Az AlphaFold AI által megjósolt szinte minden, a tudomány által ismert fehérjeszerkezet

A mesterséges intelligenciával hajtott AlphaFold fehérjehajtogatási modell több mint 200 millió fehérjét jósolt meg, szinte az összes ilyen struktúrát, amelyet a tudomány ismer – közölte csütörtökön a DeepMind.

A fehérjék olyan összetett biológiai molekulák, amelyeket élő szervezetekben a DNS-ben tárolt utasítások alapján állítanak elő. Ezek a 20 féle aminosavból készült nanoméretű láncok létfontosságú sejtfeladatokat látnak el mindenféle testi funkció végrehajtásához. A fehérjék háromdimenziós formájának ismerete azért fontos, mert fizikai felépítése utal arra, hogyan viselkedik, és milyen célt szolgál, ami segít nekünk olyan dolgokban, mint a gyógyszerek kifejlesztése, és másoló fehérjék létrehozása azoknak, akiknek hiányzik ezekből.

Egyes fehérjék hasznosak, például azok, amelyek részt vesznek az élelmiszer emésztésében, míg mások károsak lehetnek, például a daganatok növekedésében. Bonyolult vonagló alakjukat azonban nehéz kitalálni. A molekuláris biológusok éveket tölthetnek azzal, hogy kísérleteket végezzenek egy fehérje szerkezetének megfejtésére, és az AlphaFold ezt percek alatt meg tudja tenni, attól függően, hogy mekkora a molekula az aminosav-összetételből. 

Az AlphaFoldot több százezer ismert fehérjeszerkezetre oktatták, és megtanulta az alkotó aminosavak és a végső általános formák közötti összefüggéseket. Egy tetszőleges bemeneti aminosav szekvenciával a modell képes megjósolni a 3D fehérje szerkezetét. Mára a modell megjósolta szinte az összes, a tudomány által ismert fehérjeszerkezetet.

Az Európai Bioinformatikai Intézettel együttműködve a DeepMind kibővítette AlphaFold fehérjeszerkezeti adatbázis több mint 200 millió 3D-s fehérjeformát tartalmazni az állatoktól a növényekig, a baktériumoktól a vírusokig – ez több mint 200-szoros növekedés közel egymillió molekuláról legalább 200 millió molekulára mindössze egy év alatt.

„Reméltük, hogy ez az úttörő erőforrás segít felgyorsítani a tudományos kutatást és a felfedezést világszerte, és hogy más csapatok tanulhatnak az AlphaFolddal elért előrelépéseinkből, és építhetnek azokra, hogy további áttörést érhessenek el” – mondta Demis Hassibis, a DeepMind társalapítója és vezérigazgatója. mondott csütörtöki közleményében.

„Ez a remény sokkal hamarabb valósággá vált, mint ahogyan álmodni mertünk volna. Mindössze tizenkét hónappal később az AlphaFoldhoz több mint félmillió kutató férhetett hozzá, és arra használták fel, hogy felgyorsítsák a valós világban jelentkező fontos problémák megoldását, a műanyagszennyezéstől az antibiotikum-rezisztenciáig.

A regisztráció további megjegyzést kért a DeepMindtől. 

Az AlphaFold nagy lehetőségeket mutatott új gyógyszerek tervezésében is. A szerkezetek segítenek a tudósoknak kitalálni azokat a kémiai vegyületeket, amelyek kötődhetnek a célfehérjékhez, hogy kezeljék vagy megakadályozzák, hogy kóros funkciókat hajtsanak végre. A cégek, köztük az Insilco Medicine kísérletezett a modellel új gyógyszerek felfedezésére; Alex Zhavoronkov vezérigazgató elmondta A regisztráció hogy a folyamat sokkal bonyolultabb, mint gondolnád, és több lépésből áll.

Nem világos, hogy mennyire pontosak az AlphaFold előrejelzései. A fehérje szalagszerű szerkezete gyakran megváltoztatja alakját, amikor kölcsönhatásba lép egy gyógyszerrel, amiben az AlphaFold nem tud segíteni a tudósoknak, mivel nincs erre képzett. Zsavoronkov szerint a modell „elég figyelemreméltó áttörés”, de óvakodott minden felhajtástól. 

„Amíg nem látunk egy új célpont szerkezetét egy nagy betegségben, amelyet az AlphaFold segítségével nyerünk ki további kísérletek nélkül, addig egy mesterséges intelligenciával – vagy más módszerekkel – megtervezett molekulát ezzel a megjósolt szerkezettel, szintetizálva és tesztelve, majd publikálva egy magas folyóiratban. – Akkor ünnepelhetünk.”

A Big Pharma azt szeretné látni, hogy az olyan mesterséges intelligencia eszközökkel tervezett molekulákat, mint az AlphaFold, egereken és embereken is teszteljék. „A tisztán algoritmikus eredmények nem értékesek a gyógyszergyártó cégek és különösen a betegek számára” – tette hozzá Zsavoronkov.

Fabio Urbina, a Collaboration Pharmaceuticals vezető tudósa, egy olyan startup, amely gépi tanulási algoritmusokat használ a ritka genetikai betegségek gyógyszereinek kifejlesztésére, elmondta, hogy az AlphaFold még nem bizonyult hasznosnak a kutatásában. Az Urbina más technikát alkalmaz, és inkább egy potenciális új gyógyszer szerkezetére összpontosít, nem pedig egy célfehérjére.

Azt még nem látni, hogy a fehérjeszerkezetek elég hasznosak lesznek-e… ahhoz, hogy segítsenek felfedezni új, potenciális gyógyszereket a ritka betegségek kezelésére

„Ennek néhány oka van; sok gyógyszercélpont fehérjeszerkezete gyakran nem volt könnyen hozzáférhető a kutatók számára, és úgy tűnik, hogy a fehérjeinformációk nem segítették a korai gépi tanulási modelleket, hogy jelentős mértékben javítsák előrejelző képességüket” – mondta. A regisztráció.

„Óvatosan bizakodó vagyok, hogy az AlphaFold lényegében „megoldotta” az első problémát, de még nem látható, hogy a fehérjeszerkezetek elég hasznosak lesznek-e a gépi tanulás előrejelző képességének továbbfejlesztéséhez, hogy segítsen felfedezni új potenciális gyógyszereket. ritka betegségekre. Azonban egyre gyakrabban láttuk, hogy a fehérjeszerkezeti információkat figyelembe veszik az újabb gépi tanulási módszerek részeként, és elgondolkodtunk azon, hogy ugyanezt tegyük.”

Ha a DeepMind ígérete szerint elérhetővé teszünk egy szinte minden ismert fehérjeszerkezetet tartalmazó adatbázist, több tudósnak lesz erőforrása a kísérletezéshez és az erősebb mesterségesintelligencia-modellek elkészítéséhez – mondta Urbina. „Óvatosan optimista vagyok, de mivel a fehérjeszerkezetek teljes könyvtára rendelkezésre áll, azt mondanám, hogy jó esély van arra, hogy az AlphaFold struktúrákat beépítjük néhány gépi tanulási modellünkbe, és végső soron segíthetnek felfedezni új terápiás módszereket. ” ®