2026 ခုနှစ် ဇွန်လ 9 ရက်နေ့ထုတ် Proceedings of the National Academy of Sciences (PNAS) တွင် ထုတ်ဝေခဲ့သော လေ့လာမှုတစ်ခုအရ Chinese Academy of Organic Chemistry မှ သုတေသီများသည် ပရိုတိန်း-ပရိုတိန်း အပြန်အလှန်တုံ့ပြန်မှုကို ခန့်မှန်းနိုင်သော ဉာဏ်ရည်တုပုံစံကို တီထွင်ဖန်တီးခဲ့ကြောင်း၊ 2026 ခုနှစ် ဇွန်လ 9 ရက်နေ့တွင် ထုတ်ဝေခဲ့သော Proceedings of the National Academy of Sciences (PNAS) တွင် ဖော်ပြခဲ့သည်။ Void-X ဟုခေါ်သော ပရိုတင်းပုံစံသည် အခြေခံအားဖြင့် ကွဲပြားခြားနားသော အသွင်အပြင်ကို အခြေခံ၍ တည်ဆောက်ခြင်းထက် ချဉ်းကပ်ပုံတစ်ခုချင်းစီကို အခြေခံ၍ ချဉ်းကပ်ပုံ၊ ပထမဦးစွာ ပရိုတင်းပုံသဏ္ဍာန်တစ်ခုလုံးကို ထုလုပ်ပါ။

အဆိုပါလုပ်ငန်းကို Drs. Yang Jing၊ Yuan Junying နှင့် James J. Chou တို့ကို China Academy of Sciences မှ မီးမောင်းထိုးပြပြီး Phys.org မှ အစီရင်ခံတင်ပြပါသည်။ ၎င်းသည် ဆေးဝါးများ၊ ပစ္စည်းများနှင့် ဓာတုဇီဝဗေဒကို အခြေခံသည့် မော်လီကျူးစက်များကို ဒီဇိုင်းထုတ်ရန် AI ကို ပိုမိုလျင်မြန်စွာ ရွေ့လျားနေသော နယ်ပယ်တစ်ခုသို့ ကိရိယာအသစ်တစ်ခု ထပ်လောင်းထည့်သွင်းထားသည်။ For more context on this story, see our ongoing more AI stories.

ပရိုတင်း-ပရိုတိန်း အပြန်အလှန် သက်ရောက်မှုသည် အဘယ်ကြောင့် အရေးကြီးသနည်း။

ပရိုတင်းများသည် လူ့ခန္ဓာကိုယ်၏ မော်လီကျူးအလုပ်ကောင်များဖြစ်သည်။ ၎င်းတို့သည် တစ်ရှူးများတည်ဆောက်ခြင်း၊ မော်လီကျူးများ သယ်ယူပို့ဆောင်ခြင်း၊ ဆဲလ်လူလာဆက်သွယ်မှုကို ထိန်းညှိပေးပြီး ရောဂါပိုးမွှားများကို ခုခံကာကွယ်ပေးသည်။ ကင်ဆာအတွက် ပဋိပစ္စည်းကုထုံးများနှင့် ဆီးချိုရောဂါအတွက် အင်ဆူလင်အပါအဝင် အရေးအကြီးဆုံးဆေးဝါးအများအပြားသည် တိကျသောပရိုတင်းများနှင့် ဓါတ်ပြုခြင်း သို့မဟုတ် ပျောက်နေသော သို့မဟုတ် ချွတ်ယွင်းနေသော ဆေးဝါးများကို အစားထိုးခြင်းဖြင့် လုပ်ဆောင်သည်။

ဇီဝဖြစ်စဉ်များစွာသည် ပရိုတင်းများ တစ်ခုနှင့်တစ်ခု ချိတ်ဆက်ပုံပေါ်တွင်မူတည်သောကြောင့်၊ တိကျစွာကြိုတင်ခန့်မှန်းနိုင်မှုနှင့် ပရိုတင်း-ပရိုတိန်း အပြန်အလှန်အကျိုးသက်ရောက်မှုများကို အင်ဂျင်နီယာချုပ်က ဆေးဝါးရှာဖွေတွေ့ရှိမှုကို အရှိန်မြှင့်ပေးပြီး မဖြည့်ဆည်းနိုင်သော ဆေးဘက်ဆိုင်ရာလိုအပ်ချက်များကို ဖြည့်ဆည်းပေးနိုင်သည်။ ဤနေရာ၌ တိုးတက်မှုသည် ကုသမှုဆိုင်ရာ မော်လီကျူးများကို ဆဲလ်များအတွင်းသို့ ကူးယူပေးသည့် adeno-ဆက်စပ်ဗိုင်းရပ်စ်ပိုးများနှင့် mRNA lipid nanoparticles များကဲ့သို့သော ပေးပို့မှုနည်းပညာများတွင် လျင်မြန်သောတိုးတက်မှုများကို ဖြည့်စွက်ပေးပါသည်။

အပေါ်မှအောက်သို့ အောက်ခြေမှချဉ်းကပ်ခြင်း။

ပရိုတိန်းဒီဇိုင်းအတွက် ရှိပြီးသား AI မူဘောင်အများစုသည် အပေါ်မှအောက်နည်းဗျူဟာအတိုင်း လုပ်ဆောင်သည်- ၎င်းတို့သည် ပစ်မှတ်ဆိုက်တစ်ခုနှင့် ကိုက်ညီသည့် ပရိုတင်းအခင်းအကျင်းတစ်ခုကို ဦးစွာထုတ်လုပ်ပြီးနောက် ပေါင်းစပ်မှုကို အကောင်းဆုံးဖြစ်အောင် စီစဥ်ရေးဆွဲထားသည်။ Void-X သည် ထိုယုတ္တိဗေဒကို ပြောင်းပြန်လှန်သည်။

မော်ဒယ်သည် အက်တမ်ဖြည့်စနစ်ဖြစ်သည်။ ၎င်းသည် အက်တမ်စကေး အပြန်အလှန်တုံ့ပြန်မှုပုံစံများကို အသိအမှတ်ပြုရန်နှင့် ပရိုတင်းကြားခံများအတွင်း "ကွက်လပ်များ"—ကွက်လပ်များကို ဖြည့်ရန် လေ့ကျင့်ထားသည်။ ၎င်း၏လမ်းညွှန်ယူဆချက်မှာ တည်ငြိမ်သော macromolecular complexes များကို အိမ်နီးချင်းအက်တမ်များကြားတွင် ဒေသတွင်း အပြန်အလှန်တုံ့ပြန်မှုများမှ ထွက်ပေါ်လာသည့် အကောင်းဆုံး အက်တမ်ထုပ်ပိုးမှုဖြင့် တည်ငြိမ်သော macromolecular complexes များကို အတူတကွ စုစည်းထားခြင်းဖြစ်သည်။ ပရိုတိန်းပုံသဏ္ဍာန်တစ်ခုလုံးကို ဒီဇိုင်းဆွဲမည့်အစား Void-X သည် သတ်မှတ်ထားသောဖွဲ့စည်းပုံဆိုင်ရာဒေသတစ်ခုအတွင်း တင်းကျပ်စွာထုပ်ပိုးရန်အတွက် အကောင်းမွန်ဆုံးသောကျစ်လျစ်သောအက်တမ်အစုအဝေးများကို တိုက်ရိုက်ထုတ်ပေးပြီး ဒီဇိုင်းကို ရုပ်ပိုင်းဆိုင်ရာအခြေခံအုတ်မြစ်ဖြစ်စေသည်။

အဏုမြူ အစုအဝေး ရှစ်သန်းတွင် လေ့ကျင့်သင်ကြားခဲ့သည်။

Void-X ကိုလေ့ကျင့်ရန်အတွက် သုတေသီများသည် Protein Data Bank တွင် အပ်နှံထားသော စမ်းသပ်ဆုံးဖြတ်ထားသော တည်ဆောက်ပုံများမှ ထုတ်ယူထားသော ကြယ်ပွင့်ရှစ်သန်းကျော်ရှိသော အက်တမ်အစုအဝေး၏ ဒေတာအစုံကို စုဆောင်းခဲ့သည်။ အစုအဝေးတစ်ခုစီအတွက်၊ နေရာဒေသအလိုက် ဆက်နွှယ်နေသော အက်တမ်များ၏ အကြမ်းဖျင်း 30% ကို ဖုံးအုပ်ထားပြီး ကျန်အက်တမ်များသည် ပျောက်ဆုံးနေသော အက်တမ်များကို ကြိုတင်ခန့်မှန်းရန်အတွက် အသုံးပြုသည့် "အကြောင်းအရာ" အဖြစ်—ထိရောက်စွာ အချက်ပြပေးသည့်—ပုံစံဖြင့် လုပ်ဆောင်ခဲ့သည်။

ရရှိလာသောကွန်ရက်တွင် 172 သန်းဘောင်များ ပါ၀င်ပြီး ခိုင်မာသောကြိုတင်ခန့်မှန်းတိကျမှုကို ရရှိခဲ့သည်- အတွင်းကွင်းဆက်အနုမြူအစုအဝေးများအတွက် 78.3% နှင့် inter-chain အစုအဝေးများအတွက် 68.2%တို့ဖြစ်ကြောင်း သုတေသီများက ဖော်ပြခဲ့သည်။

##မူးယစ်ဆေးရှာဖွေတွေ့ရှိမှုနှင့် ကျော်လွန်ခြင်းဟူသည် အဘယ်နည်း

စာရေးဆရာများအဆိုအရ၊ ဤစွမ်းရည်များသည် ပရိုတင်းဒီဇိုင်းအတွက် ပေါင်းစပ်ပြီး ရုပ်ပိုင်းဆိုင်ရာ အလိုလိုသိမြင်နိုင်သော လမ်းကြောင်းအဖြစ် ဖော်ပြထားသည့် အနုမြူ-ကြည်လင်ပြတ်သားသော ပရိုတိန်း အပြန်အလှန်တုံ့ပြန်မှု de novo မျိုးဆက်ကို ပံ့ပိုးပေးသည်။ အက်တမ်အဆင့်အသေးစိတ်အချက်အလက်များကို မျိုးဆက်သစ်ပုံစံထုတ်ခြင်းနှင့်အတူ ပေါင်းစပ်ခြင်းဖြင့်၊ Void-X သည် ဆင်ခြင်တုံတရားရှိသော အင်ဂျင်နီယာဇီဝမော်လီကျူးမျက်နှာပြင်များအတွက် ကိရိယာအစုံကို ချဲ့ထွင်ပေးသည်။

အင်တာဖေ့စ်ဒီဇိုင်းသည် ခေတ်မီဆေးဝါးဖွံ့ဖြိုးတိုးတက်မှု၏ဗဟိုချက်တွင်ရှိသောကြောင့် အရေးကြီးပါသည်။ ကိုယ်စားလှယ်လောင်း မော်လီကျူးသည် ၎င်း၏ပရိုတိန်းပစ်မှတ်သို့ မည်ကဲ့သို့ ပေါင်းစည်းမည်ကို ခန့်မှန်းရန် ပိုမိုကောင်းမွန်သော တွက်ချက်မှုဆိုင်ရာ ကိရိယာများသည် အကြံဉာဏ်မှ ကုထုံးဆီသို့ လမ်းကြောင်းကို အတိုချုံ့နိုင်ပြီး ကုန်ကျစရိတ်များသော စမ်းသပ်မှုနှင့် အမှားစမ်းသပ်မှုများအပေါ် မှီခိုအားထားမှုကို လျှော့ချကာ ဓာတုဇီဝဗေဒတွင် လုပ်ဆောင်ချက်အသစ်များအတွက် ပရိုတင်းများကို ဒီဇိုင်းထုတ်ရန် ပိုမိုလွယ်ကူစေသည်။

စိုက်ခင်း

AI မောင်းနှင်သော ပရိုတင်းအလုပ်များ အရှိန်အဟုန်မြင့်လာချိန်တွင် Void-X ရောက်ရှိလာသည်။ ဖွဲ့စည်းတည်ဆောက်ပုံ ခန့်မှန်းခြင်းမှသည် အက်တမ်အားလုံး၏ မျိုးဆက်သစ်ဒီဇိုင်းအထိ၊ သုတေသီများသည် အက်တမ်၏ ကြည်လင်ပြတ်သားမှုအပြည့်ဖြင့် ဇီဝမော်လီကျူး အပြန်အလှန်တုံ့ပြန်မှုများကို စံနမူနာပြုနိုင်စွမ်းဆီသို့ စဉ်ဆက်မပြတ် တွန်းအားပေးလျက်ရှိသည်။ အစောပိုင်းတွင် all-atom generative systems များသည် ထိုစကေးတွင် အပြန်အလှန်ဆက်သွယ်မှုများကို ဒီဇိုင်းဆွဲခြင်းနှင့် ခန့်မှန်းခြင်း၏ဖြစ်နိုင်ချေကို သရုပ်ပြထားပြီး Void-X သည် တူညီသောကြိုးပမ်းအားထုတ်မှုအတွက် ကွဲပြားသော ထုပ်ပိုးမှုပထမနည်းဗျူဟာကို ပံ့ပိုးပေးပါသည်။

မျက်နှာဖုံးစွပ် လှည့်ကွက်

Void-X ၏လေ့ကျင့်ရေးနည်းလမ်းသည် ဘာသာစကား-မော်ဒယ်ဖွင့်စာအုပ်မှ စာမျက်နှာတစ်ခုကို ငှားသည်။ လေ့ကျင့်ရေးအစုတစ်ခုစီရှိ အက်တမ်များ၏ 30% ကို အကြမ်းဖျင်းဖုံးကွယ်ကာ အနီးနားပတ်ဝန်းကျင်မှ သရုပ်ဖော်ရန် မော်ဒယ်ကို တောင်းဆိုခြင်းဖြင့်၊ သုတေသီများသည် ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာ ဇီဝဗေဒကို ကွက်လပ်ဖြည့်ခြင်းလုပ်ငန်းတစ်ခုအဖြစ် ပြောင်းလဲခဲ့သည် — ကြီးမားသောဘာသာစကားမော်ဒယ်များသည် ဝါကျတစ်ကြောင်းတွင် ပျောက်ဆုံးနေသောစကားလုံးများကို ခန့်မှန်းနိုင်စေမည့် တူညီသောနိယာမဖြစ်သည်။ ခြားနားချက်မှာ Void-X ၏ "ဝေါဟာရ" တွင် သုံးဖက်မြင် အာကာသအတွင်း အက်တမ်များ ပါ၀င်ပြီး ၎င်းလေ့လာထားသော သဒ္ဒါသည် ပရိုတင်းအစစ်အမှန်များ မည်ကဲ့သို့ ခေါက်ပြီး စည်းမည်ကို ထိန်းချုပ်သည့် ရုပ်ပိုင်းဆိုင်ရာ ထုပ်ပိုးမှုစည်းမျဉ်းများကို ထင်ဟပ်စေပါသည်။

ထိုဖွဲ့စည်းပုံသတိထားလေ့ကျင့်မှုသည် Void-X ကို အမိုင်နိုအက်ဆစ်၏ အပြားလိုက်အစီအစဥ်များအဖြစ် ပရိုတိန်းများကို ကုသပေးသည့် ချဉ်းကပ်မှုများနှင့် ခွဲခြားထားသည်။ ဒေသန္တရနှင့် တာဝေးပစ်အက်တမ်ချိတ်ဆက်မှုများနှင့်ပတ်သက်သည့် စံပြအကြောင်းပြချက်များကြောင့်၊ ၎င်းသည် တည်ငြိမ်သောရှုပ်ထွေးမှု၏ ရုပ်ပိုင်းဆိုင်ရာကန့်သတ်ချက်များကို လေးစားသည့် အင်တာဖေ့စ်ဂျီသြမေတြီများကို အဆိုပြုနိုင်ပြီး၊ ဖြစ်နိုင်ခြေရှိသောပုံပန်းသဏ္ဍာန်ရှိသော်လည်း ဇီဝဗေဒအရ မတည်မငြိမ်ဖြစ်စေမည့် ဒီဇိုင်းများကို ထုတ်လုပ်မည့်အစား တည်ငြိမ်သောရှုပ်ထွေးမှု၏ ရုပ်ပိုင်းဆိုင်ရာကန့်သတ်ချက်များကို လေးစားလိုက်နာရန် အဆိုပြုနိုင်သည်။

ကန့်သတ်ချက်များနှင့် မေးခွန်းများဖွင့်ပါ။

ရလဒ်များသည် အလားအလာကောင်းများ ရှိသော်လည်း စိန်ခေါ်မှုများ ရှိနေကြောင်း သုတေသီများက ပွင့်ပွင့်လင်းလင်း ထုတ်ဖော်ပြောဆိုသည်။ ကွင်းဆက်အချင်းချင်းကြား တိကျမှု 68.2% — တကယ့်ကမ္ဘာက မူးယစ်ဆေးပစ်မှတ်အများစုကို သတ်မှတ်သည့် multi-protein complexes များနှင့်သက်ဆိုင်သည် — သည် ကွင်းဆက်ပုံသဏ္ဍာန်ထက် အဓိပ္ပါယ်ရှိစွာ နိမ့်ကျနေပြီး သီးခြားမော်လီကျူးနှစ်ခု ပေါင်းစည်းပုံကို ပုံဖော်ရန် ပိုမိုခက်ခဲမှုကို ရောင်ပြန်ဟပ်ပါသည်။ ကွန်ပြူတာမော်ဒယ်တစ်ခုတွင် တင်းကျပ်စွာ ချည်နှောင်ထားသော မျက်နှာပြင်ကို ဒီဇိုင်းထုတ်ခြင်းသည်လည်း ပထမအဆင့်သာဖြစ်သည်။ ကိုယ်စားလှယ်လောင်းများကို ပေါင်းစပ်ပြီး စမ်းသပ်ဆဲဖြစ်ကြောင်း အတည်ပြုထားရမည်ဖြစ်ပြီး၊ ခန့်မှန်းထားသော အပြန်အလှန်တုံ့ပြန်မှုများသည် သက်ရှိဆဲလ်၏ ပိုရှုပ်သောပတ်ဝန်းကျင်တွင် ရပ်တန့်သွားနိုင်သည်။

လေ့ကျင့်ရေးဒေတာကို ချဲ့ထွင်ခြင်း၊ မော်ဒယ်၏ လိုက်လျောညီထွေရှိသော သို့မဟုတ် ချို့ယွင်းနေသော ပရိုတိန်းဒေသများကို ကိုင်တွယ်ပြုပြင်ခြင်းနှင့် Void-X အား ဖြည့်စွက်အပေါ်မှအောက်မှ စနစ်များဖြင့် ပေါင်းစည်းခြင်းတို့သည် နောက်အဆင့်များ ဖြစ်လာဖွယ်ရှိသည်။ စာရေးဆရာများသည် ယုံကြည်စိတ်ချရသော၊ အဆုံးမှအဆုံးမော်လီကျူးဒီဇိုင်းဆီသို့ ကွင်းဆင်းယှဉ်ပြိုင်နေသောကြောင့် လက်ရှိအသုံးပြုနေသော Scaffolds များနှင့် ပေါင်းစပ်ရန်အတွက် အစားထိုးနည်းပညာထက် ၎င်းတို့၏ပံ့ပိုးကူညီမှုအား ဖြည့်စွက်နည်းပညာအဖြစ် ဘောင်ခတ်ထားသည်။

ပိုမိုကျယ်ပြန့်သောလမ်းကြောင်း

DOI 10.1073/pnas.2607035123 အောက်တွင် ထုတ်ဝေသော လေ့လာမှုသည် ယခင်ကထက် ပိုမိုတိကျသော မော်လီကျူးဒီဇိုင်းကိရိယာများ တည်ဆောက်ရန် ပြိုင်ဆိုင်မှု စတင်နေပြီဖြစ်သည်—နှင့် မျိုးဆက်သစ် AI သည် ဇီဝဓာတုဗေဒပညာရှင်၏ အလုပ်ခုံတန်းလျား၏ မရှိမဖြစ်အစိတ်အပိုင်းတစ်ခုဖြစ်လာသည်။ Void-X ကဲ့သို့သော မော်ဒယ်များသည် တွက်ချက်ခြင်းနှင့် ဓာတ်ခွဲခန်းကြား ကွာဟချက် ကျဉ်းမြောင်းလာသောကြောင့် သုတေသီများသည် ကုထုံးအသစ်များ၊ အင်ဇိုင်းများနှင့် ပစ္စည်းများကို ယခင်ကထက် ပိုမိုမြန်ဆန်စွာ ဆင်ခြင်တုံတရားဖြင့် တီထွင်နိုင်လိမ့်မည်ဟု မျှော်လင့်ပါသည်။

---

Stay Ahead of AI

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

Read more AI news →