Ez a mesterséges intelligencia képes megtervezni az élet gépezetét atomi pontossággal

Ez a mesterséges intelligencia képes megtervezni az élet gépezetét atomi pontossággal

Időbélyeg: 8. március 2024. 10:00
Ez a mesterséges intelligencia megtervezheti az élet gépezetét atomi precíziós PlatoBlockchain adatintelligenciával. Függőleges keresés. Ai.

A fehérjék társas lények. Ők is kaméleonok. A sejt szükségleteitől függően gyorsan átalakul szerkezetükben, és bonyolult tánc közben megragadnak más biomolekulákat.

Ez nem molekuláris vacsoraszínház. Ezek a partnerségek inkább a biológiai folyamatok szívét képezik. Egyesek be- vagy kikapcsolják a géneket. Mások az elöregedő „zombi” sejteket önmegsemmisítésre ösztönzik, vagy az agyi hálózatok átalakításával tökéletes formában tartják a megismerésünket és a memóriánkat.

Ezek a kapcsolatok már számos terápiát inspiráltak – és az új terápiákat felgyorsíthatja az AI, amely képes biomolekulákat modellezni és tervezni. A korábbi AI-eszközök azonban kizárólag a fehérjékre és azok kölcsönhatásaira összpontosítottak, félretéve a nem fehérjetartalmú partnereiket.

Ezen a héten, Egy tanulmány in Tudomány kibővítette a mesterséges intelligencia azon képességét, hogy számos más biomolekulát modellezzen, amelyek fizikailag megragadják a fehérjéket, beleértve a vastartalmú kis molekulákat, amelyek az oxigénhordozók központját alkotják.

A Washingtoni Egyetemen dolgozó Dr. David Baker által vezetett új mesterséges intelligencia kibővíti a biomolekuláris tervezés hatókörét. A RoseTTAFold All-Atom névre keresztelt rendszer egy korábbi, csak fehérjét tartalmazó rendszerre épít, és számtalan más biomolekulát, például DNS-t és RNS-t tartalmaz. Kis molekulákat is ad hozzá – például vasat –, amelyek bizonyos fehérjefunkciók szerves részét képezik.

A mesterséges intelligencia csak a komponensek sorrendjéből és szerkezetéből tanult – anélkül, hogy fogalma lenne 3D-s szerkezetükről –, de atomi szinten képes feltérképezni az összetett molekuláris gépeket.

A vizsgálat során a generatív mesterséges intelligencia mellett a RoseTTAFold All-Atom olyan fehérjéket hozott létre, amelyek könnyen megragadták a szívbetegség elleni gyógyszert. Az algoritmus olyan fehérjéket is generált, amelyek szabályozzák a hemet, egy vasban gazdag molekulát, amely segíti a vér oxigénszállítását, valamint a bilint, a növényekben és baktériumokban lévő vegyi anyagokat, amelyek anyagcseréjükhöz fényt nyelnek el.

Ezek a példák csak a koncepció bizonyítékai. A csapat nyilvánosságra hozza a RoseTTAFold All-Atomot a tudósok számára, hogy több, egymással kölcsönhatásban álló biokomponenst hozzanak létre, sokkal bonyolultabbak, mint a fehérjekomplexek. Az alkotások viszont új terápiákhoz vezethetnek.

"Az volt a célunk, hogy olyan mesterséges intelligencia eszközt építsünk, amely kifinomultabb terápiákat és más hasznos molekulákat tud létrehozni" - mondta Woody Ahern, a tanulmány szerzője egy sajtóközleményben.

Dream On

2020-ban a Google DeepMind AlphaFoldja és a Baker Lab RoseTTAFoldja megoldotta azt a fehérjeszerkezet-előrejelzési problémát, amely fél évszázadon át zavarta a tudósokat, és a fehérjekutatás új korszakát nyitotta meg. Ezen algoritmusok frissített változatai a tudomány számára ismert és ismeretlen fehérjeszerkezeteket egyaránt feltérképezték.

Ezt követően a generatív mesterséges intelligencia – az OpenAI ChatGPT és a Google Gemini mögött álló technológia – a dizájner fehérjék kreatív őrületét váltotta ki lenyűgöző tevékenységi körrel. Néhány újonnan előállított fehérje szabályozott egy hormont, amely kordában tartotta a kalciumszintet. Mások mesterséges enzimekhez vagy fehérjékhez vezettek, amelyek képesek voltak könnyen megváltoztatják alakjukat mint a tranzisztorok az elektronikus áramkörökben.

A fehérjeszerkezetek új világának hallucinációjával a generatív mesterséges intelligencia képes szintetikus fehérjék generációját megálmodni biológiánk és egészségünk szabályozására.

De van egy probléma. A tervezői fehérje AI modellek alagútlátással rendelkeznek: vannak is fehérjékre koncentrál.

Az élet molekuláris összetevőinek elképzelésekor a fehérjék, a DNS és a zsírsavak jutnak eszünkbe. De a sejten belül ezeket a struktúrákat gyakran kis molekulák tartják össze, amelyek a környező komponensekkel hálóznak össze, és így együtt funkcionális biológiai összeállítást alkotnak.

Az egyik példa a hem, egy gyűrűszerű molekula, amely vasat tartalmaz. A hem a vörösvértestekben található hemoglobin alapja, amely oxigént szállít az egész testbe, és különféle kémiai kötések segítségével megragadja a környező fehérje „kampókat”.

A fehérjékkel vagy a DNS-sel ellentétben, amelyek molekuláris „betűk” sorozataként modellezhetők, a kis molekulákat és kölcsönhatásaikat nehéz megragadni. De kritikus fontosságúak a biológia összetett molekuláris gépei számára, és drámai módon megváltoztathatják funkcióikat.

Éppen ezért új tanulmányukban a kutatók arra törekedtek, hogy kiterjesszék az AI hatókörét a fehérjéken túl.

„Olyan szerkezet-előrejelzési módszer kidolgozását tűztük ki célul, amely képes 3D koordinátákat generálni minden atom számára” egy biológiai molekula számára, beleértve a fehérjéket, DNS-t és más módosításokat is – írták a szerzők közleményükben.

Fogócska csapat

A csapat egy korábbi fehérjemodellező mesterséges intelligencia módosításával kezdte, hogy más molekulákat is beépítsen.

Az AI három szinten működik: Az első elemzi a fehérje egydimenziós „betűje” szekvenciáját, mint egy oldalon lévő szavakat. Ezután egy 2D-s térkép nyomon követi, hogy az egyes fehérje „szavak” milyen messze vannak a másiktól. Végül a 3D koordináták – kicsit úgy, mint a GPS – leképezik a fehérje általános szerkezetét.

Aztán jön a frissítés. A kis molekulák információinak a modellbe való beépítése érdekében a csapat az első két rétegbe adatokat adott az atomi helyekről és a kémiai kapcsolatokról.

A harmadikban a kiralitásra összpontosítottak – vagyis arra, hogy egy vegyi anyag szerkezete bal- vagy jobbkezes. A mi kezünkhöz hasonlóan a vegyszereknek is lehetnek tükrözött szerkezetei nagyon eltérő biológiai következményekkel jár. Csakúgy, mint a kesztyű felhúzása, csak a vegyszer megfelelő „kezessége” illeszthető egy adott biológiailag összeszerelő „kesztyűbe”.

A RoseTTAFold All-Atomot ezután több adatkészletre képezték ki, több százezer adatponttal, amelyek leírják a fehérjéket, kis molekulákat és azok kölcsönhatásait. Végül megtanulta a kis molekulák általános tulajdonságait, amelyek hasznosak valószínű fehérje-összeállítások felépítésében. A józanság ellenőrzése érdekében a csapat egy „bizalommérőt” is hozzáadott a kiváló minőségű előrejelzések azonosításához – amelyek stabil és működőképes biológiai összeállításokhoz vezetnek.

A korábbi, csak fehérjét tartalmazó mesterséges intelligencia modellekkel ellentétben a RoseTTAFold All-Atom „teljes biomolekuláris rendszereket képes modellezni” – írta a csapat.

Egy sor tesztben a továbbfejlesztett modell felülmúlta a korábbi módszereket, amikor megtanult kis molekulákat „dokkolni” egy adott fehérjére – ez a gyógyszerkutatás kulcsfontosságú eleme – azáltal, hogy gyorsan előre jelezte a fehérjék és a nem fehérje molekulák közötti kölcsönhatásokat.

Szép új világ

A kis molekulák beépítése az egyedi fehérjetervezés teljesen új szintjét nyitja meg.

A koncepció bizonyítékaként a csapat összekapcsolta a RoseTTAFold All-Atomot egy generatív mesterséges intelligencia modellel. korábban kifejlesztett és fehérjepartnereket tervezett három különböző kis molekulához.

Az első a digoxigenin volt, amelyet szívbetegségek kezelésére használnak, de mellékhatásai lehetnek. A fehérje, amely megragadja, csökkenti a toxicitást. Még a molekula előzetes ismerete nélkül is az AI több fehérjekötőt tervezett, amelyek mérsékelték a digoxigenin szintet, amikor tenyésztett sejtekben tesztelték.

A mesterséges intelligencia olyan fehérjéket is tervezett, amelyek kötődnek a hemhez, egy kis molekulához, amely kritikus fontosságú a vörösvértestekben történő oxigénszállításhoz, és a bilint, amely segít a különféle lények fényelnyelésében.

A korábbi módszerekkel ellentétben a kutatócsoport kifejtette, hogy az MI „könnyen képes új fehérjéket generálni”, amelyek szaktudás nélkül megragadják a kis molekulákat.

Ezenkívül rendkívül pontos előrejelzéseket tud adni a fehérjék és a kis molekulák közötti kapcsolatok erősségéről atomi szinten, lehetővé téve a komplex biomolekuláris struktúrák teljesen új univerzumának racionális felépítését.

„Azáltal, hogy mindenhol felhatalmazzuk a tudósokat arra, hogy soha nem látott pontossággal állítsanak elő biomolekulákat, utat nyitunk olyan úttörő felfedezések és gyakorlati alkalmazások előtt, amelyek alakítják az orvostudomány, az anyagtudomány és azon túl is a jövőjét” – mondta Baker.

A kép forrása: Ian C. Haydon

Időbélyeg:

Még több Singularity Hub