சீன அறிவியல் அகாடமியில் உள்ள ஷாங்காய் இன்ஸ்டிடியூட் ஆப் ஆர்கானிக் கெமிஸ்ட்ரியின் ஆராய்ச்சியாளர்கள், அணுத் தீர்மானத்தில் புரதம்-புரத தொடர்புகளை முன்னறிவிக்கும் ஒரு செயற்கை நுண்ணறிவு மாதிரியை உருவாக்கியுள்ளனர், ஜூன் 9, 2026 அன்று தேசிய அறிவியல் அகாடமி ஆஃப் சயின்ஸின் (PNAS) செயல்முறைகளில் வெளியிடப்பட்ட ஒரு ஆய்வின்படி, இந்த மாதிரியானது, *இன்டர்டெஸ்-எக்ஸ்-இன்டர்டெஸ் டிசைன் மூலம் வெவ்வேறு வடிவமைப்புகளை உருவாக்குகிறது. முதலில் ஒட்டுமொத்த புரத வடிவத்தை செதுக்குவதை விட தனிப்பட்ட அணுக்களிலிருந்து மேல்நோக்கி.

பணி, டாக்டர் தலைமையில். யாங் ஜிங், யுவான் ஜூனிங் மற்றும் ஜேம்ஸ் ஜே. சௌ ஆகியோர் சீன அறிவியல் அகாடமியால் சிறப்பிக்கப்பட்டனர் மற்றும் Phys.org ஆல் அறிக்கை செய்யப்பட்டது. இது வேகமாக நகரும் துறையில் ஒரு புதிய கருவியை சேர்க்கிறது, இதில் மருந்துகள், பொருட்கள் மற்றும் செயற்கை உயிரியலை ஆதரிக்கும் மூலக்கூறு இயந்திரங்களை வடிவமைக்க AI அதிகளவில் பயன்படுத்தப்படுகிறது. For more context on this story, see our ongoing latest AI developments.

புரதம்-புரத தொடர்புகள் ஏன் முக்கியம்

புரதங்கள் மனித உடலின் மூலக்கூறு வேலைக் குதிரைகள். அவை திசுக்களை உருவாக்குகின்றன, மூலக்கூறுகளை கொண்டு செல்கின்றன, செல்லுலார் தொடர்பை ஒழுங்குபடுத்துகின்றன மற்றும் தொற்றுநோயிலிருந்து பாதுகாக்கின்றன. புற்றுநோய்க்கான ஆன்டிபாடி சிகிச்சைகள் மற்றும் நீரிழிவு நோய்க்கான இன்சுலின் உட்பட பல முக்கியமான மருந்துகள் - குறிப்பிட்ட புரதங்களுடன் தொடர்புகொள்வதன் மூலம் அல்லது காணாமல் போன அல்லது செயலிழந்த மருந்துகளை மாற்றுவதன் மூலம் செயல்படுகின்றன.

பல உயிரியல் செயல்முறைகள் புரதங்கள் ஒன்றோடு ஒன்று எவ்வாறு பிணைக்கப்படுகின்றன என்பதைப் பொறுத்தது என்பதால், புரதம்-புரத தொடர்புகளைத் துல்லியமாகக் கணித்து பொறியியலாளர் செய்யும் திறன் மருந்து கண்டுபிடிப்பை விரைவுபடுத்தலாம் மற்றும் பூர்த்தி செய்யப்படாத மருத்துவத் தேவைகளை நிவர்த்தி செய்யலாம். அடினோ-தொடர்புடைய வைரஸ் வெக்டர்கள் மற்றும் எம்ஆர்என்ஏ லிப்பிட் நானோ துகள்கள் போன்ற டெலிவரி தொழில்நுட்பங்களில் விரைவான முன்னேற்றங்களை இங்குள்ள முன்னேற்றம் பூர்த்தி செய்கிறது, இது சிகிச்சை மூலக்கூறுகளை செல்களுக்குள் கொண்டு செல்கிறது.

டாப்-டவுனுக்குப் பதிலாக கீழ்-மேலே அணுகுமுறை

புரத வடிவமைப்பிற்கான தற்போதைய AI கட்டமைப்புகள் மேல்-கீழ் உத்தியைப் பின்பற்றுகின்றன: அவை முதலில் இலக்கு தளத்திற்குப் பொருந்தக்கூடிய ஒட்டுமொத்த புரத சாரக்கட்டையை உருவாக்குகின்றன, பின்னர் பிணைப்பை மேம்படுத்த ஒரு வரிசையை வடிவமைக்கின்றன. Void-X அந்த தர்க்கத்தை தலைகீழாக மாற்றுகிறது.

மாதிரி ஒரு அணு நிரப்புதல் அமைப்பு. அணு-அளவிலான தொடர்பு முறைகளை அடையாளம் காணவும், புரத இடைமுகங்களுக்குள் "வெற்றிடங்களை" - இடைவெளிகளை - நிரப்பவும் இது பயிற்சியளிக்கப்படுகிறது. அதன் வழிகாட்டும் அனுமானம் என்னவென்றால், நிலையான மேக்ரோமாலிகுலர் வளாகங்கள் உகந்த அணு பேக்கிங்கால் ஒன்றாக இணைக்கப்படுகின்றன, இது அண்டை அணுக்களுக்கு இடையிலான உள்ளூர் தொடர்புகளிலிருந்தும், அதிக தொலைதூரத்துடன் கூடிய உயர்-வரிசை இணைப்புகளிலிருந்தும் வெளிப்படுகிறது. ஒரு முழு புரத வடிவத்தை வடிவமைப்பதற்குப் பதிலாக, குறிப்பிட்ட கட்டமைப்புப் பகுதிக்குள் இறுக்கமான பேக்கிங்கிற்கு உகந்ததாக இருக்கும் கச்சிதமான அணுக் கிளஸ்டர்களை Void-X நேரடியாக உருவாக்குகிறது.

எட்டு மில்லியன் அணுக் கிளஸ்டர்களில் பயிற்சியளிக்கப்பட்டது

Void-X ஐப் பயிற்றுவிப்பதற்காக, புரோட்டீன் டேட்டா வங்கியில் டெபாசிட் செய்யப்பட்ட சோதனை ரீதியாக நிர்ணயிக்கப்பட்ட கட்டமைப்புகளிலிருந்து வரையப்பட்ட எட்டு மில்லியனுக்கும் அதிகமான கோள அணுக் கொத்துகளின் தரவுத்தொகுப்பை ஆராய்ச்சியாளர்கள் சேகரித்தனர். ஒவ்வொரு கிளஸ்டருக்கும், தோராயமாக 30% புற, இடஞ்சார்ந்த அணுக்கள் மறைக்கப்பட்டன, மீதமுள்ள அணுக்கள் "சூழல்" - திறம்பட ஒரு தூண்டுதலாக செயல்பட்டன - காணாமல் போன அணுக்களைக் கணிக்க மாதிரி பயன்படுத்தப்பட்டது.

இதன் விளைவாக வரும் நெட்வொர்க்கில் 172 மில்லியன் அளவுருக்கள் மற்றும் வலுவான முன்கணிப்பு துல்லியம் உள்ளது: 78.3% உள்-செயின் அணு கிளஸ்டர்களுக்கு மற்றும் 68.2% இன்டர்-செயின் கிளஸ்டர்களுக்கு, ஆராய்ச்சியாளர்கள் தெரிவித்தனர்.

மருந்து கண்டுபிடிப்பு மற்றும் அதற்கு அப்பால் என்ன அர்த்தம்

ஆசிரியர்களின் கூற்றுப்படி, இந்த திறன்கள் அணு-தெளிவு புரத தொடர்புகளின் டி நோவோ தலைமுறையை செயல்படுத்துகின்றன, அவை புரத வடிவமைப்பிற்கான நிரப்பு மற்றும் உடல் ரீதியாக உள்ளுணர்வு வழி என்று விவரிக்கின்றன. அணு-நிலை விவரங்களை உருவாக்கும் மாதிரியாக்கத்துடன் இணைப்பதன் மூலம், Void-X ஆனது பகுத்தறிவுடன் பொறியியல் உயிரி மூலக்கூறு இடைமுகங்களுக்கான கருவித்தொகுப்பை விரிவுபடுத்துகிறது.

நவீன மருந்து வளர்ச்சியின் மையத்தில் இடைமுக வடிவமைப்பு அமர்ந்திருப்பதால் அது முக்கியமானது. ஒரு வேட்பாளர் மூலக்கூறு அதன் புரத இலக்குடன் எவ்வாறு பிணைக்கப்படும் என்பதைக் கணிக்க சிறந்த கணக்கீட்டு கருவிகள் யோசனையிலிருந்து சிகிச்சைக்கான பாதையைச் சுருக்கலாம், விலையுயர்ந்த சோதனை மற்றும் பிழை சோதனைகளில் தங்கியிருப்பதைக் குறைக்கலாம் மற்றும் செயற்கை உயிரியலில் முற்றிலும் புதிய செயல்பாடுகளுக்கு புரதங்களை வடிவமைப்பதை எளிதாக்கலாம்.

வளரும் வயல்

AI-உந்துதல் புரத வேலைகளின் எழுச்சியின் மத்தியில் Void-X வருகிறது. கட்டமைப்பு முன்கணிப்பு முதல் அனைத்து அணு உருவாக்கும் வடிவமைப்பு வரை, முழு அணுத் தீர்மானத்தில் உயிரி மூலக்கூறு இடைவினைகளை மாதிரியாக்கும் திறனை நோக்கி ஆராய்ச்சியாளர்கள் சீராகத் தள்ளுகிறார்கள். முந்தைய ஆல்-அடாம் ஜெனரேட்டிவ் சிஸ்டம்கள் அந்த அளவில் இடைவினைகளை வடிவமைத்து கணிக்கும் சாத்தியத்தை ஏற்கனவே நிரூபித்துள்ளன, மேலும் Void-X அதே முயற்சிக்கு ஒரு தனித்துவமான, பேக்கிங்-முதல் உத்தியை வழங்குகிறது.

அதை வேலை செய்யும் முகமூடி தந்திரம்

Void-X இன் பயிற்சி முறை மொழி-மாதிரி பிளேபுக்கிலிருந்து ஒரு பக்கத்தைப் பெறுகிறது. ஒவ்வொரு பயிற்சிக் கிளஸ்டரிலும் உள்ள சுமார் 30% அணுக்களை மறைத்து, அவற்றைச் சுற்றியுள்ள சூழலில் இருந்து ஊகிக்க மாதிரியைக் கேட்பதன் மூலம், ஆராய்ச்சியாளர்கள் கட்டமைப்பு உயிரியலை வெற்றிடங்களை நிரப்புவதற்கான பணியாக மாற்றினர் - பெரிய மொழி மாதிரிகள் ஒரு வாக்கியத்தில் விடுபட்ட சொற்களைக் கணிக்க அனுமதிக்கும் அதே கொள்கை. வித்தியாசம் என்னவென்றால், Void-X இன் "சொற்களஞ்சியம்" முப்பரிமாண இடைவெளியில் அமைக்கப்பட்ட அணுக்களைக் கொண்டுள்ளது, மேலும் அது கற்றுக் கொள்ளும் இலக்கணம் உண்மையான புரதங்கள் எவ்வாறு மடிந்து பிணைக்கப்படுகின்றன என்பதை நிர்வகிக்கும் இயற்பியல் பேக்கிங் விதிகளை பிரதிபலிக்கிறது.

அந்த கட்டமைப்பு-விழிப்புணர்வு பயிற்சியானது புரதங்களை அமினோ அமிலங்களின் தட்டையான வரிசைகளாகக் கருதும் அணுகுமுறைகளிலிருந்து Void-X ஐ பிரிக்கிறது. ஒரே நேரத்தில் உள்ளூர் மற்றும் நீண்ட தூர அணு இணைப்புகளைப் பற்றிய மாதிரி காரணங்களால், நம்பத்தகுந்த தோற்றமுடைய ஆனால் உயிரியல் ரீதியாக நிலையற்ற வடிவமைப்புகளை உருவாக்குவதற்குப் பதிலாக, நிலையான வளாகத்தின் உடல் கட்டுப்பாடுகளை மதிக்கும் இடைமுக வடிவவியலை இது முன்மொழியலாம்.

வரம்புகள் மற்றும் திறந்த கேள்விகள்

முடிவுகள் நம்பிக்கைக்குரியவை, ஆனால் சவால்கள் உள்ளன என்று ஆராய்ச்சியாளர்கள் நேர்மையாக உள்ளனர். 68.2% இன் இடை-செயின் துல்லியம் - பெரும்பாலான நிஜ-உலக மருந்து இலக்குகளை வரையறுக்கும் மல்டி-புரோட்டீன் வளாகங்களுக்கு பொருத்தமானது - உள்-செயின் உருவத்தை விட அர்த்தமுள்ள வகையில் குறைவாக உள்ளது, இது இரண்டு தனித்தனி மூலக்கூறுகள் எவ்வாறு ஒன்றிணைகின்றன என்பதை மாதிரியாக்குவதில் அதிக சிரமத்தை பிரதிபலிக்கிறது. ஒரு கணக்கீட்டு மாதிரியில் இறுக்கமாக பிணைக்கப்படும் ஒரு இடைமுகத்தை வடிவமைப்பது முதல் படி மட்டுமே; வேட்பாளர்கள் இன்னும் ஒருங்கிணைக்கப்பட்டு சோதனை முறையில் சரிபார்க்கப்பட வேண்டும், மேலும் முன்னறிவிக்கப்பட்ட தொடர்புகள் உயிருள்ள கலத்தின் குழப்பமான சூழலில் தடுமாறலாம்.

பயிற்சித் தரவை அளவிடுதல், நெகிழ்வான அல்லது ஒழுங்கற்ற புரதப் பகுதிகளை மாதிரியின் கையாளுதலைச் செம்மைப்படுத்துதல், மற்றும் Void-Xஐ நிரப்பு மேலிருந்து கீழான அமைப்புகளுடன் ஒருங்கிணைத்தல் ஆகியவை அடுத்த படிகளாக இருக்கலாம். ஆசிரியர்கள் தங்கள் பங்களிப்பை மாற்றுத் தொழில்நுட்பத்தைக் காட்டிலும் நிரப்புப் பொருளாகக் கட்டமைக்கின்றனர் - களமானது நம்பகமான, இறுதி முதல் இறுதி வரையிலான மூலக்கூறு வடிவமைப்பை நோக்கிப் பயணிக்கும்போது, ​​தற்போதுள்ள சாரக்கட்டுகளுடன் இணைக்கப்படுவதற்கான ஒரு உடல் அடிப்படையிலான விருப்பம்.

ஒரு பரந்த போக்கு

DOI 10.1073/pnas.2607035123 இன் கீழ் வெளியிடப்பட்ட இந்த ஆய்வு, இன்னும் துல்லியமான மூலக்கூறு வடிவமைப்புக் கருவிகளை உருவாக்குவதற்கான போட்டி இப்போது சிறப்பாக நடைபெற்று வருவதாகவும் - மேலும் AI ஆனது உயிர் வேதியியலாளரின் பணிப்பெட்டியில் இன்றியமையாத பகுதியாக மாறிவருகிறது என்பதையும் குறிக்கிறது. Void-X போன்ற மாதிரிகள் கணக்கீடு மற்றும் ஆய்வகத்திற்கு இடையே உள்ள இடைவெளியைக் குறைப்பதால், ஆராய்ச்சியாளர்கள் புதிய சிகிச்சை முறைகள், நொதிகள் மற்றும் பொருட்களை முன்பை விட வேகமாகவும், பகுத்தறிவுடனும் வடிவமைக்க முடியும் என்பது நம்பிக்கை.

---

Stay Ahead of AI

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

Read more AI news →