AI Boltz-1: مدل منبع‌باز MIT سرعت کشف دارو و تحقیقات زیست‌پزشکی را افزایش می‌دهد
در دستاوردی مهم برای تحقیقات زیست‌پزشکی و توسعه دارویی، دانشمندان موسسه فناوری ماساچوست (MIT) مدل نوآورانه منبع‌باز هوش مصنوعی به‌نام Boltz-1 را معرفی کرده‌اند.
این ابزار قدرتمند، درک ساختارهای بیومولکولی را که جنبه‌ای بحرانی از توسعه داروها و درمان‌های جدید است، تسریع می‌کند.
توسط محققان کلینیک جمیل MIT برای یادگیری ماشین در سلامت توسعه یافته، Boltz-1 نقطه‌عطفی به عنوان اولین مدل کاملاً منبع‌باز است که قابلیت‌های پیشرفته AlphaFold3 گوگل را دارد.
این مدل جدید وعده می‌دهد که دسترسی به ابزارهای پیشرفته در زیست‌شناسی ساختاری را دموکراتیک کند و به محققانی از سراسر جهان امکان همکاری و پیشرفت دانش علمی را بدهد.
پیشروی توسعه Boltz-1 دانشجویان فارغ‌التحصیل MIT، جرمی ولوند و گابریله کورسو بودند، در کنار سارو پاسارو، یک پژوهشگر وابسته به کلینیک جمیل، و اساتید برجسته MIT، رجینا برزیلای و تامی جااکولا.
مدل هوش مصنوعی
ولوند با بیان انگیزه پشت Boltz-1 گفت، “ما امید داریم که این شروعی برای جامعه باشد. ما نام Boltz-1 را انتخاب کردیم تا نشان دهیم که این پایان کار نیست. ما برای مشارکت‌های پژوهشگرانی از سراسر جهان مشتاقیم.”
نقش پروتئین‌ها در فرآیندهای بیولوژیکی نمی‌تواند نادیده گرفته شود؛ شکل آنها مستقیماً بر عملکردشان تأثیر می‌گذارد.
بنابراین، پیش‌بینی و درک ساختار پروتئین برای طراحی داروهای جدید و مهندسی پروتئین‌ها برای استفاده‌های خاص حیاتی است.
با این حال، فرآیند پیچیده تاخوردگی زنجیره‌های اسید آمینه به ساختارهای سه‌بعدی، برای سال‌ها به چالش کشیدن محققان بوده است.
مدل‌های اولیه دیپ‌مایند، مانند AlphaFold2 که خالقان آنها جایزه نوبل شیمی 2024 را دریافت کردند، در پیش‌بینی دقیق ساختار پروتئین پیشرفت‌های مهمی ایجاد کرده‌اند.
اما، انتقاداتی مطرح شد زمانی که AlphaFold3، که بر پایه AlphaFold2 و با استفاده از مدل تولیدی AI ساخته شده بود، تنها به صورت نیمه منبع‌باز و در دسترس تجاری بود.
این امر جامعه علمی را به جستجوی راه‌حل های جایگزین واداشت، که منجر به توسعه Boltz-1 مبتنی بر هوش مصنوعی شد.
بهبود کشف دارو
تیم MIT کار خود را با تکرار روش پایه‌ای AI AlphaFold3 آغاز کرد.
سپس به مدل تولیدی پخش زیرین پرداختند و بهبودهایی شناسایی کردند که دقت و کارایی را افزایش داد.
نتیجه، نه تنها مستندات مدل است بلکه کل رویه آموزشی و تنظیم Boltz-1 است که تیم برای استفاده و توسعه دیگر دانشمندان مفید کرده‌اند.
رجینا برزیلای، استاد و عضو تیم توسعه، تلاش همکارانش را ستود و گفت، “من به شدت به همه دست‌اندکاران برای به ثمر نشستن Boltz-1 مفتخرم. این پروژه نیاز به ساعت‌ها کار سخت دارد و ما از کشف بهبودهای آینده بسیار هیجان‌زده‌ایم.”
سفر توسعه Boltz-1 چالش‌هایی داشت. ولوند اشاره کرد که پیمایش در ابهامات داده‌های بانک پروتئین داده – یک خزانه جامع از ساختارهای بیومولکولی – نیاز به دانش حوزه گسترده و پشتکار دارد.
با این حال، آزمایشات شدیدشان تأیید کرد که Boltz-1 به سطح دقیقی مشابه AlphaFold3 در پیش‌بینی های مولکولی پیچیده دست می‌یابد.
شناخت از دیگران از این پروژه به شدت مثبت بود.
تحقیقات زیست‌پزشکی
تامی جااکولا دستاورد تیم را ستایش کرد و گفت، “آنچه انجام داده‌اند فوق‌العاده است. کار سخت آنها پیش‌بینی ساختار بیومولکولی را قابل دسترس‌تر می‌کند و پیشرفت‌های در علوم مولکولی را متحول خواهد کرد.”
تیم متعهد به بهبود Boltz-1، تسهیل زمان‌های پیش‌بینی و افزایش توانایی‌های آن است. آنها محققان را تشویق می‌کنند که مدل را از طریق مخزن گیت‌هاب آن بررسی کنند و با سایر کاربران از طریق Slack تعامل داشته باشند.
مآتای ماممن، مدیرعامل Parabilis Medicines، Boltz-1 را به عنوان یک مدل “breakthrough” ستایش کرد.
او توضیح داد که با منبع‌باز کردن پیشرفت‌های خود، تیم MIT ابزارهای ضروری زیست‌شناسی ساختاری را دموکراتیک می‌کند که می‌تواند به شدت توسعه داروهای دگرگان‌ساز را تسریع کند.
به عنوان پژوهشگران، ولوند بیان کرد، “سال‌های زیادی کار در پیش است تا این مدل‌ها را بهبود بخشیم. ما از همکاری و دیدن نحوه استفاده جامعه از این ابزار هیجان‌زده‌ایم.”
با راه‌اندازی Boltz-1، تیم MIT در علم پیشرفت کرده و زمینه را برای نوآوری مشترک در تحقیقات زیست‌پزشکی فراهم کرده است.
