بیش از ۳۰۰ نفر از دانشگاه ها و صنعت ها برای شرکت در یک کنفرانس به سالن هجوم آوردند سمینار BoltzGen در روز پنجشنبه ۳۰ اکتبر برگزار شد کلینیک عبداللطیف جمیل برای یادگیری ماشینی در مراقبت های بهداشتی (کلینیک MIT Jameel). سرفصل این رویداد دانشجوی دکترای MIT و اولین نویسنده BoltzGen، Hannes Stärk بود که چند روز قبل از BoltzGen خبر داده بود.
بر روی بولتز-۲یک مدل پیش‌بینی ساختار بیومولکولی منبع باز که میل ترکیبی اتصال پروتئین را در طول تابستان پیش‌بینی می‌کند، بولتز جن (به طور رسمی در یکشنبه، ۲۶ اکتبر عرضه شد) اولین مدل از این نوع است که با تولید بایندرهای پروتئینی جدید آماده ورود به خط لوله کشف دارو، یک گام فراتر رفت.
سه نوآوری کلیدی این امر را ممکن می‌سازد: اول، توانایی BoltzGen برای انجام وظایف مختلف، ترکیبی از طراحی پروتئین و پیش‌بینی ساختار، و حفظ عملکرد پیشرفته. محدودیت‌های داخلی BoltzGen سپس با بازخورد همکاران آزمایشگاه مرطوب طراحی می‌شوند تا اطمینان حاصل شود که مدل پروتئین‌های کاربردی ایجاد می‌کند که قوانین فیزیک یا شیمی را نقض نمی‌کنند. در نهایت، یک فرآیند ارزیابی دقیق، مدل را بر روی اهداف بیماری «غیرقابل مقاومت» آزمایش می‌کند و محدودیت‌های قابلیت‌های تولید پیوند BoltzGen را افزایش می‌دهد.
اکثر مدل های مورد استفاده در صنعت یا دانشگاه قادر به پیش بینی ساختار یا طراحی پروتئین هستند. علاوه بر این، آنها محدود به تولید انواع خاصی از پروتئین ها هستند که با موفقیت به “هدف” آسان متصل می شوند. مدل‌ها معمولاً تا زمانی کار می‌کنند که داده‌های آموزشی شبیه به هدف در طول طراحی کلاسور به نظر می‌رسند، مانند زمانی که دانش‌آموزان به یک سؤال تستی که شبیه تکالیف آنها است پاسخ می‌دهند. با این حال، روش‌های موجود تقریباً همیشه در اهدافی که ساختارهای حاوی لینکر وجود دارند ارزیابی می‌شوند و در صورت استفاده در اهداف چالش‌برانگیزتر منجر به کاهش عملکرد می‌شوند.
استارک خاطرنشان می‌کند: «مدل‌هایی وجود دارند که سعی می‌کنند با طراحی پوست مقابله کنند، اما مشکل این است که این مدل‌ها خاص مدالیت هستند». “یک مدل کلی نه تنها به این معنی است که ما می توانیم وظایف بیشتری را پوشش دهیم. علاوه بر این، از آنجا که تقلید فیزیک از طریق مثال ها آموخته می شود، مدل بهتری برای تکالیف فردی به دست می آوریم و با یک طرح آموزشی کلی تر، نمونه های بیشتری از این قبیل را با مدل های فیزیکی قابل تعمیم ارائه می دهیم.”
محققان BoltzGen تمام تلاش خود را برای آزمایش BoltzGen بر روی ۲۶ هدف، از موارد مرتبط درمانی گرفته تا مواردی که به وضوح به دلیل تفاوت آنها با داده های آموزشی انتخاب شده بودند، انجام دادند.
این فرآیند اعتبار سنجی جامع، که در هشت آزمایشگاه مرطوب در سراسر دانشگاه و صنعت انجام شده است، دامنه مدل و پتانسیل آن را برای پیشرفت دارویی نشان می دهد.
Parabilis Medicines، یکی از همکاران صنعتی که BoltzGen را در یک محیط آزمایشگاهی مرطوب آزمایش کرد، پتانسیل BoltzGen را ستایش کرد: “ما فکر می کنیم که انطباق BoltzGen با قابلیت های پلت فرم محاسباتی پپتید هلیکن موجود، نوید دهنده سرعت بخشیدن به پیشرفت ما در ارائه داروهای متحول کننده علیه بیماری های بزرگ انسانی است.”
نسخه های متن باز Boltz-1، Boltz-2، و اکنون BoltzGen (اکنون پیش نمایش شده است) هفتمین کنفرانس یادگیری ماشین مولکولی 22) فرصت‌ها و شفافیت جدیدی را در توسعه دارو به ارمغان می‌آورند، آنها همچنین نشان می‌دهند که صنایع بیوتکنولوژی و داروسازی ممکن است نیاز به ارزیابی مجدد محصولات خود داشته باشند.
در میان شایعات در مورد BoltzGen در پلتفرم رسانه اجتماعی X، جاستین گریس، دانشمند برجسته یادگیری ماشین در LabGenius، یک سوال پرسید. «تأخیر زمانی عملکرد خصوصی به عمومی برای سیستم‌های هوش مصنوعی مکالمه‌ای [seven] گریس نوشت: ماه ها و سقوط ها یک پست. در فضای پروتئینی حتی کوتاه تر به نظر می رسد. [recoup] “آیا زمانی که بتوانیم چند ماه برای نسخه رایگان منتظر بمانیم، می خواهیم سرمایه گذاری کنیم؟”
برای کسانی که در دانشگاه هستند، BoltzGen نشان دهنده گسترش و تسریع امکان علمی است. رجینا بارزیلای، یکی از نویسندگان ارشد و پروفسور MIT، رهبر دانشکده هوش مصنوعی کلینیک Jameel و یکی از شرکت‌های وابسته به آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) می‌گوید: «سوالی که دانشجویانم اغلب از من می‌پرسند این است: «هوش مصنوعی کجا می‌تواند بازی درمانی را تغییر دهد؟» او می گوید. او می افزاید: “ما بازی را تغییر نمی دهیم مگر اینکه اهداف دست نیافتنی تعیین کنیم و راه حلی پیشنهاد کنیم.” در اینجا تاکید بر مشکلات حل نشده ای است که کار هانس را از سایرین در این زمینه متمایز می کند.
یکی از نویسندگان ارشد Tommi Jaakkola، کلینیک Jameel و پروفسور Thomas Siebel وابسته به CSAIL در مهندسی برق و علوم کامپیوتر، خاطرنشان می کند که “مدل هایی مانند BoltzGen که به طور کامل به عنوان منبع باز منتشر شده اند، تلاش های گسترده تری را در سطح جامعه برای سرعت بخشیدن به قابلیت های طراحی دارو ممکن می سازند.”
با نگاهی به آینده، استارک معتقد است که آینده طراحی زیست مولکولی توسط مدل‌های هوش مصنوعی مختل خواهد شد. او می‌گوید: «من می‌خواهم ابزاری ایجاد کنم که به ما کمک کند زیست‌شناسی را برای حل بیماری‌ها یا انجام کارهایی که حتی تصورش را هم نمی‌کردیم با ماشین‌های مولکولی انجام دهیم». من می‌خواهم این ابزارها را فراهم کنم و زیست‌شناسان را قادر کنم چیزهایی را تصور کنند که قبلاً به آنها فکر نکرده‌اند.»