DeepMind'in ajanlı kemoinformatiği, ilaç keşfindeki darboğazı doğrulamaya kaydırıyor

DeepMind ne yayınladı

Bir dev.to yazısına göre DeepMind, "Google Antigravity ile ajanlı kemoinformatik" başlıklı bir blog girdisi yayınladı. Yazının anlattığına göre bu gösterim, Antigravity'yi Cheminformatics Skills ile eşleştirerek ilaç keşfi iş akışlarını hızlandırıyor: ajanlar bileşik verilerini tarıyor ve yeni sertleştirilmiş makrosikiller öneriyor. Yazarın tespiti açık sözlü: ajanların aday molekül üretme hızı hızla artıyor.

Darboğaz aşağı akışa kayıyor

Yazının merkezindeki argüman, laboratuvar başında çalışanlar için kısıtın artık üretim değil, anlama ve doğrulama olduğu. Bir adayın inandırıcı olup olmadığını belirleyen sorular yapısal: ligand cebe gerçekten oturuyor mu, hangi kalıntılar hidrojen bağı kuruyor ve hedef, benzer proteinlerden nasıl ayrışıyor? Yazar, ekipler bu noktaları yalnızca metin ve 2D diyagramlarla tartıştığında algıların birbirinden uzaklaştığını yazıyor. Eksik olan şey, bir ajanın çıktısını, onu üreten hattın dışında, gerçek bir üç boyutlu yapı olarak incelemenin bir yolu.

VR'da uygulamalı bir deney

Yazar bu boşluğu keşfetmek için küçük bir ev masasında Quest 3 başlığıyla NexoPeek adlı bir uygulamayı çalıştırdığını anlatıyor. Yerel bir PDB dosyası sürüklenip bırakıldıktan sonra ligandın cebe yerleşimi izlenebiliyor; kompleksi elle döndürüp mesafe ölçüm tetiği çekildiğinde 2,8 angstromluk bir hidrojen bağı görünüyor. Yazar, o anda önerilen bir makrosikiliin sertleştirilmesinin uzamsal etkisinin soyut olmaktan çıkıp sezgisel hale geldiğini söylüyor.

Yazı, yazılımın basit bir görüntüleyici değil bir analiz istasyonu olarak tasarlandığının altını çiziyor ve yeteneklerini sıralıyor:

• Çapraz veritabanı çözümlemesi: bir gen adını RCSB PDB, UniProtKB, AlphaFold DB, SWISS-MODEL ve PDBe'den yapılara dönüştürüyor; otomatik eş anlamlı işleme, model doğrulama ve anahtar kelime basamaklı yönlendirme ile birlikte
• .pdb, .cif, .mol2, .gro, .xyz, .dx, .xtc ve .py yerel dosya desteği; elektrostatik alan çizgileri, özel bağlar ve elektron yoğunluğu hacimleri için katmanlarla birlikte
• MolViewSpec'ten türetilen altı Mol* görselleştirme hazır ayarı — cartoon, top-ve-çubuk, CPK spacefill, moleküler yüzey, B-factor ısı haritası ve tüp izi — tek dokunuşla değiştirilebiliyor
• Bulutta veya çevrimdışı PrankWeb ya da P2Rank ile yapay zeka cep tahmini, Foldseek tabanlı homolog hizalama, PubChem 3D ligand erişimiyle hidrojen bağı izleme ve angstrom cinsinden iki atomlu mesafe ölçümü içeren analiz özellikleri
• Yapıları fiziksel alana yerleştiren ve duvar menülerini kullanılabilir tutan karma gerçeklik Room View

Yazının gündeme getirdiği açık sorular

Yazar tartışmayı bilinçli olarak açık bırakıyor. Yapay zeka ajanları artık adayları öneriyorsa, ekipler ortaya çıkan yapılara dair uzamsal sezgiyi nasıl paylaşıyor? Başlıklar çalışan araştırma ortamlarında gerçekçi bir araç haline gelebilir mi, yoksa ana alanları eğitim ve topluma açık faaliyetler olarak mı kalacak? Ve görselleştirme araçları, keşif hatlarına bağlanmak için baştan nasıl tasarlanmalı? Yazıda ayrıca açık bir uyarı da var: yazılım eğitim ve araştırma görselleştirmesi içindir; ne cep tahmini ne de hizalama, doğrulanmış hatların veya uzman değerlendirmesinin yerini alır.

Neden önemli

DeepMind gösterimi, yapay zeka ajanlarının ilaç keşfine yalıtılmış tahmin modelleri olarak değil, kemoinformatik iş akışlarının operatörleri olarak — kimyayı tarayarak, üzerinde akıl yürüterek ve önererek — girdiğine dair somut bir sinyal. Üretim ucuzladığında kıt kaynak kavrayış haline geliyor: bilim insanlarının önerilen bir makrosikili cebinde incelemesi, etkileşimlerini doğrulaması ve bu anlayışı meslektaşlarına aktarma becerisi. Bu, yapay zeka çağındaki bir hatta hangi araçların ait olduğunu yeniden çerçeveliyor. dev.to yazarının VR deneyi tek bir anekdot; ama alanın bundan sonraki adımının hangi katmana yöneldiğini gösteriyor: ajanların durmaksızın ürettiği moleküllere bakma, ölçme ve paylaşma ortamlarına.