فناوری انفورماتیک و فناوری‌نانو: قابلیتها، چالشها

علاوه بر مکانیک کوانتوم محاسباتی و شبیه سازی، روشهای مدلسازیی، که ارزشی معادل یا حتی اثری بزرگتر در کاربردهای صنعتی دارند، وجود دارد. بر خلاف مدلهای مبتنی بر مکانیک کوانتوم محاسباتی وشبیه سازی که «انرژی»، را ارزیابی می‌کنند و بر اساس آن پروسه‌های ترمودینامیک را پیش بینی می‌کنند، این مدلهای نوین که بر پایه غیر «انرژی» استوارند، عموماً طبیعتی کیفی نگر دارند و در مطالعه فلسفه طراحیها بکار گرفته می‌شوند.
 گرافیک کامپیوتری:
رشد گرافیک کامپیوتری محتملاً بزرگترین مولفه فناوری‌انفورماتیک در گستره وسیعی از شبیه سازیهای مولکولی است:
قابلیت تصویر سازی اهداف داروها( زمانی که ساختار آنها شناخته شده است) یا خانواده ترکیبی از آنالوگهای فعال و غیرفعال در حوزه مدلسازی، ضروری می‌نماید.(مثلاً در ساخت شیمیایی مواد) گرافیک کامپیوتری قدمتی از آغاز ترکیب صدا و رنگ به منظور شفاف سازی پیامها، تاکنون که با هدف توسعه دانش تصویرسازی کامپیوتری برای نمایش پروسه‌های شیمیایی و بیوفیزیکی، بکار گرفته می شود، دارد.
«هندسه بعد»:
زمینه مهم دیگری که توسعه علمی آن اثری مهم،حداقل در شبیه‌سازی و مدلسازی در زیست – فیزیک و زیست – شیمی و صنعت داروسازی بر جای خواهد گذاشت، دانش«هندسه بعد» است .
انتقال این حوزه از ریاضیات محض بسوی علم‌شیمی و سیستم‌های مولکولی بوسیله"‌Grippen" صورت گرفت." "Kuntz","Havel در اواخر دهه 70 میلادی (‍ CrippenوHavel در 1988 میلادی) این تکنیک را در اندازه‌گیریهایNMR و QSAR بکار گرفتند. Crippen این پروسه را تا تحقق این علم برای مدلسازی بر هم کنش ماکرومولکولهای پیوندی، ادامه داد. (Crippen 1999)

QSR/QSPR:
سومین زمینه مدلسازی شامل ارتباط میان داده‌های آزمایشگاهی با همان خواص فیزیکی یا غیر آن، در قالب سیستم مدلسازی است. این روشها که موسوم به QSR/QSPR می‌باشند دارای تاریخچه‌ای طولانی در مدلسازی سیستمهای بیولوژیک می‌باشند و اکنون نیز نقش مؤثری در تحلیل نتایج و استفاده از نتایج مدلسازی مولکولی در صنایع شیمی دارند.
یک مثال نمونه جهت استفاده از این تکنیک‌ها این است که:
نمونه‌ای را با یک سری از خواص فیزیکی در نظر بگیرید که می‌خواهید آن را بهینه کنید(سودمندی دارو، ارتباطات آنزیمی، مقاومت کششی یک پلیمر)
چگونه آن را حل خواهید کرد:
در زمره تازه‌ترین روشهای حل این مسأله که متعلق به "Hansch" می باشد (1971) مبتنی بر ارتباط فعالیت‌های بیولوژیک مولکول در قالب پارامتر«آب گریزی» آن که به عنوان ثابت اکتاتل به آب، معرفی می‌شود.
این روش، در طول انرژی آزاد خطی در شیمی ‌فیزیک ‌زیستی قرار می‌گیرد. (یعنی: روابط Hammett(1935))، که انرژی آزاد(لگاریتم ثابت تعادل)، به نوع دیگری از انرژی یا خواص ماده که بر اساس انرژی آزاد سنجیده می‌شود، وابسته است.
همانظور که پیشنهاد شد، ساده‌ترین چنین روشهائی به عنوان مدلهای خطی مطرحند و رگریسون خطی برای آن استفاده می‌شود. به همین ترتیب که مدل پیچیده‌تر می‌شود، مدل به سمت رگریسون غیر خطی میل می‌کند(Kowalski 1984) و .(Andrea & Kalayeh1991)
به منظور توالی چنین مدلهائی، تا حصول روابطی میان خواص فیزیکی ماده ومیزان فعالیتهای آن می بایستی در مدلسازی به روش«شبکه عصبی» بکار گرفته شود.
علاوه بر «آب گریزی»، سایر پارامترهای مؤثر و مرتبط به عنوان متغیرهای مستقل در چنین مدلهائی، عبارتند از:
نسبت آرایش اتمها به نیروهای واندروالس و خواص الکترواستاتیک.
یک روش که در برگیرنده اطلاعات 3 بعدی در قالب یک مدل باشد مانند «آنالیز میدانهای مولکولی تطبیقی که به اختصار COMFA خوانده می‌شود.

COMFA: Comparative Molecular Field Analysis

که توسط" "Cramer،"Patterson" و" Bunce"‌ در سال 1988 پایه‌گذاری شد این پارامترها و متغیرهای وابسته به آن عمومی می باشند و در بهینه سازی مدل مؤثرند. علاوه بر آن ارتباطات میان مولکولی را در جهت توجیه ساختار ماکرومولکول در ابعاد 3 بعدی توجیه می‌کند. (به این معنی که نیروهای الکترواستاتیک و پتانسیلهای واندروالس محیط شده را لحاظ می کند.)
تکنیکهای فوق به نام QSAR خوانده می شود.

QSAR: Quantitative Structure- Activity Relationship

واز مهمترین تکنیکهای فوق می توان به QSPR اشاره کرد.

QSPR: Quantitative Structure – Properties Relationship

که این تکنیک زمانی که بهینه‌سازی تعدادی از خواص مکانیکی بر اساس فعالیت‌شان مطلوب باشد، مورد توجه قرار می‌گیرد("Katrizky", "Lobanov"&" Karelson" 1995) .
یکبار دیگر، می‌توان این عمل را در زمینه مدلهای خطی و غیرخطی انجام داد و می‌توان خواص متعددی از مجموعه‌ای از مولکولها را در چنین مدلی لحاظ کرد. بنابراین برای نتیجه‌گیری خواص الکترواستاتیک یا خواص الکترونی ماده، به منظور آزمایش اینکه آیا آنها واقعاً دارای چنین روابطی هستند، مکانیک کوانتوم محاسباتی استفاده می‌شود. از آنجائیکه هدف نهائی دستیابی به ساختار دقیق الکترونی ماده نمی‌باشد و دقت کمتر و کارآئی بیشتر مطلوب است، (روشهای شبه تجربی) روشهای مکانیک کوانتوم برای چنین اهدافی مطلوب است.
استفاده از«شبیه سازی» در تعیین ساختار:
استفاده از «دینامیک مولکولی» در شناسائی ساختار به کمک X-RAY و تعیین ساختار NMR یکی از مهمترین و موفق ترین هدفها در مدلسازی مولکولی است. این روش بصورت کاملاً قاطعانه‌ای در تعیین ساختار کریستالی پروتئین و ساختار زئولیت‌های جدید مؤثر است. از آنجائیکه داده‌هایX-RAY در کریستالوگرافی ماکرومولکولی جهت تعیین ساختار اتمی با دقت بالا کافی نمی‌باشد، در مقابله با چنین روشی در ساختار کریستالی "کوچک – مولکول"، استفاده از ساخت مولکول و تکنیکهای شبیه سازی آن برای پر کردن این خلاء الزامی است.
برنامه XPLOR که توسط" Kuriyan"," Karplus", "Brunger" که در سال 1987، نوشته شد، در جهت توسعه و ترکیب دانش دینامیک مولکولی و تکنیکهای X-Ray گام بر می‌داشت و یک نمونه مناسب در راستای تشریح روش ترکیب این دو شاخه بود. در این متدولوژی، ساختار اولیه با استفاده از یک تابع که نتیجه گرفته شده از تفاوتهای میان محاسبات و بازخوردهای آزمایشگاهی برداشت شده، و تابع انرژی مولکولی مکانیکی است، تعیین می‌شود. با استفاده از دینامیک مولکولی و دمای بالا، و جابجائی ساختاری در طی یک کمینه موضعی با تغییر در وزن انرژی مولکولی مکانیکی و سوار کردن بازخوردهای آزمایشگاهی، می‌توان سیستم را بسوی سازه‌ای با استریوشیمی مطلوب و حداکثر دقت که مبتنی بر نتایج آزمایشگاهی است رهنمون شد.
(بر اساس مشاهدات ما، یک گروه مدل ساز مولکولی، بصورت غیر همزمان، و یک گروه کریستالوگراف شناسی تجربی، اعلام کردند که مدلسازی مولکولی در طراحی دارو، به اندازه کریستالوگرافی به کمک دینامیک مولکولی مؤثر نمی‌باشد.)
اهمیت مدلسازی به کمک دینامیک مولکولی در تعیین ساختار سیستمهای ماکرومولکول به کمک NMR، نمود بیشتری پیدا می‌کند، به ویژه آنجائیکه، تعداد داده‌های هندسی آزمایشگاهی مشخصاً کمتر از تعداد داده‌های کریستالوگرافی است("Case","Wiley" & " Chechester" 1998) بنابراین استفاده از فناوریهای متنوع در جهت ساخت مدل 3 بعدی ماده، نظیر تکنولوژیهای « هندسه بعد »یا« دینامیک مولکولی»، نقش مهمی در NMR سازه در مقیاس ماکرو مولکولی بازی می‌کند.
تکیه گاهی به درون اهداف بیولوژیک:
اگر ساختار ماکرومولکولی هدف معلوم باشد، ولی ارتباطات و پیچیدگیهای آن معلوم نباشد، لازم است تا روشهای محاسباتی که با دقت بالائی ساختار و پیچیدگیهای پروتئین را پیش بینی کنند، مد نظر قرار گیرد نه فقط برای یک پیوند بلکه برای تمام مجموعه پیوندها.
برنامه  DOCK ("Zou", "Sun", "Kuntz" 1999) و برنامه‌FLEXX ("Kramer" et al. 1999) ، از مجموعه برنامه هایی است که توانایی لحاظ کردن مجموعه ای در حدود 000/100 پیوند به منظور شبیه سازی کامل یک ماکرومولکول هدف، را دارد.
در سوی دیگر این طیف، برنامه هایی نظیر برنامه("Rao" & "Olsen" 1999) ، موسوم به AUTODOCK می‌باشند که گستره وسیعی از پیوندهای بین مولکولی را در یاخته ها با استفاده از روش مونت کارلو شبیه سازی می‌کنند.نیزروشهائی جهت لحاظ کردن تمام ترکیبات و حالات حاکم بر پیوندها، توسعه یافته است(Kicketal.1997) که این روشها تأثیر خاصی در شبیه سازی ساختارها دارند.
زیست انفوماتیک و شیمی انفورماتیک:
توانائی در جهت آنالیز، ساخت و جستجو در تمام رشته های ژنتیکی ارگانیزمهای متعدد، هدف عالی زیست‌انفورماتیک است. تعمیم همه انواع آنالیزها در قالب بانک اطلاعاتی های بزرگ گردآوری شده از مولکولهای زیستی، هدف عالی شیمی انفوماتیک است.
هدف زیست انفورماتیک این است که کشف ژن، تابع ژن، طراحی دارو، توسعه دارو، را در قالب الگویی مناسب ترکیب کند.
زیست انفورماتیک و شیمی انفورماتیک را باید بخشی از پروسه کلان‌تری در نظر گرفت که مبتنی بر فهرست گیری، ذخیره سازی، دستکاری و آنالیز گستره وسیعی از اطلاعات ژنها، توصیف ژنها و پروتئین‌های سازنده است و اثری که هر یک از ریز مولکولها ممکن است بر DNA یا RNA داشته باشد را اندازه گیری می کند.
زیست انفورماتیک و شیمی‌انفورماتیک دارای نظمی کلان ومهم می‌باشند. شیمی محاسباتی و مدلسازی بخشی از حوزه دانش انفورماتیک هستند.

علوم کامپیوتر:
بسیاری از محاسبات در حوزه مولکولی نیازمند منابع کامپیوتری قدرتمند است و عملاٌ توسعه این محاسبات نیازمند توسعه دانش کامپیوتر است به همین ترتیب حوزه آنالیز اطلاعات نیز ریشه در این علوم دارد.
نرم افزارهای مبتنی بر محاسبات برداری و محاسبات موازی در 15 سال آینده اثری مهم در حوزه فناوری بر جا خواهند گذاشت. خوشه‌های کامپیوتری درجهت توسعه محاسبات موازی روبه توسعه خواهند گذاشت و حوزه صنعت و تحقیقات را متحول خواهد کرد.
در مقاله آتی،با زیرساختهای الزامی برای تحقق این روند آشنا خواهیم شد.

منبع:http://www.nano.ir

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