খবর

অ্যামিনো অ্যাসিডের প্রথম ক্রম অনুক্রমের উপর ভিত্তি করে প্রোটিনের ত্রিমাত্রিক কাঠামোর ভবিষ্যদ্বাণী করে এমন আলফাফোল্ড কৃত্রিম বুদ্ধিমত্তা ব্যবস্থা তৈরিতে অবদানের জন্য ডেমিস হাসাবিস এবং জন জাম্পারকে এই বছরের লাস্কার বেসিক মেডিকেল রিসার্চ অ্যাওয়ার্ড প্রদান করা হয়েছে।

তাদের ফলাফল এমন একটি সমস্যার সমাধান করে যা দীর্ঘদিন ধরে বৈজ্ঞানিক সম্প্রদায়কে বিরক্ত করে আসছে এবং জৈব চিকিৎসা ক্ষেত্রে গবেষণা ত্বরান্বিত করার দ্বার উন্মুক্ত করে। রোগ বিকাশে প্রোটিন একটি গুরুত্বপূর্ণ ভূমিকা পালন করে: আলঝাইমার রোগে, তারা ভাঁজ হয়ে যায় এবং একসাথে জমাট বাঁধে; ক্যান্সারে, তাদের নিয়ন্ত্রক কার্যকারিতা হারিয়ে যায়; জন্মগত বিপাকীয় ব্যাধিতে, তারা অকার্যকর হয়; সিস্টিক ফাইব্রোসিসে, তারা কোষের ভুল স্থানে চলে যায়। রোগ সৃষ্টিকারী অনেক প্রক্রিয়ার মধ্যে এগুলি মাত্র কয়েকটি। বিস্তারিত প্রোটিন কাঠামো মডেলগুলি পারমাণবিক কনফিগারেশন প্রদান করতে পারে, উচ্চ-সম্পর্কিত অণুর নকশা বা নির্বাচনকে চালিত করতে পারে এবং ওষুধ আবিষ্কারকে ত্বরান্বিত করতে পারে।

প্রোটিনের গঠন সাধারণত এক্স-রে ক্রিস্টালোগ্রাফি, নিউক্লিয়ার ম্যাগনেটিক রেজোন্যান্স এবং ক্রায়ো-ইলেকট্রন মাইক্রোস্কোপি দ্বারা নির্ধারিত হয়। এই পদ্ধতিগুলি ব্যয়বহুল এবং সময়সাপেক্ষ। এর ফলে বিদ্যমান 3D প্রোটিন কাঠামো ডাটাবেসগুলিতে মাত্র 200,000 কাঠামোগত তথ্য রয়েছে, যেখানে DNA সিকোয়েন্সিং প্রযুক্তি 8 মিলিয়নেরও বেশি প্রোটিন সিকোয়েন্স তৈরি করেছে। 1960-এর দশকে, Anfinsen এবং অন্যান্যরা আবিষ্কার করেছিলেন যে অ্যামিনো অ্যাসিডের 1D সিকোয়েন্স স্বতঃস্ফূর্তভাবে এবং পুনরাবৃত্তিমূলকভাবে একটি কার্যকরী ত্রিমাত্রিক গঠনে ভাঁজ হতে পারে (চিত্র 1A), এবং আণবিক "চ্যাপেরোন" এই প্রক্রিয়াটিকে ত্বরান্বিত এবং সহজতর করতে পারে। এই পর্যবেক্ষণগুলি আণবিক জীববিজ্ঞানে 60 বছরের চ্যালেঞ্জের দিকে পরিচালিত করে: অ্যামিনো অ্যাসিডের 1D সিকোয়েন্স থেকে প্রোটিনের 3D কাঠামোর পূর্বাভাস দেওয়া। হিউম্যান জিনোম প্রকল্পের সাফল্যের সাথে, 1D অ্যামিনো অ্যাসিড সিকোয়েন্স পাওয়ার আমাদের ক্ষমতা ব্যাপকভাবে উন্নত হয়েছে এবং এই চ্যালেঞ্জ আরও জরুরি হয়ে উঠেছে।

প্রোটিন কাঠামোর পূর্বাভাস দেওয়া বেশ কিছু কারণে কঠিন। প্রথমত, প্রতিটি অ্যামিনো অ্যাসিডের প্রতিটি পরমাণুর সম্ভাব্য ত্রিমাত্রিক অবস্থানের জন্য প্রচুর অনুসন্ধানের প্রয়োজন। দ্বিতীয়ত, প্রোটিনগুলি তাদের রাসায়নিক কাঠামোতে পরিপূরকতার সর্বাধিক ব্যবহার করে পরমাণুগুলিকে দক্ষতার সাথে কনফিগার করে। যেহেতু প্রোটিনগুলিতে সাধারণত শত শত হাইড্রোজেন বন্ধন "দাতা" (সাধারণত অক্সিজেন) থাকে যা হাইড্রোজেন বন্ধন "গ্রহণকারী" (সাধারণত নাইট্রোজেন হাইড্রোজেনের সাথে আবদ্ধ) এর কাছাকাছি হওয়া উচিত, তাই যেখানে প্রায় প্রতিটি দাতা গ্রহণকারীর কাছাকাছি থাকে সেখানে কনফর্মেশন খুঁজে পাওয়া খুব কঠিন হতে পারে। তৃতীয়ত, পরীক্ষামূলক পদ্ধতির প্রশিক্ষণের জন্য সীমিত উদাহরণ রয়েছে, তাই প্রাসঙ্গিক প্রোটিনের বিবর্তনের তথ্য ব্যবহার করে 1D সিকোয়েন্সের ভিত্তিতে অ্যামিনো অ্যাসিডের মধ্যে সম্ভাব্য ত্রিমাত্রিক মিথস্ক্রিয়া বোঝা প্রয়োজন।

সর্বোত্তম গঠনের সন্ধানে পরমাণুর মিথস্ক্রিয়া মডেল করার জন্য পদার্থবিদ্যা প্রথম ব্যবহার করা হয়েছিল এবং প্রোটিনের গঠন ভবিষ্যদ্বাণী করার জন্য একটি পদ্ধতি তৈরি করা হয়েছিল। কার্প্লাস, লেভিট এবং ওয়ারশেলকে প্রোটিনের কম্পিউটেশনাল সিমুলেশনের উপর তাদের কাজের জন্য ২০১৩ সালে রসায়নে নোবেল পুরষ্কার দেওয়া হয়েছিল। তবে, পদার্থবিদ্যা-ভিত্তিক পদ্ধতিগুলি কম্পিউটেশনালভাবে ব্যয়বহুল এবং আনুমানিক প্রক্রিয়াকরণের প্রয়োজন হয়, তাই সুনির্দিষ্ট ত্রিমাত্রিক কাঠামো ভবিষ্যদ্বাণী করা যায় না। আরেকটি "জ্ঞান-ভিত্তিক" পদ্ধতি হল কৃত্রিম বুদ্ধিমত্তা এবং মেশিন লার্নিং (AI-ML) এর মাধ্যমে মডেলগুলিকে প্রশিক্ষণ দেওয়ার জন্য পরিচিত কাঠামো এবং ক্রমগুলির ডাটাবেস ব্যবহার করা। হাসাবিস এবং জাম্পার পদার্থবিদ্যা এবং AI-ML উভয়ের উপাদান প্রয়োগ করেন, তবে পদ্ধতির উদ্ভাবন এবং কর্মক্ষমতায় উল্লম্ফন মূলত AI-ML থেকে উদ্ভূত। দুই গবেষক সৃজনশীলভাবে শিল্প-গ্রেড কম্পিউটিং সংস্থানগুলির সাথে বৃহৎ পাবলিক ডাটাবেসগুলিকে একত্রিত করে AlphaFold তৈরি করেছেন।

আমরা কীভাবে জানবো যে তারা কাঠামোগত ভবিষ্যদ্বাণীর ধাঁধা "সমাধান" করেছে? ১৯৯৪ সালে, কাঠামোগত ভবিষ্যদ্বাণীর সমালোচনামূলক মূল্যায়ন (CASP) প্রতিযোগিতা প্রতিষ্ঠিত হয়েছিল, যা প্রতি দুই বছর অন্তর অনুষ্ঠিত হয় কাঠামোগত ভবিষ্যদ্বাণীর অগ্রগতি ট্র্যাক করার জন্য। গবেষকরা প্রোটিনের 1D ক্রম ভাগ করে নেবেন যার কাঠামো তারা সম্প্রতি সমাধান করেছেন, কিন্তু যার ফলাফল এখনও প্রকাশিত হয়নি। ভবিষ্যদ্বাণীকারী এই 1D ক্রম ব্যবহার করে ত্রিমাত্রিক কাঠামোর ভবিষ্যদ্বাণী করেন এবং মূল্যায়নকারী স্বাধীনভাবে ভবিষ্যদ্বাণী করা ফলাফলের গুণমান পরীক্ষামূলকভাবে প্রদত্ত ত্রিমাত্রিক কাঠামোর সাথে তুলনা করে বিচার করেন (শুধুমাত্র মূল্যায়নকারীকে প্রদান করা হয়)। CASP সত্যিকারের অন্ধ পর্যালোচনা পরিচালনা করে এবং পদ্ধতিগত উদ্ভাবনের সাথে সম্পর্কিত পর্যায়ক্রমিক কর্মক্ষমতা জাম্প রেকর্ড করে। ২০২০ সালে ১৪তম CASP সম্মেলনে, আলফাফোল্ডের ভবিষ্যদ্বাণীর ফলাফল কর্মক্ষমতার এতটাই উল্লম্ফন দেখিয়েছিল যে আয়োজকরা ঘোষণা করেছিলেন যে 3D কাঠামো ভবিষ্যদ্বাণীর সমস্যা সমাধান করা হয়েছে: বেশিরভাগ ভবিষ্যদ্বাণীর নির্ভুলতা পরীক্ষামূলক পরিমাপের কাছাকাছি ছিল।

বৃহত্তর তাৎপর্য হল, হাসাবিস এবং জাম্পারের কাজ দৃঢ়ভাবে প্রমাণ করে যে AI-ML কীভাবে বিজ্ঞানকে রূপান্তরিত করতে পারে। তাদের গবেষণা দেখায় যে AI-ML একাধিক ডেটা উৎস থেকে জটিল বৈজ্ঞানিক অনুমান তৈরি করতে পারে, মনোযোগ প্রক্রিয়া (ChatGPT-এর মতো) ডেটা উৎসগুলিতে মূল নির্ভরতা এবং পারস্পরিক সম্পর্ক আবিষ্কার করতে পারে এবং AI-ML তার আউটপুট ফলাফলের গুণমান স্ব-বিচার করতে পারে। AI-ML মূলত বিজ্ঞানের কাজ করছে।