AI PC คืออะไรกันแน่? และคุณควรซื้อในปี 2025 หรือไม่?

นักวิทยาศาสตร์จากมหาวิทยาลัย Tsinghua ใช้ความรู้เกี่ยวกับโปรตีนขั้นสูงโดย DeepMind ได้คิดค้นโมโนโคลนอลแอนติบอดีที่กลายพันธุ์ซึ่งต่อต้านการหลบหนีของภูมิคุ้มกันของ COVID-19

โลกของชีววิทยาโครงสร้างตกตะลึงในช่วงปลายปี 2020 ด้วยการมาถึงของ AlphaFold 2 ซึ่งเป็นโครงข่ายประสาทเทียมการเรียนรู้เชิงลึกรุ่นที่สองที่พัฒนาโดย DeepMind หน่วยปัญญาประดิษฐ์ของ Google AlphaFold แก้ปัญหาที่มีอายุหลายทศวรรษเกี่ยวกับวิธีการพับโปรตีน ซึ่งเป็นข้อเท็จจริงสําคัญที่ควบคุมการทํางานของโปรตีน

การวิจัยล่าสุดแสดงให้เห็นว่าแนวทางที่บุกเบิกโดย AlphaFold กําลังแพร่กระจายไปยังชุมชนชีววิทยาในวงกว้าง ในบทความในวารสาร PNAS ในเดือนนี้ "การเรียนรู้เชิงลึกแนะนําการเพิ่มประสิทธิภาพของแอนติบอดีของมนุษย์ต่อสายพันธุ์ SARS-CoV-2 ที่มีการทําให้เป็นกลางในวงกว้าง" นักวิทยาศาสตร์อธิบายถึงการปรับเปลี่ยนแอนติบอดีที่รู้จักต่อ COVID-19 ในลักษณะที่เพิ่มประสิทธิภาพต่อโรคหลาย สายพันธุ์

"เราเปิดใช้งานความกว้างของแอนติบอดีที่เพิ่มขึ้นและประสิทธิภาพที่ดีขึ้น ∼10 ถึง 600 เท่าต่อสายพันธุ์ SARS-CoV-2 รวมถึงเดลต้า" โดยเริ่มจากแอนติบอดีที่ไม่มีประสิทธิผลต่อสายพันธุ์เดลต้า พวกเขายังพบสัญญาณที่ดีว่าแนวทางนี้สามารถต่อต้านสายพันธุ์ Omicron ได้ 

การวิจัยดําเนินการโดย Sisi Shan และเพื่อนร่วมงานที่มหาวิทยาลัย Tsinghua ในกรุงปักกิ่ง มหาวิทยาลัยอิลลินอยส์ที่ Urbana-Champaign; และสถาบันเทคโนโลยีแมสซาชูเซตส์ใช้ประโยชน์จากการเรียนรู้เชิงลึกด้วยเหตุผลที่สําคัญสองประการ

หนึ่งคือการขยายสิ่งที่เรียกว่าพื้นที่ค้นหา ซึ่งเป็นชุดของวิธีแก้ปัญหาที่เป็นไปได้ในการปรับเปลี่ยนแอนติบอดี แนวทางที่มีอยู่ เช่น การกลายพันธุ์แบบสุ่ม แม้ว่าจะมีค่า "ใช้เวลานานและใช้แรงงานมาก" ดังนั้นการใช้การเรียนรู้เชิงลึกจึงเป็นวิธีที่ทําให้เป็นอัตโนมัติและเร่งความพยายาม 

ประการที่สอง วิธีการต่างๆ เช่น การกลายพันธุ์แบบสุ่มสามารถขจัดส่วนที่ดีของแอนติบอดีไปได้ในเวลาเดียวกันก็ให้ประโยชน์ ผลลัพธ์อาจต่ํากว่ามาตรฐาน ด้วยการใช้แนวทางการเรียนรู้เชิงลึก ผู้เขียนหวังว่าจะขยายประสิทธิภาพในขณะเดียวกันก็อนุรักษ์สิ่งที่ประสบความสําเร็จ พวกเขาไม่เพียงแต่พยายามปรับปรุง แต่เพื่อเพิ่มประสิทธิภาพ

ขั้นตอนความสนใจที่ฝังกราฟเพื่อค้นหาคู่ของสารตกค้างที่มีนัยสําคัญในการทํานายความสัมพันธ์ในการ จับ

แนวทางของพวกเขาใช้เทคนิคที่จําเป็นของ AlphaFold 2:  เครือข่ายกราฟและการรักษาตัวแปรที่เรียกว่า "ความสนใจ"

เครือข่ายกราฟคือเมื่อสามารถประเมินคอลเลกชันของสิ่งต่าง ๆ ในแง่ของความเกี่ยวข้อง เช่น ผู้คนในโซเชียลเน็ตเวิร์ก AlphaFold 2 ใช้ข้อมูลเกี่ยวกับโปรตีนเพื่อสร้างกราฟว่ากรดอะมิโนที่แตกต่างกันอยู่ใกล้กันเพียงใด กราฟเหล่านั้นจะถูกจัดการโดยกลไกความสนใจเพื่อคํานวณว่ากรดอะมิโนแต่ละชนิดเกี่ยวข้องกับกรดอะมิโนอื่นมากน้อยเพียงใด

Shan และเพื่อนร่วมงานใช้แนวทางเดียวกัน และนําไปใช้กับกรดอะมิโนของทั้งไวรัส แอนติเจน และกรดอะมิโนของแอนติบอดี พวกเขาเปรียบเทียบสิ่งที่เรียกว่าชนิดป่ากับรูปแบบการกลายพันธุ์ของทั้งสองอย่าง เพื่อพิจารณาว่าการจับของแอนติบอดีกับแอนติเจนเปลี่ยนแปลงไปอย่างไรเมื่อคู่กรดอะมิโนของทั้งสองเปลี่ยนไประหว่างชนิดป่าและรุ่นก ลายพันธุ์

ในการฝึกโครงข่ายประสาทเทียมเชิงลึกให้ทําเช่นนั้นพวกเขาตั้งเป้าหมายสิ่งที่รู้จักในแมชชีนเลิร์นนิงว่าเป็นฟังก์ชันวัตถุประสงค์ซึ่งเป็นเป้าหมายที่โครงข่ายประสาทเทียมพยายามทําซ้ํา หน้าที่วัตถุประสงค์ในกรณีนี้คือการเปลี่ยนแปลงพลังงานอิสระ ซึ่งเป็นการเปลี่ยนแปลงพลังงานของโปรตีนจากชนิดป่าเป็นการกลายพันธุ์ ซึ่งแสดงด้วยตัวอักษรกรีก delta-delta และ G หรือ ΔΔG เมื่อได้รับพลังงานอิสระเป้าหมายโครงข่ายประสาทเทียมจะได้รับการพัฒนาจนถึงจุดที่สามารถคาดการณ์ได้อย่างน่าเชื่อถือว่าการเปลี่ยนแปลงของคู่กรดอะมิโนใดจะใกล้เคียงกับการเปลี่ยนแปลงพลังงาน อิสระเป้าหมายมากที่สุด

ขณะที่ Shan และเพื่อนร่วมงานอธิบายแนวทางของพวกเขา

ในการประมาณผลกระทบของการกลายพันธุ์ ก่อนอื่นเราทํานายโครงสร้างของโปรตีนเชิงซ้อนที่กลายพันธุ์โดยการบรรจุโซ่ด้านข้างรอบ ๆ จุดกลายพันธุ์ และเข้ารหัสทั้งชนิดป่า (WT) และคอมเพล็กซ์ที่กลายพันธุ์โดยใช้เครือข่ายเพื่อให้ได้ทั้ง WT และการฝังตัวกลายพันธุ์ จากนั้นเลเยอร์โครงข่ายประสาทเทียมเพิ่มเติมจะเปรียบเทียบการฝังทั้งสองเพื่อทํานายผลของการกลายพันธุ์ที่วัดโดย ΔΔG

แม้ว่า Shan และทีมงานจะอ้างถึง AlphaFold 2 และพวกเขาใช้แนวทางของ AlphaFold 2 แต่พวกเขาไม่ได้ใช้โค้ดของ DeepMind งานใหม่ที่เรียกว่า ΔΔG Predictor เขียนขึ้นตั้งแต่เริ่มต้น Bonnie Berger ผู้เขียนร่วมจาก MIT บอกกับ ZDNet ในการแลกเปลี่ยน อีเมล

เนื่องจากทั้ง ΔΔG Predictor และ AlphaFold 2 เป็นโอเพ่นซอร์ส คุณจึงสามารถตรวจสอบได้ด้วยตัวคุณเองและดูว่าโค้ดเปรียบเทียบกันอย่างไร โค้ด ΔΔG Predictor สามารถดูได้บนหน้า GitHub และสามารถดู AlphaFold 2 ได้บนหน้า

หลังจากฝึกโครงข่ายประสาทเทียมเพื่อทํานายการกลายพันธุ์ของแอนติบอดีและแอนติเจนที่สําคัญผู้เขียนทํางานย้อนกลับจากหลักฐานว่าแอนติบอดีประสบความสําเร็จในกรณีของ COVID-19 เวอร์ชันอัลฟาเบต้าและแกมมา พวกเขาใช้ข้อมูลนั้นเพื่อคาดการณ์ว่าแอนติบอดีที่กลายพันธุ์ใดจะขยายประสิทธิภาพ 

ดังที่ผู้เขียนกล่าวไว้

วิธีการของเราสร้างไลบรารีการกลายพันธุ์แบบซิลิโกของ CDR ของแอนติบอดี ซึ่งจัดอันดับโดยเครือข่ายที่เป็นกลางทางเรขาคณิตที่ผ่านการฝึกอบรมในลักษณะที่ไม่เพียงแต่ปรับปรุงการจับแอนติบอดีกับ Delta RBD เท่านั้น แต่ยังรักษาการจับกับ RBD ของตัวแปรอื่นๆ ที่น่ากังวล (VOC)

CDR หรือบริเวณที่กําหนดความสมบูรณ์คือส่วนหรือแอนติบอดีที่จับกับแอนติเจน RBD ซึ่งเป็นโดเมนที่จับตัวรับเป็นเป้าหมายหลักของไวรัส

นักวิจัยได้รับแอนติบอดีกลายพันธุ์สองเท่าสามและสี่เท่า การทดสอบในห้องปฏิบัติการกับไวรัสที่สังเคราะห์ พบว่ามีความแข็งแรงเพิ่มขึ้นในการลดความเข้มข้นของแอนติเจนเนื่องจากสารกลายพันธุ์ พวกเขาสรุปว่ามีบางอย่าง "จับ" ได้ดีกว่าระหว่างแอนติบอดีที่กลายพันธุ์กับไวรัส "แอนติบอดี HX001-020, HX001-024, HX001-033 และ HX001-034 ที่มีการกลายพันธุ์สามหรือสี่ครั้งก็แข็งแกร่งกว่า HX001-013 ที่มีการกลายพันธุ์เพียงสองครั้ง" "การเพิ่มความสัมพันธ์ในการจับอาจนําไปสู่การเพิ่มกิจกรรมการทําให้เป็นกลางของแอนติบอดีเหล่านี้ต่อ SARS-CoV-2 WT และตัวแปรต่างๆ"

ในบรรดาการค้นพบที่ยั่วยุคืออาจเพียงพอสําหรับแอนติบอดีที่กลายพันธุ์เพื่อหลีกเลี่ยงการกลายพันธุ์ที่เป็นปัญหาในไวรัสเพื่อให้มีประสิทธิภาพมากขึ้น ในการวิเคราะห์โครงสร้างพวกเขาพบว่าส่วนหนึ่งของแอนติบอดีดั้งเดิมกําลังแปรงกับส่วนใดส่วนหนึ่งของแอนติเจนและทั้งสองกําลังขับไล่ซึ่งกันและกัน 

"เนื่องจากทั้ง [อนุภาคแอนติบอดี] R103 และ [อนุภาคแอนติเจน] R346 มีไซด์โซ่ยาวมากและมีประจุบวก ความใกล้ชิดระหว่างทั้งสองอาจทําให้เกิดแรงผลักที่รุนแรง ซึ่งอาจลดความสัมพันธ์ในการจับระหว่างแอนติบอดีและแอนติเจนได้อย่างมาก"

นักวิทยาศาสตร์ใช้อนุภาคแอนติบอดีปกติและ "เราไม่สังเกตเห็นปฏิสัมพันธ์โดยตรงกับ R346 บน Delta RBD [โดเมนการจับตัวรับ] อีกต่อไป ปัจจัยนี้อาจอธิบายถึงการปรับปรุงการต่อต้านสายพันธุ์เดลต้าอย่างมาก"

การวิจัยนี้น่าสนใจยิ่งขึ้นด้วยข้อเท็จจริงที่ว่าแอนติบอดีที่ผู้เขียนทํางานเป็นแอนติบอดีที่เปิดตัวเมื่อปีที่แล้วโดย Shan และเพื่อนร่วมงาน เรียกว่า "P36-5D2" แอนติบอดีได้มาจากการแยกออกจากซีรั่มเลือดของผู้ป่วยที่ติดเชื้อ COVID-19 ที่กําลังฟื้นตัว มันถูกกําหนดจากการศึกษาแบบจําลองสัตว์โดย Shan และทีมงานว่าเป็น "แอนติบอดีที่กว้าง มีศักยภาพ และป้องกัน"

ดังนั้นงานใหม่จึงถือเป็นสิ่งที่อาจเป็นก้าวสําคัญใน AI: การขยายวิธีการห้องปฏิบัติการเปียกแบบเดิมในการรักษาโรคติดเชื้อโดยการปรับแต่งผลิตภัณฑ์ชีวภาพแบบดั้งเดิมด้วยวิธีการ ใหม่ที่ขับเคลื่อนด้วยคอมพิวเตอร์