بر اساس مطالعه‌ای که در 9 ژوئن 2026 در مجموعه مقالات آکادمی ملی علوم (PNAS) منتشر شد، محققان مؤسسه شیمی آلی شانگهای در آکادمی علوم چین یک مدل هوش مصنوعی مولد ایجاد کرده‌اند که تعاملات پروتئین-پروتئین را در وضوح اتمی پیش‌بینی می‌کند. به جای اینکه ابتدا یک شکل کلی پروتئین را بسازید.

کار، به رهبری دکتر. یانگ جینگ، یوان جونیینگ و جیمز جی چو توسط آکادمی علوم چین برجسته شده و توسط Phys.org گزارش شده است. این ابزار جدیدی را به یک زمینه در حال حرکت اضافه می کند که در آن هوش مصنوعی به طور فزاینده ای برای طراحی ماشین های مولکولی که داروها، مواد و زیست شناسی مصنوعی را پشتیبانی می کنند، استفاده می شود. For more context on this story, see our ongoing breaking AI news.

چرا فعل و انفعالات پروتئین و پروتئین مهم است؟

پروتئین ها اسب های کار مولکولی بدن انسان هستند. آنها بافت ها را می سازند، مولکول ها را حمل می کنند، ارتباطات سلولی را تنظیم می کنند و در برابر عفونت دفاع می کنند. بسیاری از مهم‌ترین داروها - از جمله درمان‌های آنتی‌بادی برای سرطان و انسولین برای دیابت - از طریق تعامل با پروتئین‌های خاص یا جایگزینی پروتئین‌هایی که از دست رفته یا نادرست هستند، کار می‌کنند.

از آنجایی که بسیاری از فرآیندهای بیولوژیکی به نحوه اتصال پروتئین ها به یکدیگر بستگی دارند، توانایی پیش بینی دقیق و مهندسی تعاملات پروتئین-پروتئین می تواند کشف دارو را تسریع کند و نیازهای پزشکی برآورده نشده را برطرف کند. پیشرفت در اینجا همچنین تکمیل کننده پیشرفت‌های سریع در فن‌آوری‌های انتقال مانند ناقل‌های ویروس مرتبط با آدنو و نانوذرات لیپیدی mRNA است که مولکول‌های درمانی را به سلول‌ها منتقل می‌کنند.

رویکرد از پایین به بالا به جای بالا به پایین

اکثر چارچوب‌های هوش مصنوعی موجود برای طراحی پروتئین از یک استراتژی بالا به پایین پیروی می‌کنند: آنها ابتدا یک داربست پروتئینی کلی را تولید می‌کنند که متناسب با یک سایت هدف باشد و سپس دنباله‌ای را برای بهینه‌سازی اتصال طراحی می‌کنند. Void-X این منطق را وارونه می کند.

مدل یک سیستم پرکننده اتمی است. این آموزش برای تشخیص الگوهای برهمکنش در مقیاس اتمی و پر کردن "خلاء" - شکاف ها - در رابط های پروتئینی است. فرض راهنما این است که کمپلکس‌های ماکرومولکولی پایدار با بسته‌بندی اتمی بهینه، که از برهم‌کنش‌های محلی بین اتم‌های همسایه و همچنین جفت‌های مرتبه بالاتر با اتم‌های دورتر پدید می‌آید، در کنار هم نگه داشته می‌شوند. Void-X به جای طراحی یک شکل کامل پروتئین، مستقیماً خوشه‌های اتمی فشرده را تولید می‌کند که برای بسته‌بندی محکم در یک منطقه ساختاری مشخص بهینه شده‌اند و به طرح یک پایه فیزیکی می‌دهد.

روی هشت میلیون خوشه اتمی آموزش دیده است

برای آموزش Void-X، محققان مجموعه داده ای متشکل از بیش از هشت میلیون خوشه اتمی کروی را که از ساختارهای آزمایشی تعیین شده در بانک داده های پروتئین سپرده شده است، جمع آوری کردند. برای هر خوشه، تقریباً 30 درصد از اتم‌های محیطی و از لحاظ فضایی به هم پیوسته پوشانده شدند، در حالی که اتم‌های باقی‌مانده به‌عنوان «زمینه» عمل می‌کردند - در واقع یک اعلان - که مدل برای پیش‌بینی اتم‌های از دست رفته استفاده می‌کرد.

به گفته محققان، شبکه حاصل شامل 172 میلیون پارامتر است و به دقت پیش بینی قوی دست یافته است: 78.3٪ برای خوشه های اتمی درون زنجیره ای و 68.2٪ برای خوشه های بین زنجیره ای.

معنی آن برای کشف مواد مخدر و فراتر از آن

به گفته نویسندگان، این قابلیت‌ها تولید de novo برهمکنش‌های پروتئین با وضوح اتمی را امکان‌پذیر می‌سازد، و آنچه را که آنها به عنوان یک مسیر مکمل و بصری فیزیکی برای طراحی پروتئین توصیف می‌کنند، ارائه می‌دهند. Void-X با ترکیب جزئیات سطح اتمی با مدل‌سازی مولد، جعبه ابزار را برای مهندسی منطقی رابط‌های زیست مولکولی گسترش می‌دهد.

این مهم است زیرا طراحی رابط در قلب توسعه داروهای مدرن قرار دارد. ابزارهای محاسباتی بهتر برای پیش‌بینی اینکه چگونه یک مولکول کاندید به هدف پروتئینی خود متصل می‌شود، می‌تواند مسیر ایده تا درمان را کوتاه کند، اتکا به آزمایش‌های پرهزینه آزمون و خطا را کاهش دهد، و طراحی پروتئین‌ها را برای عملکردهای کاملاً جدید در زیست‌شناسی مصنوعی آسان‌تر کند.

یک میدان در حال رشد

Void-X در بحبوحه فعالیت‌های پروتئینی مبتنی بر هوش مصنوعی وارد می‌شود. از پیش‌بینی ساختار گرفته تا طراحی مولد تمام اتم، محققان به طور پیوسته به سمت توانایی مدل‌سازی برهم‌کنش‌های زیست مولکولی با وضوح کامل اتمی پیش می‌روند. سیستم‌های مولد تمام اتم‌های قبلی امکان‌سنجی طراحی و پیش‌بینی برهم‌کنش‌ها در آن مقیاس را نشان داده‌اند، و Void-X یک استراتژی متمایز و بسته‌بندی اول را به همان تلاش کمک می‌کند.

ترفند پوشاندن که باعث کارایی آن می شود

روش آموزش Void-X صفحه ای را از کتاب راهنمای زبان مدل قرض می گیرد. محققان با پوشاندن تقریباً 30 درصد از اتم‌ها در هر خوشه آموزشی و درخواست از مدل برای استنباط آن‌ها از محیط اطراف، زیست‌شناسی ساختاری را به یک کار پر کردن جای خالی تبدیل کردند - همان اصلی که به مدل‌های زبان بزرگ اجازه می‌دهد کلمات گمشده را در یک جمله پیش‌بینی کنند. تفاوت در این است که "واژگان" Void-X از اتم هایی تشکیل شده است که در فضای سه بعدی چیده شده اند، و دستور زبانی که یاد می گیرد، منعکس کننده قوانین بسته بندی فیزیکی است که نحوه تا شدن و اتصال پروتئین های واقعی را کنترل می کند.

این آموزش آگاه از ساختار چیزی است که Void-X را از رویکردهایی جدا می کند که پروتئین ها را به عنوان دنباله های مسطح از اسیدهای آمینه در نظر می گیرند. از آنجایی که مدل در مورد کوپلینگ‌های اتمی محلی و دوربرد به طور همزمان دلایل می‌کند، می‌تواند هندسه‌های رابطی را پیشنهاد کند که به محدودیت‌های فیزیکی یک مجموعه پایدار احترام می‌گذارد، نه اینکه طرح‌هایی با ظاهر قابل قبول اما از نظر بیولوژیکی ناپایدار تولید کند.

محدودیت ها و سوالات باز

نتایج امیدوارکننده هستند، اما محققان صریح هستند که چالش‌ها همچنان پابرجا هستند. دقت بین زنجیره‌ای 68.2% - مربوط به کمپلکس‌های چند پروتئینی که اکثر اهداف دارویی در دنیای واقعی را تعریف می‌کنند - به طور معنی‌داری کمتر از شکل درون زنجیره‌ای است که نشان‌دهنده دشواری بیشتر مدل‌سازی نحوه ترکیب دو مولکول جداگانه است. طراحی رابطی که در یک مدل محاسباتی محکم به هم متصل شود نیز تنها قدم اول است. نامزدها هنوز باید به صورت تجربی سنتز و تایید شوند، و فعل و انفعالات پیش‌بینی‌شده می‌توانند در محیط آشفته‌تر یک سلول زنده دچار تزلزل شوند.

افزایش مقیاس داده‌های آموزشی، اصلاح مدل‌های نواحی پروتئینی انعطاف‌پذیر یا بی‌نظم، و ادغام Void-X با سیستم‌های تکمیلی از بالا به پایین احتمالاً گام‌های بعدی هستند. نویسندگان سهم خود را به‌عنوان فناوری مکمل و نه جایگزین تعریف می‌کنند - یک گزینه فیزیکی برای ترکیب با داربست‌های موجود در حالی که میدان به سمت طراحی مولکولی قابل اعتماد و سرتاسر می‌رود.

روند گسترده تر

این مطالعه که تحت DOI 10.1073/pnas.2607035123 منتشر شد، نشان می‌دهد که رقابت برای ساخت ابزارهای طراحی مولکولی دقیق‌تر اکنون به خوبی در جریان است - و هوش مصنوعی مولد در حال تبدیل شدن به بخشی ضروری از میز کار بیوشیمی‌دان است. همانطور که مدل‌هایی مانند Void-X فاصله بین محاسبات و آزمایشگاه را کاهش می‌دهند، امید این است که محققان بتوانند درمان‌ها، آنزیم‌ها و مواد جدید را سریع‌تر و منطقی‌تر از همیشه طراحی کنند.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →