فناوري انفورماتيك و فناوري‌نانو: قابليتها، چالشها

علاوه بر مكانيك كوانتوم محاسباتي و شبيه سازي، روشهاي مدلسازيي، كه ارزشي معادل يا حتي اثري بزرگتر در كاربردهاي صنعتي دارند، وجود دارد. بر خلاف مدلهاي مبتني بر مكانيك كوانتوم محاسباتي وشبيه سازي كه «انرژي»، را ارزيابي مي‌كنند و بر اساس آن پروسه‌هاي ترموديناميك را پيش بيني مي‌كنند، اين مدلهاي نوين كه بر پايه غير «انرژي» استوارند، عموماً طبيعتي كيفي نگر دارند و در مطالعه فلسفه طراحيها بكار گرفته مي‌شوند.
گرافيك كامپيوتري:
رشد گرافيك كامپيوتري محتملاً بزرگترين مولفه فناوري‌انفورماتيك در گستره وسيعي از شبيه سازيهاي مولكولي است:
قابليت تصوير سازي اهداف داروها( زماني كه ساختار آنها شناخته شده است) يا خانواده تركيبي از آنالوگهاي فعال و غيرفعال در حوزه مدلسازي، ضروري مي‌نمايد.(مثلاً در ساخت شيميايي مواد) گرافيك كامپيوتري قدمتي از آغاز تركيب صدا و رنگ به منظور شفاف سازي پيامها، تاكنون كه با هدف توسعه دانش تصويرسازي كامپيوتري براي نمايش پروسه‌هاي شيميايي و بيوفيزيكي، بكار گرفته مي شود، دارد.
«هندسه بعد»:
زمينه مهم ديگري كه توسعه علمي آن اثري مهم،حداقل در شبيه‌سازي و مدلسازي در زيست – فيزيك و زيست – شيمي و صنعت داروسازي بر جاي خواهد گذاشت، دانش«هندسه بعد» است .
انتقال اين حوزه از رياضيات محض بسوي علم‌شيمي و سيستم‌هاي مولكولي بوسيله"‌Grippen" صورت گرفت." "Kuntz","Havel در اواخر دهه 70 ميلادي (‍ CrippenوHavel در 1988 ميلادي) اين تكنيك را در اندازه‌گيريهايNMR و QSAR بكار گرفتند. Crippen اين پروسه را تا تحقق اين علم براي مدلسازي بر هم كنش ماكرومولكولهاي پيوندي، ادامه داد. (Crippen 1999)

QSR/QSPR:
سومين زمينه مدلسازي شامل ارتباط ميان داده‌هاي آزمايشگاهي با همان خواص فيزيكي يا غير آن، در قالب سيستم مدلسازي است. اين روشها كه موسوم به QSR/QSPR مي‌باشند داراي تاريخچه‌اي طولاني در مدلسازي سيستمهاي بيولوژيك مي‌باشند و اكنون نيز نقش مؤثري در تحليل نتايج و استفاده از نتايج مدلسازي مولكولي در صنايع شيمي دارند.
يك مثال نمونه جهت استفاده از اين تكنيك‌ها اين است كه:
نمونه‌اي را با يك سري از خواص فيزيكي در نظر بگيريد كه مي‌خواهيد آن را بهينه كنيد(سودمندي دارو، ارتباطات آنزيمي، مقاومت كششي يك پليمر)
چگونه آن را حل خواهيد كرد:
در زمره تازه‌ترين روشهاي حل اين مسأله كه متعلق به "Hansch" مي باشد (1971) مبتني بر ارتباط فعاليت‌هاي بيولوژيك مولكول در قالب پارامتر«آب گريزي» آن كه به عنوان ثابت اكتاتل به آب، معرفي مي‌شود.
اين روش، در طول انرژي آزاد خطي در شيمي ‌فيزيك ‌زيستي قرار مي‌گيرد. (يعني: روابط Hammett(1935))، كه انرژي آزاد(لگاريتم ثابت تعادل)، به نوع ديگري از انرژي يا خواص ماده كه بر اساس انرژي آزاد سنجيده مي‌شود، وابسته است.
همانظور كه پيشنهاد شد، ساده‌ترين چنين روشهائي به عنوان مدلهاي خطي مطرحند و رگريسون خطي براي آن استفاده مي‌شود. به همين ترتيب كه مدل پيچيده‌تر مي‌شود، مدل به سمت رگريسون غير خطي ميل مي‌كند(Kowalski 1984) و .(Andrea & Kalayeh1991)
به منظور توالي چنين مدلهائي، تا حصول روابطي ميان خواص فيزيكي ماده وميزان فعاليتهاي آن مي بايستي در مدلسازي به روش«شبكه عصبي» بكار گرفته شود.
علاوه بر «آب گريزي»، ساير پارامترهاي مؤثر و مرتبط به عنوان متغيرهاي مستقل در چنين مدلهائي، عبارتند از:
نسبت آرايش اتمها به نيروهاي واندروالس و خواص الكترواستاتيك.
يك روش كه در برگيرنده اطلاعات 3 بعدي در قالب يك مدل باشد مانند «آناليز ميدانهاي مولكولي تطبيقي كه به اختصار COMFA خوانده مي‌شود. COMFA: Comparative Molecular Field Analysis
كه توسط" "Cramer،"Patterson" و" Bunce"‌ در سال 1988 پايه‌گذاري شد اين پارامترها و متغيرهاي وابسته به آن عمومي مي باشند و در بهينه سازي مدل مؤثرند. علاوه بر آن ارتباطات ميان مولكولي را در جهت توجيه ساختار ماكرومولكول در ابعاد 3 بعدي توجيه مي‌كند. (به اين معني كه نيروهاي الكترواستاتيك و پتانسيلهاي واندروالس محيط شده را لحاظ مي كند.)
تكنيكهاي فوق به نام QSAR خوانده مي شود. QSAR: Quantitative Structure- Activity Relationship
واز مهمترين تكنيكهاي فوق مي توان به QSPR اشاره كرد.
QSPR: Quantitative Structure – Properties Relationship
كه اين تكنيك زماني كه بهينه‌سازي تعدادي از خواص مكانيكي بر اساس فعاليت‌شان مطلوب باشد، مورد توجه قرار مي‌گيرد("Katrizky", "Lobanov"&" Karelson" 1995) .
يكبار ديگر، مي‌توان اين عمل را در زمينه مدلهاي خطي و غيرخطي انجام داد و مي‌توان خواص متعددي از مجموعه‌اي از مولكولها را در چنين مدلي لحاظ كرد. بنابراين براي نتيجه‌گيري خواص الكترواستاتيك يا خواص الكتروني ماده، به منظور آزمايش اينكه آيا آنها واقعاً داراي چنين روابطي هستند، مكانيك كوانتوم محاسباتي استفاده مي‌شود. از آنجائيكه هدف نهائي دستيابي به ساختار دقيق الكتروني ماده نمي‌باشد و دقت كمتر و كارآئي بيشتر مطلوب است، (روشهاي شبه تجربي) روشهاي مكانيك كوانتوم براي چنين اهدافي مطلوب است.
استفاده از«شبيه سازي» در تعيين ساختار:
استفاده از «ديناميك مولكولي» در شناسائي ساختار به كمك X-RAY و تعيين ساختار NMR يكي از مهمترين و موفق ترين هدفها در مدلسازي مولكولي است. اين روش بصورت كاملاً قاطعانه‌اي در تعيين ساختار كريستالي پروتئين و ساختار زئوليت‌هاي جديد مؤثر است. از آنجائيكه داده‌هايX-RAY در كريستالوگرافي ماكرومولكولي جهت تعيين ساختار اتمي با دقت بالا كافي نمي‌باشد، در مقابله با چنين روشي در ساختار كريستالي "كوچك – مولكول"، استفاده از ساخت مولكول و تكنيكهاي شبيه سازي آن براي پر كردن اين خلاء الزامي است.
برنامه XPLOR كه توسط" Kuriyan"," Karplus", "Brunger" كه در سال 1987، نوشته شد، در جهت توسعه و تركيب دانش ديناميك مولكولي و تكنيكهاي X-Ray گام بر مي‌داشت و يك نمونه مناسب در راستاي تشريح روش تركيب اين دو شاخه بود. در اين متدولوژي، ساختار اوليه با استفاده از يك تابع كه نتيجه گرفته شده از تفاوتهاي ميان محاسبات و بازخوردهاي آزمايشگاهي برداشت شده، و تابع انرژي مولكولي مكانيكي است، تعيين مي‌شود. با استفاده از ديناميك مولكولي و دماي بالا، و جابجائي ساختاري در طي يك كمينه موضعي با تغيير در وزن انرژي مولكولي مكانيكي و سوار كردن بازخوردهاي آزمايشگاهي، مي‌توان سيستم را بسوي سازه‌اي با استريوشيمي مطلوب و حداكثر دقت كه مبتني بر نتايج آزمايشگاهي است رهنمون شد.
(بر اساس مشاهدات ما، يك گروه مدل ساز مولكولي، بصورت غير همزمان، و يك گروه كريستالوگراف شناسي تجربي، اعلام كردند كه مدلسازي مولكولي در طراحي دارو، به اندازه كريستالوگرافي به كمك ديناميك مولكولي مؤثر نمي‌باشد.)
اهميت مدلسازي به كمك ديناميك مولكولي در تعيين ساختار سيستمهاي ماكرومولكول به كمك NMR، نمود بيشتري پيدا مي‌كند، به ويژه آنجائيكه، تعداد داده‌هاي هندسي آزمايشگاهي مشخصاً كمتر از تعداد داده‌هاي كريستالوگرافي است("Case","Wiley" & " Chechester" 1998) بنابراين استفاده از فناوريهاي متنوع در جهت ساخت مدل 3 بعدي ماده، نظير تكنولوژيهاي « هندسه بعد »يا« ديناميك مولكولي»، نقش مهمي در NMR سازه در مقياس ماكرو مولكولي بازي مي‌كند.
تكيه گاهي به درون اهداف بيولوژيك:
اگر ساختار ماكرومولكولي هدف معلوم باشد، ولي ارتباطات و پيچيدگيهاي آن معلوم نباشد، لازم است تا روشهاي محاسباتي كه با دقت بالائي ساختار و پيچيدگيهاي پروتئين را پيش بيني كنند، مد نظر قرار گيرد نه فقط براي يك پيوند بلكه براي تمام مجموعه پيوندها.
برنامه DOCK ("Zou", "Sun", "Kuntz" 1999) و برنامه‌FLEXX ("Kramer" et al. 1999) ، از مجموعه برنامه هايي است كه توانايي لحاظ كردن مجموعه اي در حدود 000/100 پيوند به منظور شبيه سازي كامل يك ماكرومولكول هدف، را دارد.
در سوي ديگر اين طيف، برنامه هايي نظير برنامه("Rao" & "Olsen" 1999) ، موسوم به AUTODOCK مي‌باشند كه گستره وسيعي از پيوندهاي بين مولكولي را در ياخته ها با استفاده از روش مونت كارلو شبيه سازي مي‌كنند.نيزروشهائي جهت لحاظ كردن تمام تركيبات و حالات حاكم بر پيوندها، توسعه يافته است(Kicketal.1997) كه اين روشها تأثير خاصي در شبيه سازي ساختارها دارند.
زيست انفوماتيك و شيمي انفورماتيك:
توانائي در جهت آناليز، ساخت و جستجو در تمام رشته هاي ژنتيكي ارگانيزمهاي متعدد، هدف عالي زيست‌انفورماتيك است. تعميم همه انواع آناليزها در قالب بانك اطلاعاتي هاي بزرگ گردآوري شده از مولكولهاي زيستي، هدف عالي شيمي انفوماتيك است.
هدف زيست انفورماتيك اين است كه كشف ژن، تابع ژن، طراحي دارو، توسعه دارو، را در قالب الگويي مناسب تركيب كند.
زيست انفورماتيك و شيمي انفورماتيك را بايد بخشي از پروسه كلان‌تري در نظر گرفت كه مبتني بر فهرست گيري، ذخيره سازي، دستكاري و آناليز گستره وسيعي از اطلاعات ژنها، توصيف ژنها و پروتئين‌هاي سازنده است و اثري كه هر يك از ريز مولكولها ممكن است بر DNA يا RNA داشته باشد را اندازه گيري مي كند.
زيست انفورماتيك و شيمي‌انفورماتيك داراي نظمي كلان ومهم مي‌باشند. شيمي محاسباتي و مدلسازي بخشي از حوزه دانش انفورماتيك هستند.

علوم كامپيوتر:
بسياري از محاسبات در حوزه مولكولي نيازمند منابع كامپيوتري قدرتمند است و عملاٌ توسعه اين محاسبات نيازمند توسعه دانش كامپيوتر است به همين ترتيب حوزه آناليز اطلاعات نيز ريشه در اين علوم دارد.
نرم افزارهاي مبتني بر محاسبات برداري و محاسبات موازي در 15 سال آينده اثري مهم در حوزه فناوري بر جا خواهند گذاشت. خوشه‌هاي كامپيوتري درجهت توسعه محاسبات موازي روبه توسعه خواهند گذاشت و حوزه صنعت و تحقيقات را متحول خواهد كرد.
در مقاله آتي،با زيرساختهاي الزامي براي تحقق اين روند آشنا خواهيم شد.



منابع :

1) Andrea, T., and H. Kalayeh. 1991. J. Med. Chem. v. 34. p. 2824.

2) Brunger, A.T., J. Kuriyan, and M. Karplus. 1987. Science. 235, 458.

3) Case, D., J. Wiley, and Chichester. 1998. NMR refinement. Encyclopedia of Computational Chemistry. P.v.R. Schleyer(ed.). p. 1866.

4) Cramer, R.D., D.E. Patterson, and J.D. Bunce. 1988. J. Amer. Chem. Soc. v. 110. p. 5959.

5) Crippen, G.M., and T.F. Havel. 1988. Distance Geometry and Molecular Conformations. Research Studies Press. Wiley.New York.

6) Ferrin, T.E., and T.E. Klein. 1998. Computer graphics and molecular modeling. Encyclopedia of Computational

7) Hammett, L.P. 1935. Chem. Rev. v. 17. 125.

8) Hansch, C. 1971. Drug Design, E.J. Ariens (ed.). Academic Press. New York. vol. 1, chapter 2.

9) Katrizky, A., V. Lobanov, and M. Karelson. 1995. Chem. Soc. Rev. v. 24. 279.

10) Kowalski, B. (ed.). 1984. Chemometrics.Mathematics and Statistics in Chemistry. D. Reidel Publishing Co. Dordecht.

11) Joliffe, I.T. 1986. Principal Component Analysis. Springer-Verlag. New York.

12) Kramer, B., G. Metz, M. Rarey, and T. Lengauer. 1999. Med. Chem. Res. 9. 463.

13) Kick, E.M., E.M.D.C. Roe, A.G. Skillman, G.C. Liu, T.J.A. Ewing, Y.X. Sun, I.D. Kuntz, and J.A. Ellman. 1997.

14) Langridge, R., T.E. Ferrin, I.D. Kuntz, and M.L. Connolly. 1981. Science. 211. p. 611.

15) Rao, M.S., and A.J. Olson. 1999. Proteins.Structure, Function and Genetics .34. 173.

16) Zou, X.Q., Y.X. Sun, and I.D. Kuntz. 1999. J. Amer. Chem. Soc. 121. 8033.

17) Thayer, A.M. 2000. Bioinformatics for the masses. Chem. Eng. News. 19.

Resource