محققان MIT Boltz-1 را معرفی کردند، یک مدل کاملا متن باز برای پیش بینی ساختارهای زیست مولکولی

دانشمندان MIT یک مدل هوش مصنوعی قدرتمند و منبع باز به نام Boltz-1 منتشر کرده اند که می تواند تحقیقات زیست پزشکی و توسعه دارو را به میزان قابل توجهی سرعت بخشد.

Boltz-1 که توسط تیمی از محققان در کلینیک MIT Jameel برای یادگیری ماشینی در سلامت توسعه داده شده است، اولین مدل کاملاً متن باز است که به عملکرد پیشرفته‌ای در سطح AlphaFold3 دست می‌یابد، مدلی از Google DeepMind. ساختارهای سه بعدی پروتئین ها و سایر مولکول های بیولوژیکی را پیش بینی می کند.

دانشجویان فارغ التحصیل MIT، جرمی وولوند و گابریله کورسو، توسعه دهندگان اصلی Boltz-1، به همراه سارو پاسارو وابسته به کلینیک MIT Jameel و استادان مهندسی برق و علوم کامپیوتر MIT، رجینا بارزیلای و تامی جااکولا بودند. Wohlwend و Corso این مدل را در رویدادی در 5 دسامبر در مرکز Stata MIT ارائه کردند، جایی که آنها گفتند هدف نهایی آنها تقویت همکاری جهانی، تسریع اکتشافات و ارائه یک پلت فرم قوی برای پیشبرد مدل‌سازی بیومولکولی است.

کورسو گفت: “ما امیدواریم که این نقطه شروعی برای جامعه باشد.” دلیلی وجود دارد که ما آن را بولتز-1 می نامیم و نه بولتز. این پایان خط نیست. ما تا جایی که بتوانیم از جامعه کمک می‌خواهیم.»

پروتئین ها تقریباً در تمام فرآیندهای بیولوژیکی نقش اساسی دارند. شکل پروتئین ارتباط نزدیکی با عملکرد آن دارد، بنابراین درک ساختار پروتئین برای طراحی داروهای جدید یا مهندسی پروتئین های جدید با عملکردهای خاص بسیار مهم است. اما به دلیل پیچیدگی فوق العاده process که توسط آن زنجیره طولانی اسیدهای آمینه یک پروتئین به یک ساختار سه بعدی تا می شود، پیش بینی دقیق آن ساختار برای دهه ها چالش بزرگی بوده است.

AlphaFold2 شرکت DeepMind که جایزه نوبل شیمی 1403 را به دمیس حسابیس و جان جامپر به ارمغان آورد، از یادگیری ماشینی برای پیش‌بینی سریع ساختارهای پروتئینی سه‌بعدی استفاده می‌کند که آنقدر دقیق هستند که غیرقابل تشخیص از ساختارهای آزمایشی دانشمندان هستند. این مدل منبع باز توسط تیم های تحقیقاتی دانشگاهی و تجاری در سراسر جهان مورد استفاده قرار گرفته است و باعث پیشرفت های زیادی در توسعه دارو شده است.

AlphaFold3 با ترکیب یک مدل هوش مصنوعی مولد، معروف به مدل انتشار، نسبت به پیشینیان خود بهبود می‌یابد، که بهتر می‌تواند میزان عدم قطعیت موجود در پیش‌بینی ساختارهای پروتئینی بسیار پیچیده را کنترل کند. با این حال، برخلاف AlphaFold2، AlphaFold3 کاملاً منبع باز نیست و برای استفاده تجاری در دسترس نیست، که باعث انتقاد جامعه علمی شد و مسابقه جهانی برای ساخت نسخه تجاری در دسترس از مدل را آغاز کرد.

برای کارشان روی Boltz-1، محققان MIT همان رویکرد اولیه AlphaFold3 را دنبال کردند، اما پس از مطالعه مدل انتشار زیربنایی، پیشرفت‌های بالقوه را بررسی کردند. آنها از مواردی استفاده کردند که دقت مدل را بیش از همه افزایش دادند، مانند الگوریتم های جدیدی که کارایی پیش بینی را بهبود می بخشد.

همراه با خود مدل، آنها کل خط لوله خود را برای آموزش و تنظیم دقیق منبع باز کردند تا دانشمندان دیگر بتوانند بر روی Boltz-1 بسازند.

من به جرمی، گابریله، سارو و سایر اعضای تیم کلینیک جامیل برای اجرای این انتشار بسیار افتخار می کنم. این پروژه روزها و شب های زیادی را به طول انجامید، با عزم تزلزل ناپذیر برای رسیدن به این نقطه. ایده های هیجان انگیز زیادی برای بهبودهای بیشتر وجود دارد و ما مشتاقانه منتظر به اشتراک گذاشتن آنها در ماه های آینده هستیم.» Barzilay می گوید.

تیم MIT چهار ماه کار و آزمایش های زیادی را برای توسعه Boltz-1 به طول انجامید. یکی از بزرگ‌ترین چالش‌های آن‌ها غلبه بر ابهام و ناهمگونی موجود در بانک داده‌های پروتئین، مجموعه‌ای از تمام ساختارهای زیست مولکولی بود که هزاران زیست‌شناس در ۷۰ سال گذشته آن‌ها را حل کرده‌اند.

«شب های طولانی زیادی داشتم که با این داده ها کشتی گرفتم. بسیاری از آن دانش ناب حوزه است که فرد فقط باید به دست آورد. وولوند می گوید هیچ میانبری وجود ندارد.

در پایان، آزمایشات آنها نشان می دهد که Boltz-1 به همان سطح دقت AlphaFold3 می رسد. روی مجموعه ای متنوع از پیش بینی های پیچیده ساختار بیومولکولی

«آنچه جرمی، گابریل و سارو به انجام رسانده اند قابل توجه نیست. سخت کوشی و پشتکار آنها روی این پروژه پیش‌بینی ساختار زیست مولکولی را برای جامعه وسیع‌تر قابل دسترس‌تر کرده و پیشرفت‌های علوم مولکولی را متحول خواهد کرد.»

محققان قصد دارند به بهبود عملکرد Boltz-1 ادامه دهند و مدت زمان لازم برای پیش‌بینی را کاهش دهند. آنها همچنین از محققان دعوت می کنند تا Boltz-1 را امتحان کنند روی مخزن GitHub آنها و ارتباط با کاربران دیگر Boltz-1 روی کانال Slack آنها

ما فکر می کنیم هنوز سال ها کار برای بهبود این مدل ها وجود دارد. ما بسیار مشتاقیم تا با دیگران همکاری کنیم و ببینیم که جامعه با این ابزار چه می کند.» Wohlwend می افزاید.

Mathai Mammen، مدیر عامل و رئیس Parabilis Medicine، Boltz-1 را یک مدل “پیشرفت” می نامد. او می‌گوید: «با منبع‌دهی باز این پیشرفت، کلینیک MIT Jameel و همکارانش در حال دموکراتیک کردن دسترسی به ابزارهای زیست‌شناسی ساختاری پیشرفته هستند». “این تلاش برجسته باعث تسریع ایجاد داروهای تغییر دهنده زندگی می شود. از تیم Boltz-1 برای هدایت این جهش عمیق به جلو متشکرم!»

جاناتان وایزمن، استاد زیست شناسی MIT و عضو موسسه مهندسی زیست پزشکی وایتهد که در این مطالعه شرکت نداشت، می‌افزاید: «بولتز-1 برای آزمایشگاه من و کل جامعه بسیار مؤثر خواهد بود». ما شاهد یک موج کامل از اکتشافات خواهیم بود که با دموکراتیک کردن این ابزار قدرتمند امکان پذیر شده است. وایزمن اضافه می کند که او پیش بینی می کند که ماهیت منبع باز Boltz-1 به مجموعه وسیعی از برنامه های کاربردی خلاقانه جدید منجر شود.

این کار همچنین توسط کمک هزینه اعزامی بنیاد ملی علوم ایالات متحده پشتیبانی شد. کلینیک جمیل؛ آژانس کاهش تهدیدات دفاعی ایالات متحده کشف اقدامات متقابل پزشکی در برابر تهدیدات جدید و نوظهور (DOMANE). و پروژه MATCHMAKERS که توسط مشارکت Cancer Grand Challenges پشتیبانی می شود که توسط Cancer Research UK و موسسه ملی سرطان ایالات متحده تامین می شود.