5.3.2 Foldit

Foldit minangka game lempitan protein sing mbisakake para non ahli kanggo melu kanthi cara sing nyenengake.

Bebungah Netflix, nalika evocative lan cetha, ora nggambarake pirang-pirang proyek panggilan mbukak. Contone, ing Netflix Prize, para peserta serius nduweni taun latihan ing statistik lan mesin learning. Nanging, proyek panggilan terbuka bisa uga melu peserta sing ora duwe latihan resmi, kaya sing digambarake dening Foldit, game lempitan protein.

Lipat protein yaiku prosès liwat rantai asam amino njupuk sawijining wangun. Kanthi pangerten sing luwih apik saka proses iki, ahli biologi bisa nggawé protèin karo wangun tartamtu sing bisa digunakake minangka obat-obatan. Prasaja gampang dicampur, protèin cenderung pindhah menyang konfigurasi paling sithik, konfigurasi sing saldo macem-macem nyurung lan narik ing protein (angka 5.7). Dadi, yen panaliti kepengin ngramentar wangun dadi protein sing bakal melu, solusi kasebut prasaja: mung nyoba kabeh konfigurasi, ngitung energie, lan prédhiksi yen protein bakal melu dadi konfigurasi energi paling rendah. Sayange, nyoba kabeh konfigurasi sing mungkin ora bisa dikira kanthi komputasi amarga ana miliaran lan miliaran konfigurasi potensial. Malah karo komputer sing paling kuat sing kasedhiya ing dina iki-lan ing mangsa ngarep-pasukan sing ora bisa ditemokake mung ora bisa mlaku. Mulane, ahli biologi wis gawe akeh kalkulus sing cerdas kanggo nggoleki konfigurasi energi paling murah. Nanging, sanajan akeh usaha ilmiah lan komputasi, algoritma kasebut isih adoh saka sampurna.

Gambar 5.7: Protein lipat. Gambar saka DrKjaergaard / Wikimedia Commons.

Gambar 5.7: Protein lipat. Gambar saka "DrKjaergaard" / Wikimedia Commons .

David Baker lan kelompok risetipun ing University of Washington minangka bagian saka komunitas ilmuwan sing ngupaya nggawe pendekatan komputasi kanggo lempitan protein. Ing sawijining proyek, Baker lan kolega ngembangake sistem sing ngidini para sukarelawan nyumbang wektu sing ora dianggo ing komputer kanggo mbantu lulus protein simulasi. Kanggo bali, para sukarelawan bisa nonton screensaver nampilake lempitan protein sing kedadeyan ing komputer. Saperangan saka sukarelawan iki nulis marang Baker lan kanca-kancane sing ngomong yen dheweke mikir yen bisa nambah kinerja komputer yen dheweke bisa entuk pitungan. Lan kanthi mangkono wiwit Foldit (Hand 2010) .

Foldit dadi proses lempitan protein menyang game sing bisa dimainake dening sapa wae. Saka perspektif pamuter, Foldit katon minangka teka-teki (gambar 5.8). Pemain diwenehi struktur tanduran tiga dimensi struktur protein lan bisa nindakake operasi- "tweak," "goyang-goyang," "mbangun" -bentuk sing ngowahi bentuke. Kanthi nindakake operasi kasebut, pemain ngowahi bentuk protein kasebut, sing banjur mundhak utawa ngurangi skor. Secara kritis, skor wis diduweni miturut tingkat energi konfigurasi saiki; konfigurasi lower-energy ngasilake skor sing luwih dhuwur. Ing tembung liya, skor kasebut mbantu nuntun para pemain nalika nggolèki konfigurasi kurang energi. Game iki mung bisa amarga-kaya ngira rating film ing Netflix Prize-protein lipat uga kahanan sing luwih gampang kanggo mriksa solusi saka ngasilake.

Gambar 5.8: Layar game kanggo Foldit. Diwiwiti kanthi ijin saka http://www.fold.it.

Gambar 5.8: Layar game kanggo Foldit. Diwiwiti kanthi ijin saka http://www.fold.it.

Desain elegan Foldit mbisakake para pemain sing ora duwe pengetahuan formal babagan biokimia kanggo saingan karo algoritma sing paling apik sing dirancang dening para ahli. Nalika pemain paling ora apik ing tugas kasebut, ana pemain individu lan pemain cilik sing luar biasa. Ing kasunyatan, ing kompetisi pamuter antara pemain Foldit lan algoritma negara, para pemain damel solusi sing luwih apik kanggo 5 saka 10 protein (Cooper et al. 2010) .

Foldit lan hadiah Netflix beda-beda ing pirang-pirang cara, nanging loro-lorone ndherek mbukak telpon kanggo solusi sing luwih gampang dipriksa saka ngasilake. Saiki, kita bakal weruh struktur sing padha ing setelan liyane sing beda banget: hukum paten. Conto pungkasan saka masalah panggilan sing mbukak nuduhake yen pendekatan iki uga bisa digunakake ing setelan sing ora jelas bisa ditrapake kanggo kuantifikasi.