Gero မှ ပစ်မှတ်ထား မော်လီကျူးသေးများ ရှာဖွေဖော်ထုတ်ရန်အတွက် ဖွဲ့စည်းပုံ-ကင်းမဲ့သော AI အခြေခံမော်ဒယ် ProtoBind-Diff ကို မိတ်ဆက်

• ProtoBind-Diff သည် ၎င်းတို့၏ အမိုင်နိုအက်ဆစ် အစီအစဉ်များ (sequence) ကိုသာ အသုံးပြု၍ သီးခြားပရိုတင်း ပစ်မှတ်များအတွက် ဆေးဝါးနှင့်တူသော မော်လီကျူးများကို ထုတ်လုပ်ပေးသည်။ 3D ဖွဲ့စည်းပုံများ မလိုအပ်ပါ။
• ဤမော်ဒယ်သည် ချိတ်ဆက်နိုင်စွမ်းကို ခန့်မှန်းရာတွင် ထိပ်တန်း ဖွဲ့စည်းပုံအခြေခံသော ကိရိယာများနှင့် ယှဉ်ပြိုင်နိုင်စွမ်းရှိပြီး၊ တစ်ချိန်တည်းတွင် ဆန်းသစ်ပြီး ဓာတုဗေဒအရ ကွဲပြားသော ဒြပ်ပေါင်းများကိုလည်း ထုတ်လုပ်ပေးနိုင်သည်။

(SeaPRwire) –   စင်္ကာပူ၊ ၂၀၂၅ ခုနှစ် ဇွန်လ ၂၅ ရက် — အသက်အရွယ်ကြီးရင့်ခြင်းနှင့် နာတာရှည်ရောဂါများကို အဓိကထားသည့် ဇီဝနည်းပညာကုမ္ပဏီဖြစ်သည့် Gero သည် ယနေ့ ProtoBind-Diff ကို စတင်မိတ်ဆက်ကြောင်း ကြေညာခဲ့သည်။ ၎င်းသည် ပရိုတင်း အစီအစဉ်များ (sequences) အပေါ်တွင်သာ အခြေခံ၍ သေးငယ်သော မော်လီကျူးများကို ထုတ်လုပ်ပေးသည့် masked diffusion language model ဖြစ်သည်။ တစ်သန်းကျော်သော အသက်ဝင်သည့် ပရိုတင်း-လီဂန် တွဲဖက်များ (protein–ligand pairs) ဖြင့် လေ့ကျင့်ပေးထားသည့် ProtoBind-Diff သည် မော်လီကျူးထုတ်လုပ်ရေးတွင် ပုံစံသစ်တစ်ရပ်ကို ကိုယ်စားပြုသည်။ ဖွဲ့စည်းပုံအခြေခံ မော်ဒယ်များသည် သေးငယ်ပြီး ဘက်လိုက်သော ပရိုတင်း-လီဂန် ရှုပ်ထွေးမှုများ (protein–ligand complexes) ဖြင့် ကန့်သတ်ထားသော်လည်း ProtoBind-Diff သည် အများပြည်သူသုံး ဒေတာဘေ့စ်များတွင် ရရှိနိုင်သော လုပ်ဆောင်ချက်ဆိုင်ရာ အချက်အလက်များကို ပိုမိုကျယ်ပြန့်စွာ အသုံးချသည်။ ၎င်းသည် ပိုမိုကျယ်ပြန့်သော ဓာတုနှင့် ဇီဝဗေဒဆိုင်ရာ နယ်ပယ်များတွင် လေ့ကျင့်သင်ကြားနိုင်စေပြီး၊ ဖွဲ့စည်းပုံဆိုင်ရာ အချက်အလက်များ ရှားပါးခြင်း သို့မဟုတ် မရရှိနိုင်သော စူးစမ်းရှာဖွေမှု နည်းပါးသေးသည့် ပစ်မှတ်များသို့ မော်ဒယ်ကို ယေဘုယျပြုနိုင်ရန် ကူညီပေးသည်။

Gero သည် မော်ဒယ်၏ စွမ်းဆောင်ရည်နှင့် ဒီဇိုင်းအသေးစိတ်ကို ဖော်ပြသည့် စာတမ်းတစ်စောင်ကို ထုတ်ပြန်ခဲ့သည်။

“ပရိုတင်းပစ်မှတ်များကို ထိမှန်သော သေးငယ်သော မော်လီကျူးများ ဒီဇိုင်းရေးဆွဲခြင်းသည် ဆေးဝါးရှာဖွေတွေ့ရှိမှုတွင် အခက်ခဲဆုံးပြဿနာများထဲမှ တစ်ခုဖြစ်သည်။ စွမ်းအင်အတိုင်းအတာများ၊ ဓ्रुဝအကျိုးသက်ရောက်မှုများ (polarization effects) နှင့် ပရိုတင်းလှုပ်ရှားမှုများ၏ ရှုပ်ထွေးမှုတို့ကြောင့် မြင့်မားသော ရုပ်ပုံကြည်လင်ပြတ်သားမှု (high-resolution) ခန့်မှန်းချက်များ ပြုလုပ်ရန် မဖြစ်နိုင်သလောက် ဖြစ်နေသောကြောင့် ဂန္ထဝင် မော်ဒယ်လ်များသည် အခက်အခဲများစွာ ရင်ဆိုင်ရသည်။ သို့သော် ကျွန်ုပ်တို့ မှားယွင်းသော မေးခွန်းကို မေးနေခဲ့ခြင်း ဖြစ်နိုင်သည်။” ဟု Gero ၏ CEO နှင့် ပူးတွဲတည်ထောင်သူ Peter Fedichev, Ph.D. က ပြောကြားခဲ့သည်။ “သဘာဝတရားသည် ဤပဟေဠိကို ဖြေရှင်းပြီးသား ဖြစ်သည်။ ဆင့်ကဲပြောင်းလဲမှုသည် ပရိုတင်းများနှင့် မော်လီကျူးများ မည်သို့ အပြန်အလှန်တုံ့ပြန်သည်ကို ကုဒ်သွင်းထားသည့် ဇီဝဓာတုဘာသာစကားတစ်ခုကို အကောင်းဆုံးဖြစ်အောင် ပြုလုပ်ခဲ့သည်။ ProtoBind-Diff ဖြင့် ကျွန်ုပ်တို့သည် ထိုအရာကို အသုံးချနေသည်။ ၎င်းသည် ဖွဲ့စည်းပုံများမှ မဟုတ်ဘဲ အစီအစဉ်များ (sequences) မှ သင်ယူသော ဘာသာစကားမော်ဒယ်တစ်ခုဖြစ်သည်။ ၎င်းသည် ရူပဗေဒကို အတုယူခြင်း မဟုတ်ဘဲ၊ သန်းပေါင်းများစွာသော ဖြစ်ရပ်မှန် နမူနာများမှ ဇီဝလုပ်ဆောင်ချက်၏ သဒ္ဒါကို သင်ယူခြင်း ဖြစ်သည်။”

ProtoBind-Diff ကို Gero ၏ ထုတ်လုပ်မှုဆိုင်ရာ ဆေးဝါးရှာဖွေတွေ့ရှိရေး ပလက်ဖောင်း၏ အခြေခံအစိတ်အပိုင်းတစ်ခုအဖြစ် တီထွင်ခဲ့ခြင်း ဖြစ်သည်။ ဤမော်ဒယ်သည် ကြိုတင်လေ့ကျင့်ထားသော ပရိုတင်း embeddings (ESM-2) နှင့် denoising diffusion framework ကို အသုံးပြု၍ ဓာတုဗေဒအရ မှန်ကန်ပြီး ဆန်းသစ်သော မော်လီကျူးများကို SMILES ပုံစံဖြင့် ထုတ်လုပ်ပေးပြီး၊ အစီအစဉ်အဆင့် အချက်အလက်များ (sequence-level information) သက်သက်ဖြင့် လမ်းညွှန်ထားသည်။

ထုတ်ပြန်မည့် စာတမ်းမှ အဓိကရလဒ်များမှာ အောက်ပါအတိုင်း ဖြစ်သည်

• ဖွဲ့စည်းပုံအခြေခံသော မော်ဒယ်များ (ဥပမာ- Pocket2Mol, TargetDiff) နှင့် ယှဉ်ပြိုင်နိုင်စွမ်းရှိခြင်း Boltz-1 ကို အသုံးပြု၍ ဖွဲ့စည်းပုံ-သိမြင်သော စံနှုန်းသတ်မှတ်ချက်များတွင်။ Boltz-1 သည် ပရိုတင်း-လီဂန် ရှုပ်ထွေးမှုများကို ခန့်မှန်းပြီး ၎င်းတို့၏ ချိတ်ဆက်မှု အရည်အသွေးကို အမှတ်ပေးသည့် အာရုံကြောကွန်ရက်တစ်ခု ဖြစ်သည်။ ProtoBind-Diff သည် ကောင်းစွာဖော်ပြထားသော (“လွယ်ကူသော”) ပစ်မှတ်များနှင့် ဒေတာနည်းသော (“ခက်ခဲသော”) ပစ်မှတ်များ နှစ်ခုလုံးတွင် ဤမော်ဒယ်များနှင့် ကိုက်ညီခြင်း သို့မဟုတ် သာလွန်ခြင်း ရှိသည်။
• ပေါ်ပေါက်လာသော ဘာသာပြန်နိုင်စွမ်း၊ လေ့ကျင့်သင်ကြားနေစဉ်အတွင်း 3D ချိတ်ဆက်မှုနေရာ မှတ်သားချက်များ (binding site annotations) နှင့် ထိတွေ့မှုမရှိသော်လည်း၊ အာရုံစိုက်မှုခေါင်းများ (attention heads) သည် လူသိများသော ချိတ်ဆက်မှု အကြွင်းအကျန်များ (binding residues) နှင့် ညှိနှိုင်းမှုရှိခြင်း။
• ထုတ်လုပ်ထားသော မော်လီကျူးများ၏ မြင့်မားသော ဆန်းသစ်တီထွင်မှု၊ ဆေးဝါးနှင့်တူညီမှုနှင့် ပေါင်းစပ်ထုတ်လုပ်နိုင်မှု၊ ၎င်းတို့ကို ဖွဲ့စည်းပုံ တူညီမှု၊ ဆေးဝါးနှင့်တူညီမှုနှင့် ပေါင်းစပ်ထုတ်လုပ်နိုင်မှု တိုင်းတာမှုများဖြင့် တိုင်းတာသည်။
• GitHub တွင် open-source အဖြစ် ထုတ်ပြန်ထားခြင်း၊ နှင့် အပြည့်အစုံ မော်ဒယ်နှင့် codebase ၏ အများပြည်သူသုံး သရုပ်ပြပွဲအတွက် စောင့်ဆိုင်းစာရင်းကို တွင် ရရှိနိုင်သည်။

ProtoBind-Diff ကို ဂန္ထဝင် docking နည်းလမ်းများ (AutoDock Vina) နှင့် ဖွဲ့စည်းပုံ-သိမြင်သော deep learning မော်ဒယ်များ နှစ်ခုလုံးကို အသုံးပြု၍ စံနှုန်းသတ်မှတ်ခဲ့သည်။ ProtoBind-Diff ကို Boltz-1 ကို အသုံးပြု၍ စံနှုန်းသတ်မှတ်ခဲ့သည်။ Boltz-1 သည် AlphaFold 3 မှ စိတ်ကူးရရှိထားသော open source အာရုံကြောကွန်ရက်တစ်ခုဖြစ်ပြီး၊ ၎င်းသည် နိုဘယ်ဆုရရှိထားသော ပရိုတင်းဖွဲ့စည်းပုံ ခန့်မှန်းခြင်းဆိုင်ရာ တိုးတက်မှုမှ ဆင်းသက်လာသည်။ Boltz-1 သည် ပရိုတင်းများက သေးငယ်သော မော်လီကျူးများကို မည်သို့ချိတ်ဆက်သည်ကို ပုံဖော်နိုင်စွမ်းကို တိုးချဲ့ပေးပြီး၊ ချိတ်ဆက်နိုင်စွမ်းကို အကဲဖြတ်ရန်အတွက် တိုးချဲ့နိုင်သော၊ ဖွဲ့စည်းပုံ-သိမြင်သော တိုင်းတာမှုတစ်ခုကို ပေးစွမ်းသည်။ ဤမော်ဒယ်သည် အသက်ဝင်သော ဒြပ်ပေါင်းများအတွက် ခိုင်မာသော ကြွယ်ဝမှုကို အမြဲတမ်း ပြသခဲ့ပြီး၊ အထူးသဖြင့် ဖွဲ့စည်းပုံဆိုင်ရာ အချက်အလက် အနည်းဆုံးရှိသော သို့မဟုတ် လူသိများသော လီဂန်နည်းပါးသော ပစ်မှတ်များတွင် ဖြစ်သည်။ အချို့သော ကိစ္စများတွင်၊ ၎င်း၏ Boltz-1 ကြွယ်ဝမှု အချက်များသည် ဖွဲ့စည်းပုံ-လေ့ကျင့်ထားသော မော်ဒယ်များထက် သာလွန်ခဲ့ပြီး၊ အစီအစဉ် embeddings များမှ spatial priors များကို သင်ယူနိုင်သည့် ခိုင်မာသောစွမ်းရည်ကို ဖော်ပြသည်။ ၎င်းသည် အစီအစဉ်သက်သက်မှ spatial priors များကို သင်ယူနိုင်စွမ်းကို မီးမောင်းထိုးပြသည်။

“ကျွန်ုပ်တို့သည် စံပြ generative model တစ်ခု ဖန်တီးခြင်းဆီသို့ ခရီး၏အစတွင်သာ ရှိသေးသည်ဟု ကျွန်ုပ်ယုံကြည်သည်။ ဟုတ်ပါသည်၊ ကျွန်ုပ်တို့၏ စံနှုန်းသတ်မှတ်ချက်များတွင် ProtoBind-Diff မော်ဒယ်သည် လက်ရှိ 3D ဖွဲ့စည်းပုံဆိုင်ရာ မော်ဒယ်အချို့ထက် သာလွန်သည်။” ဟု Gero မှ အကြီးတန်းသုတေသီနှင့် ပရောဂျက်၏ ဦးဆောင်သိပ္ပံပညာရှင် Konstantin Avchaciov, Ph.D. က ပြောကြားခဲ့သည်။ “သို့သော်၊ ကျွန်ုပ်တို့၏ ဒေတာအစုများကို ပိုမိုကျယ်ပြန့်သော ပရိုတင်းအမျိုးအစားများ ပါဝင်စေရန် ဆက်လက်ချဲ့ထွင်နေသည်နှင့်အမျှ အနာဂတ်တွင် သိသိသာသာ ပိုမိုကောင်းမွန်သော ရလဒ်များကို ရရှိမည်ဟု ကျွန်ုပ်ယုံကြည်သည်။”

ProtoBind-Diff ကို ထုတ်ပြန်ခြင်းသည် လူသားနှင့်သက်ဆိုင်သော၊ ဖွဲ့စည်းပုံ-ကင်းမဲ့သည့် ဆေးဝါးရှာဖွေတွေ့ရှိရေး နည်းလမ်းများအပေါ် စိတ်ဝင်စားမှု တိုးပွားလာခြင်းနှင့် ကိုက်ညီသည်။ အထူးသဖြင့် ကမ္ဘာ့ကပ်ရောဂါ တုံ့ပြန်မှု၊ ပစ်ပယ်ထားသော ရောဂါပစ်မှတ်များနှင့် မူလအတိုင်း မတည်ငြိမ်သော ဒေသများပါရှိသော ပရိုတင်းများကဲ့သို့သော နယ်ပယ်များတွင် ဖြစ်သည်။

Gero သည် ProtoBind-Diff ကို ၎င်း၏ ပြည်တွင်း ရှာဖွေတွေ့ရှိရေး လုပ်ငန်းစဉ်တွင် ထည့်သွင်းထားပြီး ကင်ဆာရောဂါဗေဒ၊ ကိုယ်ခံအားစနစ်၊ ကူးစက်ရောဂါနှင့် အသက်အရွယ်ကြီးရင့်မှုဆိုင်ရာ အခြေအနေများတစ်လျှောက် ပူးပေါင်းဆောင်ရွက်သည့် အစီအစဉ်များတွင် မော်ဒယ်ကို အသုံးချရန် မိတ်ဖက်များကို တက်ကြွစွာ ရှာဖွေနေသည်။

Gero အကြောင်း
Gero သည် အသက်အရွယ်နှင့်ဆိုင်သော ရောဂါများနှင့် သက်တမ်းရှည်ခြင်းအတွက် ဆန်းသစ်သော ကုထုံးများကို တိုးတက်အောင် လုပ်ဆောင်နေသည့် ဇီဝနည်းပညာကုမ္ပဏီ ဖြစ်သည်။ ဤကုမ္ပဏီသည် ကိုယ်ပိုင် ဇီဝဆိုင်ရာ ဒေတာအစုများနှင့် AI-မောင်းနှင်သော မော်ဒယ်များကို ပေါင်းစပ်၍ အိုမင်းရင့်ရော်မှု ဖြစ်စဉ်ကို နားလည်ပြီး နှေးကွေးစေကာ ကျန်းမာသော လူသားသက်တမ်းကို နောက်ဆုံးတွင် တိုးချဲ့ရန် လုပ်ဆောင်နေသည်။ Gero သည် အိုမင်းရင့်ရော်မှု၏ အရင်းအမြစ်များကို ပစ်မှတ်ထားသည့် ပိုမိုကျယ်ပြန့်သော ရည်ရွယ်ချက်၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် fibrotic ရောဂါများအတွက် ကုသမှုများကို တီထွင်ရန် Pfizer နှင့် ပူးပေါင်းဆောင်ရွက်လျက်ရှိသည်။ ပိုမိုသိရှိလိုပါက တွင် ဝင်ရောက်ကြည့်ရှုပါ။

မီဒီယာဆက်သွယ်ရန်
Kimberly Ha
KKH Advisors
917-291-5744