مدیر منابع مؤسسه بیوانفورماتیک سوئیس (SIB) گفت: «این کار به وضوح نشان می‌دهد که چگونه ترکیب مدل‌های قدرتمند هوش مصنوعی و داده‌های دقیق تولید شده از طریق تخصص انسانی می‌تواند به مقابله با تهدیدات بهداشت جهانی کمک کند. این امر به ویژه برای آمادگی بیماری همه گیر بسیار مهم است، زیرا بسیاری از ویروس ها را فقط می توان با استفاده از ابزارهای محاسباتی و هوش مصنوعی مطالعه کرد.

ارائه شده توسط آزمایشگاه بیولوژی مولکولی اروپا

لیسانس تاریخ هنر، کارشناسی ارشد فرهنگ مادی. سردبیر سابق موزه، پیراپزشک و هماهنگ کننده پیوند. ویرایش برای Science X از سال 2021. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →