బాన్ విశ్వవిద్యాలయం నుండి పరిశోధకులు ప్రత్యేక లక్షణాలతో సంభావ్య క్రియాశీల పదార్ధాలను అంచనా వేయడానికి AI ప్రక్రియకు శిక్షణ ఇచ్చారు. అందువల్ల, వారు రసాయన భాషా నమూనాను రూపొందించారు – అణువుల కోసం ఒక రకమైన ChatGPT. శిక్షణా దశ తరువాత, AI సమ్మేళనాల రసాయన నిర్మాణాలను తెలిసిన ద్వంద్వ-లక్ష్య కార్యాచరణతో ఖచ్చితంగా పునరుత్పత్తి చేయగలిగింది, అవి ముఖ్యంగా ప్రభావవంతమైన మందులు కావచ్చు. ఈ అధ్యయనం ఇప్పుడు సెల్ రిపోర్ట్స్ ఫిజికల్ సైన్స్‌లో ప్రచురించబడింది.
తన 90వ పుట్టినరోజు సందర్భంగా తమ బామ్మను ఒక పద్యంతో సంతోషపెట్టాలనుకునే ఎవరైనా ఈ రోజుల్లో కవిగా ఉండాల్సిన అవసరం లేదు: ChatGPTలో చిన్న ప్రాంప్ట్ చేస్తే సరిపోతుంది మరియు కొన్ని సెకన్లలో AI పదాల సుదీర్ఘ జాబితాను ఉమ్మివేస్తుంది. పుట్టినరోజు అమ్మాయి పేరుతో ప్రాస. మీరు ఇష్టపడితే దానితో పాటుగా ఇది సొనెట్‌ను కూడా ఉత్పత్తి చేయగలదు.
బాన్ విశ్వవిద్యాలయంలోని పరిశోధకులు తమ అధ్యయనంలో ఇదే నమూనాను అమలు చేశారు – దీనిని రసాయన భాషా నమూనాగా పిలుస్తారు. అయితే ఇది ప్రాసలను ఉత్పత్తి చేయదు. బదులుగా, AI రసాయన సమ్మేళనాల నిర్మాణ సూత్రాలను ప్రదర్శిస్తుంది, అవి ప్రత్యేకంగా కావాల్సిన ఆస్తిని కలిగి ఉండవచ్చు: అవి రెండు వేర్వేరు లక్ష్య ప్రోటీన్‌లకు కట్టుబడి ఉంటాయి. జీవిలో, దీని అర్థం, ఉదాహరణకు, అవి ఒకేసారి రెండు ఎంజైమ్‌లను నిరోధించగలవు.
కావలసినవి: డబుల్ ఎఫెక్ట్‌తో క్రియాశీల పదార్థాలు
“ఫార్మాస్యూటికల్ పరిశోధనలో, ఈ రకమైన క్రియాశీల సమ్మేళనాలు వాటి పాలీఫార్మకాలజీ కారణంగా చాలా కావాల్సినవి” అని జుర్గెన్ బజోరత్ వివరించారు. కంప్యూటేషనల్ కెమిస్ట్రీ నిపుణుడు లామర్ ఇన్‌స్టిట్యూట్ ఫర్ మెషిన్ లెర్నింగ్ అండ్ ఆర్టిఫిషియల్ ఇంటెలిజెన్స్‌లో లైఫ్ సైన్సెస్ ఏరియాలో AI మరియు యూని బాన్‌లోని బి-ఇట్ (బాన్-ఆచెన్ ఇంటర్నేషనల్ సెంటర్ ఫర్ ఇన్ఫర్మేషన్ టెక్నాలజీ)లో లైఫ్ సైన్స్ ఇన్ఫర్మేటిక్స్ ప్రోగ్రామ్‌కు నాయకత్వం వహిస్తాడు. “కావాల్సిన బహుళ-లక్ష్య కార్యాచరణతో కూడిన సమ్మేళనాలు ఒకే సమయంలో అనేక కణాంతర ప్రక్రియలు మరియు సిగ్నలింగ్ మార్గాలను ప్రభావితం చేస్తాయి కాబట్టి, అవి తరచుగా ముఖ్యంగా ప్రభావవంతంగా ఉంటాయి – క్యాన్సర్‌కు వ్యతిరేకంగా పోరాటం వంటివి.” సూత్రప్రాయంగా, ఈ ప్రభావాన్ని వివిధ ఔషధాల సహ-పరిపాలన ద్వారా కూడా సాధించవచ్చు. అయినప్పటికీ, అవాంఛిత ఔషధ-ఔషధ పరస్పర చర్యల ప్రమాదం ఉంది మరియు వివిధ సమ్మేళనాలు కూడా తరచుగా శరీరంలోని వివిధ రేట్ల వద్ద విచ్ఛిన్నమవుతాయి, వాటిని కలిసి నిర్వహించడం కష్టమవుతుంది.
ఒకే టార్గెట్ ప్రోటీన్ యొక్క ప్రభావాన్ని ప్రత్యేకంగా ప్రభావితం చేసే అణువును కనుగొనడం అంత తేలికైన పని కాదు. ముందే నిర్వచించబడిన ద్వంద్వ ప్రభావాన్ని కలిగి ఉండే సమ్మేళనాలను రూపొందించడం మరింత క్లిష్టంగా ఉంటుంది. రసాయన భాషా నమూనాలు భవిష్యత్తులో ఇక్కడ సహాయపడవచ్చు. ChatGPT బిలియన్ల కొద్దీ పేజీల వ్రాత వచనంతో శిక్షణ పొందింది మరియు వాక్యాలను స్వయంగా రూపొందించడం నేర్చుకుంటుంది. రసాయన భాషా నమూనాలు ఇదే విధంగా పని చేస్తాయి, కానీ నేర్చుకోవడానికి చాలా తక్కువ మొత్తంలో డేటా మాత్రమే అందుబాటులో ఉంటుంది. అయినప్పటికీ, సూత్రప్రాయంగా, వాటికి స్మైల్స్ స్ట్రింగ్స్ అని పిలవబడే పాఠాలు కూడా అందించబడతాయి, ఇవి సేంద్రీయ అణువులను మరియు వాటి నిర్మాణాన్ని అక్షరాలు మరియు చిహ్నాల క్రమం వలె చూపుతాయి. “మేము ఇప్పుడు మా రసాయన భాష నమూనాను జత తీగలతో శిక్షణ ఇచ్చాము” అని బజోరత్ పరిశోధనా బృందానికి చెందిన సంజన శ్రీనివాసన్ చెప్పారు. “ఒక తీగలో మనకు తెలిసిన ఒక అణువు ఒక లక్ష్య ప్రోటీన్‌కు వ్యతిరేకంగా మాత్రమే పనిచేస్తుందని వివరించింది. మరొకటి ఈ ప్రోటీన్‌తో పాటు, రెండవ లక్ష్య ప్రోటీన్‌ను కూడా ప్రభావితం చేసే సమ్మేళనాన్ని సూచిస్తుంది.”
AI రసాయన కనెక్షన్లను నేర్చుకుంటుంది
ఈ మోడల్ 70,000 కంటే ఎక్కువ జతలతో అందించబడింది. ఇది సాధారణ క్రియాశీల సమ్మేళనాలు ద్వంద్వ ప్రభావం ఉన్న వాటి నుండి ఎలా భిన్నంగా ఉంటాయనే దాని గురించి అవ్యక్త జ్ఞానాన్ని పొందేందుకు వీలు కల్పించింది. “మేము దానిని టార్గెట్ ప్రోటీన్‌కు వ్యతిరేకంగా సమ్మేళనంతో తినిపించినప్పుడు, ఇది ఈ ప్రోటీన్‌కు వ్యతిరేకంగా మాత్రమే కాకుండా మరొకదానికి వ్యతిరేకంగా కూడా పనిచేసే అణువులను ఈ ప్రాతిపదికన సూచించింది” అని బజోరత్ వివరించాడు.
డబుల్ ఎఫెక్ట్‌తో కూడిన శిక్షణా సమ్మేళనాలు తరచుగా సారూప్యమైన ప్రోటీన్‌లను లక్ష్యంగా చేసుకుంటాయి మరియు తద్వారా శరీరంలో ఒకే విధమైన పనితీరును నిర్వహిస్తాయి. అయితే ఔషధ పరిశోధనలో, ప్రజలు పూర్తిగా భిన్నమైన ఎంజైమ్‌లు లేదా గ్రాహకాలను ప్రభావితం చేసే క్రియాశీల పదార్ధాల కోసం కూడా చూస్తున్నారు. ఈ పని కోసం AIని సిద్ధం చేయడానికి, సాధారణ అభ్యాస దశ తర్వాత ఫైన్-ట్యూనింగ్ జరిగింది. సూచించిన సమ్మేళనాలు లక్ష్యంగా చేసుకోవలసిన వివిధ రకాల ప్రోటీన్‌లను అల్గోరిథం బోధించడానికి పరిశోధకులు అనేక డజన్ల ప్రత్యేక శిక్షణ జతలను ఉపయోగించారు. ఇది ఈసారి సొనెట్‌ని సృష్టించవద్దని ChatGPTకి సూచించడం లాంటిది, బదులుగా లిమెరిక్.
ఫైన్-ట్యూనింగ్ తర్వాత, మోడల్ వాస్తవానికి లక్ష్య ప్రోటీన్ల యొక్క కావలసిన కలయికలకు వ్యతిరేకంగా పనిచేస్తుందని ఇప్పటికే చూపబడిన అణువులను ఉమ్మివేస్తుంది. “ప్రాసెస్ పనిచేస్తుందని ఇది చూపిస్తుంది” అని బజోరత్ చెప్పారు. అయితే, అతని అభిప్రాయం ప్రకారం, విధానం యొక్క బలం ఏమిటంటే, అందుబాటులో ఉన్న ఫార్మాస్యూటికల్స్ ప్రభావాన్ని మించిన కొత్త సమ్మేళనాలను వెంటనే కనుగొనవచ్చు. “నా దృక్కోణం నుండి, చాలా మంది రసాయన శాస్త్రవేత్తలు వెంటనే ఆలోచించని రసాయన నిర్మాణాలను AI తరచుగా సూచిస్తుంది” అని అతను వివరించాడు. “కొంత వరకు, ఇది 'అవుట్ ఆఫ్ ది బాక్స్' ఆలోచనలను ప్రేరేపిస్తుంది మరియు కొత్త డిజైన్ పరికల్పనలు మరియు విధానాలకు దారితీసే అసలైన పరిష్కారాలతో ముందుకు వస్తుంది.”
