ఫోటో: PublicDomainPictures / Pixabay
తెలుగు
అర్ధ శతాబ్దం పాటు, ఒక ప్రోటీన్ ఎలా మడతపడుతుందో తెలుసుకోవడానికి సంవత్సరాల తరబడి శ్రమతో కూడిన ప్రయోగశాల పని పట్టేది, మరియు వాటి సంఖ్య బిలియన్ల కొద్దీ ఉంది. తర్వాత ఒక AI కొన్ని సెకన్లలో సమాధానాన్ని అంచనా వేయడం నేర్చుకుంది. ఇది ఇప్పుడు దాదాపు ప్రతి తెలిసిన ప్రోటీన్ను మ్యాప్ చేసింది, మరియు ఇది మందులను రూపొందించడం మొదలుపెడుతోంది.
ప్రతి జీవి ప్రోటీన్లపై నడుస్తుంది. అవి మీ ఆహారాన్ని జీర్ణం చేస్తాయి, మీ రక్తంలో ఆక్సిజన్ను తీసుకువెళతాయి, ఇన్ఫెక్షన్లతో పోరాడతాయి, మరియు మీ కణాల నిర్మాణాన్ని నిర్మిస్తాయి. మరియు ఒక ప్రోటీన్ యొక్క పని దాదాపు పూర్తిగా ఒక విషయం ద్వారా నిర్ణయించబడుతుంది: దాని ఆకారం.
సమస్య ఏమిటంటే ఒక ప్రోటీన్ ఒక పొడవైన గొలుసుగా నిర్మించబడుతుంది, అది తర్వాత సెకనులో ఒక భాగంలో తనను తాను ఒక క్లిష్టమైన త్రిమితీయ ముడిగా మడతపెట్టుకుంటుంది. కేవలం గొలుసు నుండి ఆ చివరి ఆకారాన్ని కనుగొనడం మొత్తం జీవశాస్త్రంలో అత్యంత కష్టతరమైన బహిరంగ సమస్యలలో ఒకటి. 50 సంవత్సరాలుగా ఇది ప్రపంచంలోని అత్యుత్తమ శాస్త్రవేత్తలను ఎదిరించింది.
తర్వాత ఒక AI దాన్ని పరిష్కరించింది. మరియు 2024లో, ఆ సాధన రసాయనశాస్త్రంలో నోబెల్ బహుమతిని గెలుచుకుంది.
మడత ఎందుకు అంత కష్టంగా ఉండేది
ఒక వాక్యంలో సమస్య: ఒక ప్రోటీన్ సైద్ధాంతికంగా అనేక ఖగోళ సంఖ్యలో సాధ్యమైన ఆకారాలలో మడతపడవచ్చు, కానీ వాస్తవానికి అది కేవలం ఒకదానికే స్థిరపడుతుంది. రసాయన సూత్రం నుండి ఏది అని అంచనా వేయడం భయంకరంగా క్లిష్టమైనది.
దశాబ్దాలుగా, ఒక ప్రోటీన్ నిర్మాణాన్ని కనుగొనడానికి ఏకైక నమ్మదగిన మార్గం దాన్ని ప్రయోగాత్మకంగా నిర్ధారించడం: శ్రమతో కూడిన ప్రయోగశాల పద్ధతులు ఒక PhD విద్యార్థి ఒక్క దాన్ని నిర్ధారించడానికి సంవత్సరాలు పట్టేవి. ఇంతలో, జీవశాస్త్రం వందల మిలియన్ల ప్రోటీన్ల సూత్రాలను క్రమబద్ధీకరించింది, వాటి ఆకారాలు రహస్యంగానే ఉండిపోయాయి. “మనకు తెలిసిన సూత్రాలు” మరియు “మనం అర్థం చేసుకున్న ఆకారాలు” మధ్య అంతరం ఒక లోయగా ఉండేది.
ఆల్ఫాఫోల్డ్ ప్రవేశం
ఆ అంతరాన్ని మూసివేసిన వ్యవస్థ పేరు ఆల్ఫాఫోల్డ్, AI ల్యాబ్ గూగుల్ డీప్మైండ్ నిర్మించింది. మడత భౌతికశాస్త్రాన్ని అనుకరించడానికి బదులుగా, ఇది నేర్చుకుంది. శాస్త్రవేత్తలు శ్రమతో పరిష్కరించిన ప్రోటీన్ల నిర్మాణాలపై శిక్షణ పొందడం ద్వారా, ఇది ఒక గొలుసును దాని చివరి ఆకారానికి కలిపే లోతైన నమూనాలను తనకు తానే నేర్పించుకుంది.
ఫలితం ఈ రంగాన్ని ఆశ్చర్యపరిచింది. బృందాలు ప్రోటీన్ నిర్మాణాలను అంచనా వేయడానికి పోటీ పడే దీర్ఘకాలిక పోటీలో, ఆల్ఫాఫోల్డ్ గెలిచింది, మరియు చాలా పెద్ద తేడాతో: ఇది నెమ్మదైన, ఖరీదైన ప్రయోగశాల ప్రయోగాలతో పోటీ పడేంత ఖచ్చితమైన అంచనాలను ఉత్పత్తి చేసింది. సంవత్సరాలలో కొలవబడిన సమస్య సెకన్లలో కొలవబడేదిగా కుప్పకూలింది.
మనకు తెలిసిన దాదాపు ప్రతి ప్రోటీన్, మ్యాప్ చేయబడింది
తర్వాత డీప్మైండ్ ప్రభావాన్ని అపారంగా గుణించే ఒక పనిని చేసింది: యూరోపియన్ బయోఇన్ఫర్మేటిక్స్ ఇన్స్టిట్యూట్తో కలిసి పనిచేస్తూ, ఇది సైన్స్ ఫైల్లో ఉన్న దాదాపు ప్రతి ప్రోటీన్పై (వాటిలో 20 కోట్లకు పైగా) ఆల్ఫాఫోల్డ్ను నడిపించింది మరియు మొత్తం డేటాబేస్ను, ఉచితంగా, ప్రపంచానికి విడుదల చేసింది.
రాత్రికి రాత్రి, ఒక్క నిర్మాణం కోసం సంవత్సరాలు వెచ్చించి ఉండగల పరిశోధకులు దాన్ని వెతకగలిగారు. ఆ డేటాబేస్ అప్పటి నుండి 190కి పైగా దేశాలలో 30 లక్షలకు పైగా వినియోగదారులను ఆకర్షించింది, యాంటీబయాటిక్ నిరోధకత నుండి నిర్లక్ష్యం చేయబడిన ఉష్ణమండల వ్యాధుల వరకు, ప్లాస్టిక్ వ్యర్థాలను విచ్ఛిన్నం చేయగల ఎంజైమ్ల వరకు అన్నింటిపై పనికి ఆహారం అందిస్తోంది.
2024లో, రసాయనశాస్త్రంలో నోబెల్ బహుమతి ఈ పనిని గుర్తించింది. సగం డేవిడ్ బేకర్కు పూర్తిగా కొత్త ప్రోటీన్లను శూన్యం నుండి రూపొందించే అంతే కష్టమైన ఘనతకు వెళ్ళింది. మిగిలిన సగం డీప్మైండ్కు చెందిన డెమిస్ హసాబిస్ మరియు జాన్ జంపర్ పంచుకున్నారు, ఇప్పటికే ఉన్న ప్రోటీన్ల ఆకారాలను అంచనా వేసినందుకు. బహుమతి ముగ్గురు వ్యక్తులకు వెళ్ళింది, ఒక యంత్రానికి కాదు.
ప్రోటీన్లను చదవడం నుండి మందులను రూపొందించడం వరకు
ఒక ప్రోటీన్ ఆకారాన్ని తెలుసుకోవడం కేవలం విద్యాపరమైనది కాదు. చాలా ఆధునిక మందులు ఒక నిర్దిష్ట ప్రోటీన్కు అతుక్కుపోవడం ద్వారా పనిచేస్తాయి, మందు తాళంచెవి అయిన ఒక తాళం. మీరు తాళాన్ని వివరంగా చూడగలిగితే, మీరు మెరుగైన తాళంచెవిని రూపొందించగలరు.
వ్యవస్థ యొక్క కొత్త వెర్షన్లు మరింత ముందుకు వెళ్తాయి, ఒక ప్రోటీన్ ఆకారాన్ని మాత్రమే కాకుండా అది ఇతర అణువులతో ఎలా సంకర్షణ చెందుతుందో కూడా అంచనా వేస్తాయి, మందుల రూపకర్తకు సమాధానం కావాల్సిన సరిగ్గా అదే ప్రశ్న. ఇది మందుల ఆవిష్కరణ యొక్క నెమ్మదైన, అదృష్టంపై ఆధారపడిన ప్రారంభ దశలను వేగవంతమైన మరియు మరింత ఉద్దేశపూర్వకమైనదిగా మారుస్తోంది.
పెద్ద పాఠం
ఆల్ఫాఫోల్డ్ను చాట్బాట్లు మరియు ఇమేజ్ జనరేటర్లతో కలిపి వర్గీకరించాలనే ప్రలోభం ఉంది, కానీ ఇది AI గురించి భిన్నమైన (మరియు కొన్ని విధాలుగా మరింత ముఖ్యమైన) కథ. ఇది సహేతుకమైన పదాలను ఉత్పత్తి చేసే యంత్రం కాదు. ఇది ఒక నిజమైన, దశాబ్దాల నాటి శాస్త్రీయ సమస్యను పరిష్కరించిన, ప్రయోగశాస్త్రవేత్తలు ధృవీకరించగల సమాధానాలను ఉత్పత్తి చేసిన, మరియు ఫలితాలను మొత్తం ప్రపంచానికి ఉచితంగా అందించిన యంత్రం.
అదే AI యొక్క వెర్షన్, దాని గురించి ఉత్సాహపడదగినది: మీ ఇమెయిల్లను రాసేది కాదు, మౌనంగా ఒక ప్రయోగశాలలో ఏమి సాధ్యమో దాన్ని తిరిగి రాస్తున్నది. అర్ధ శతాబ్దం పాటు జీవశాస్త్రాన్ని ఆపిన సమస్య ఎక్కువగా ఛేదించబడింది, అయినప్పటికీ మూసివేయబడలేదు. ఆల్ఫాఫోల్డ్ మీకు ఒక స్థిరమైన ఆకారాన్ని ఇస్తుంది, మరియు చాలా ప్రోటీన్లు సరిగ్గా ఈ కారణంగా ముఖ్యమైనవి ఎందుకంటే అవి కదులుతాయి, లేదా వాటికి స్థిరమైన ఆకారమే లేదు కాబట్టి, లేదా ఒక్క మారిన అక్షరం అవి ఎలా ప్రవర్తిస్తాయో మారుస్తుంది కాబట్టి. ఇవే అది ఇప్పటికీ తప్పు చేసే భాగాలు. అదే విధానం ఇప్పుడు క్యాన్సర్పై, కొత్త యాంటీబయాటిక్లపై, తరతరాలుగా మనల్ని ఎదిరించిన వ్యాధులపై దృష్టి సారించబడుతోంది.
యంత్రాలు జీవితం యొక్క భాషను చదవడం నేర్చుకున్నాయి. అవి దానితో మనకు ఏమి రాయడంలో సహాయం చేస్తాయో మనం ఇప్పుడే కనుగొనడం మొదలుపెడుతున్నాము.
మూలాలు మరియు మరింత చదవడానికి
ఈ వ్యాసం AI సాధనాల సహాయంతో పరిశోధించి రాయబడింది మరియు కచ్చితత్వం కోసం సవరించబడింది. ఇది సాధారణ సమాచారం మరియు చర్చ కోసం మాత్రమే, వృత్తిపరమైన సలహా కాదు. మా సంపాదకీయ ప్రమాణాలు మరియు నిరాకరణ చూడండి. తప్పు కనిపించిందా? మాకు తెలియజేయండి.
నచ్చిందా? తదుపరిది పొందండి.
ఒకసారి ఒక మంచి వ్యాసం, నేరుగా మీ ఇన్బాక్స్కు. స్పామ్ లేదు, ఎప్పుడైనా ఆపవచ్చు.
