ଆମିନୋ ଏସିଡର ପ୍ରଥମ କ୍ରମ କ୍ରମ ଉପରେ ଆଧାରିତ ପ୍ରୋଟିନର ତ୍ରି-ପରିମାଣୀୟ ଗଠନର ପୂର୍ବାନୁମାନ କରୁଥିବା ଆଲଫାଫୋଲ୍ଡ କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ପ୍ରଣାଳୀ ସୃଷ୍ଟିରେ ଅବଦାନ ପାଇଁ ଡେମିସ୍ ହାସାବିସ୍ ଏବଂ ଜନ୍ ଜମ୍ପରଙ୍କୁ ଚଳିତ ବର୍ଷର ଲାସ୍କର ମୌଳିକ ଚିକିତ୍ସା ଗବେଷଣା ପୁରସ୍କାର ପ୍ରଦାନ କରାଯାଇଛି।
ସେମାନଙ୍କର ଫଳାଫଳ ବୈଜ୍ଞାନିକ ସମ୍ପ୍ରଦାୟକୁ ଦୀର୍ଘ ସମୟ ଧରି ବିଚଳିତ କରିଆସୁଥିବା ଏକ ସମସ୍ୟାର ସମାଧାନ କରେ ଏବଂ ଜୈବ ଚିକିତ୍ସା କ୍ଷେତ୍ରରେ ଗବେଷଣାକୁ ତ୍ୱରାନ୍ୱିତ କରିବାର ଦ୍ୱାର ଖୋଲିଦିଏ। ରୋଗ ବିକାଶରେ ପ୍ରୋଟିନ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଭୂମିକା ଗ୍ରହଣ କରେ: ଆଲଜାଇମର ରୋଗରେ, ସେମାନେ ଏକାଠି ଭାଙ୍ଗି ଯାଆନ୍ତି ଏବଂ ଜମାଟ ବାନ୍ଧି ଯାଆନ୍ତି; କର୍କଟ ରୋଗରେ, ସେମାନଙ୍କର ନିୟାମକ କାର୍ଯ୍ୟ ନଷ୍ଟ ହୋଇଯାଏ; ଜନ୍ମଗତ ମେଟାବୋଲିକ୍ ବ୍ୟାଧିରେ, ସେମାନେ ଅକାର୍ଯ୍ୟକ୍ଷମ; ସିଷ୍ଟିକ୍ ଫାଇବ୍ରୋସିସ୍ ରେ, ସେମାନେ କୋଷର ଭୁଲ ସ୍ଥାନରେ ଯାଆନ୍ତି। ରୋଗ ସୃଷ୍ଟି କରୁଥିବା ଅନେକ ଯନ୍ତ୍ରପାତି ମଧ୍ୟରୁ ଏଗୁଡ଼ିକ କେବଳ କିଛି। ବିସ୍ତୃତ ପ୍ରୋଟିନ ଗଠନ ମଡେଲଗୁଡ଼ିକ ପରମାଣୁ ବିନ୍ୟାସ ପ୍ରଦାନ କରିପାରିବ, ଉଚ୍ଚ-ଆଫିନିଟି ଅଣୁଗୁଡ଼ିକର ଡିଜାଇନ୍ କିମ୍ବା ଚୟନକୁ ତ୍ୱରାନ୍ୱିତ କରିପାରିବ ଏବଂ ଔଷଧ ଆବିଷ୍କାରକୁ ତ୍ୱରାନ୍ୱିତ କରିପାରିବ।
ପ୍ରୋଟିନ୍ ଗଠନ ସାଧାରଣତଃ ଏକ୍ସ-ରେ କ୍ରିଷ୍ଟାଲୋଗ୍ରାଫି, ନ୍ୟୁକ୍ଲିୟର ମ୍ୟାଗ୍ନେଟିକ୍ ରେଜୋନାନ୍ସ ଏବଂ କ୍ରାଇଓ-ଇଲେକ୍ଟ୍ରୋନ୍ ମାଇକ୍ରୋସ୍କୋପି ଦ୍ୱାରା ନିର୍ଣ୍ଣୟ କରାଯାଏ। ଏହି ପଦ୍ଧତିଗୁଡ଼ିକ ମହଙ୍ଗା ଏବଂ ସମୟ ସାପେକ୍ଷ। ଏହା ଫଳରେ ପ୍ରାୟ 200,000 ସଂରଚନାତ୍ମକ ତଥ୍ୟ ସହିତ ବିଦ୍ୟମାନ 3D ପ୍ରୋଟିନ୍ ଗଠନ ଡାଟାବେସ୍ ସୃଷ୍ଟି ହୁଏ, ଯେତେବେଳେ DNA କ୍ରମ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା 8 ନିୟୁତରୁ ଅଧିକ ପ୍ରୋଟିନ୍ କ୍ରମ ଉତ୍ପାଦନ କରିଛି। 1960 ଦଶକରେ, ଆନଫିନସେନ୍ ଏବଂ ଅନ୍ୟମାନେ ଆବିଷ୍କାର କରିଥିଲେ ଯେ ଆମିନୋ ଏସିଡର 1D କ୍ରମ ସ୍ୱତଃସ୍ଫୂର୍ତ୍ତ ଏବଂ ପୁନରାବୃତ୍ତି ଭାବରେ ଏକ କାର୍ଯ୍ୟକ୍ଷମ ତ୍ରି-ପରିମାଣୀୟ ରୂପାନ୍ତରଣରେ ପରିଣତ ହୋଇପାରେ (ଚିତ୍ର 1A), ଏବଂ ଆଣବିକ "ଚାପେରୋନ୍" ଏହି ପ୍ରକ୍ରିୟାକୁ ତ୍ୱରାନ୍ୱିତ ଏବଂ ସହଜ କରିପାରିବ। ଏହି ପର୍ଯ୍ୟବେକ୍ଷଣଗୁଡ଼ିକ ଆଣବିକ ଜୀବବିଜ୍ଞାନରେ 60 ବର୍ଷର ଚ୍ୟାଲେଞ୍ଜ ଆଡ଼କୁ ନେଇଯାଏ: ଆମିନୋ ଏସିଡର 1D କ୍ରମରୁ ପ୍ରୋଟିନ୍ର 3D ଗଠନର ପୂର୍ବାନୁମାନ କରିବା। ମାନବ ଜିନୋମ୍ ପ୍ରୋଜେକ୍ଟର ସଫଳତା ସହିତ, 1D ଆମିନୋ ଏସିଡ୍ କ୍ରମ ପାଇବାର ଆମର କ୍ଷମତା ବହୁତ ଉନ୍ନତ ହୋଇଛି, ଏବଂ ଏହି ଚ୍ୟାଲେଞ୍ଜ ଆହୁରି ଜରୁରୀ ହୋଇଯାଇଛି।
ପ୍ରୋଟିନ୍ ଗଠନର ପୂର୍ବାନୁମାନ କରିବା ଅନେକ କାରଣ ପାଇଁ କଷ୍ଟକର। ପ୍ରଥମତଃ, ପ୍ରତ୍ୟେକ ଆମିନୋ ଏସିଡ୍ରେ ପ୍ରତ୍ୟେକ ପରମାଣୁର ସମସ୍ତ ସମ୍ଭାବ୍ୟ ତ୍ରି-ପରିମାଣୀୟ ସ୍ଥିତି ପାଇଁ ବହୁତ ଅନୁସନ୍ଧାନ ଆବଶ୍ୟକ। ଦ୍ୱିତୀୟତଃ, ପ୍ରୋଟିନ୍ ପରମାଣୁକୁ ଦକ୍ଷତାର ସହିତ ବିନ୍ୟାସ କରିବା ପାଇଁ ସେମାନଙ୍କର ରାସାୟନିକ ଗଠନରେ ପରିପୂରକତାର ସର୍ବାଧିକ ବ୍ୟବହାର କରନ୍ତି। ଯେହେତୁ ପ୍ରୋଟିନ୍ଗୁଡ଼ିକରେ ସାଧାରଣତଃ ଶହ ଶହ ହାଇଡ୍ରୋଜେନ୍ ବଣ୍ଡ "ଦାତା" (ସାଧାରଣତଃ ଅମ୍ଳଜାନ) ଥାଏ ଯାହା ହାଇଡ୍ରୋଜେନ୍ ବଣ୍ଡ "ଗ୍ରହଣକାରୀ" (ସାଧାରଣତଃ ହାଇଡ୍ରୋଜେନ୍ ସହିତ ବନ୍ଧିତ ନାଇଟ୍ରୋଜେନ୍) ନିକଟରେ ହେବା ଉଚିତ, ତେଣୁ ପ୍ରାୟ ପ୍ରତ୍ୟେକ ଦାତା ଗ୍ରହଣକାରୀଙ୍କ ନିକଟରେ ଥିବା ସ୍ଥାନରେ ରୂପାନ୍ତରଣ ଖୋଜିବା ବହୁତ କଷ୍ଟକର ହୋଇପାରେ। ତୃତୀୟତଃ, ପରୀକ୍ଷାମୂଳକ ପଦ୍ଧତିର ତାଲିମ ପାଇଁ ସୀମିତ ଉଦାହରଣ ଅଛି, ତେଣୁ ପ୍ରାସଙ୍ଗିକ ପ୍ରୋଟିନ୍ର ବିବର୍ତ୍ତନ ଉପରେ ସୂଚନା ବ୍ୟବହାର କରି 1D କ୍ରମ ଆଧାରରେ ଆମିନୋ ଏସିଡ୍ ମଧ୍ୟରେ ସମ୍ଭାବ୍ୟ ତ୍ରି-ପରିମାଣୀୟ ପାରସ୍ପରିକ କ୍ରିୟାକୁ ବୁଝିବା ଆବଶ୍ୟକ।
ସର୍ବୋତ୍ତମ ସଂରଚନା ଖୋଜିବାରେ ପରମାଣୁର ପାରସ୍ପରିକ କ୍ରିୟା ମଡେଲ କରିବା ପାଇଁ ପ୍ରଥମେ ପଦାର୍ଥ ବିଜ୍ଞାନ ବ୍ୟବହାର କରାଯାଇଥିଲା ଏବଂ ପ୍ରୋଟିନର ଗଠନ ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ଏକ ପଦ୍ଧତି ବିକଶିତ ହୋଇଥିଲା। ପ୍ରୋଟିନର ଗଣନା ସିମୁଲେସନ ଉପରେ ସେମାନଙ୍କର କାର୍ଯ୍ୟ ପାଇଁ କାର୍ପ୍ଲସ୍, ଲେଭିଟ୍ ଏବଂ ୱାର୍ଶେଲ୍ ଙ୍କୁ 2013 ରେ ରସାୟନ ବିଜ୍ଞାନରେ ନୋବେଲ୍ ପୁରସ୍କାର ପ୍ରଦାନ କରାଯାଇଥିଲା। ତଥାପି, ପଦାର୍ଥ ବିଜ୍ଞାନ-ଆଧାରିତ ପଦ୍ଧତିଗୁଡ଼ିକ ଗଣନା ଦୃଷ୍ଟିରୁ ମହଙ୍ଗା ଏବଂ ଆନୁମାନିକ ପ୍ରକ୍ରିୟାକରଣ ଆବଶ୍ୟକ କରେ, ତେଣୁ ସଠିକ୍ ତ୍ରି-ପରିମାଣୀୟ ଗଠନ ପୂର୍ବାନୁମାନ କରାଯାଇପାରିବ ନାହିଁ। ଅନ୍ୟ ଏକ "ଜ୍ଞାନ-ଆଧାରିତ" ପଦ୍ଧତି ହେଉଛି କୃତ୍ରିମ ବୁଦ୍ଧିମତ୍ତା ଏବଂ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ (AI-ML) ମାଧ୍ୟମରେ ମଡେଲଗୁଡ଼ିକୁ ତାଲିମ ଦେବା ପାଇଁ ଜଣାଶୁଣା ଗଠନ ଏବଂ କ୍ରମଗୁଡ଼ିକର ଡାଟାବେସ୍ ବ୍ୟବହାର କରିବା। ହାସାବିସ୍ ଏବଂ ଜମ୍ପର୍ ପଦାର୍ଥ ବିଜ୍ଞାନ ଏବଂ AI-ML ଉଭୟର ଉପାଦାନଗୁଡ଼ିକୁ ପ୍ରୟୋଗ କରନ୍ତି, କିନ୍ତୁ ପଦ୍ଧତିର ନୂତନତ୍ୱ ଏବଂ କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଲମ୍ଫ ମୁଖ୍ୟତଃ AI-ML ରୁ ଉତ୍ପନ୍ନ ହୁଏ। ଦୁଇ ଗବେଷକ ଆଲଫାଫୋଲ୍ଡ ସୃଷ୍ଟି କରିବା ପାଇଁ ସୃଜନଶୀଳ ଭାବରେ ବୃହତ ସାର୍ବଜନୀନ ଡାଟାବେସ୍ କୁ ଶିଳ୍ପ-ଗ୍ରେଡ୍ କମ୍ପ୍ୟୁଟିଂ ସମ୍ବଳ ସହିତ ମିଶ୍ରଣ କରିଥିଲେ।
ଆମେ କିପରି ଜାଣିପାରିବା ଯେ ସେମାନେ ଗଠନମୂଳକ ପୂର୍ବାନୁମାନ ପ୍ରହେଳିକାକୁ "ସମାଧାନ" କରିଛନ୍ତି? 1994 ମସିହାରେ, ଗଠନମୂଳକ ପୂର୍ବାନୁମାନର ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ମୂଲ୍ୟାଙ୍କନ (CASP) ପ୍ରତିଯୋଗିତା ପ୍ରତିଷ୍ଠିତ ହୋଇଥିଲା, ଯାହା ପ୍ରତି ଦୁଇ ବର୍ଷରେ ଥରେ ଅନୁଷ୍ଠିତ ହୁଏ ଏବଂ ଗଠନମୂଳକ ପୂର୍ବାନୁମାନର ପ୍ରଗତିକୁ ଟ୍ରାକ୍ କରେ। ଗବେଷକମାନେ ପ୍ରୋଟିନର 1D କ୍ରମ ଅଂଶୀଦାର କରିବେ ଯାହାର ଗଠନ ସେମାନେ ସମ୍ପ୍ରତି ସମାଧାନ କରିଛନ୍ତି, କିନ୍ତୁ ଯାହାର ଫଳାଫଳ ଏପର୍ଯ୍ୟନ୍ତ ପ୍ରକାଶିତ ହୋଇନାହିଁ। ଭବିଷ୍ୟବକ୍ତା ଏହି 1D କ୍ରମ ବ୍ୟବହାର କରି ତ୍ରି-ପରିମାଣୀୟ ଗଠନର ଭବିଷ୍ୟବାଣୀ କରନ୍ତି, ଏବଂ ମୂଲ୍ୟାଙ୍କକ ପରୀକ୍ଷଣବାଦୀଙ୍କ ଦ୍ୱାରା ପ୍ରଦାନ କରାଯାଇଥିବା ତ୍ରି-ପରିମାଣୀୟ ଗଠନ ସହିତ ତୁଳନା କରି ପୂର୍ବାନୁମାନ କରାଯାଇଥିବା ଫଳାଫଳର ଗୁଣବତ୍ତା ସ୍ୱାଧୀନ ଭାବରେ ବିଚାର କରନ୍ତି (କେବଳ ମୂଲ୍ୟାଙ୍କନକାରୀଙ୍କୁ ପ୍ରଦାନ କରାଯାଇଛି)। CASP ପ୍ରକୃତ ଅନ୍ଧ ସମୀକ୍ଷା କରେ ଏବଂ ପଦ୍ଧତିଗତ ନବସୃଜନ ସହିତ ଜଡିତ ସାମୟିକ କାର୍ଯ୍ୟଦକ୍ଷତା ଜମ୍ପ୍ ରେକର୍ଡ କରେ। 2020 ମସିହାରେ 14ତମ CASP ସମ୍ମିଳନୀରେ, ଆଲଫାଫୋଲ୍ଡର ପୂର୍ବାନୁମାନ ଫଳାଫଳ କାର୍ଯ୍ୟଦକ୍ଷତାରେ ଏତେ ଉଚ୍ଛେଦ ଦେଖାଇଲା ଯେ ଆୟୋଜକମାନେ ଘୋଷଣା କଲେ ଯେ 3D ଗଠନ ପୂର୍ବାନୁମାନ ସମସ୍ୟା ସମାଧାନ ହୋଇଯାଇଛି: ଅଧିକାଂଶ ଭବିଷ୍ୟବାଣୀର ସଠିକତା ପରୀକ୍ଷାମୂଳକ ମାପର ନିକଟତର ଥିଲା।
ବ୍ୟାପକ ଗୁରୁତ୍ୱ ହେଉଛି ଯେ ହାସାବିସ୍ ଏବଂ ଜମ୍ପରଙ୍କ କାର୍ଯ୍ୟ ଦୃଢ଼ ଭାବରେ ପ୍ରଦର୍ଶନ କରେ ଯେ AI-ML ବିଜ୍ଞାନକୁ କିପରି ରୂପାନ୍ତରିତ କରିପାରିବ। ଏହାର ଗବେଷଣା ଦର୍ଶାଏ ଯେ AI-ML ଅନେକ ତଥ୍ୟ ଉତ୍ସରୁ ଜଟିଳ ବୈଜ୍ଞାନିକ ପରିକଳ୍ପନା ନିର୍ମାଣ କରିପାରିବ, ଧ୍ୟାନ ଯନ୍ତ୍ର (ChatGPT ପରି) ତଥ୍ୟ ଉତ୍ସରେ ପ୍ରମୁଖ ନିର୍ଭରଶୀଳତା ଏବଂ ସହସଂବନ୍ଧ ଆବିଷ୍କାର କରିପାରିବ, ଏବଂ AI-ML ଏହାର ଆଉଟପୁଟ୍ ଫଳାଫଳର ଗୁଣବତ୍ତା ସ୍ୱ-ବିଚାର କରିପାରିବ। AI-ML ମୂଳତଃ ବିଜ୍ଞାନ କରୁଛି।
ପୋଷ୍ଟ ସମୟ: ସେପ୍ଟେମ୍ବର-୨୩-୨୦୨୩