کلود در ۶۴ ساعت بیش از ۳۱۸ هزار پروتئین جدید طراحی کرد؛ ۱۷ پروتئین در آزمایشگاه تأیید شدند
داستان استفاده از هوش مصنوعی در تحقیق و توسعه دارو سرانجام از ساختارهای مولکولی در محیط رایانه فراتر رفته و به لوله‌های آزمایش در آزمایشگاه‌های واقعی رسیده است.
شرکت آنتروپیک به‌تازگی از نتیجه پژوهشی زیستی خبر داده است که در آن، کلود طی ۶۴ ساعت، ۳۱۸٬۴۸۴ طرح پروتئینی تولید کرد تا مولکول‌هایی پیدا شوند که بتوانند به نوروتوکسین‌های موجود در زهر عقرب متصل شوند.
آنتروپیک اعلام کرده است که هر سال حدود ۱٫۲ میلیون نفر در سراسر جهان دچار عقرب‌گزیدگی می‌شوند. در همین حال، سرم‌های ضدزهر اغلب بسیار گران‌اند یا عرضه محدودی دارند. طراحی پروتئین‌هایی با قابلیت اتصال به نوروتوکسین‌های زهر عقرب به کمک کلود می‌تواند گامی اولیه برای بررسی روش‌های درمانی جدید باشد.
بر اساس داده‌های منتشرشده، تیم پژوهشی از میان ۳۱۸٬۴۸۴ طرح تولیدشده، ۲۱۱ پروتئین نامزد را انتخاب و برای آزمایش‌های آزمایشگاهی ارسال کرد. در نهایت، ۱۷ مورد توانستند معیارهای ازپیش‌تعیین‌شده اتصال به سم را برآورده کنند. انتظار می‌رود این مولکول‌ها سرنخ‌هایی برای تحقیق و توسعه داروهای جدید مقابله با زهر عقرب فراهم کنند.
البته آزمایش‌های فعلی فقط توانایی این پروتئین‌ها در اتصال به سموم هدف را تأیید کرده‌اند و هنوز ثابت نشده است که آن‌ها بتوانند سم را خنثی کنند یا در موجودات زنده اثر محافظتی داشته باشند. بااین‌حال، نکته مهم این پژوهش آن است که کلود نه‌تنها در طراحی پروتئین‌ها مشارکت کرد، بلکه در مراحل دیگری مانند غربالگری گزینه‌های پیشنهادی نیز نقش داشت. هوش مصنوعی اکنون از تولید مولکول تا تأیید آزمایشگاهی، در بخش‌های بیشتری از یک فرایند کامل پژوهشی مشارکت می‌کند.
۳۱۸ هزار طرح پروتئینی؛ ۱۷ مورد موفق در غربالگری آزمایشگاهی
چرا پژوهشگران مشخصاً زهر عقرب را انتخاب کردند؟
هر سال بیش از ۱٫۲ میلیون مورد عقرب‌گزیدگی در سراسر جهان رخ می‌دهد و شمار مرگ‌ومیر ناشی از آن از ۳۲۵۰ نفر فراتر می‌رود. سرم‌های ضدزهر سنتی با استفاده از ایمن‌سازی حیوانات تولید می‌شوند و هزینه بالایی دارند. همچنین، این سرم‌ها تنها طیف محدودی از سموم را پوشش می‌دهند. در نتیجه، مسمومیت ناشی از زهر عقرب از مدت‌ها پیش یکی از مسائل بهداشت عمومی بوده که سرمایه‌گذاری کافی برای تحقیق و توسعه در زمینه آن انجام نشده است.
آنتروپیک با مؤسسه پژوهشی سرمایه‌گذاری Citrini Research همکاری کرد تا از هوش مصنوعی برای طراحی پروتئین‌های کوچک از پایه استفاده کند؛ پروتئین‌هایی که بتوانند به نوروتوکسین‌های زهر عقرب متصل شوند و «مینی‌بایندر» (minibinder) نام دارند.
به زبان ساده، برخی نوروتوکسین‌های موجود در زهر عقرب به کانال‌های سدیمی روی غشای سلول‌های عصبی متصل می‌شوند و انتقال پیام‌های عصبی را مختل می‌کنند. در موارد شدید، این اختلال می‌تواند به پیامدهایی مانند نارسایی قلبی و ادم ریوی منجر شود.
فرضیه پژوهشگران این است که اگر بتوان پروتئین‌هایی با دقت کافی طراحی کرد تا پیش از سم به ناحیه‌ای متصل شوند که سم در آن با کانال‌های سدیمی برهم‌کنش دارد، شاید بتوان مانع اثرگذاری سم شد.
در این آزمایش، پنج نوروتوکسین موجود در زهر عقرب از مکزیک، برزیل، شمال آفریقا و خاورمیانه انتخاب شدند: Cn2، Ts1، AaH I، AaH II و LqhIII.
کلود ساختار پروتئینی و جایگاه‌های کلیدی اتصال در این پنج نوروتوکسین را تحلیل کرد و بر همین اساس، پروتئین‌های نامزد برای اتصال به آن‌ها طراحی کرد. ساختارهای سه‌بعدی سموم در تصویر بالا نمایش داده شده‌اند و نواحی احتمالی اتصال که کلود انتخاب کرده است، در بخش پایین مشخص شده‌اند.
کلود ۳۱۸٬۴۸۴ طرح پروتئینی نامزد تولید کرد و در مرحله نخست ۱۸۰ مورد را برگزید. سپس تیم پژوهشی با کمک کلود ۳۱ طرح دیگر به این مجموعه افزود و شمار نامزدها را به ۲۱۱ مورد رساند. این پروتئین‌ها برای بررسی و تأیید به دو آزمایشگاه Adaptyv Bio و Twist Bioscience ارسال شدند.
در نهایت، ۱۷ طرح معیارهای اتصال پروتئینی تعیین‌شده از سوی تیم پژوهشی را برآورده کردند.
از این تعداد، هفت پروتئین توانستند به Cn2 متصل شوند، چهار مورد به AaH I و چهار مورد به AaH II متصل شدند و دو مورد دیگر قابلیت اتصال به LqhIII را نشان دادند. طرح‌های هدف‌گیرنده Ts1 در غربالگری موفق نشدند.
دو پروتئین نامزد در این پژوهش که برای هدف‌گیری سم Cn2 طراحی شده‌اند، یعنی Cn2-B1 و Cn2-B2، از برجسته‌ترین گزینه‌ها بودند.
هر دو پروتئین در آزمایش‌ها اتصال قدرتمندی نشان دادند و ثابت تفکیک آن‌ها (KD) در محدوده تک‌رقمی نانومولار قرار گرفت. به‌طور معمول، هرچه مقدار KD کمتر باشد، اتصال مولکول به پروتئین هدف قوی‌تر است.
تیم پژوهشی همچنین آزمایش‌هایی برای بررسی اتصال رقابتی انجام داد.
نتایج نشان داد که این دو پروتئین ممکن است به همان ناحیه‌ای متصل شوند که آنتی‌بادی خنثی‌کننده شناخته‌شده‌ای به نام LR به آن متصل می‌شود، یا ناحیه‌ای مجاور آن را هدف بگیرند. پژوهش‌های پیشین نشان داده‌اند که آنتی‌بادی LR می‌تواند سم Cn2 را در آزمایش‌های انجام‌شده روی موش خنثی کند.
این یافته به آن معناست که دو پروتئین نامزد طراحی‌شده با کلود ممکن است برای پژوهش‌های بعدی ارزشمند باشند.
بااین‌حال، باید توجه داشت که این مرحله از تأیید آزمایشگاهی فقط توانایی اتصال پروتئین‌ها به سموم را نشان داده و ثابت نکرده است که آن‌ها واقعاً می‌توانند زهر عقرب را خنثی کنند.
پژوهشگران هنوز آزمایش‌های خنثی‌سازی سم در سطح سلولی را انجام نداده‌اند و اثر محافظتی این پروتئین‌ها را در حیوانات زنده نیز بررسی نکرده‌اند.
نتیجه جالب دیگر این بود که کلود هنگام طراحی پروتئین‌هایی که بتوانند چند سم را به‌طور هم‌زمان هدف بگیرند، با دشواری روبه‌رو شد.
تیم پژوهشی در ابتدا امیدوار بود پروتئین‌هایی عمومی پیدا کند که به چند نوع زهر عقرب متصل شوند. چنین پروتئین‌هایی می‌توانند تعداد مولکول‌هایی را که باید در ترکیب سرم‌های ضدزهر آینده به کار روند، کاهش دهند.
اما از میان ۱۷ پروتئینی که در نهایت از غربالگری عبور کردند، اتصال هرکدام فقط به یک نوع سم تأیید شد و هیچ طرحی نتوانست معیارهای اتصال هم‌زمان به چند سم را برآورده کند.
اگر طراحی پروتئین‌های متصل‌شونده به یک سم را در نظر بگیریم، از میان ۶۰ نامزد که به‌طور اختصاصی برای هدف‌گیری یک سم طراحی شده بودند، ۱۱ مورد در غربالگری موفق شدند؛ یعنی نرخ موفقیت حدود ۱۸ درصد بود.
آنتروپیک اعلام کرد که این میزان تقریباً با عملکرد معمول پژوهش‌های طراحی پروتئین هم‌خوانی دارد.
اگرچه هنوز فاصله زیادی تا ساخت یک داروی ضدزهر با قابلیت مقابله با چند نوع سم وجود دارد، این مطالعه دست‌کم نشان می‌دهد که کلود می‌تواند در زمانی نسبتاً کوتاه تعداد زیادی طرح پیشنهادی تولید کند و از میان آن‌ها پروتئین‌هایی را شناسایی کند که در آزمایش‌های واقعی قابلیت اتصال دارند.
در ۶۴ ساعت، کلود واقعاً چه میزان کار انجام داد؟
در روش‌های سنتی طراحی پروتئین، پژوهشگران برای انجام کارهایی مانند تحلیل ساختار، تولید مولکول‌های نامزد، پیش‌بینی اتصال و غربالگری باید از چندین ابزار مختلف استفاده کنند. آنتروپیک در این پروژه تلاش کرد این مراحل را به کلود بسپارد تا خودش آن‌ها را سازمان‌دهی کند.
تیم پژوهشی ابتدا سموم هدف، ابزارهای در دسترس و قواعد غربالگری را مشخص کرد. سپس کلود به‌طور مستقل ساختارهای پروتئینی را بازیابی کرد، ابزارهای طراحی را انتخاب کرد، معیارهای غربالگری را تعیین کرد و به‌طور مداوم طرح‌های خود را تغییر داد و بهینه‌سازی کرد.
کلود در طول این فرایند از ۱۲ ابزار طراحی پروتئین استفاده کرد، ۳۱۸٬۴۸۴ طرح نامزد ساخت و ساختار بیش از ۵۵۰ هزار مجموعه احتمالی از پروتئین و سم را پیش‌بینی کرد.
پس از دریافت دستور اولیه، کلود به مدت ۲۴ ساعت به‌طور پیوسته و خودمختار فعالیت کرد. سپس پژوهشگران چهار دستور دیگر به آن دادند تا طرح‌ها را بیشتر بهینه کند. مرحله محاسباتی طراحی در مجموع ۶۴ ساعت طول کشید و کلود در پایان ۱۸۰ پروتئین نامزد را انتخاب کرد.
حتی ارسال توالی‌های پروتئینی به آزمایشگاه نیز بر اساس دستورالعمل پژوهشگران به کمک کلود انجام شد.
این فرایند نشان می‌دهد که کلود اکنون می‌تواند بخش بزرگی از وظایف پژوهشی نیازمند برنامه‌ریزی، تحلیل و هماهنگی ابزارها را بر عهده بگیرد و بر اساس نتایج میانی، طرح‌های تحقیقاتی را پیوسته اصلاح کند.
بااین‌حال، انسان‌ها همچنان در بخش آزمایشگاهی نقش دارند. پژوهشگران اهداف را تعیین می‌کنند، دستورهای تکمیلی می‌دهند و طرح‌های بیشتری به مجموعه می‌افزایند. سنتز پروتئین‌ها و تأیید آزمایشگاهی نیز به‌وسیله آزمایشگاه‌های تخصصی انجام می‌شود. افزون بر این، بازه ۶۴ ساعته فقط مرحله طراحی محاسباتی را شامل می‌شود؛ مرحله‌ای که در آن حدود ۱۰ هزار ساعت پردازشگر گرافیکی (GPU) مصرف شد.
این نخستین تلاش کلود برای طراحی پروتئین نیست. آنتروپیک در ماه اوت همین سال از نتیجه پژوهشی دیگری خبر داده بود: کلود طراحی پروتئین را برای ۱۵ هدف پروتئینی انجام داد و در ۱۴ مورد، پروتئین‌هایی با قابلیت اتصال که به‌صورت آزمایشگاهی تأیید شده بودند، به دست آمدند.
پیوند مطلب آنتروپیک: https://www.anthropic.com/research/Claude-accelerates-protein-design
در مقایسه با پژوهش‌های پیشین، این آزمایش توانایی کلود را در هماهنگ‌سازی فرایندهای پیچیده پژوهش علمی در حوزه‌های مشخص زیست‌پزشکی بیشتر نشان می‌دهد.
بااین‌حال، تا تولید یک داروی واقعی ضدزهر هنوز کارهای زیادی باقی مانده است. آنتروپیک در حال حاضر هر ۲۱۱ طرح نامزد و داده‌های آزمایشگاهی مرتبط با آن‌ها را به‌صورت عمومی منتشر کرده تا پژوهشگران دیگر بتوانند بررسی و تأیید آن‌ها را ادامه دهند.
از طراحی پروتئین تا توسعه دارو؛ هوش مصنوعی شاید در حال ورود به فرایندی کامل‌تر در زیست‌پزشکی باشد
اگر دستاورد آنتروپیک نشان‌دهنده توانایی هوش مصنوعی در طراحی مولکول‌های زیستی باشد، شرکت دیگری در حوزه هوش مصنوعی زیستی به نام Radical Numerics این مسیر را به مرحله درمان بیماران نزدیک‌تر کرده است.
این شرکت به‌تازگی مدل زبانی بزرگ ژنومی Omnii-1 را معرفی کرده و اعلام کرده است که فاژ طراحی‌شده با هوش مصنوعی آن برای استفاده درمانی از نوع «مصرف دلسوزانه» در بیماری مبتلا به عفونت باکتریایی مقاوم به دارو تأیید شده است. به گفته شرکت، فاژ موردنظر آزمایش‌های کشتن باکتری را در آزمایشگاه با موفقیت پشت سر گذاشته و مجوز استفاده برای درمان بیمار را دریافت کرده است.
فاژها نوعی ویروس هستند که می‌توانند باکتری‌ها را آلوده کنند. در شرایط مشخص، از آن‌ها می‌توان در پژوهش‌های درمانی برای مقابله با عفونت‌های باکتریایی استفاده کرد؛ به‌ویژه در مواردی که گزینه‌های درمانی متعارف محدودند، مانند عفونت‌های مقاوم به دارو.
در مقایسه با طراحی پروتئین‌هایی که به سموم متصل می‌شوند، این نمونه یک گام فراتر می‌رود و به این موضوع می‌پردازد که عوامل زیستی طراحی‌شده با هوش مصنوعی چگونه می‌توانند وارد فرایندهای واقعی درمان پزشکی شوند.
هم‌زمان، شرکت OpenAI از خرید شرکت هوش مصنوعی زیست‌پزشکی Orchestra Bio خبر داد و اعلام کرد که قصد دارد تیم و فناوری آن را در پلتفرم علوم زیستی خود، Rosalind، ادغام کند.
برخلاف تمرکز آنتروپیک بر نمایش توانایی هوش مصنوعی در طراحی پروتئین، خرید اخیر OpenAI حوزه پیچیده دیگری از فرایند توسعه دارو را هدف گرفته است: هماهنگی و مدیریت پروژه‌های پژوهشی.
OpenAI پیش‌تر در ماه آوریل همین سال GPT-Rosalind را معرفی کرده بود؛ سامانه‌ای ویژه پژوهش‌های علوم زیستی که به پژوهشگران در رسیدگی به مسائل پیچیده حوزه‌هایی مانند زیست‌شناسی، توسعه دارو و پزشکی انتقالی کمک می‌کند. محیط Rosalind Workbench نیز ابزارها و داده‌های علمی را به یکدیگر متصل می‌کند تا پژوهشگران بتوانند نتایج را تحلیل کنند و برای آزمایش‌ها برنامه‌ریزی کنند.
شرکت Orchestra Bio که اکنون خریداری شده، عمدتاً به گروه‌های زیست‌پزشکی کمک می‌کند فعالیت‌های تحقیق و توسعه میان بخش‌های مختلف را هماهنگ کنند، پیشرفت آزمایش‌ها را زیر نظر بگیرند و وابستگی میان وظایف گوناگون پژوهشی را شناسایی کنند.
برای مثال، در فرایند توسعه یک دارو، شکست یک نوبت تولید ممکن است زمان آغاز کارآزمایی‌های بالینی بعدی را به تأخیر بیندازد. عامل هوش مصنوعی Orchestra می‌تواند وظایف متأثر از این مشکل را پیگیری کند، اطلاعات مرتبط را گردآوری کند و گزینه‌های مختلف واکنش به مشکل را با یکدیگر مقایسه کند تا پژوهشگران و مدیران پروژه بتوانند تصمیم بگیرند.
برای OpenAI نیز این اقدام گامی در جهت گسترش کاربرد هوش مصنوعی از تحلیل مسائل پژوهشی به کل فرایند توسعه دارو محسوب می‌شود.
از طراحی پروتئین‌های نامزد مقابله با زهر عقرب به‌وسیله آنتروپیک، تا استفاده از نامزدهای درمان زیستی طراحی‌شده با هوش مصنوعی برای بیماران به‌وسیله Radical Numerics و تلاش OpenAI برای هماهنگ‌سازی فرایندهای توسعه دارو، فعالیت این سه شرکت بخش‌های متفاوتی از تحقیق و توسعه زیست‌پزشکی را پوشش می‌دهد.
گام بعدی این است که مشخص شود چگونه می‌توان این طرح‌ها و یافته‌ها را با موفقیت از فرایند طولانی تأیید علمی و آزمایش‌های لازم عبور داد تا در نهایت به راهکارهای درمانی ایمن و مؤثری تبدیل شوند که واقعاً به بیماران کمک می‌کنند.
در نهایت، یافتن مولکولی که احتمال دارد مؤثر باشد، در محیط رایانه فقط نقطه آغاز توسعه یک داروی جدید است.
منابع:
- https://x.com/AnthropicAI/status/2112579251555721573
- https://www.anthropic.com/research/claude-scorpion-toxin-binder-design
- https://x.com/ChrisGPT/status/2112616867303178701
- https://x.com/exnx/status/2112580926651904379
- https://openai.com/index/openai-to-acquire-orchestra-bio/
- https://x.com/OpenAI/status/2112607347688583586