با رشد قابلیت های مدل های هوش مصنوعی ، شما احتمالاً دیدید که چگونه می توانند درخواست های متن ساده را به تصاویر هایپررالیستی تبدیل کنند و حتی کلیپ های ویدیویی را گسترش دهند.
اخیراً ، این پتانسیل را برای کمک به هوش مصنوعی ، شیمیدانان و زیست شناسان برای کشف مولکولهای استاتیک مانند پروتئین و DNA نشان داده است. مدل هایی مانند Alphafold ، ساختارهای مولکولی برای تسریع در کشف مواد مخدر و MIT پشتیبانی شده “RFDiffusionبه عنوان مثال ، این می تواند به طراحی پروتئین های جدید کمک کند. یک چالش مهم است که مولکول ها هنگام ساخت پروتئین ها و داروهای جدید به طور مداوم در حال حرکت و مدل سازی هستند. این حرکات می تواند روشی باشد که به عنوان پویایی مولکولی شناخته می شود – بسیار گران قیمت ، به میلیاردها زمان در رایانه های فوق العاده نیاز دارد.
به عنوان گامی برای شبیه سازی این رفتارها ، محققان علوم کامپیوتر MIT و آزمایشگاه هوش مصنوعی (CSAIL) و بخش ریاضیات یک مدل تولیدی را از داده های قبلی یاد گرفته اند. این تیم به نام MDGen می تواند قاب مولکول سه بعدی را بگیرد و آنچه را مانند یک فیلم اتفاق می افتد ، به عکس های جداگانه متصل کنید و حتی قاب های گمشده را نیز پر کنید. با ضرب “دکمه بازی” در مولکول ها ، این وسیله نقلیه به طور بالقوه می تواند به شیمیدانان کمک کند تا مولکول های جدید را طراحی کنند و از نزدیک بررسی می کنند که چگونه آنها با ساختار مولکولی که نمونه های اولیه دارو می خواهند بر سرطان و سایر بیماری ها تأثیر بگذارند ، تعامل دارند.
رهبر مشترک Bowen Jing SM ’22 می گوید Mdgen شواهد اولیه این مفهوم است ، اما آغاز یک جهت تحقیق جدید هیجان انگیز را نشان می دهد. جینگ ، دانشجوی دکترا در CSAİL گفت: “پیش از این ، مدل های هوش مصنوعی تولیدی فیلم های ساده ای مانند یک فرد چشمک زن یا سگ را تکان می دادند.
محققان می گویند MDGEN یک تغییر پارادایم را نشان می دهد تا هوش مصنوعی تولیدی بسیار گسترده تر از مطالعات قابل مقایسه قبلی باشد. رویکردهای قبلی “مجاز بود ، بنابراین آنها به چارچوب قبلی بی حرکت برای ایجاد یک سری ویدیویی ، از اولین چارچوب ، تکیه می کردند. در مقابل ، Mdgen قاب هایی را به موازات انتشار تولید می کند. این بدان معنی است که MDGen می تواند برای” تحریک “مدار با سرعت کم قاب علاوه بر اتصال قاب ها در افراط ها یا علاوه بر چاپ بازی در ابتدا استفاده شود.
این مطالعه در دسامبر گذشته در مقاله ای که در کنفرانس Neurips (Neurips) نشان داده شده است ارائه شد. تابستان گذشته ، کنفرانس بین المللی یادگیری ماشین آلات برای تأثیر تجاری بالقوه در کارگاه ML4LMS اهدا شد.
برخی از مراحل کوچک برای پویایی مولکولی
در این آزمایشات ، جینگ و همکارانش دریافتند که شبیه سازی های Mdgen شبیه به شبیه سازی های بدنی است و مدارهای خود را ۱۰ تا ۱۰۰ برابر سریعتر تولید می کند.
این تیم برای اولین بار توانایی گرفتن قاب سه بعدی یک مولکول و تولید ۱۰۰ Nanosaniye بعدی را آزمایش کرد. این سیستم ها برای رسیدن به این نسل ها برای رسیدن به این دوره ، بلوک های ۱۰-nanosaniye را گرد هم آورده اند. این تیم دریافت که MDGEN می تواند با دقت یک مدل اساسی رقابت کند و فرآیند ایجاد فیلم را در حدود یک دقیقه تکمیل کند – تنها بخشی از سه ساعت مدل اساسی برای شبیه سازی پویایی یکسان.
هنگامی که اولین و آخرین فریم از یک سری Nanosaniye داده شد ، Mdgen مراحل را مدل کرد. سیستم محققان واقع گرایی را به میزان بیش از ۱۰۰۰۰۰ تخمین مختلف نشان داد: ۱۰۰ مدار مولکولی به احتمال زیاد نسبت به خطوط پایه در کلیپ های کوتاهتر از نانوسیانی. در این آزمایشات ، MDGen همچنین توانایی تعمیم در پپتیدها را که قبلاً هرگز ندیده بود ، نشان داد.
توانایی های Mdgen قاب های موجود در قاب ها را شبیه سازی می کند تا پدیده های مولکولی سریعتر را به طور مناسب ضبط کنند ، و مراحل بین هر نانوزیایه حاوی “نمونه برداری است … حتی ساختارهای مولکولها می توانند اطلاعاتی را که از” صمیمانه “بازگرداند ، بازگرداند.
بازی با پویایی پروتئین
جینگ و رهبر مشترک هانس استرک می گویند که MDGen نشانه پیشرفت اولیه برای تولید دینامیک مولکولی است. با این وجود ، فاقد داده هایی است که باعث می شود این مدل ها بلافاصله در طراحی داروها یا مولکول هایی که باعث حرکاتی می شوند که شیمیدانان می خواهند در یک ساختار هدف ببینند ، مؤثر باشد.
محققان هدف این است که مقیاس بندی از مدل سازی مولکول ها را بدون مدل سازی MDGen ، به پیش بینی چگونگی تغییر پروتئین ها با گذشت زمان تبدیل کنند. استرک ، دانشجوی دکترا در CSIL ، می گوید: “ما در حال حاضر از سیستم های اسباب بازی استفاده می کنیم.” وی گفت: “ما برای مدل سازی پروتئین ها باید مهارت های پیش بینی کننده Mdgen را بسازیم.
در حال حاضر ، MDGen روشی دلگرم کننده برای مدل سازی تغییرات مولکولی نامرئی با چشم غیر مسلح ارائه می دهد. شیمیدانان همچنین می توانند از این شبیه سازی ها برای بررسی رفتار نمونه های پزشکی پزشکی برای بیماری هایی مانند سرطان یا سل استفاده کنند.
“روشهای یادگیری ماشین که از شبیه سازی فیزیکی یاد می گیرند ، مرز جدیدی را برای هوش مصنوعی نشان می دهد ، مرز جدیدی را برای علم نشان می دهد.” Mdgen یک قاب مدل سازی همه کاره و چند منظوره است که این دو حوزه را به هم متصل می کند ، و ما بسیار هیجان زده هستیم تا اولین مدل های خود را در این جهت به اشتراک بگذاریم. “
“این یک مشکل بزرگ برای نشان دادن شیوه های واقع گرایانه بین کشورهای مولکولی ، تامی جاکولا ، نویسنده ارشد تام ، که استاد مهندسی برق و علوم رایانه ای و مدیر داده ها ، سیستم ها و موسسه جامعه و CSAIL است ، بسیار مشکل است.”
محققان در زمینه بیوانفورماتیک این سیستم را برای توانایی شبیه سازی تحولات مولکولی هدر دادند. استادیار دانشگاه فناوری چالمرز ، استاد سیمون اولسون ، می گوید: “Mdgen توزیع مشترک مجامع ساختاری ، مدل های شبیه سازی پویا مولکولی به عنوان یک توزیع مشترک مجامع ساختاری است. MD MDGen ، که از یک هدف یادگیری مستمر استفاده می کند ، فراهم می کند ، از جمله نمونه گیری مسیر انتقال ، نمونه گیری از مسیر انتقال ، آنالوگهای مربوط به ارباب را به هم می پیوندد.
مطالعات محققان در مورد MDGEN تا حدودی توسط انستیتوی ملی علوم پزشکی عمومی ، وزارت انرژی ایالات متحده ، بنیاد ملی علوم ، کنسرسیوم کشف و سنتز دارویی ، عبدالطیف جامدیل کلینیک یادگیری ماشین های بهداشتی ، آژانس کاهش تهدید دفاعی و آژانس پروژه های تحقیقاتی پیشرفته دفاعی مورد حمایت قرار گرفت.