Lähes kaikki tieteen tuntemat proteiinirakenteet ovat AlphaFold AI:n ennustamia

Tekoälyllä toimiva proteiinien laskostumismalli AlphaFold on ennustanut yli 200 miljoonaa proteiinia, lähes kaikki tällaiset tieteen tuntemat rakenteet, DeepMind sanoi torstaina.

Proteiinit ovat monimutkaisia ​​biologisia molekyylejä, joita tuotetaan elävissä organismeissa DNA:han tallennettujen ohjeiden perusteella. Nämä nanomittakaavan ketjut on valmistettu jopa 20 eri aminohappotyypistä ja ne suorittavat tärkeitä solutehtäviä kaikenlaisten kehon toimintojen suorittamiseksi. Proteiinien kolmiulotteisen muodon tunteminen on tärkeää, koska sen fyysinen rakenne antaa vihjeitä siitä, miten se käyttäytyy ja mihin tarkoitukseen se palvelee, mikä auttaa meitä esimerkiksi kehittämään lääkkeitä ja luomaan kopiointiproteiineja niille, joilla niitä ei ole.

Jotkut proteiinit ovat hyödyllisiä, kuten ne, jotka osallistuvat ruoansulatukseen, kun taas toiset voivat olla haitallisia, kuten ne, jotka osallistuvat kasvainten kasvuun. Niiden monimutkaisten vääntelevien muotojen selvittäminen on kuitenkin vaikeaa. Molekyylibiologit voivat viettää vuosia kokeita proteiinin rakenteen selvittämiseksi, ja AlphaFold voi tehdä tämän minuuteissa riippuen molekyylin koosta aminohappokoostumuksesta. 

AlphaFold koulutettiin satoihin tuhansiin tunnettuihin proteiinirakenteisiin, ja se oppi aminohappojen ja lopullisten yleismuotojen väliset suhteet. Kun otetaan huomioon mielivaltainen syötetyn aminohapposekvenssi, malli voi ennustaa 3D-proteiinirakenteen. Nyt malli on ennustanut lähes kaikki tieteen tuntemat proteiinirakenteet.

DeepMind on laajentanut toimintaansa yhteistyössä European Bioinformatics Instituten kanssa AlphaFold-proteiinirakennetietokanta sisältää yli 200 miljoonaa 3D-muotoa proteiineja eläimistä kasveihin, bakteereista viruksiin – yli 200-kertainen kasvu lähes miljoonasta 200 miljoonaan molekyyliin vain vuodessa.

"Toivoimme, että tämä uraauurtava resurssi auttaisi nopeuttamaan tieteellistä tutkimusta ja löytöjä maailmanlaajuisesti ja että muut tiimit voisivat oppia AlphaFoldin kanssa tekemiämme edistysaskeleista ja rakentaa niiden pohjalle uusia läpimurtoja", Demis Hassibis, DeepMindin toinen perustaja ja toimitusjohtaja. sanoi torstaina.

”Tuo toivo on tullut todeksi paljon nopeammin kuin olimme uskaltaneet haaveilla. Vain kaksitoista kuukautta myöhemmin yli puoli miljoonaa tutkijaa on käyttänyt AlphaFoldia, ja sitä on käytetty nopeuttamaan tärkeiden todellisten ongelmien ratkaisemista muovisaasteesta antibioottiresistenssiin.

Rekisteri on pyytänyt DeepMindiltä lisäkommentteja. 

AlphaFold on myös osoittanut suuria mahdollisuuksia uusien lääkkeiden suunnittelussa. Rakenteet auttavat tutkijoita selvittämään kemiallisia yhdisteitä, jotka voivat sitoutua kohdeproteiineihin hoitaakseen tai estääkseen niitä suorittamasta patologisia toimintoja. Yrityksillä, mukaan lukien Insilco Medicine, on kokeillaan mallin kanssa löytää uusia lääkkeitä; Toimitusjohtaja Alex Zhavoronkov kertoi Rekisteri että prosessi on paljon monimutkaisempi kuin luuletkaan ja sisältää useita vaiheita.

Ei ole selvää, kuinka tarkkoja AlphaFoldin ennusteet ovat. Proteiinin nauhamainen rakenne muuttaa usein muotoaan, kun se on vuorovaikutuksessa lääkkeen kanssa. AlphaFold ei voi auttaa tutkijoita, koska sitä ei ole koulutettu siihen. Zhavoronkov sanoi, että malli on "melko merkittävä läpimurto", mutta oli varovainen kaikesta hypetystä. 

"Kunes näemme rakenteen uudelle kohteelle suuressa sairaudessa, joka saadaan AlphaFoldin kautta ilman lisäkokeita, molekyyli, joka on suunniteltu tekoälyllä - tai muilla menetelmillä - käyttämällä tätä ennustettua rakennetta, syntetisoitu ja testattu koko matkan ja sitten julkaistu korkeassa lehdessä. – [voimme] sitten juhlia.”

Big Pharma haluaa nähdä AI-työkalujen, kuten AlphaFoldin, avulla suunniteltuja molekyylejä todella testattavana hiirillä ja ihmisillä. "Puhtaat algoritmiset saavutukset eivät ole arvokkaita lääkeyhtiöille ja varsinkaan potilaille", Zhavoronkov lisäsi.

Fabio Urbina, Collaboration Pharmaceuticalsin vanhempi tutkija, startup, joka käyttää koneoppimisalgoritmeja kehittääkseen lääkkeitä harvinaisiin geneettisiin sairauksiin, sanoi, että AlphaFold ei ole vielä osoittautunut hyödylliseksi hänen tutkimuksessaan. Urbina käyttää erilaista tekniikkaa ja keskittyy enemmän mahdollisen uuden lääkkeen rakenteeseen kuin kohdeproteiiniin.

Vielä on nähtävä, ovatko proteiinirakenteet tarpeeksi hyödyllisiä… auttaakseen meitä löytämään uusia mahdollisia lääkkeitä harvinaisiin sairauksiin

"Tämä johtuu muutamista syistä; useiden lääkekohteiden proteiinirakenteet eivät usein olleet helposti tutkijoiden käytettävissä, eikä proteiinitieto näyttänyt auttavan varhaisia ​​koneoppimismalleja parantamaan ennustekykyään merkittävästi", hän kertoi. Rekisteri.

"Olen varovaisen optimistinen, että AlphaFold on pohjimmiltaan "ratkaissut" ensimmäisen ongelman, mutta ei ole vielä nähtävissä, ovatko proteiinirakenteet riittävän hyödyllisiä koneoppimisen ennustusvoiman parantamiseen, jotta voimme löytää uusia mahdollisia lääkkeitä. harvinaisille sairauksille. Olemme kuitenkin nähneet yhä useammin proteiinien rakenneinformaation huomioivan osana uudempia koneoppimismenetelmiä, ja olemme harkinneet tekevämme samoin.

Lähes kaikki tunnetut proteiinirakenteet sisältävän tietokannan saattaminen saataville, kuten DeepMind on luvannut, tarkoittaa, että useammalla tiedemiehellä on resursseja kokeilla ja rakentaa tehokkaampia tekoälymalleja, Urbina sanoi. "Olen varovaisen optimistinen, mutta kun koko kirjasto proteiinirakenteita on saatavilla, sanoisin, että on hyvät mahdollisuudet, että AlphaFold-rakenteet sisällytetään joihinkin koneoppimismalleihimme, ja ne voivat viime kädessä auttaa meitä löytämään uusia terapeuttisia menetelmiä. ” ®