هوش مصنوعی طی سال‌های اخیر توانسته است در حوزه زیست‌فناوری، به‌ویژه در ارتباط میان ساختار پروتئین و کارکرد آن، پیشرفت‌های چشمگیری ایجاد کند. از مدل‌هایی مانند AlphaFold که ساختار سه‌بعدی اغلب پروتئین‌ها را با دقت بالا پیش‌بینی می‌کنند تا ابزارهایی که امکان طراحی پروتئین‌های جدید را فراهم می‌سازند، می‌توان گفت که AI به یکی از بازیگران اصلی بیولوژی مدرن تبدیل شده است. با این حال، تمام این موفقیت‌ها در سطح پروتئین و اسیدهای آمینه رخ داده‌اند. در حالی‌ که تغییرات واقعی در طبیعت در سطح DNA اتفاق می‌افتند؛ جایی‌که جهش‌ها، انتخاب طبیعی و سازمان‌یابی ژن‌ها مسیر تکامل را تعیین می‌کنند. ارتباط DNA با پروتئین‌ها بسیار پیچیده‌تر از آن است که صرفاً از روی ساختار ژنتیکی بتوان عملکرد پروتئین را پیش‌بینی کرد، زیرا DNA شامل نواحی غیرکدکننده، تکرارپذیری بالا و انعطاف سازمانی گسترده است.

اما اکنون پژوهشگران دانشگاه استنفورد موفق شده‌اند با استفاده از ژنوم باکتری‌ها و ساخت یک مدل زبانی ژنومی به نام Evo، پلی میان سطح DNA و عملکرد پروتئین ایجاد کنند؛ مدلی که نه‌تنها قادر است ساختار ژن‌ها را بازسازی کند، بلکه می‌تواند پروتئین‌های کاملاً جدید و عملکردی بسازد؛ پروتئین‌هایی که هیچ شباهتی به نمونه‌های شناخته‌شده ندارند.

چرا از باکتری‌ها استفاده شد؟

باکتری‌ها ویژگی مهمی دارند: ژن‌های مرتبط با یک عملکرد معمولاً در کنار هم قرار می‌گیرند. این سازمان‌یافتگی به صورت «خوشه ژنی» یا اپرون شناخته می‌شود. به‌عنوان مثال، تمام ژن‌های لازم برای هضم یک نوع قند معمولاً پشت‌سر هم قرار دارند و در قالب یک RNA واحد رونویسی می‌شوند. این ویژگی باعث می‌شود که مدل‌های هوش مصنوعی بتوانند الگوهای تکاملی را بهتر تشخیص دهند. محققان با استفاده از مجموعه‌ای عظیم از ژنوم‌های باکتریایی، مدل Evo را آموزش دادند؛ درست مانند یک مدل زبانی که باید کلمه بعدی را حدس بزند، Evo نیز باید باز بعدی DNA را پیش‌بینی می‌کرد. این آموزش به Evo امکان داد تا بتواند:

• ساختار ژن‌ها را تحلیل کند
• عملکرد احتمالی یک ناحیه ژنی را بفهمد
• و بر اساس آن توالی‌های جدید DNA تولید کند

توانایی‌های Evo: از بازسازی ژن تا تولید نسخه‌های جدید

برای سنجش دقت Evo، پژوهشگران بخش‌هایی از ژن‌های واقعی را به آن دادند. نتایج شگفت‌انگیز بود:

• اگر تنها ۳۰٪ از یک ژن به آن داده می‌شد، Evo قادر بود ۸۵٪ از ساختار باقی‌مانده را بازسازی کند.
• با دریافت ۸۰٪ از یک ژن، مدل توانست کل ناحیه از دست‌رفته را به‌طور دقیق تولید کند.
• در آزمایشی دیگر، زمانی‌که یک ژن حیاتی از یک خوشه ژنی حذف شد، Evo قادر بود همان ژن گم‌شده را تولید کند.

این توانایی نشان می‌دهد که مدل نه‌تنها DNA را به صورت توالی، بلکه به شکل ساختاری-عملکردی درک کرده است؛ درست شبیه اینکه مفهوم «متن» را در توالی‌های ژنتیکی تشخیص دهد.

تولید پروتئین‌های کاملاً ناشناخته و عملکردی

پس از موفقیت در بازسازی ژن‌ها، تیم تحقیقاتی به مرحله مهم‌تری وارد شد:
درخواست از Evo برای تولید ژن‌های جدید با عملکرد مشابه نمونه‌های واقعی، اما بدون شباهت به پروتئین‌های شناخته‌شده.
یکی از آزمون‌ها بر روی سموم باکتریایی و آنتی‌توکسین‌ها انجام شد. پژوهشگران یک توکسین جدید را که آنتی‌توکسین شناخته‌شده‌ای نداشت به Evo دادند و از آن خواستند آنتی‌توکسینی جدید طراحی کند. پس از تولید صدها خروجی، تنها مواردی انتخاب شدند که شباهتی به آنتی‌توکسین‌های شناخته‌شده نداشته باشند.
نتیجه قابل‌توجه بود:

• از ۱۰ پروتئین تولیدشده توسط Evo، ۵ مورد توانستند اثر سم را کاهش دهند.
• ۲ مورد کاملاً عملکرد آنتی‌توکسین واقعی را تقلید کردند.
• این دو آنتی‌توکسین فقط ۲۵٪ شباهت با نمونه‌های شناخته‌شده داشتند.
• ساختار آن‌ها ترکیبی از ۱۵ تا ۲۰ ناحیه مختلف از پروتئین‌هایی کاملاً متفاوت بود.

در حوزه CRISPR inhibitors نیز Evo توانست ۱۷ پروتئین بازدارنده جدید تولید کند که دو مورد از آن‌ها هیچ شباهت شناخته‌شده‌ای نداشتند و حتی مدل‌های پیش‌بینی ساختار پروتئین نیز نتوانستند ساختارشان را درک کنند. این یعنی Evo قادر است پروتئین‌هایی فراتر از درک فعلی ما تولید کند.

تولید 120 میلیارد جفت‌باز DNA با کمک Evo

در پایان، محققان ۱.۷ میلیون ژن را به Evo دادند تا خروجی‌های خلاقانه تولید کند و در نتیجه بیش از ۱۲۰ میلیارد جفت‌باز DNA تولید شد. این داده عظیم شامل ترکیبی از ژن‌های شناخته‌شده، نسخه‌های بازطراحی‌شده و توالی‌های کاملاً جدید است؛ منابعی که می‌تواند مسیر تحقیقات زیست‌فناوری را برای سال‌ها تغییر دهد.

محدودیت‌ها و آینده این فناوری

مدل Evo فعلاً بر ژنوم‌های ساده مانند باکتری‌ها بهترین عملکرد را دارد. در موجودات پیچیده‌تری مانند انسان، سازمان ژنی پیچیده‌تر است و انتظار نمی‌رود که Evo به‌همان سادگی کار کند. با این حال، این تحقیق نشان می‌دهد که یادگیری ژنومی با AI می‌تواند نقطه عطفی باشد در:
• طراحی داروهای پروتئینی
• فهم تکامل
• ساخت پروتئین‌های صنعتی
• زیست‌مهندسی پیشرفته

منبع خبر: arstechnica