انویدیا و مؤسسه طراحی پروتئین دانشگاه واشینگتن از مدل هوش مصنوعی متن‌باز برای طراحی پروتئین رونمایی کردند
مؤسسه طراحی پروتئین (IPD) در دانشکده پزشکی دانشگاه واشینگتن با همکاری انویدیا، مدلی مولد و متن‌باز توسعه داده است که با بهره‌گیری از استدلال زیست‌مولکولی طراحی شده تا توانایی پژوهشگران را برای طراحی پروتئین‌های جدید با عملکردهای مشخص بهبود دهد.
مدل RFD4-Proteina بر پایه پلتفرم هوش مصنوعی NVIDIA BioNeMo™ انویدیا برای شیمی و زیست‌شناسی ساخته شده است و طراحی برنامه‌پذیر پروتئین را با قابلیت‌های جست‌وجو ترکیب می‌کند. به گفته توسعه‌دهندگان، این مدل طرح‌هایی هدفمند برای پروتئین‌ها تولید می‌کند و به دانشمندان و عامل‌های هوش مصنوعی امکان می‌دهد با استفاده از ورودی‌های مولکولی، محدودیت‌ها و اهداف امتیازدهی، این طرح‌ها را جست‌وجو و اصلاح کنند. از کاربردهای بالقوه آن می‌توان به طراحی پروتئین‌هایی برای مختل کردن فرایندهای بیماری‌زا یا شناسایی نشانه‌های بیماری در آزمایش‌های تشخیصی اشاره کرد.
RFD4-Proteina توالی و ساختار پروتئین را هم‌زمان با ساختار مولکول‌هایی که با آن تعامل دارند، اصلاح می‌کند؛ بنابراین، تغییر در یکی از این اجزا به‌سادگی با تغییر در اجزای دیگر همراه می‌شود. توسعه‌دهندگان می‌گویند این مدل در مقایسه با مدل‌های پیشین، نرخ موفقیت طراحی را پنج تا ۱۰ برابر افزایش داده و نامزدهای پروتئینی را نیز پنج تا ۱۰ برابر سریع‌تر تولید کرده است.
انویدیا اعلام کرد که در آزمایش‌های آزمایشگاهی، RFD4-Proteina در چهار مجموعه آزمون معیار، در مقایسه با روش‌های پایه ارزیابی‌شده، هم نرخ موفقیت طراحی محاسباتی بالاتری داشت و هم تعداد طرح‌های تولیدشده در واحد زمان آن بیشتر بود. این چهار حوزه عبارت‌اند از اتصال پروتئین به پروتئین، اتصال مولکول‌های کوچک، طراحی چارچوب آنزیمی و اتصال به DNA.
این مدل به پژوهشگران کمک می‌کند نامزدهای طراحی‌شده را بررسی و برای آزمایش‌های آزمایشگاهی اولویت‌بندی کنند. دانشگاه واشینگتن و انویدیا همچنین افزودند که متن‌باز بودن RFD4-Proteina به پژوهشگران امکان می‌دهد قابلیت‌های آن را گسترش دهند، طرح‌های پروتئینی بیشتری را بررسی کنند و نامزدهای امیدوارکننده دارویی را سریع‌تر به مرحله آزمایش در آزمایشگاه برسانند.
دیوید بیکر، برنده جایزه نوبل، مدیر مؤسسه طراحی پروتئین و استاد بیوشیمی در دانشکده پزشکی دانشگاه واشینگتن، در بیانیه‌ای گفت: «ما از دورانی که پروتئین‌های ساخته‌شده در طبیعت را کشف می‌کردیم، به دورانی وارد می‌شویم که می‌توانیم پروتئین‌هایی کاملاً جدید طراحی کنیم. RFD4-Proteina دامنه آنچه دانشمندان می‌توانند خلق کنند گسترش می‌دهد؛ از پروتئین‌هایی که می‌توانند به پیشرفت کشف دارو کمک کنند تا آنزیم‌هایی که آفت‌کش‌ها را تجزیه می‌کنند.»
راهکارهای جدید
بیکر افزود: «RFD4-Proteina راه را برای راهکارهای جدید در پزشکی، پایداری، مواد و زیست‌فناوری هموار خواهد کرد. به باور من، با این روش‌های بهبودیافته هوش مصنوعی مولد، شاهد داروهای بهتری خواهیم بود و کاربردهای گسترده‌تری نیز فراتر از پزشکی و پایداری خواهیم دید؛ از جمله روش‌های جدید برای تجزیه پلیمرها و راه‌های تازه تولید زیست‌پلاستیک‌ها.»
نام RFD4-Proteina از دو مدل الهام گرفته شده است: مدل RosettaFold Diffusion متعلق به مؤسسه طراحی پروتئین، که یک مدل انتشار هدایت‌شده برای تولید پروتئین‌های جدید است، و مدل Proteina-Complexa انویدیا، که برای طراحی پروتئین‌های متصل‌شونده به اهداف پروتئینی و مولکول‌های کوچک توسعه یافته است. Proteina-Complexa بهینه‌سازی در زمان استنتاج را با یک مدل مولد ازپیش‌آموزش‌دیده مبتنی بر جریان ترکیب می‌کند؛ مدلی که بر اساس سامانه هوش مصنوعی La-Proteina انویدیا ساخته شده و برای طراحی اتمی پروتئین‌ها توسعه یافته است.
RFD4-Proteina از طریق مجموعه‌ای از شرکای این پروژه در دسترس قرار گرفته است که شامل Amazon Bio Discovery، سرویس Claude Science شرکت Anthropic، Benchling، Databricks، Google Cloud، Hugging Face، Nebius، OpenAI و Tamarind Bio می‌شوند. این همکاری‌ها به پژوهشگران و توسعه‌دهندگان اجازه می‌دهد مدل متن‌باز طراحی پروتئین را در فرایندهای کاری مبتنی بر عامل‌های هوش مصنوعی، رایانش ابری و محاسبات علمی ادغام کنند.
پژوهشگرانی در مؤسسه طراحی پروتئین که از این مدل برای حل مسائل جدید طراحی پروتئین استفاده کرده‌اند، گزارش داده‌اند که RFD4-Proteina از نظر اثربخشی و سرعت، در مقایسه با روش‌های پیشین عملکرد بهتری داشته است.
مگ لان-هالبرت، دانشجوی دکتری دانشگاه واشینگتن در رشته بیوشیمی و حوزه فیزیک زیستی، ساختار و طراحی، گفت: «توانستیم نوع گلیکان‌هایی را که به پروتئین‌ها متصل می‌شوند، با دقت کنترل کنیم؛ قندهایی که برای شناسایی در سیستم ایمنی اهمیت دارند. مدل‌های پیشین قادر به انجام چنین کاری نبودند و ما این کار را در کمتر از یک هفته انجام دادیم، نه طی چند ماه.»
از چند ماه به چند روز
ست وودبری، دانشجوی دکتری مهندسی زیستی در دانشگاه واشینگتن و دریافت‌کننده کمک‌هزینه بنیاد ملی علوم آمریکا، افزود: «تنها در چند روز، آنزیمی طراحی کردیم که آفت‌کش‌ها را تجزیه می‌کند و عملکردش چندین برابر بهتر از بهترین آنزیمی است که پیش‌تر طراحی کرده بودم؛ طراحی آن نمونه قبلی چند ماه زمان برده بود.»
RFD4-Proteina حاصل همکاری پژوهشگران مؤسسه طراحی پروتئین و انویدیا است و از هم‌اکنون به‌عنوان منبعی متن‌باز تحت مجوز BSD-3 در دسترس قرار دارد.
مسئولیت راهبری پروژه در مؤسسه طراحی پروتئین بر عهده سه دانشجوی دکتری دانشگاه واشینگتن، ناتانیل کورلی، مکسول کازمن و رافی برنت، و همچنین کیرن دیدی، دانشجوی مهمان دانشگاه آکسفورد، بود.
توسعه RFD4-Proteina با حمایت مالی مؤسسه پزشکی هاوارد هیوز، بنیاد گیتس (با شناسه INV-092109)، بنیاد گرانتام، صندوق علم و فناوری، Schmidt Sciences، کنسرسیوم OpenFold که بخشی از OMSF است، Rosetta Commons و دیگر حامیان مؤسسه طراحی پروتئین انجام شد. طبق اطلاعات وب‌سایت بنیاد گیتس، این بنیاد در قالب کمک‌هزینه‌ای با تاریخ نوامبر ۲۰۲۵، مبلغ ۲۵٬۷۴۸٬۶۱۹ دلار تعهد کرده است.
دانشگاه واشینگتن اعلام کرد که بنیاد جن-سون و لوری هوانگ نیز کمک‌هزینه‌ای برای تأمین منابع محاسباتی ارائه کرده است؛ حمایتی که نقشی اساسی در توسعه RFD4-Proteina داشت.
بیکر پژوهشگر مؤسسه پزشکی هاوارد هیوز است و یکی از سه برنده جایزه نوبل شیمی سال ۲۰۲۴ به‌شمار می‌رود. این جایزه به دلیل «طراحی محاسباتی پروتئین» به او و دو دانشمند دیگر، سر دمیس هاسابیس و جان جامپر، اعطا شد.
هاسابیس از بنیان‌گذاران Google DeepMind است و اکنون به‌عنوان دانشمند ارشد شرکت آلفابت، شرکت مادر گوگل، فعالیت می‌کند. او همچنین بنیان‌گذار و مدیرعامل Isomorphic Labs است؛ شرکتی که مالکیت مشترک آن در اختیار گوگل قرار دارد. جامپر در ماه ژوئن اعلام کرد که قصد دارد Google DeepMind را ترک کند و به Anthropic، شرکت فعال در حوزه هوش مصنوعی، بپیوندد. این شرکت مدارک اولیه عرضه عمومی سهام (IPO) را ثبت کرده است؛ عرضه‌ای که می‌تواند ارزش آن را به رقم چشمگیر ۲ تریلیون دلار برساند.