پژوهشگران گوگل روشی توسعه داده‌اند که سرعت پیش‌بینی ساختار پروتئین را ۸.۶ برابر افزایش می‌دهد و پتانسیل شتاب‌دهی به کشف مولکول‌ها برای درمان‌های هدفمند سرطان را دارد.
پژوهشگران از این رویکرد برای طراحی پروتئین‌هایی استفاده کردند که محکم به پروتئین فعال‌ساز فیبروبلاست آلفا (FAP)، مولکولی مرتبط با تومورهای جامد، متصل می‌شوند. چنین اتصال‌دهنده‌هایی ممکن است در نهایت به پژوهشگران کمک کنند تا درمان‌هایی را توسعه دهند که باقی دقت بیشتری به بافت‌های مرتبط با سرطان هدف قرار دهند. نتایج پس از طراحی محاسباتی مولکول‌های کاندیدا، از طریق آزمایش‌های آزمایشگاهی به دست آمد.
این کار بخشی از سه پروژه پژوهشی گوگل است که بررسی می‌کنند چگونه عوامل هوش مصنوعی می‌توانند مولکول‌های بیولوژیکی را طراحی کنند، نتایج آزمایش‌ها را تحلیل نمایند و با تجهیزات آزمایشگاهی کار کنند. این پروژه‌ها همچنین بهبودهایی را در کشف مولکول‌های DNA و آزمایش رباتیک نشان دادند.
گوگل اعلام کرد که این پژوهش‌ها هدف کاهش زمان و منابع محاسباتی مورد نیاز برای آزمایش طرح‌های بیولوژیکی را دارند. با این حال، این سیستم‌ها همچنان آزمایشی هستند و اتصال‌دهنده‌های پروتئینی به عنوان درمان سرطان اثبات نشده‌اند.
پیش‌بینی‌های سریع‌تر ساختار پروتئین
طراحی پروتئینی که به یک هدف بیولوژیکی خاص متصل شود، نیازمند آن است که پژوهشگران پیش‌بینی کنند چگونه مولکول‌ها تا می‌خورند و تعامل می‌کنند. این فرآیند شامل تولید ساختارهای پروتئینی کاندیدا، طراحی توالی‌ها و بررسی احتمال اتصال مولکول‌های حاصل است.
مرحله نهایی پیش‌بینی می‌تواند قدرت محاسباتی قابل توجهی مصرف کند، به ویژه زمانی که پروتئین هدف بزرگ باشد.
پژوهشگران گوگل تکنیکی به نام «برداشت جراحی اپی‌توپ» (surgical epitope excision) توسعه دادند که پیش‌بینی‌های ساختاری را بر منطقه محلی که انتظار می‌رود پروتئین طراحی شده به آن متصل شود، متمرکز می‌کند، به جای پردازش کل هدف.
به گفته گوگل، این رویکرد پیش‌بینی ساختار را ۸.۶ برابر شتاب بخشید بدون اینکه دقت ساختاری در آزمایش‌های آن‌ها فدا شود.
پژوهشگران این روش را روی FAP اعمال کردند و از نمایش سطح مخمر و مرتب‌سازی سلول فعال‌شده با فلورسانس برای غربالگری کاندیداهای پروتئینی مهندسی شده استفاده کردند. این تکنیک‌ها به پژوهشگران اجازه می‌دهند تعداد زیادی از گونه‌های پروتئینی را بررسی کنند و آن‌هایی را که به هدف متصل می‌شوند شناسایی نمایند.
قوی‌ترین طرح‌های آزمایش‌شده تجربی به اتصال‌پذیری نانومولاری تک‌رقمی دست یافتند که نشان‌دهنده یک تعامل مولکولی محکم است. در یک مقایسه محاسباتی جداگانه با استفاده از منابع محاسباتی برابر، دانشمندی که با یک عامل هوش مصنوعی کار می‌کرد، تقریباً دو برابر نرخ برخورد پیش‌بینی‌شده نسبت به دانشمندی که تنها کار می‌کرد، به دست آورد.
این یافته‌ها مربوط به طراحی مولکولی مرحله اولیه است. پژوهشگران هنوز مشخص نکرده‌اند که آیا اتصال‌دهنده‌ها می‌توانند ایمن یا موثر سرطان را درمان کنند یا خیر.
ربات‌ها از آزمایش‌ها یاد می‌گیرند
یک پروژه جداگانه گوگل بررسی کرد که آیا عوامل هوش مصنوعی می‌توانند آپتامرهای DNA، مولکول‌های کوتاهی که به اشکالی تا می‌خورند که قادر به اتصال به پروتئین‌های خاص هستند، بهبود بخشند.
پژوهشگران سه دور طراحی و آزمایش را با هدف میوگلوبین و آلفا-ترومبین انجام دادند. هر دور بین ۷ تا ۱۰ روز طول کشید و شامل سنتز کاندیداهای DNA، آزمایش رفتار اتصال آن‌ها و استفاده از نتایج توالی‌یابی برای راهنمایی طرح‌های بعدی بود.
تا دور سوم، نرخ‌های برخورد تأییدشده هدفمند به ۳۳.۵ درصد برای میوگلوبین و ۴۲.۱ درصد برای آلفا-ترومبین رسید. دومی به اختصاصیت ۹۸.۵ درصد دست یافت.
گوگل همچنین VERID را معرفی کرد، یک مدل آزمایشگاه دیجیتال که تجهیزات رباتیک، حجم مایعات و مواد آزمایشی را ردیابی می‌کند. این مدل به عوامل اجازه می‌دهد تا قبل از ارسال دستور به ربات‌های آزمایشگاهی، رویه‌ها را شبیه‌سازی کرده و خطاهای احتمالی را تشخیص دهند.
در یک آزمایش مخلوط کردن رنگدانه، یک عامل با استفاده از آزمایش‌های رباتیک مکرر و بازخورد دوربین، دقت بازسازی را بیش از پنج برابر بهبود بخشید.
این سه پروژه همچنان نمایش‌های جداگانه باقی می‌مانند. گوگل برنامه دارد چارچوب کنترل رباتیک خود را با جریان‌های کاری کشف مولکولی ترکیب کند، در حالی که نظارت انسانی و غربالگری امنیت زیستی در تمام مراحل حفظ خواهد شد.