பாலிமர்களின் உருவகப்படுத்துதல் சாத்தியமா? ஒரு குவாண்டம் புதிர்
பாலிமர்களைப் படிக்க கணினிகளைப் பயன்படுத்துவது எப்போதும் அறிவியல் கணக்கீட்டிற்கு, குறிப்பாக DNA போன்ற நீண்ட மற்றும் அடர்த்தியாக நிரம்பிய உயிர் மூலக்கூறுகளுக்கு ஒரு பெரிய சவாலாக உள்ளது. குவாண்டம் கம்ப்யூட்டிங் மூலம் புதிய முன்னோக்குகள் இப்போது திறக்கப்படுகின்றன. விஞ்ஞானிகள் இப்போது பாலிமர் மாதிரிகளின் அடிப்படை மாதிரிகளை குவாண்டம் கணினிகளால் திறம்பட தீர்க்கக்கூடிய தேர்வுமுறை சிக்கல்களாக மீண்டும் உருவாக்கியுள்ளனர். இந்த புதிய வகை அணுகுமுறை இதுவரை கண்டுபிடிக்கப்படாத சூழலில் இந்த இயந்திரங்களின் கணிசமான திறனைப் பயன்படுத்துவதை சாத்தியமாக்கியுள்ளது.
இயற்பியல் மறுஆய்வு கடிதங்கள் இதழில் வெளியிடப்பட்ட இந்த ஆய்வில், சிஸ்ஸாவைச் சேர்ந்த கிறிஸ்டியன் மைக்கேலெட்டி மற்றும் ட்ரெண்டோ பல்கலைக்கழகத்தின் பிலிப் ஹாக் மற்றும் பியட்ரோ ஃபேசியோலி ஆகியோர் அடங்குவர்.
மான்டே கார்லோ நுட்பங்கள் முதல் உருவகப்படுத்தப்பட்ட அனீலிங் வரை அறிவியல் கணிப்பீட்டின் பல முன்னுதாரணங்கள் என ஆசிரியர்கள் விளக்குகிறார்கள். குறைந்த பட்சம், புரோட்டீன் மற்றும் DNA போன்ற உயிரியல் பண்புகள் உட்பட பாலிமர்களின் பண்புகளை ஆய்வு செய்ய உருவாக்கப்பட்டது. ஒருபுறம், குவாண்டம் கணினிகளின் முன்னேற்றம் பொதுவாக அறிவியல் கணினிக்கு புதிய காட்சிகளைத் திறக்கிறது. அதே நேரத்தில், இந்த மாபெரும் திறனை முழுமையாகப் பயன்படுத்திக் கொள்வதற்கு பொருத்தமான புதிய மாதிரிகளின் வளர்ச்சி தேவைப்படுகிறது. குறிப்பாக, குவாண்டம் கணினிகள் தேர்வுமுறை பணிகளைத் தீர்ப்பதில் சிறந்து விளங்குகின்றன. இந்த சிக்கல்கள் பொதுவாக ஒரு முன்னமைக்கப்பட்ட மதிப்பெண் முறையின் படி கணினி மாறிகளின் உகந்த கலவையை கண்டுபிடிப்பதை உள்ளடக்கியது.
இதைக் கருத்தில் கொண்டு, ஆசிரியர்கள் சாத்தியமான ஒவ்வொரு பாலிமர் உள்ளமைவுக்கும் பொருத்தமான தேர்வுமுறை பிரச்சனையின் தீர்வுகளுக்கும் இடையே ஒரு மெல்லிய பொருளை நிறுவுவதன் மூலம் அடிப்படை பாலிமர் மாதிரிகளை மீண்டும் உருவாக்கியுள்ளனர்.
“பொதுவாக, பாலிமர் சங்கிலிகள் முப்பரிமாண இடத்தில் புள்ளிகளின் வரிசையாக நேரடியாக வடிவமைக்கப்படுகின்றன. கிளாசிக் சிமுலேஷன்களில், இந்த சங்கிலி முற்போக்கான சிதைவுகள் மூலம் அனிமேஷன் செய்யப்பட்டு, இயற்கையில் உள்ள பாலிமரின் இயக்கவியலைப் பிரதிபலிக்கிறது” என்று ஆசிரியர்கள் விளக்குகின்றனர். இப்போது நாம் குவாண்டம் கம்ப்யூட்டிங் சகாப்தத்தில் நுழைகிறோம், இந்த புதுமையான நுட்பங்களுடன் பாலிமர்களைப் படிப்பது இயற்கையாகிவிட்டது. இருப்பினும், 3D இடத்தில் உள்ள புள்ளிகளை அடிப்படையாகக் கொண்ட விளக்கங்களை குவாண்டம் கணினிகளுடன் எளிதாகப் பயன்படுத்த முடியாது. வழக்கமான பாலிமர் விளக்கங்களைத் தவிர்ப்பதற்கான வழிகளைக் கண்டுபிடிப்பது புதிய முன்னோக்குகளைத் திறக்கக்கூடிய ஒரு சவாலாகும்.
மைக்கேலெட்டி விளக்குவதாவது, “பாலிமர் அமைப்பின் சாத்தியமான அனைத்து உள்ளமைவுகளையும் ஒற்றை தேர்வுமுறை பிரச்சனையின் தீர்வாக குறியாக்குவதே மூலோபாயம் ஆகும். இயற்பியலில் மிகவும் பொதுவான மாதிரிகளில் ஒன்றான ஐசிங் ஸ்பின் மாறிகள் அடிப்படையில் குவாண்டம் கணினிகளுடன் மேம்படுத்தப்பட்டது. எளிமைப்படுத்த, ஐசிங் மாடலில் ஒரு தேர்வுமுறை சிக்கலை ஒரு வண்ணப் புதிராக பார்க்க முடியும். சவாலானது ஒரு பெரிய எண்ணிக்கையிலான விதிகளை மதிக்கும் போது ஒரு அணிக்கோவையின் ஒவ்வொரு புள்ளிக்கும் ஒரு நீல அல்லது சிவப்பு நிறத்தை ஒதுக்குகிறது. உதாரணமாக, புள்ளிகள் A மற்றும் B வெவ்வேறு நிறங்களைக் கொண்டிருக்க வேண்டும், அதே போல் B மற்றும் C புள்ளிகளும் இருக்க வேண்டும்; அதே நேரத்தில் A மற்றும் C புள்ளிகள் ஒரே நிறத்தில் இருக்க வேண்டும். குவாண்டம் கம்ப்யூட்டர்கள் இத்தகைய சிக்கல்களைத் தீர்ப்பதில் மிகவும் திறமையானவை, அதாவது திருப்தி தரும் வண்ண வேலையை கண்டுபிடிப்பதில் அதிக எண்ணிக்கையிலான விதிகள் கொடுக்கப்பட்டுள்ளன. எங்கள் விஷயத்தில், தேர்வுமுறை சிக்கலின் ஒவ்வொரு தீர்விலும், நாம் ஒரு குறிப்பிட்ட பாலிமர் கட்டமைப்பை இணைக்க முடியும். தீர்வுகளுக்கான தேடலை மீண்டும் செய்வதன் மூலம், நாங்கள் இவ்வாறு அதிக எண்ணிக்கையிலான பாலிமர் உள்ளமைவுகளை சேகரிக்க முடியும், இவை அனைத்தும் புள்ளிவிவர ரீதியாக சுயாதீனமானவை.”
குவாண்டம் கம்ப்யூட்டர்களின் விரைவான வளர்ச்சியானது, இந்த கணினிகள் வழக்கமான கணினிகளால் தீர்க்கப்படும் சிக்கல்களை விட மிகவும் சிக்கலான அறிவியல் பிரச்சினைகளை தீர்க்க பயன்படுத்தப்படலாம் என்று கூறுகிறது. “இதனால்தான் அறிவியல் கணக்கீட்டின் இந்த புதிய முன்னுதாரணத்தின் திறனைப் பயன்படுத்துவதற்கான வழிமுறைகளை இப்போது வழங்குவது முக்கியம்.” ஆராய்ச்சியாளர்கள் கூறுவதாவது: “முக்கிய பாலிமர் மாதிரிகளைப் படிப்பதற்கு எப்படி குவாண்டம் கம்ப்யூட்டிங் பயன்படுத்த முடியும் என்பதற்கு எங்கள் ஆய்வு முதல் உதாரணத்தை அளிக்கிறது. முன்னோக்கில், எங்கள் அணுகுமுறை பொதுவானது என்பதால், வரையறுக்கப்பட்ட இடங்களில் நீண்ட பயோபாலிமர்கள் போன்ற சிக்கலான மற்றும் லட்சிய அமைப்புகளைக் கையாள்வதற்கான ஒரு அடிப்படையை இது வழங்க வேண்டும். மரபணு அமைப்பைப் புரிந்துகொள்வதற்கும் அவை முக்கியம்.”
References: