चायनीज ॲकॅडमी ऑफ सायन्सेसच्या शांघाय इन्स्टिट्यूट ऑफ ऑरगॅनिक केमिस्ट्रीच्या संशोधकांनी एक जनरेटिव्ह आर्टिफिशियल इंटेलिजन्स मॉडेल विकसित केले आहे जे अणू रिझोल्यूशनवर प्रथिने-प्रोटीन परस्परसंवादाचा अंदाज लावते, 9 जून 2026 रोजी प्रोसिडिंग्स ऑफ नॅशनल ॲकॅडमी ऑफ सायन्सेस (PNAS) मध्ये प्रकाशित झालेल्या अभ्यासानुसार. मॉडेल, टेक , एक्सप्रोटीन टू बिल्डिंग टू प्रोटीन , टेक ** द्वारे भिन्न भिन्न दृष्टिकोन विकसित केला आहे. प्रथम संपूर्ण प्रथिन आकार तयार करण्याऐवजी वैयक्तिक अणूंपासून वरच्या दिशेने इंटरफेस.
या कामाचे नेतृत्व डॉ. यांग जिंग, युआन जुनिंग आणि जेम्स जे. चौ, यांना चायनीज ऍकॅडमी ऑफ सायन्सेसने हायलाइट केले आणि Phys.org द्वारे अहवाल दिला. हे जलद गतीने चालणाऱ्या क्षेत्रात एक नवीन साधन जोडते ज्यामध्ये औषधे, साहित्य आणि सिंथेटिक बायोलॉजी अधोरेखित करणाऱ्या आण्विक मशीन्सची रचना करण्यासाठी AI अधिक प्रमाणात वापरला जातो. For more context on this story, see our ongoing AI news.
प्रथिने-प्रथिने परस्परसंवाद महत्त्वाचे का
प्रथिने मानवी शरीराचे आण्विक वर्कहॉर्स आहेत. ते ऊती तयार करतात, रेणू वाहतूक करतात, सेल्युलर संप्रेषणाचे नियमन करतात आणि संसर्गापासून बचाव करतात. कॅन्सरसाठी अँटीबॉडी थेरपी आणि मधुमेहासाठी इंसुलिनसह अनेक महत्त्वाची औषधे - विशिष्ट प्रथिनांशी संवाद साधून किंवा गहाळ किंवा बिघडलेली औषधे बदलून कार्य करतात.
प्रथिने एकमेकांना कसे बांधतात यावर बऱ्याच जैविक प्रक्रिया अवलंबून असल्यामुळे, प्रथिने-प्रोटीन परस्परसंवाद अचूकपणे सांगण्याची आणि अभियंता करण्याची क्षमता औषध शोधांना गती देऊ शकते आणि अपूर्ण वैद्यकीय गरजा पूर्ण करू शकते. इथली प्रगती एडेनो-संबंधित व्हायरस वेक्टर्स आणि mRNA लिपिड नॅनोपार्टिकल्स सारख्या डिलिव्हरी तंत्रज्ञानातील जलद प्रगतीला पूरक आहे, जे उपचारात्मक रेणू पेशींमध्ये फेकतात.
टॉप-डाउन ऐवजी बॉटम-अप दृष्टिकोन
प्रथिने डिझाइनसाठी बहुतेक विद्यमान AI फ्रेमवर्क टॉप-डाउन स्ट्रॅटेजी फॉलो करतात: ते प्रथम एक संपूर्ण प्रोटीन स्कॅफोल्ड तयार करतात जे लक्ष्य साइटवर बसतात आणि नंतर बाइंडिंग ऑप्टिमाइझ करण्यासाठी एक क्रम डिझाइन करतात. व्हॉइड-एक्स हे तर्क उलट करते.
मॉडेल एक अणू भरण प्रणाली आहे. अणु-प्रमाणातील परस्परसंवादाचे नमुने ओळखण्यासाठी आणि प्रथिने इंटरफेसमध्ये "व्हॉइड्स" - अंतर - भरण्यासाठी प्रशिक्षित केले जाते. त्याची मार्गदर्शक धारणा अशी आहे की स्थिर मॅक्रोमोलेक्युलर कॉम्प्लेक्स इष्टतम अणू पॅकिंगद्वारे एकत्र ठेवलेले असतात, जे शेजारच्या अणूंमधील स्थानिक परस्परसंवादातून तसेच अधिक दूरच्या अणूंसह उच्च-ऑर्डर कपलिंगमधून उद्भवतात. संपूर्ण प्रथिन आकाराची रचना करण्याऐवजी, व्हॉइड-एक्स विशिष्ट संरचनात्मक क्षेत्रामध्ये घट्ट पॅकिंगसाठी ऑप्टिमाइझ केलेले कॉम्पॅक्ट अणू क्लस्टर्स थेट तयार करते, ज्यामुळे डिझाइनला भौतिकदृष्ट्या पायाभूत पाया मिळतो.
आठ दशलक्ष अणु क्लस्टरवर प्रशिक्षित
व्हॉइड-एक्सला प्रशिक्षित करण्यासाठी, संशोधकांनी प्रथिने डेटा बँकेत जमा केलेल्या प्रायोगिकरित्या निर्धारित संरचनांमधून काढलेल्या आठ दशलक्षाहून अधिक गोलाकार अणू क्लस्टर्सचा डेटासेट एकत्र केला. प्रत्येक क्लस्टरसाठी, अंदाजे 30% परिधीय, अवकाशासंबंधीचे अणू मुखवटा घातलेले होते, तर उर्वरित अणू "संदर्भ" म्हणून काम करतात - प्रभावीपणे एक प्रॉम्प्ट - जे मॉडेल हरवलेल्या अणूंचा अंदाज लावण्यासाठी वापरले जाते.
परिणामी नेटवर्कमध्ये १७२ दशलक्ष पॅरामीटर्स आहेत आणि मजबूत अंदाज अचूकता प्राप्त केली आहे: इंट्रा-चेन अणु क्लस्टर्ससाठी ७८.३% आणि इंटर-चेन क्लस्टर्ससाठी ६८.२%, संशोधकांनी नोंदवले.
औषध शोध आणि पलीकडे याचा अर्थ काय
लेखकांच्या मते, या क्षमता अणु-रिझोल्यूशन प्रोटीन परस्परसंवादाची de novo निर्मिती सक्षम करतात, जे ते प्रथिने डिझाइनसाठी पूरक आणि शारीरिकदृष्ट्या अंतर्ज्ञानी मार्ग म्हणून वर्णन करतात. जनरेटिव्ह मॉडेलिंगसह अणू-स्तरीय तपशील एकत्र करून, व्हॉइड-एक्स तर्कसंगत अभियांत्रिकी बायोमोलेक्युलर इंटरफेससाठी टूलकिट विस्तृत करते.
हे महत्त्वाचे आहे कारण इंटरफेस डिझाइन आधुनिक औषध विकासाच्या केंद्रस्थानी बसते. उमेदवाराचा रेणू त्याच्या प्रथिन लक्ष्याशी कसा बांधील असेल याचा अंदाज लावण्यासाठी उत्तम संगणकीय साधने कल्पनेपासून थेरपीपर्यंतचा मार्ग लहान करू शकतात, महागड्या चाचणी-आणि-त्रुटी प्रयोगांवर अवलंबून राहणे कमी करू शकतात आणि कृत्रिम जीवशास्त्रातील पूर्णपणे नवीन कार्यांसाठी प्रथिने डिझाइन करणे सोपे करू शकतात.
वाढणारे क्षेत्र
एआय-चालित प्रथिने कार्याच्या वाढीदरम्यान व्हॉइड-एक्सचे आगमन झाले. संरचनेच्या अंदाजापासून ते सर्व-अणू जनरेटिव्ह डिझाइनपर्यंत, संशोधक पूर्ण अणू रिझोल्यूशनवर बायोमोलेक्युलर परस्परसंवाद मॉडेल करण्याच्या क्षमतेकडे सतत जोर देत आहेत. पूर्वीच्या सर्व-अणू जनरेटिव्ह सिस्टीमने त्या स्केलवर परस्परसंवादाची रचना आणि अंदाज लावण्याची व्यवहार्यता आधीच प्रदर्शित केली आहे आणि व्हॉइड-एक्स त्याच प्रयत्नात एक वेगळे, पॅकिंग-प्रथम धोरण योगदान देते.
मास्किंग ट्रिक जी ते कार्य करते
व्हॉइड-एक्सची प्रशिक्षण पद्धत भाषा-मॉडेल प्लेबुकमधून एक पृष्ठ उधार घेते. प्रत्येक प्रशिक्षण क्लस्टरमध्ये अंदाजे 30% अणू मास्क करून आणि मॉडेलला आसपासच्या संदर्भातून अनुमान काढण्यास सांगून, संशोधकांनी स्ट्रक्चरल जीवशास्त्राला रिक्त जागा भरण्याच्या कार्यात बदलले - हेच तत्त्व मोठ्या भाषेच्या मॉडेलना वाक्यातील गहाळ शब्दांचा अंदाज लावू देते. The difference is that Void-X's "vocabulary" consists of atoms arranged in three-dimensional space, and the grammar it learns reflects the physical packing rules that govern how real proteins fold and bind.
ते रचना-जागरूक प्रशिक्षण व्हॉइड-एक्सला अमीनो ऍसिडच्या सपाट अनुक्रमांप्रमाणे प्रथिने मानणाऱ्या दृष्टिकोनांपासून वेगळे करते. कारण मॉडेल एकाच वेळी स्थानिक आणि लांब-श्रेणीच्या अणू जोडण्यांबद्दल कारणीभूत ठरते, ते प्रशंसनीय दिसणारे परंतु जैविक दृष्ट्या अस्थिर डिझाइन तयार करण्याऐवजी स्थिर कॉम्प्लेक्सच्या भौतिक मर्यादांचा आदर करणारे इंटरफेस भूमिती प्रस्तावित करू शकते.
मर्यादा आणि खुले प्रश्न
परिणाम आशादायक आहेत, परंतु संशोधक स्पष्ट आहेत की आव्हाने कायम आहेत. The inter-chain accuracy of 68.2% — relevant to the multi-protein complexes that define most real-world drug targets — is meaningfully lower than the intra-chain figure, reflecting the greater difficulty of modeling how two separate molecules come together. कॉम्प्युटेशनल मॉडेलमध्ये घट्ट बांधून ठेवणारा इंटरफेस डिझाइन करणे ही केवळ पहिली पायरी आहे; उमेदवार अद्याप संश्लेषित आणि प्रायोगिकरित्या प्रमाणित केले जाणे आवश्यक आहे, आणि अंदाजित परस्परसंवाद जिवंत पेशीच्या गोंधळलेल्या वातावरणात बिघडू शकतात.
Scaling up the training data, refining the model's handling of flexible or disordered protein regions, and integrating Void-X with complementary top-down systems are likely next steps. लेखक त्यांचे योगदान प्रतिस्थापन तंत्रज्ञानाऐवजी पूरक म्हणून तयार करतात - एक भौतिकदृष्ट्या ग्राउंड पर्याय विद्यमान स्कॅफोल्ड्ससह एकत्रित केला जाऊ शकतो कारण फील्ड विश्वासार्ह, एंड-टू-एंड आण्विक डिझाइनकडे धाव घेतो.
एक व्यापक ट्रेंड
DOI 10.1073/pnas.2607035123 अंतर्गत प्रकाशित केलेला अभ्यास, अधिक अचूक आण्विक डिझाइन साधने तयार करण्याची स्पर्धा आता चांगली सुरू असल्याचे संकेत देतो — आणि जनरेटिव्ह AI बायोकेमिस्टच्या वर्कबेंचचा एक अपरिहार्य भाग बनत आहे. व्हॉइड-एक्स सारख्या मॉडेलने गणना आणि प्रयोगशाळेतील अंतर कमी केल्यामुळे, आशा आहे की संशोधक नवीन उपचारशास्त्र, एंजाइम आणि सामग्री पूर्वीपेक्षा अधिक जलद आणि अधिक तर्कशुद्धपणे डिझाइन करण्यात सक्षम होतील.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
