นักวิจัยจากสถาบันเคมีอินทรีย์เซี่ยงไฮ้ แห่งสถาบันวิทยาศาสตร์จีน ได้พัฒนาแบบจำลองปัญญาประดิษฐ์เชิงกำเนิดที่คาดการณ์ปฏิกิริยาระหว่างโปรตีนและโปรตีนที่ความละเอียดระดับอะตอม ตามการศึกษาที่ตีพิมพ์ในรายงานการประชุมของสถาบันวิทยาศาสตร์แห่งชาติ (PNAS) เมื่อวันที่ 9 มิถุนายน 2569 แบบจำลองชื่อ Void-X ใช้แนวทางพื้นฐานที่แตกต่างกันในการออกแบบโปรตีนโดยการสร้างส่วนต่อประสานจากแต่ละอะตอมขึ้นไป แทนที่จะสร้างรูปร่างโปรตีนโดยรวมขึ้นมาก่อน

งานนี้นำโดย ดร. Yang Jing, Yuan Junying และ James J. Chou ได้รับการเน้นโดย Chinese Academy of Sciences และรายงานโดย Phys.org โดยเพิ่มเครื่องมือใหม่ให้กับสาขาที่มีการเปลี่ยนแปลงอย่างรวดเร็ว ซึ่งมีการใช้ AI มากขึ้นในการออกแบบเครื่องจักรระดับโมเลกุลที่สนับสนุนยา วัสดุ และชีววิทยาสังเคราะห์ For more context on this story, see our ongoing breaking AI news.

ทำไมปฏิกิริยาระหว่างโปรตีนและโปรตีนจึงมีความสำคัญ

โปรตีนเป็นเสมือนม้าทำงานระดับโมเลกุลของร่างกายมนุษย์ พวกมันสร้างเนื้อเยื่อ ขนส่งโมเลกุล ควบคุมการสื่อสารของเซลล์ และป้องกันการติดเชื้อ ยาที่สำคัญที่สุดหลายชนิด รวมถึงการบำบัดด้วยแอนติบอดีสำหรับมะเร็งและอินซูลินสำหรับโรคเบาหวาน ทำงานโดยการโต้ตอบกับโปรตีนเฉพาะหรือโดยการทดแทนโปรตีนที่ขาดหายไปหรือทำงานผิดปกติ

เนื่องจากกระบวนการทางชีวภาพจำนวนมากขึ้นอยู่กับวิธีที่โปรตีนจับกัน ความสามารถในการทำนายและสร้างปฏิสัมพันธ์ระหว่างโปรตีนและโปรตีนได้อย่างแม่นยำสามารถเร่งการค้นพบยาและตอบสนองความต้องการทางการแพทย์ที่ไม่ได้รับการตอบสนอง ความก้าวหน้านี้ยังช่วยเสริมความก้าวหน้าอย่างรวดเร็วในเทคโนโลยีการนำส่ง เช่น พาหะของไวรัสที่เกี่ยวข้องกับอะดีโน และอนุภาคนาโนของไขมัน mRNA ซึ่งขนส่งโมเลกุลในการรักษาเข้าสู่เซลล์

วิธีการจากล่างขึ้นบนแทนจากบนลงล่าง

เฟรมเวิร์ก AI ที่มีอยู่ส่วนใหญ่สำหรับการออกแบบโปรตีนเป็นไปตามกลยุทธ์จากบนลงล่าง โดยสร้างโครงร่างโปรตีนโดยรวมที่เหมาะกับไซต์เป้าหมายก่อน จากนั้นจึงออกแบบลำดับเพื่อเพิ่มประสิทธิภาพการจับ Void-X กลับตรรกะนั้น

รูปแบบเป็นระบบเติมแบบอะตอมมิก ได้รับการฝึกฝนให้จดจำรูปแบบปฏิสัมพันธ์ระดับอะตอมและเพื่อเติมเต็ม "ช่องว่าง" - ช่องว่าง - ภายในส่วนต่อประสานโปรตีน ข้อสันนิษฐานที่เป็นแนวทางคือสารประกอบเชิงซ้อนโมเลกุลขนาดใหญ่ที่เสถียรนั้นถูกยึดเข้าด้วยกันโดยการบรรจุอะตอมที่เหมาะสมที่สุด ซึ่งเกิดจากการมีปฏิสัมพันธ์ในท้องถิ่นระหว่างอะตอมใกล้เคียงตลอดจนข้อต่อที่มีลำดับสูงกว่ากับอะตอมที่อยู่ห่างไกลมากขึ้น แทนที่จะออกแบบรูปทรงโปรตีนทั้งหมด Void-X จะสร้างกระจุกอะตอมขนาดกะทัดรัดโดยตรงซึ่งปรับให้เหมาะสมสำหรับการอัดแน่นภายในบริเวณโครงสร้างที่ระบุ ทำให้การออกแบบมีรากฐานทางกายภาพ

ฝึกอบรมเกี่ยวกับกระจุกอะตอมแปดล้านกระจุก

ในการฝึก Void-X นักวิจัยได้รวบรวมชุดข้อมูลของกลุ่มอะตอมทรงกลมมากกว่าแปดล้านกลุ่มที่ดึงมาจากโครงสร้างที่กำหนดเชิงทดลองที่เก็บไว้ใน Protein Data Bank สำหรับแต่ละกระจุกนั้น ประมาณ 30% ของอะตอมที่อยู่ติดกันเชิงพื้นที่ส่วนปลายถูกปกปิด ในขณะที่อะตอมที่เหลือทำหน้าที่เป็น "บริบท" ซึ่งเป็นสัญญาณแจ้งเตือนที่มีประสิทธิภาพ ซึ่งเป็นแบบจำลองที่ใช้ในการทำนายอะตอมที่หายไป

เครือข่ายผลลัพธ์ประกอบด้วย 172 ล้านพารามิเตอร์ และมีความแม่นยำในการคาดการณ์สูง: 78.3% สำหรับคลัสเตอร์อะตอมภายในสายโซ่ และ 68.2% สำหรับคลัสเตอร์ระหว่างสายโซ่ นักวิจัยรายงาน

ความหมายของการค้นพบยาและอื่นๆ อีกมากมาย

ตามที่ผู้เขียนระบุ ความสามารถเหล่านี้ช่วยให้สามารถสร้างปฏิสัมพันธ์โปรตีนที่มีความละเอียดระดับอะตอม เดอโนโว ได้ โดยเสนอสิ่งที่พวกเขาอธิบายว่าเป็นเส้นทางเสริมและใช้งานง่ายทางกายภาพสำหรับการออกแบบโปรตีน ด้วยการรวมรายละเอียดระดับอะตอมเข้ากับการสร้างแบบจำลองเชิงกำเนิด Void-X จะขยายชุดเครื่องมือสำหรับอินเทอร์เฟซทางวิศวกรรมชีวโมเลกุลอย่างมีเหตุผล

นั่นสำคัญเพราะการออกแบบอินเทอร์เฟซเป็นหัวใจสำคัญของการพัฒนายาสมัยใหม่ เครื่องมือคำนวณที่ดีกว่าสำหรับการทำนายว่าโมเลกุลที่จะจับกับเป้าหมายโปรตีนของมันจะทำให้เส้นทางจากแนวคิดไปสู่การบำบัดสั้นลง ลดการพึ่งพาการทดลองผิดลองถูกที่มีค่าใช้จ่ายสูง และทำให้การออกแบบโปรตีนสำหรับการทำงานใหม่ทั้งหมดในชีววิทยาสังเคราะห์ง่ายขึ้น

สนามที่กำลังเติบโต

Void-X เกิดขึ้นท่ามกลางการทำงานของโปรตีนที่ขับเคลื่อนด้วย AI ที่เพิ่มขึ้นอย่างรวดเร็ว ตั้งแต่การทำนายโครงสร้างไปจนถึงการออกแบบการสร้างอะตอมทั้งหมด นักวิจัยกำลังผลักดันอย่างต่อเนื่องไปสู่ความสามารถในการจำลองปฏิสัมพันธ์ทางชีวโมเลกุลที่ความละเอียดอะตอมเต็มรูปแบบ ระบบกำเนิดอะตอมทั้งหมดก่อนหน้านี้ได้แสดงให้เห็นความเป็นไปได้ในการออกแบบและทำนายปฏิกิริยาโต้ตอบในระดับนั้นแล้ว และ Void-X ก็มีส่วนสนับสนุนกลยุทธ์ที่แตกต่างและเน้นการบรรจุเป็นอันดับแรกในความพยายามเดียวกัน

เคล็ดลับการมาส์กที่ทำให้ได้ผล

วิธีการฝึกอบรมของ Void-X ยืมหน้าจาก Playbook แบบจำลองภาษา ด้วยการปกปิดอะตอมประมาณ 30% ในแต่ละกลุ่มการฝึกอบรม และขอให้แบบจำลองอนุมานพวกมันจากบริบทโดยรอบ นักวิจัยได้เปลี่ยนชีววิทยาเชิงโครงสร้างเป็นงานเติมในช่องว่าง ซึ่งเป็นหลักการเดียวกับที่ทำให้แบบจำลองภาษาขนาดใหญ่ทำนายคำที่หายไปในประโยค ความแตกต่างก็คือ "คำศัพท์" ของ Void-X ประกอบด้วยอะตอมที่จัดเรียงในพื้นที่สามมิติ และไวยากรณ์ที่เรียนรู้นั้นสะท้อนถึงกฎการบรรจุทางกายภาพที่ควบคุมวิธีที่โปรตีนจริงพับและจับกัน

การฝึกอบรมที่คำนึงถึงโครงสร้างนั้นเป็นสิ่งที่แยก Void-X ออกจากแนวทางที่ปฏิบัติต่อโปรตีนในลักษณะลำดับแบนของกรดอะมิโน เนื่องจากแบบจำลองมีเหตุผลเกี่ยวกับการเชื่อมต่ออะตอมในพื้นที่และระยะยาวพร้อมกัน จึงสามารถเสนอรูปทรงของอินเทอร์เฟซที่คำนึงถึงข้อจำกัดทางกายภาพของสารเชิงซ้อนที่เสถียร แทนที่จะสร้างการออกแบบที่ดูน่าเชื่อถือแต่ไม่เสถียรทางชีวภาพ

ข้อจำกัดและคำถามเปิด

ผลลัพธ์มีแนวโน้มดี แต่นักวิจัยก็ตรงไปตรงมาว่ายังมีความท้าทายอยู่ ความแม่นยำระหว่างสายโซ่ที่ 68.2% ซึ่งเกี่ยวข้องกับคอมเพล็กซ์โปรตีนหลายตัวที่กำหนดเป้าหมายยาในโลกแห่งความเป็นจริงส่วนใหญ่นั้นต่ำกว่าตัวเลขในสายโซ่อย่างมาก ซึ่งสะท้อนถึงความยากลำบากที่มากขึ้นในการสร้างแบบจำลองว่าโมเลกุลทั้งสองที่แยกจากกันมารวมกันได้อย่างไร การออกแบบอินเทอร์เฟซที่เชื่อมโยงอย่างแน่นหนาในแบบจำลองการคำนวณเป็นเพียงขั้นตอนแรกเท่านั้น ผู้สมัครจะต้องได้รับการสังเคราะห์และตรวจสอบความถูกต้องจากการทดลอง และการโต้ตอบที่คาดการณ์ไว้อาจสะดุดในสภาพแวดล้อมที่ยุ่งเหยิงของเซลล์ที่มีชีวิต

การขยายขนาดข้อมูลการฝึก การปรับปรุงการจัดการแบบจำลองบริเวณโปรตีนที่ยืดหยุ่นหรือไม่เป็นระเบียบ และการรวม Void-X เข้ากับระบบจากบนลงล่างเสริมน่าจะเป็นขั้นตอนต่อไป ผู้เขียนมองว่าการมีส่วนร่วมของพวกเขาเป็นการเสริมมากกว่าเทคโนโลยีทดแทน ซึ่งเป็นตัวเลือกที่มีพื้นฐานทางกายภาพที่จะรวมกับโครงที่มีอยู่ในขณะที่สนามแข่งไปสู่การออกแบบโมเลกุลที่เชื่อถือได้และครบวงจร

แนวโน้มที่กว้างขึ้น

การศึกษาซึ่งตีพิมพ์ภายใต้ DOI 10.1073/pnas.2607035123 ส่งสัญญาณว่าการแข่งขันเพื่อสร้างเครื่องมือออกแบบโมเลกุลที่แม่นยำยิ่งขึ้นกำลังดำเนินไปด้วยดี และ AI กำเนิดกำลังกลายเป็นส่วนสำคัญของโต๊ะทำงานของนักชีวเคมี เนื่องจากแบบจำลองอย่าง Void-X ทำให้ช่องว่างระหว่างการคำนวณและห้องปฏิบัติการแคบลง ความหวังก็คือนักวิจัยจะสามารถออกแบบวิธีการรักษาโรค เอนไซม์ และวัสดุใหม่ๆ ได้รวดเร็วและมีเหตุผลมากขึ้นกว่าเดิม

---

Stay Ahead of AI

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

Read more AI news →