Quasi tutte le strutture proteiche note alla scienza previste da AlphaFold AI

Il modello di ripiegamento proteico basato sull'intelligenza artificiale AlphaFold ha previsto più di 200 milioni di proteine, quasi tutte queste strutture note alla scienza, ha affermato DeepMind giovedì.

Le proteine ​​sono molecole biologiche complesse prodotte negli organismi viventi da istruzioni memorizzate nel DNA. Composte da ben 20 tipi di amminoacidi, queste catene su scala nanometrica svolgono compiti cellulari vitali per svolgere tutti i tipi di funzioni corporee. Conoscere la forma tridimensionale delle proteine ​​è importante poiché la sua struttura fisica fornisce suggerimenti su come si comporta e a quale scopo serve, il che ci aiuta a fare cose come sviluppare farmaci e creare proteine ​​imitative per coloro che ne sono privi.

Alcune proteine ​​sono utili, come quelle coinvolte nella digestione del cibo, mentre altre possono essere dannose, come quelle coinvolte nella crescita dei tumori. Capire le loro complicate forme contorte, tuttavia, è difficile. I biologi molecolari possono passare anni a condurre esperimenti per decifrare la struttura di una proteina e AlphaFold può farlo in pochi minuti, a seconda di quanto è grande la molecola, dalla composizione dell'amminoacido. 

AlphaFold è stato addestrato su centinaia di migliaia di strutture proteiche conosciute e ha appreso le relazioni tra gli amminoacidi costituenti e le forme complessive finali. Data una sequenza di amminoacidi di input arbitraria, il modello può prevedere una struttura proteica 3D. Ora, il modello ha previsto quasi tutte le strutture proteiche note alla scienza.

In collaborazione con l'Istituto Europeo di Bioinformatica, DeepMind ha ampliato il suo Database della struttura della proteina AlphaFold per contenere oltre 200 milioni di forme 3D di proteine, dagli animali alle piante, dai batteri ai virus, un aumento di oltre 200 volte da quasi un milione di molecole ad almeno 200 milioni di molecole in un solo anno.

"Ci auguriamo che questa risorsa rivoluzionaria possa aiutare ad accelerare la ricerca scientifica e la scoperta a livello globale e che altri team possano imparare e sfruttare i progressi che abbiamo fatto con AlphaFold per creare ulteriori scoperte", Demis Hassibis, co-fondatore e CEO di DeepMind, disse in una dichiarazione giovedì.

“Quella speranza è diventata una realtà molto più velocemente di quanto avessimo osato sognare. Solo dodici mesi dopo, AlphaFold è stato consultato da oltre mezzo milione di ricercatori e utilizzato per accelerare i progressi su importanti problemi del mondo reale che vanno dall'inquinamento della plastica alla resistenza agli antibiotici.

Il registro ha chiesto a DeepMind un ulteriore commento. 

AlphaFold ha anche mostrato un grande potenziale per la progettazione di nuovi farmaci. Le strutture aiutano gli scienziati a capire i composti chimici che possono legarsi alle proteine ​​bersaglio per trattare o impedire loro di svolgere funzioni patologiche. Aziende tra cui Insilco Medicine hanno sperimentato con il modello per scoprire nuove droghe; Lo ha detto il CEO Alex Zhavoronkov Il registro che il processo è molto più complicato di quanto si possa pensare e prevede diversi passaggi.

Non è chiaro quanto siano accurate le previsioni di AlphaFold. La struttura a forma di nastro di una proteina cambia spesso forma quando interagisce con un farmaco, cosa con cui AlphaFold non può aiutare gli scienziati in quanto non è addestrato su questo. Zhavoronkov ha detto che il modello è una "svolta piuttosto notevole", ma è stato diffidente nei confronti di tutto il clamore. 

"Fino a quando non vediamo una struttura per un nuovo bersaglio in una grande malattia ottenuta tramite AlphaFold senza ulteriori esperimenti, una molecola progettata utilizzando l'IA - o altri metodi - utilizzando questa struttura prevista, sintetizzata e testata fino in fondo e poi pubblicata su una rivista di alto livello – [possiamo] quindi festeggiare”.

Le grandi aziende farmaceutiche vogliono vedere molecole progettate con l'aiuto di strumenti di intelligenza artificiale come AlphaFold effettivamente testati su topi e esseri umani. "I risultati algoritmici puri non sono preziosi per le aziende farmaceutiche e soprattutto per i pazienti", ha aggiunto Zhavoronkov.

Fabio Urbina, scienziato senior presso Collaboration Pharmaceuticals, una startup che utilizza algoritmi di apprendimento automatico per sviluppare farmaci per malattie genetiche rare, ha affermato che AlphaFold non si è ancora dimostrato utile nella sua ricerca. Urbina utilizza una tecnica diversa e si concentra maggiormente sulla struttura di un potenziale nuovo farmaco piuttosto che su una proteina bersaglio.

Non si è ancora visto se le strutture proteiche saranno abbastanza utili... per aiutarci a scoprire nuovi potenziali farmaci per le malattie rare

“Questo è per alcuni motivi; le strutture proteiche per molti bersagli farmacologici spesso non erano facilmente disponibili per i ricercatori e le informazioni sulle proteine ​​non sembravano aiutare i primi modelli di apprendimento automatico a migliorare il loro potere predittivo con un margine significativo", ha detto Il registro.

"Sono cautamente ottimista sul fatto che AlphaFold abbia sostanzialmente 'risolto' il primo problema, ma non è ancora stato visto se le strutture proteiche saranno abbastanza utili per la nostra applicazione a valle del miglioramento del potere predittivo dell'apprendimento automatico per aiutarci a scoprire nuovi potenziali farmaci per le malattie rare. Tuttavia, abbiamo visto sempre più spesso le informazioni strutturali delle proteine ​​prese in considerazione come parte dei nuovi metodi di apprendimento automatico e abbiamo pensato di fare lo stesso”.

La creazione di un database con quasi tutte le strutture proteiche conosciute disponibili, come ha promesso DeepMind, significa che più scienziati avranno le risorse per sperimentare e costruire modelli di intelligenza artificiale più potenti, ha affermato Urbina. "Sono cautamente ottimista, ma con l'intera libreria di strutture proteiche disponibili, direi che ci sono buone probabilità che le strutture AlphaFold vengano incorporate in alcuni dei nostri modelli di apprendimento automatico e alla fine possano aiutarci a scoprire nuove terapie. " ®