ด้วยพลังของ AI ทำให้วันนี้นักวิทยาศาสตร์สามารถไขปริศนาโครงสร้าง 3 มิติของโปรตีนชนิดต่าง ๆ ที่เป็นปริศนายาวนานมากว่า 50 ปี
เบื้องหลังรูปทรงของโปรตีนแต่ละตัวนั้นมาจากการพับตัวซ้อนทับกันของโครงสายโปรตีน
ปี 2020 นี้เรียกได้ว่าเป็นปีทองของ AI เลยทีเดียว ซึ่งเมื่อไม่กี่วันที่ผ่านมาก็มีข่าวที่ AI สามารถแก้สมการของ Schrödinger ได้สร้างความฮือฮาในวงการวิทยาศาสตร์ไม่น้อย
และก่อนหน้านั้นไม่นานอีกหนึ่งความก้าวหน้าในวงการวิทยาศาสตร์ที่มาจากความสามารถของ AI ก็คือการทำนายโครงสร้าง 3 มิติของโปรตีนที่มีความแม่นยำในระดับอะตอมเลยทีเดียว
ด้วยการพับตัวกลับไปกลับมาของโครงสายโปรตีนจึงเป็นที่มาของรูปทรง 3 มิติต่าง ๆ ที่มีรูปแบบเฉพาะตัวแตกต่างกันไปตามการจัดเรียงและจับตัวเรียงกันของธาตุที่เป็นส่วนประกอบในโครงสายโปรตีนชนิดนั้น ๆ
เรื่องนี้เป็นปริศนาที่เหล่านักวิทยาศาสตร์พยายามหาคำตอบมากว่า 50 ปี ว่ารูปทรงเฉพาะตัวที่เกิดขึ้นของกลุ่มสายโปรตีนแต่ละชนิดนั้นมีเหตุปัจจัยและมีกลไกอย่างไรที่ทำให้เกิดเป็นรูปทรงเหล่านั้น เพื่อที่จะได้ใช้ทำนายโครงสร้างของโปรตีนหรือยาที่จะทำการสังเคราะห์ขึ้นมา
ลำดับการเรียงตัวขององค์ประกอบในโปรตีนจะทำให้เกิดรูปทรงต่าง ๆ
มาวันนี้ DeepMind AI ที่เคยสร้างผลงานในการเล่นโกะและหมากรุก โค่นทุกแชมป์มาแล้ว ก็ได้ถูกนำมาใช้ในงานอย่างที่เราเคยวาดฝันไว้ในการสร้างคุณประโยชน์แก่มนุษยชาติด้วยการไขความลับนี้
โดย Critical Assessment of protein Structure Prediction (CASP) ซึ่งเป็นองค์กรที่ถูกตั้งขึ้นมาในปี 1994 ด้วยจุดประสงค์ในการเชื้อเชิญให้เหล่านักวิจัยเข้าแข่งขันการแก้ปัญหาในการทำนายโครงสร้างโปรตีน
ซึ่งตั้งแต่ถูกก่อตั้งขึ้นมา CASP ได้เร่งให้การศึกษาโครงสร้างโปรตีนมีความคืบหน้าขึ้นอย่างมาก ในแต่ละปีจะมีโครงสร้างโปรตีนที่ได้รับการยืนยันมากกว่า 100 ชนิด
มาวันนี้ CASP ก็ได้ประกาศว่า AlphaFold ซึ่งเป็นเวอร์ชั่นใหม่เวอร์ชั่นหนึ่งของ DeepMind AI นั้นสามารถทำนายโครงสร้างโปรตีนที่มีความแม่นยำในระดับค่าความคลาดเคลื่อนไม่เกิน 1.6 อังสตอม หรือ 0.16 นาโนเมตร เรียกได้ว่าคำนวนได้ยังไงโครงสร้างจริงก็จะเป็นอย่างนั้นเป๊ะ
โดยในการให้คะแนนความแม่นยำของการทำนายโครงสร้างโปรตีนนั้น CASP ได้ใช้ระบบให้คะแนนที่เรียกว่า global distance test (GDT) ซึ่งมีคะแนนเต็ม 100 ยิ่งผลการทำนายหรือคำนวนทำคะแนนได้ใกล้ 100 มากเท่าไหร่ก็แสดงค่าการคำนวนที่มีความแม่นยำมาก
ทั้งนี้การเปรียบเทียบคะแนนจะทำได้นั้นโปรตีนที่ใช้เป็นตัวอย่างในการทดสอบนั้นจะต้องมีการยืนยันโครงสร้าง 3 มิติด้วยการทดลองในห้องแลปเสียก่อน ซึ่งเป็นขั้นตอนที่เสียเวลาและต้องใช้เทคนิคที่ซับซ้อนมาก ๆ อย่างเช่น
cryo-electron microscopy: กล้องจุลทรรศน์อิเล็กตรอนแบบแช่แข็ง เทคนิคที่ทำให้ผู้พัฒนาได้รับรางวัลโนเบลสาขาเคมีในปี 2017
nuclear magnetic resonance: อาศัยหลักการเดียวกับเครื่อง MRI ที่ใช้กันในวงการแพทย์
x-ray crystallography: เทคนิคที่นำโปรตีนมาทำให้ตกผลึกเป็นคริสตัล ก่อนฉายรังสี X ใส่และนำผลข้อมูลของการหักเหของรังสีเนื่องจากการชนกับอิเล็คตรอนในผลึกโปรตีนนำมาสร้างเป็นโครงสร้าง 3 มิติของโโปรตีนนั้น ๆ
ตัวอย่างภาพจำลองโครงสร้างโปรตีนในคอมพิวเตอร์
ซึ่ง AlphaFold สามารถทำคะแนนได้มากกว่า 90 GDT ในตัวอย่างโปรตีนที่ให้ทำการวิเคราะห์ได้มากกว่า 2 ใน 3 โดยมีคะแนนต่ำสุดอยู่ที่ 25 GDT
สำหรับผลการคำนวนที่ได้คะแนนมากกว่า 90 GDT นั้นถือได้ว่ามีความแม่นยำจนสามารถนำไปใช้แทนโครงสร้างจริงเพื่อใช้ในงานวิจัยอื่น ๆ ต่อไปได้
สำหรับ AlphaFold นั้นได้เริ่มเข้าสู่สนามแข่งขันการทำนายโครงสร้างโปรตีนของ CASP มาตั้งแต่ปี 2018
ซึ่งฐานข้อมูลที่ AlphaFold ใช้เรียนรู้จนมีความสามารถในระดับนี้ได้นั้นมาจากข้อมูลโครงสร้างโปรตีนกว่า 170,000 ชนิดใน protein data bank
แม้ว่า AlphaFold จะมีความแม่นยำในการทำนายโครงสร้างโปรตีนสูง แต่มันต้องแลกกับการใช้เวลาในการวิเคราะห์นานพอสมควร อย่างการวิเคราะห์โครงสร้างโปรตีนของมนุษย์เรา 1 ตัวนั้นอาจต้องใช้เวลาเป็นอาทิตย์โดยอาศัยชุดคอมพิวเตอร์ที่ประกอบด้วย GPU มากกว่า 200 ตัว
แต่ AlphaFold ก็ถือว่าทำได้ดีกว่าโปรแกรมหรืออัลกอลิธึมอื่น ๆ ที่เคยมีมาก่อนหน้าอย่างไม่เห็นฝุ่น เพราะก่อนหน้านี้กว่าจะคำนวนโครงสร้างโปรตีนออกมาได้แต่ละตัวต้องใช้พลังประมวลผลและเวลาอย่างมหาศาลเพื่อให้ได้ผลลัพธ์ที่แม่นยำเป็นที่น่าพอใจ
และ AlphaFold นั้นยังสามารถทำนายโครงสร้างของโปรตีนที่ยังไม่ได้รับการยืนยันโครงสร้างด้วยวิธีการในห้องแลปล่วงหน้าได้อย่างแม่นยำอีก 4 ชนิดด้วย
นอกจาก AlphaFold แล้วปัจจุบันยังมี recurrent geometrical network (RGN) ซึ่งทีมพัฒนา RGN ได้ใช้หลักการเดียวกับที่ AlphaFold ใช้เมื่อตอนเปิดตัวในปี 2018 ในการพัฒนา RGN
ตัวอย่างผลการทำนายโครงสร้างโปรตีนด้วย RGN เมื่อเทียบกับโครงสร้างจริง
RGN นั้นมีจุดเด่นที่สามารถวิเคราะห์และทำนายโครงสร้างได้เร็วกว่า AlphaFold มาก โดยสามารถวิเคราะห์โครงสร้างที่ AlphaFold ใช้เวลาคำนวนเป็นอาทิตย์เสร็จได้ภายในเวลาไม่กี่วินาที
แม้ว่าความแม่นยำยังไม่อาจนำมาใช้แทนโครงสร้างจริงได้เหมือนอย่าง AlphaFold แต่ในบางงานนั้นผลการทำนายด้วย RGN ก็ยังมีประโยชน์พอจะนำไปใช้งานต่อได้
แล้วมันน่าตื่นเต้นตรงไหน??
น่าตื่นเต้นมากครับ เพราะมันจะมีประโยชน์อย่างมากในการวิเคราะห์โครงสร้างของโปรตีน, เอนไซน์ หรือแม้แต่โมเลกุลยา เพราะรูปร่างคือปัจจัยหลักที่โปรตีนแต่ละชนิดจะสามารถเข้าจับทำปฏิกิริยากันได้
เหมือนกับที่ไวรัสโควิด-19 ใช้โปรตีนที่เป็นรูปหนามเป็นกุญแจไขเข้าไปสู่เซลล์ในระบบทางเดินหายใจของเรา
โปรตีนที่เป็นหนามสีแดงนี่แหละที่เจ้าโคโรนาไวรัสใช้เป็นกุญแจไขเข้าบ้านและทำการรุกรานเซลล์ในร่างกายของเรา
ทั้งนี้ยาหลายตัวที่เราพัฒนาขึ้นมานั้นมีหลักการในการให้โมเลกุลของยาเข้าไปจับกับโปรตีนที่เป็นเหมือนประตูบ้านของเซลล์เพื่อป้องกันไม่ให้ไวรัสใช้กุญแจผีไขเข้าไปปล้นบ้านได้นั่นเอง
แต่การจะทำอย่างนั้นได้เราต้องรู้โครงสร้างที่แน่นอนของโปรตีนที่เป็นแม่กุญแจนั้นให้ได้เสียก่อน เพื่อที่เราจะได้ออกแบบกาวที่จะไปอุดรูของแม่กุญแจนั้นได้
และนี่ก็เป็นอีกพัฒนาการของ AI ที่น่าจะช่วยให้เกิดพัฒนาการในวงการ ชีวะ เคมี และการแพทย์ได้อย่างก้าวกระโดดเลยทีเดียว
Source:
- 23
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
