ਪ੍ਰੋਟੀਨ ਬਣਤਰ ਅਤੇ ਅਣੂ ਮਾਡਲਿੰਗ: ਅਲਫਾਫੋਲਡ, ਡੌਕਿੰਗ ਅਤੇ ਅਣੂ ਡਿਜ਼ਾਈਨ

ਲਾਭ:

• ਪੀਐਲਡੀਡੀਟੀ ਭਰੋਸੇ ਦੇ ਸਕੋਰ ਦੇ ਨਾਲ ਅਲਫਾਫੋਲਡ ਢਾਂਚੇ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਘੱਟ ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਖੇਤਰਾਂ ਦੇ ਅਧਾਰ ਤੇ ਦਾਅਵਿਆਂ ਤੋਂ ਬਚਣ ਦੀ ਸਮਰੱਥਾ
• ਡੌਕਿੰਗ ਸਕੋਰ ਦੀ ਅਨੁਸਾਰੀ ਦਰਜਾਬੰਦੀ ਦੇ ਤੌਰ 'ਤੇ ਵਿਆਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ, ਪੂਰਨ ਸਬੰਧ ਨਹੀਂ, ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੰਧ ਮਾਪ ਨਾਲ ਉਮੀਦਵਾਰਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਸੰਸਲੇਸ਼ਣਯੋਗਤਾ, ਸਥਿਰਤਾ, ਅਤੇ ਜੀਵ ਸੁਰੱਖਿਆ ਦੁਆਰਾ ਉਤਪਾਦਕ ਅਣੂ ਸੁਝਾਵਾਂ ਨੂੰ ਫਿਲਟਰ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਨਾਜ਼ੁਕ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਗਿੱਲੇ ਟੈਸਟਿੰਗ ਨਾਲ ਜੋੜਨਾ

ਇਹ ਸਮਝਣ ਲਈ ਕਿ ਪ੍ਰੋਟੀਨ ਕੀ ਕਰਦਾ ਹੈ, ਇਸਦੀ ਤਿੰਨ-ਅਯਾਮੀ ਸ਼ਕਲ ਨੂੰ ਜਾਣਨਾ ਜ਼ਰੂਰੀ ਹੈ; ਕਿਉਂਕਿ ਬਣਤਰ ਫੰਕਸ਼ਨ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੀ ਹੈ — ਇੱਕ ਐਨਜ਼ਾਈਮ ਦੀ ਉਤਪ੍ਰੇਰਕ ਜੇਬ, ਇੱਕ ਰੀਸੈਪਟਰ ਦੀ ਬਾਈਡਿੰਗ ਸਤਹ ਹਮੇਸ਼ਾਂ ਇਸਦੇ ਤਿੰਨ-ਅਯਾਮੀ ਆਕਾਰ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ। ਦਹਾਕਿਆਂ ਤੱਕ, ਇੱਕ ਪ੍ਰੋਟੀਨ ਦੀ ਬਣਤਰ ਨੂੰ ਖੋਲ੍ਹਣ ਵਿੱਚ ਕਈ ਮਹੀਨਿਆਂ ਦੇ ਪ੍ਰਯੋਗ (ਐਕਸ-ਰੇ ਕ੍ਰਿਸਟਲੋਗ੍ਰਾਫੀ, ਕ੍ਰਾਇਓ-ਈਐਮ) ਲੱਗੇ। ਅਲਫਾਫੋਲਡ ਅਤੇ ਸਮਾਨ ਏਆਈ ਮਾਡਲਾਂ ਨੇ ਇਸ ਤਸਵੀਰ ਨੂੰ ਬਦਲ ਦਿੱਤਾ ਹੈ: ਉਹ ਮਿੰਟਾਂ ਵਿੱਚ ਉੱਚ ਸ਼ੁੱਧਤਾ ਦੇ ਨਾਲ ਐਮੀਨੋ ਐਸਿਡ ਦੇ ਇੱਕ ਕ੍ਰਮ ਤੋਂ ਇੱਕ ਪ੍ਰੋਟੀਨ ਦੀ ਤਿੰਨ-ਅਯਾਮੀ ਬਣਤਰ ਦਾ ਅਨੁਮਾਨ ਲਗਾ ਸਕਦੇ ਹਨ। ਇਹ ਬਾਇਓਇੰਜੀਨੀਅਰਿੰਗ ਲਈ ਕ੍ਰਾਂਤੀਕਾਰੀ ਹੈ; ਪਰ ਕ੍ਰਾਂਤੀ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਜਾਣਨਾ ਇਸਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਵਰਤਣ ਦੀ ਸ਼ਰਤ ਹੈ।

ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ, ਅਣੂ ਡੌਕਿੰਗ (ਇੱਕ ਛੋਟਾ ਅਣੂ ਪ੍ਰੋਟੀਨ ਨਾਲ ਕਿਵੇਂ ਅਤੇ ਕਿੰਨੀ ਮਜ਼ਬੂਤੀ ਨਾਲ ਜੁੜਦਾ ਹੈ) ਅਤੇ ਅਣੂ ਡਿਜ਼ਾਈਨ ਵਰਕਫਲੋ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ; ਹਰ ਪੜਾਅ 'ਤੇ ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਭਵਿੱਖਬਾਣੀ ਕਿੱਥੇ ਖਤਮ ਹੁੰਦੀ ਹੈ ਅਤੇ ਪ੍ਰਯੋਗ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ।

ਅਲਫਾਫੋਲਡ: ਪਾਵਰ ਅਤੇ ਸੀਮਾ

ਅਲਫਾਫੋਲਡ (ਇੱਕ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਾਡਲ ਜੋ ਇੱਕ ਪ੍ਰੋਟੀਨ ਕ੍ਰਮ ਤੋਂ 3D ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ) ਹਰੇਕ ਭਵਿੱਖਬਾਣੀ ਦੇ ਨਾਲ ਇੱਕ ਭਰੋਸੇ ਦਾ ਸਕੋਰ (pLDDT — 0 ਤੋਂ 100 ਤੱਕ ਦਾ ਮੁੱਲ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਾਡਲ ਹਰੇਕ ਐਮੀਨੋ ਐਸਿਡ ਲਈ ਕਿੰਨਾ ਭਰੋਸੇਮੰਦ ਹੈ) ਪੈਦਾ ਕਰਦਾ ਹੈ। ਉੱਚ pLDDT (>90) ਆਮ ਤੌਰ 'ਤੇ ਭਰੋਸੇਯੋਗ ਹੈ; ਨੀਵੇਂ ਖੇਤਰ (<50) ਅਕਸਰ ਵਿਗਾੜ ਵਾਲੇ ਖੇਤਰ ਹੁੰਦੇ ਹਨ-ਪ੍ਰੋਟੀਨ ਦੇ ਲਚਕੀਲੇ ਹਿੱਸੇ ਜਿਨ੍ਹਾਂ ਦੀ ਕੋਈ ਸਥਿਰ ਬਣਤਰ ਨਹੀਂ ਹੁੰਦੀ ਹੈ-ਜਾਂ ਉਹ ਖੇਤਰ ਜਿੱਥੇ ਮਾਡਲ ਅਨਿਸ਼ਚਿਤ ਹੁੰਦਾ ਹੈ। ਐਲਫਾਫੋਲਡ ਨੂੰ ਜੋ ਸੀਮਾਵਾਂ ਜਾਣਨੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ ਉਹ ਇਹ ਹਨ ਕਿ ਇਹ ਇੱਕ ਸਿੰਗਲ ਸਥਿਰ ਬਣਤਰ (ਪ੍ਰੋਟੀਨ ਦੀ ਗਤੀ ਨਹੀਂ) ਦਿੰਦਾ ਹੈ, ਇਹ ਲਿਗੈਂਡ (ਪ੍ਰੋਟੀਨ ਨਾਲ ਬਾਈਡਿੰਗ ਛੋਟੇ ਅਣੂ) ਜਾਂ ਧਾਤੂ ਆਇਨ ਪ੍ਰਭਾਵਾਂ ਦਾ ਮਾਡਲ ਨਹੀਂ ਬਣਾਉਂਦਾ, ਇਹ ਹਮੇਸ਼ਾ ਪਰਿਵਰਤਨ ਦੇ ਸੂਖਮ ਪ੍ਰਭਾਵ ਨੂੰ ਹਾਸਲ ਨਹੀਂ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਹ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ ਕਿ ਕੀ ਕੋਈ ਕੰਪਲੈਕਸ ਬਣੇਗਾ।

ਸਾਵਧਾਨ: ਅਲਫਾਫੋਲਡ ਇੱਕ ਪੂਰਵ ਅਨੁਮਾਨ ਹੈ, ਇੱਕ ਪ੍ਰਯੋਗਾਤਮਕ ਨਿਰਮਾਣ ਨਹੀਂ। ਘੱਟ pLDDT ਵਾਲੇ ਖੇਤਰਾਂ 'ਤੇ ਆਧਾਰਿਤ ਵਿਧੀ ਦਾ ਦਾਅਵਾ ਕਰਨਾ ਜਾਂ ਇਹਨਾਂ ਖੇਤਰਾਂ ਵਿੱਚ ਡਰੱਗ ਜੇਬ ਦੀ ਪਛਾਣ ਕਰਨਾ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ। ਨਾਜ਼ੁਕ ਢਾਂਚੇ ਦੀ ਪੁਸ਼ਟੀ ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਧੀ (ਕ੍ਰਿਸਟਾਲੋਗ੍ਰਾਫੀ, ਕ੍ਰਾਇਓ-ਈਐਮ) ਦੁਆਰਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

ਡੌਕਿੰਗ: ਡੌਕਿੰਗ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਡਰੱਗ ਅਤੇ ਐਂਜ਼ਾਈਮ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਬੁਨਿਆਦੀ ਸਵਾਲ ਇਹ ਹੈ: "ਕੀ ਇਹ ਅਣੂ ਇਸ ਪ੍ਰੋਟੀਨ ਨਾਲ ਜੁੜਦਾ ਹੈ, ਅਤੇ ਕਿੰਨੀ ਮਜ਼ਬੂਤੀ ਨਾਲ?" ਡੌਕਿੰਗ ਇਸਦੀ ਗਣਨਾ ਕਰਦੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਸਕੋਰਿੰਗ ਫੰਕਸ਼ਨ ਨਾਲ ਦਰਜਾ ਦਿੰਦੀ ਹੈ — ਇੱਕ ਅਨੁਮਾਨਿਤ ਗਣਿਤਿਕ ਮਾਡਲ ਜੋ ਬਾਈਡਿੰਗ ਤਾਕਤ ਦਾ ਅਨੁਮਾਨ ਲਗਾਉਂਦਾ ਹੈ। ਪਰ ਡੌਕਿੰਗ ਸਕੋਰ ਸਾਪੇਖਿਕ ਹੁੰਦੇ ਹਨ ਅਤੇ ਸਹੀ ਬਾਈਡਿੰਗ ਸਬੰਧਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ ਕਰਦੇ; ਗਲਤ ਸਕਾਰਾਤਮਕ ਦਰ ਉੱਚ ਹੈ. ਨਵੀਆਂ AI-ਅਧਾਰਿਤ ਵਿਧੀਆਂ ਡੌਕਿੰਗ ਨੂੰ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਸਹੀ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਪਰ ਨਤੀਜਾ ਅਜੇ ਵੀ ਇੱਕ ਸਕੈਨਿੰਗ ਕ੍ਰਮ ਹੈ — ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੰਧ ਮਾਪ (ਜਿਵੇਂ ਕਿ SPR, ITC) ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ।

ਸੰਕੇਤ: ਪ੍ਰਯੋਗ ਤੋਂ ਪਹਿਲਾਂ ਹਜ਼ਾਰਾਂ ਅਣੂਆਂ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰਨ ਲਈ ਡੌਕਿੰਗ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਨਾ ਕਿ ਇੱਕ ਪੂਰਨ "ਬੰਧਨ/ਨੋ-ਬਿੰਦ" ਫੈਸਲੇ ਲਈ। 50 ਸਭ ਤੋਂ ਵੱਧ ਸਕੋਰ ਵਾਲੇ ਅਣੂਆਂ ਦਾ ਸੰਸਲੇਸ਼ਣ ਅਤੇ ਟੈਸਟ ਕਰਨਾ 50 ਨੂੰ ਬੇਤਰਤੀਬੇ ਤੌਰ 'ਤੇ ਟੈਸਟ ਕਰਨ ਨਾਲੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੁਸ਼ਲ ਹੈ; ਪਰ ਤਜਰਬਾ ਫੈਸਲਾ ਕਰਦਾ ਹੈ.

ਅਣੂ ਡਿਜ਼ਾਈਨ ਅਤੇ ਜਨਰੇਟਿਵ ਮਾਡਲ

ਜਨਰੇਟਿਵ ਮਾਡਲ—ਏਆਈ ਜੋ ਨਵੇਂ ਪ੍ਰੋਟੀਨ ਕ੍ਰਮ ਜਾਂ ਛੋਟੇ ਅਣੂਆਂ ਨੂੰ "ਡਿਜ਼ਾਈਨ" ਕਰ ਸਕਦੇ ਹਨ-ਇੱਛਤ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਉਮੀਦਵਾਰ ਅਣੂਆਂ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦੇ ਹਨ: ਇੱਕ ਵਧੇਰੇ ਸਥਿਰ ਐਨਜ਼ਾਈਮ, ਇੱਕ ਨਵਾਂ ਡਰੱਗ ਸਕੈਫੋਲਡ ਜੋ ਇੱਕ ਟੀਚੇ ਨਾਲ ਜੁੜਦਾ ਹੈ। ਇਹ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਪਰ ਇਸ ਵਿੱਚ ਦੋ ਕਮੀਆਂ ਹਨ: ਮਾਡਲ ਗੈਰ-ਸੰਸ਼ਲੇਸ਼ਣਯੋਗ (ਰਸਾਇਣਕ ਤੌਰ 'ਤੇ ਪੈਦਾ ਕਰਨਾ ਅਸੰਭਵ) ਅਣੂ ਜਾਂ ਗੈਰ-ਯਥਾਰਥਵਾਦੀ ਕ੍ਰਮ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ ਉਤਪਾਦਕ ਆਉਟਪੁੱਟ ਹਮੇਸ਼ਾ ਸੰਸਲੇਸ਼ਣਯੋਗਤਾ, ਸਥਿਰਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਦੁਆਰਾ ਫਿਲਟਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਢਾਂਚਾ ਅਨੁਮਾਨ ਦਾ ਮਾਰਗਦਰਸ਼ਨ ਕਰਦਾ ਹੈ। ਇੱਕ ਐਨਜ਼ਾਈਮ ਇੰਜਨੀਅਰਿੰਗ ਟੀਮ ਟੀਚੇ ਦੇ ਐਨਜ਼ਾਈਮ ਦੇ ਪ੍ਰਯੋਗਾਤਮਕ ਢਾਂਚੇ ਦੇ ਬਿਨਾਂ ਕੰਮ ਕਰ ਰਹੀ ਸੀ। ਅਲਫਾਫੋਲਡ ਨੇ ਪੂਰਵ-ਅਨੁਮਾਨਿਤ ਸਰਗਰਮ ਸਾਈਟ ਵੱਲ ਇਸ਼ਾਰਾ ਕੀਤਾ - ਉਹ ਖੇਤਰ ਜਿੱਥੇ ਐਂਜ਼ਾਈਮ ਰਸਾਇਣਕ ਪ੍ਰਤੀਕ੍ਰਿਆ ਕਰਦਾ ਹੈ; ਟੀਮ ਨੇ ਇਸ ਖੇਤਰ ਵਿੱਚ 3 ਮਿਊਟੇਸ਼ਨ ਤਿਆਰ ਕੀਤੇ। ਪ੍ਰਯੋਗ ਵਿੱਚ, ਇੱਕ ਨੇ 2.3 ਗੁਣਾ ਦੀ ਗਤੀਵਿਧੀ ਵਿੱਚ ਵਾਧਾ ਕੀਤਾ। ਪਰ ਦੋ ਪਰਿਵਰਤਨ ਕੰਮ ਨਹੀਂ ਕਰ ਸਕੇ - ਭਵਿੱਖਬਾਣੀ ਦੀ ਅਗਵਾਈ ਕੀਤੀ, ਪ੍ਰਯੋਗ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਗਿਆ।

Case 2 — Low trust zone trap. ਇੱਕ ਵਿਦਿਆਰਥੀ ਅਲਫਾਫੋਲਡ ਢਾਂਚੇ ਵਿੱਚ ਇੱਕ "ਜੇਬ" ਨਾਲ ਦਵਾਈ ਜੋੜਨਾ ਚਾਹੁੰਦਾ ਸੀ। pLDDT ਨਕਸ਼ੇ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਉਸਨੇ ਦੇਖਿਆ ਕਿ ਖੇਤਰ ਇੱਕ ਘੱਟ-ਸੁਰੱਖਿਅਤ, ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ 38 ਦੇ ਸਕੋਰ ਦੇ ਨਾਲ ਵਿਗਾੜ ਵਾਲਾ ਖੇਤਰ ਸੀ। ਡੌਕਿੰਗ ਨੂੰ ਸੁਰੱਖਿਅਤ ਜ਼ੋਨ ਵਿੱਚ ਲਿਜਾਇਆ ਗਿਆ; ਇੱਕ ਗਲਤ ਟੀਚੇ 'ਤੇ ਮਹੀਨਿਆਂ ਦੀ ਬਰਬਾਦੀ ਨੂੰ ਰੋਕਿਆ ਗਿਆ ਸੀ.

ਕੇਸ 3 - ਸੰਸਲੇਸ਼ਣਯੋਗ ਪ੍ਰਸਤਾਵ। ਇੱਕ ਜਨਰੇਟਿਵ ਮਾਡਲ ਨੇ 200 ਅਣੂਆਂ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ ਜੋ ਉੱਚ ਸਕੋਰ ਦੇ ਨਾਲ ਇੱਕ ਟੀਚੇ ਨਾਲ ਜੁੜਦੇ ਹਨ। ਜਦੋਂ ਕੈਮਿਸਟ ਨੇ ਇਸਨੂੰ ਫਿਲਟਰ ਕੀਤਾ, ਤਾਂ ਉਸਨੇ ਪਾਇਆ ਕਿ ਇਸਦਾ 40% ਅਮਲੀ ਤੌਰ 'ਤੇ ਸੰਸ਼ਲੇਸ਼ਣ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਜਾਂ ਅਸਥਿਰ ਹੋਵੇਗਾ। ਇੱਕ ਵਾਰ ਬਾਕੀ ਉਮੀਦਵਾਰ ਪੂਲ ਯਥਾਰਥਵਾਦੀ ਬਣ ਗਿਆ, 12 ਨੂੰ ਸੰਸ਼ਲੇਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਸੀ.

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਅਲਫਾਫੋਲਡ ਆਉਟਪੁੱਟ ਟਿੱਪਣੀ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਢਾਂਚਾਗਤ ਜੀਵ ਵਿਗਿਆਨੀ। ਮੈਂ ਤੁਹਾਨੂੰ ਅਲਫਾਫੋਲਡ ਪੂਰਵ-ਅਨੁਮਾਨ ਦਾ pLDDTscore ਸਾਰ ਦੇਵਾਂਗਾ। ਫਰਕ ਕਰੋ ਕਿ ਕਿਹੜੇ ਖੇਤਰ ਭਰੋਸੇਯੋਗ ਹਨ (>90) ਅਤੇ ਕਿਹੜੇ ਸ਼ੱਕੀ ਹਨ (<50)। ਘੱਟ ਭਰੋਸੇ ਵਾਲੇ ਖੇਤਰਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਕੋਈ ਵੀ ਵਿਧੀ ਦਾਅਵਿਆਂ ਦੀ ਸਥਾਪਨਾ ਨਾ ਕਰੋ। ਆਪਣੇ ਪ੍ਰਿੰਟਆਊਟ ਵਿੱਚ ਲਿਖੋ ਕਿ ਇਹ ਇੱਕ ਪ੍ਰਯੋਗਾਤਮਕ ਬਿਲਡ ਨਹੀਂ ਹੈ ਅਤੇ ਇਸਨੂੰ ਕਿਵੇਂ ਤਸਦੀਕ ਕਰਨਾ ਹੈ।

2) ਡੌਕਿੰਗ ਵਰਕਫਲੋ ਯੋਜਨਾ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕੰਪਿਊਟੇਸ਼ਨਲ ਕੈਮਿਸਟ। [ਟਾਰਗੇਟ ਪ੍ਰੋਟੀਨ] ਲਈ ਛੋਟੇ ਅਣੂ ਡੌਕਿੰਗ ਵਰਕਫਲੋ ਦਾ ਵਰਣਨ ਕਰੋ: ਪ੍ਰੋਟੀਨ ਦੀ ਤਿਆਰੀ, ਬਾਈਡਿੰਗ ਪਾਕੇਟ ਪਰਿਭਾਸ਼ਾ, ਲਿਗੈਂਡ ਤਿਆਰੀ, ਸਕੋਰਿੰਗ, ਸੀਕਵੈਂਸਿੰਗ। ਸਮਝਾਓ ਕਿ ਡੌਕਿੰਗ ਸਕੋਰ ਪੂਰਨ ਸਬੰਧ ਨਹੀਂ ਹੈ ਅਤੇ ਕਿਸ ਪ੍ਰਯੋਗਾਤਮਕ ਵਿਧੀ (SPR/ITC) ਦੁਆਰਾ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਵੇਗੀ।

3) ਪਰਿਵਰਤਨ ਡਿਜ਼ਾਈਨ ਦੀ ਤਰਕਸੰਗਤ:

ਮੈਂ ਐਨਜ਼ਾਈਮ ਦੀ ਸਥਿਰਤਾ ਨੂੰ ਵਧਾਉਣ ਲਈ ਮਿਊਟੇਸ਼ਨ ਲਈ ਸੁਝਾਅ ਚਾਹੁੰਦਾ ਹਾਂ। ਹਰੇਕ ਸਿਫ਼ਾਰਿਸ਼ ਲਈ: ਨਿਸ਼ਾਨਾ ਸਥਿਤੀ, ਤਰਕ (ਢਾਂਚਾਗਤ ਤਰਕ) ਅਤੇ ਸੰਭਾਵੀ ਜੋਖਮ (ਸਰਗਰਮੀ ਦਾ ਨੁਕਸਾਨ)। ਧਿਆਨ ਦਿਓ ਕਿ ਇਹ ਅੰਦਾਜ਼ੇ ਹਨ ਅਤੇ ਹਰੇਕ ਨੂੰ ਪ੍ਰਯੋਗ ਦੁਆਰਾ ਪਰਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। 5 ਤੱਕ ਸੁਝਾਅ ਦਿਓ ਅਤੇ ਤਰਜੀਹ ਦਿਓ।

4) ਉਤਪਾਦਕ ਆਉਟਪੁੱਟ ਫਿਲਟਰਿੰਗ:

ਮੈਨੂੰ ਇੱਕ ਜਨਰੇਟਿਵ ਮਾਡਲ ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਅਣੂਆਂ ਦੇ ਮੁਲਾਂਕਣ ਲਈ ਮਾਪਦੰਡ ਦਿਓ: ਸੰਸਲੇਸ਼ਣਯੋਗਤਾ, ਰਸਾਇਣਕ ਸਥਿਰਤਾ, ਜ਼ਹਿਰੀਲੇ ਦਸਤਖਤ (ਢਾਂਚਾਗਤ ਚੇਤਾਵਨੀਆਂ), ਅਣੂ ਭਾਰ, ਅਤੇ ਘੁਲਣਸ਼ੀਲਤਾ। ਮੈਨੂੰ ਉਹ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦੱਸੋ ਜਿਸ 'ਤੇ ਮੈਨੂੰ ਹਰੇਕ ਮਾਪਦੰਡ ਲਈ "ਖਤਮ" ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਇੱਕ ਪ੍ਰੀ-ਫਿਲਟਰ ਹੈ; ਅੰਤਿਮ ਫੈਸਲਾ ਗਿੱਲੀ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦਾ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਅਜਿਹੀ ਦਵਾਈ ਤਿਆਰ ਕਰੋ ਜੋ ਇਸ ਪ੍ਰੋਟੀਨ ਨਾਲ ਜੁੜੀ ਹੋਵੇ।

ਕੋਈ ਸੁਰੱਖਿਆ ਨਹੀਂ, ਕੋਈ ਸੰਸ਼ਲੇਸ਼ਣ ਨਹੀਂ, ਕੋਈ ਤਸਦੀਕ ਨਹੀਂ; AI ਗੈਰ-ਯਥਾਰਥਵਾਦੀ, ਅਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਕੰਪਿਊਟੇਸ਼ਨਲ ਕੈਮਿਸਟ। ਛੋਟੇ ਅਣੂ ਸਕੈਫੋਲਡਾਂ ਲਈ ਇੱਕ ਸਕ੍ਰੀਨਿੰਗ ਰਣਨੀਤੀ (ਡੌਕਿੰਗ-ਅਧਾਰਿਤ) ਪ੍ਰਸਤਾਵਿਤ ਕਰੋ ਜਿਸ ਵਿੱਚ [ਨਿਸ਼ਾਨਾ] ਪ੍ਰੋਟੀਨ ਨਾਲ ਬੰਨ੍ਹਣ ਦੀ ਸਮਰੱਥਾ ਹੈ। ਕੰਕਰੀਟ ਦੇ ਅਣੂ ਪੈਦਾ ਨਾ ਕਰੋ; ਇਸ ਦੀ ਬਜਾਏ ਕਦਮ ਦਰ ਕਦਮ ਵਰਣਨ ਕਰੋ ਕਿ ਕਿਹੜੀ ਲਾਇਬ੍ਰੇਰੀ, ਕਿਹੜੀ ਜੇਬ, ਕਿਹੜਾ ਸਕੋਰਿੰਗ ਅਤੇ ਕਿਹੜੇ ਫਿਲਟਰ ਵਰਤਣੇ ਹਨ, ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਸਬੰਧਾਂ ਨਾਲ ਹਰੇਕ ਉਮੀਦਵਾਰ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ।

ਅੰਤਰ: ਰਣਨੀਤੀ ਫੋਕਸ, ਯਥਾਰਥਵਾਦੀ ਸਕੋਪ, ਸਪੱਸ਼ਟ ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਜਾਗਰੂਕਤਾ।

ਸਟ੍ਰਕਚਰਡ ਵਰਕਫਲੋ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ

ਕਦਮ

AI ਯੋਗਦਾਨ

ਸਰਹੱਦ

ਤਸਦੀਕ

ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ

ਅਲਫਾਫੋਲਡ 3D ਮਾਡਲ

ਸਥਿਰ, ਲਿਗੈਂਡ ਤੋਂ ਬਿਨਾਂ

ਕ੍ਰਾਇਓ-ਈਐਮ/ਕ੍ਰਿਸਟੈਲੋਗ੍ਰਾਫੀ

ਟਰੱਸਟ ਦਾ ਮੁਲਾਂਕਣ

pLDDT ਟਿੱਪਣੀ

ਘੱਟ ਜ਼ੋਨ ਅਸਪਸ਼ਟ

ਸੁਤੰਤਰ ਮਾਡਲ ਦੀ ਤੁਲਨਾ

ਡੌਕਿੰਗ

ਤੇਜ਼ ਲੜੀਬੱਧ

ਸਕੋਰ ≠ ਸਬੰਧ

SPR/ITC ਮਾਪ

ਪਰਿਵਰਤਨ ਡਿਜ਼ਾਈਨ

ਉਮੀਦਵਾਰ ਦੀ ਸਿਫਾਰਸ਼

ਪ੍ਰਭਾਵ ਦਾ ਅੰਦਾਜ਼ਾ

ਗਤੀਵਿਧੀ ਪ੍ਰਯੋਗ

ਅਣੂ ਉਤਪਾਦਨ

ਨਵਾਂ ਉਮੀਦਵਾਰ

ਸੰਸਲੇਸ਼ਣ/ਸਥਿਰਤਾ

ਕੈਮਿਸਟ + ਗਿੱਲਾ ਟੈਸਟ

ਅਣੂ ਗਤੀਸ਼ੀਲਤਾ: ਸਰਗਰਮ ਬਣਤਰ

ਅਲਫਾਫੋਲਡ ਤੁਹਾਨੂੰ ਇੱਕ ਸਿੰਗਲ, ਜੰਮੀ ਹੋਈ ਫੋਟੋ ਦਿੰਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਪ੍ਰੋਟੀਨ ਉਹ ਮਸ਼ੀਨਾਂ ਹਨ ਜੋ ਲਗਾਤਾਰ ਹਿਲਦੀਆਂ, ਥਿੜਕਦੀਆਂ, ਉਹਨਾਂ ਦੀਆਂ ਜੇਬਾਂ ਖੁੱਲ੍ਹਦੀਆਂ ਅਤੇ ਬੰਦ ਹੁੰਦੀਆਂ ਹਨ। ਮੌਲੀਕਿਊਲਰ ਡਾਇਨਾਮਿਕਸ ਸਿਮੂਲੇਸ਼ਨ (MD—ਨਿਊਟਨ ਦੇ ਭੌਤਿਕ ਵਿਗਿਆਨ ਦੇ ਨਿਯਮਾਂ ਅਨੁਸਾਰ ਸਮੇਂ ਦੇ ਨਾਲ ਅਣੂ ਦੇ ਪਰਮਾਣੂਆਂ ਦੀ ਗਤੀ ਦਾ ਕੰਪਿਊਟਰ ਗਣਨਾ) ਇਸ ਗਤੀ ਨੂੰ ਦ੍ਰਿਸ਼ਮਾਨ ਬਣਾਉਂਦਾ ਹੈ: ਕੀ ਇੱਕ ਡਰੱਗ ਜੇਬ ਅਸਲ ਵਿੱਚ ਖੁੱਲ੍ਹੀ ਹੈ, ਇੱਕ ਪਰਿਵਰਤਨ ਲਚਕਤਾ ਨੂੰ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ, ਕੀ ਇੱਕ ਬਾਈਡਿੰਗ ਸਥਿਰ ਰਹਿੰਦੀ ਹੈ। AI ਇੱਕ MD ਸੈੱਟਅੱਪ (ਫੋਰਸ ਫੀਲਡ ਦੀ ਚੋਣ, ਵਾਟਰ ਬਾਕਸ, ਸੰਤੁਲਨ ਕਦਮ) ਦੀ ਯੋਜਨਾ ਬਣਾਉਣ ਅਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਪਰ ਸਿਮੂਲੇਸ਼ਨ ਦੀ ਭੌਤਿਕ ਵੈਧਤਾ (ਕਾਫ਼ੀ ਸਮਾਂ, ਸਹੀ ਫੋਰਸ ਫੀਲਡ) ਮਾਹਰ ਨਿਰਣਾ ਹੈ। ਇੱਕ ਛੋਟਾ ਜਾਂ ਗਲਤ ਢੰਗ ਨਾਲ ਬਣਾਇਆ ਗਿਆ ਸਿਮੂਲੇਸ਼ਨ ਇੱਕ ਨਤੀਜਾ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲੀ ਜਾਪਦਾ ਹੈ ਪਰ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਅਰਥਹੀਣ ਹੈ।

ਸੰਕੇਤ: MD ਸਿਮੂਲੇਸ਼ਨ ਦੇ ਨਤੀਜੇ 'ਤੇ ਭਰੋਸਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਦੋ ਸਵਾਲ ਪੁੱਛੋ: ਕੀ ਸਿਮੂਲੇਸ਼ਨ ਕਾਫ਼ੀ ਲੰਬਾ ਹੈ (ਕੀ ਸਿਸਟਮ ਸੰਤੁਲਨ 'ਤੇ ਪਹੁੰਚ ਗਿਆ ਹੈ) ਅਤੇ ਕੀ ਇਹ ਦੁਹਰਾਉਣ 'ਤੇ (ਇੱਕ ਵੱਖਰੇ ਸ਼ੁਰੂਆਤੀ ਬੀਜ ਦੇ ਨਾਲ) ਉਹੀ ਵਿਵਹਾਰ ਦਿੰਦਾ ਹੈ? ਇੱਕ ਸਿੰਗਲ, ਸੰਖੇਪ ਸਿਮੂਲੇਸ਼ਨ ਇੱਕ ਰੁਝਾਨ ਦਿਖਾਉਂਦਾ ਹੈ, ਸਬੂਤ ਨਹੀਂ।

ਆਮ ਗਲਤੀਆਂ

• ਇਹ ਮੰਨ ਲਓ ਕਿ pLDDT ਨੂੰ ਦੇਖੇ ਬਿਨਾਂ ਢਾਂਚਾ ਨਿਸ਼ਚਿਤ ਹੈ। ਘੱਟ ਸੁਰੱਖਿਆ ਖੇਤਰਾਂ 'ਤੇ ਆਧਾਰਿਤ ਦਾਅਵੇ ਗੁੰਮਰਾਹਕੁੰਨ ਹਨ।
• ਡੌਕਿੰਗ ਸਕੋਰ ਨੂੰ ਇੱਕ ਅਨੁਕੂਲਤਾ ਮਾਪ ਦੇ ਤੌਰ 'ਤੇ ਗਲਤ ਕਰਨਾ। ਸਕੋਰ ਰਿਸ਼ਤੇਦਾਰ ਹੈ; ਇਹ ਪ੍ਰਯੋਗ ਦੀ ਲੋੜ ਹੈ.
• ਇੱਕ ਗਤੀਸ਼ੀਲ ਹਕੀਕਤ ਲਈ ਇੱਕ ਸਥਿਰ ਬਣਤਰ ਨੂੰ ਗਲਤ ਕਰਨਾ. ਪ੍ਰੋਟੀਨ ਚਲਦੇ ਹਨ; ਇੱਕ ਢਾਂਚਾ ਸਾਰੀ ਕਹਾਣੀ ਨਹੀਂ ਦੱਸਦਾ।
• ਗੈਰ-ਸਿੰਥੇਸਾਈਜ਼ਯੋਗ ਅਣੂਆਂ ਲਈ ਸੁਝਾਅ ਸਵੀਕਾਰ ਕਰਨਾ। ਉਤਪਾਦਕ ਆਉਟਪੁੱਟ ਨੂੰ ਰਸਾਇਣਕ ਫਿਲਟਰ ਵਿੱਚੋਂ ਲੰਘਣਾ ਚਾਹੀਦਾ ਹੈ।
• ਸੁਰੱਖਿਆ/ਦੋਹਰੀ ਵਰਤੋਂ ਦਾ ਅੰਨ੍ਹਾਪਨ। ਜ਼ਹਿਰੀਲੇ ਜਾਂ ਨੁਕਸਾਨਦੇਹ ਏਜੰਟਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਰੱਦ ਕਰ ਦਿੱਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਅਲਫਾਫੋਲਡ ਅਤੇ ਡੌਕਿੰਗ ਸ਼ਕਤੀਸ਼ਾਲੀ ਏਆਈ ਟੂਲ ਹਨ ਜੋ ਪ੍ਰੋਟੀਨ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਡਰੱਗ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰਦੇ ਹਨ; ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਰਾਹ ਦੀ ਅਗਵਾਈ ਕਰਦੀ ਹੈ, ਡੌਕਿੰਗ ਹਜ਼ਾਰਾਂ ਅਣੂਆਂ ਨੂੰ ਛਾਂਟਦੀ ਹੈ, ਜਨਰੇਟਿਵ ਮਾਡਲ ਨਵੇਂ ਉਮੀਦਵਾਰਾਂ ਦਾ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ। ਪਰ ਸਭ ਦਾ ਆਉਟਪੁੱਟ ਅਨੁਮਾਨ ਹੈ: pLDDT ਆਤਮਵਿਸ਼ਵਾਸ ਸਕੋਰ ਪੜ੍ਹੋ, ਸਬੰਧਾਂ ਲਈ ਡੌਕਿੰਗ ਸਕੋਰ ਦੀ ਗਲਤੀ ਨਾ ਕਰੋ, ਗਤੀਸ਼ੀਲ ਹਕੀਕਤ ਨਾਲ ਸਥਿਰ ਬਣਤਰ ਨੂੰ ਉਲਝਾਓ ਨਾ, ਅਤੇ ਪ੍ਰਯੋਗਾਤਮਕ ਤੌਰ 'ਤੇ ਹਰੇਕ ਨਾਜ਼ੁਕ ਉਮੀਦਵਾਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ। ਸੰਸਲੇਸ਼ਣਯੋਗਤਾ, ਸੁਰੱਖਿਆ ਅਤੇ ਦੋਹਰੀ-ਵਰਤੋਂ ਦੀ ਜਾਗਰੂਕਤਾ ਅਣੂ ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਲਾਜ਼ਮੀ ਹਨ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਅਲਫਾਫੋਲਡ ਡੇਟਾਬੇਸ (ਜਾਂ ਇੱਕ ਔਨਲਾਈਨ ਸਰਵਰ) ਤੋਂ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਪ੍ਰੋਟੀਨ ਕ੍ਰਮ ਲਈ ਇੱਕ ਢਾਂਚੇ ਦੀ ਭਵਿੱਖਬਾਣੀ ਲੱਭੋ। pLDDT ਨਕਸ਼ੇ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਸੁਰੱਖਿਅਤ ਅਤੇ ਸ਼ੱਕੀ ਖੇਤਰਾਂ ਨੂੰ ਵੱਖ ਕਰੋ। ਫਿਰ ਇਸ ਪ੍ਰੋਟੀਨ ਦੀ ਸਰਗਰਮ ਸਾਈਟ 'ਤੇ AI ਟਿੱਪਣੀ ਕਰੋ ਅਤੇ ਇਸ ਦੁਆਰਾ ਕੀਤੇ ਗਏ ਹਰੇਕ ਦਾਅਵੇ ਦੀ pLDDT ਨਕਸ਼ੇ ਨਾਲ ਤੁਲਨਾ ਕਰੋ: ਕੀ ਦਾਅਵਾ ਘੱਟ-ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਖੇਤਰ 'ਤੇ ਅਧਾਰਤ ਹੈ? ਇੱਕ ਪੈਰੇ ਵਿੱਚ ਨਤੀਜੇ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ pLDDT ਵਿਸ਼ਵਾਸ ਸਕੋਰ ਦੇ ਨਾਲ ਬਣਤਰ ਦੀ ਭਵਿੱਖਬਾਣੀ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ।
• [ ] ਮੈਂ ਘੱਟ ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਖੇਤਰਾਂ 'ਤੇ ਆਧਾਰਿਤ ਦਾਅਵਿਆਂ ਤੋਂ ਬਚਿਆ ਹਾਂ।
• [ ] ਮੈਂ ਡੌਕਿੰਗ ਸਕੋਰ ਦੀ ਅਨੁਸਾਰੀ ਦਰਜਾਬੰਦੀ ਦੇ ਤੌਰ 'ਤੇ ਵਿਆਖਿਆ ਕੀਤੀ, ਨਾ ਕਿ ਸੰਪੂਰਨ ਸਬੰਧ।
• [ ] ਮੈਂ ਦੇਖਿਆ ਕਿ ਸਥਿਰ ਬਣਤਰ ਗਤੀਸ਼ੀਲ ਵਿਵਹਾਰ ਨੂੰ ਦਰਸਾਉਂਦੀ ਨਹੀਂ ਹੈ।
• [ ] ਮੈਂ ਸੰਸਲੇਸ਼ਣਯੋਗਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਦੁਆਰਾ ਉਤਪਾਦਕ ਅਣੂ ਸੁਝਾਵਾਂ ਨੂੰ ਫਿਲਟਰ ਕੀਤਾ।
• [ ] ਮੈਂ ਹਰੇਕ ਨਾਜ਼ੁਕ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਇੱਕ ਪ੍ਰਯੋਗਾਤਮਕ ਪੁਸ਼ਟੀਕਰਨ ਯੋਜਨਾ ਨਾਲ ਜੋੜਿਆ ਹੈ।