گسترش کد ژنتیکی با یادگیری ماشین: پلی میان آزمایشگاه و بازار

گسترش کد ژنتیکی (GCE) یکی از مهم‌ترین فناوری‌های قرن ۲۱ است که با استفاده از یادگیری ماشین می‌تواند به تولید داروها و پروتئین‌های بهبودیافته کمک کند. انتقال GCE از آزمایشگاه به بازار چالش‌ها و فرصت‌های بزرگی را به همراه دارد و ایجاد پایگاه داده‌های پیشرفته برای این فناوری ضروری است.

🔬 ورود به دنیای گسترش کد ژنتیکی

در اولین ترم تحصیلات تکمیلی‌ام در دانشگاه تافز، مقابل یک استاد جوان نشسته بودم که در حال معرفی آزمایشگاهش بود و خواست که به تحقیقات گسترش کد ژنتیکی (GCE) بپیوندم. با این که تازه مدرک بیوشیمی را اخذ کرده بودم، به طور کامل نمی‌فهمیدم او چه می‌گوید. در نهایت به آزمایشگاه دیگری پیوستم.

💡 GCE: چه چیزی را تغییر می‌دهد؟

حالا، نه سال بعد، تنها چیزی که به آن فکر می‌کنم همین گسترش کد ژنتیکی است. این تکنولوژی یکی از مهم‌ترین دستاوردهای قرن بیست و یکم خواهد بود که موجب توسعه داروهای بهتر، پروتئین‌های صنعتی و کاربردهای نوین بیوتکنولوژی می‌شود. در تمامی کاربردهای بالقوه یادگیری ماشین و هوش مصنوعی (AI) در علوم زیستی، GCE ممکن است یکی از هیجان‌انگیزترین آن‌ها باشد.

🏭 کاربردهای تجاری GCE

گسترش کد ژنتیکی عبارت است از مهندسی سیستم‌های زیستی برای گنجاندن آمینو اسیدهای "غیر متعارف" فراتر از ۲۰ آمینو اسید طبیعی که برای ساخت پروتئین‌ها استفاده می‌شود. کاربردهای تجاری آن هم‌اکنون در دسترس هستند. به عنوان مثال، بسیاری از داروهای معروف GLP-1 با استفاده از نوعی GCE تولید می‌شوند. کپی‌های دارویی آنتی بادی، که نسل جدیدی از درمان‌های هدفمند سرطان را فراهم می‌آورند، نیز به این فناوری وابسته‌اند.

💼 سرمایه‌گذاری در پژوهش‌های GCE

شرکت‌هایی مانند Peptidream در ژاپن کسب‌وکارهای قابل توجهی بر اساس GCE و پلتفرم‌های غربال‌گری برای کشف محصول ایجاد کرده‌اند. به تازگی، Unnatural Products اعلام کرده که مبلغ ۴۵ میلیون دلار سرمایه‌گذاری سری B را به دست آورده است. اینها نشان می‌دهد که GCE از تازگی آکادمیک به سمت یک پلتفرم صنعتی در حال حرکت است.

🛠 مهندسی کد ژنتیکی و چالش‌ها

انتقال GCE از کشفی در آزمایشگاه به محصولی آماده برای بازار کار ساده‌ای نیست. این کار نیاز به حل مشکلات پیچیده مهندسی در زیست‌شناسی دارد. هر آمینو اسید غیر متعارف که به کد ژنتیکی اضافه می‌شود، دو بیومولکول سفارشی جدید نیاز دارد: یک tRNA سنتاز جدید و یک tRNA جدید برای هر آمینو اسید اضافه شده. این اجزای مهندسی شده باید با سایر اجزای ماشین تولید پروتئین در سلول همکاری کنند که سیستم بسیار پیچیده‌ای است و جایی برای خطا ندارد.

🚀 نوآوری‌های جدید در GCE

با استفاده از پلتفرم‌های خاصی که برای جستجوی و مهندسی ماشین GCE طراحی شده‌اند، داده‌های تجربی فراوانی تولید می‌شود. این داده‌ها به طور طبیعی خصوصی هستند و نمی‌توان آنها را از منابع خارجی دانلود کرد. در عوض، آن‌ها باید از سیستم‌های خاص آزمایشگاهی تولید شوند که سال‌ها و منابع قابل توجهی برای توسعه نیاز دارند.

📊 یادگیری ماشین و داده‌های تجربی

این است که چرا این پلتفرم‌ها برای یادگیری ماشین از ارزش استراتژیک بالایی برخوردارند. AI از آنچه که موفق است و آنچه که موفق نیست، می‌آموزد. به عنوان مثال، داروهای آنتی بادی در حال رشد سریع به دقت اتصال شیمیایی بار دارویی به آنتی بادی بستگی دارند. یک پلتفرم برپایه GCE و تحلیل یادگیری ماشین می‌تواند هزاران واریانت آمینو اسید غیر متعارف را به طور هم‌زمان غربال کند و عملکرد آنها را در برابر اهداف زیستی واقعی تست کند.

🌍 حرکت به سمت آینده

فراتر از بهینه‌سازی ماشین GCE، فرصت واقعی در ساخت مدل‌های یادگیری ماشین است که می‌توانند ساختار و عملکرد پروتئین را پیش‌بینی کنند. این امر مستلزم داده‌های داخلی در مقیاس لازم است. اگر بتوان یک پایگاه داده از آمینو اسیدهای غیر متعارف و پروتئین‌ها ایجاد کرد، می‌توان به سرعت جایگاه GCE را در علم صنعتی و دانشگاهی شکل داد. در نهایت، این پایه به تولید آنزیم‌های صنعتی هیپر پایدار و کلاس‌های جدید دارویی منجر خواهد شد.

🚀 نتیجه‌گیری

فرصت‌های زیادی برای توسعه سیستم‌های جدید وجود دارد که کشف را تسریع کرده و تولید محصولاتی با GCE را ممکن می‌سازد. سازمان‌هایی که پلتفرم‌های تجربی را برای تولید داده‌های داخلی برای GCE ایجاد می‌کنند، نه‌تنها برای لوله‌های تحقیقاتی خود اقدام می‌کنند، بلکه پایه‌ای را برای یکی از جذاب‌ترین کاربردهای یادگیری ماشین در بیوتکنولوژی فراهم می‌کنند.