AI を利用したタンパク質フォールディング モデル AlphaFold は、200 億を超えるタンパク質を予測しており、科学的に知られているそのような構造のほぼすべてを予測した、と DeepMind は木曜日に述べた。
タンパク質は、DNA に保存された指示から生体内で生成される複雑な生体分子です。 20 種類ものアミノ酸でできているこれらのナノスケールの鎖は、あらゆる種類の身体機能を実行するために重要な細胞タスクを実行します。 タンパク質の XNUMX 次元形状を知ることは重要です。タンパク質の物理的構造から、タンパク質がどのように動作し、どのような目的に役立つかについてのヒントが得られるからです。これは、医薬品の開発や、タンパク質が不足しているタンパク質の模倣品の作成などを行うのに役立ちます。
食物の消化に関与するタンパク質など、有用なタンパク質もあれば、腫瘍の成長に関与するタンパク質など、有害なタンパク質もあります. しかし、その複雑なうねる形状を把握することは困難です。 分子生物学者は、タンパク質の構造を解読するための実験に何年も費やすことができます.AlphaFoldは、分子の大きさにもよりますが、アミノ酸組成から数分でこれを行うことができます.
AlphaFold は、何十万もの既知のタンパク質構造でトレーニングされ、構成アミノ酸と最終的な全体形状との関係を学習しました。 任意の入力アミノ酸配列が与えられると、モデルは 3D タンパク質構造を予測できます。 現在、このモデルは、科学的に知られているほぼすべてのタンパク質構造を予測しています。
DeepMind は European Bioinformatics Institute と協力して、 AlphaFoldタンパク質構造データベース 動物から植物、バクテリアからウイルスに至るまで、200 億を超える 3D 形状のタンパク質を含めることができます。わずか 200 年で、ほぼ 200 万分子から少なくとも XNUMX 億分子へと XNUMX 倍以上増加します。
「この画期的なリソースが科学研究と発見を世界的に加速するのに役立ち、他のチームが AlphaFold で行った進歩から学び、それを基にしてさらなるブレークスルーを生み出すことができることを願っています」と、DeepMind の共同創設者兼 CEO である Demis Hassibis 氏 と 木曜日の声明で。
「その希望は、私たちがあえて夢見ていたよりもはるかに早く現実のものになりました。 わずか XNUMX か月後、AlphaFold には XNUMX 万人以上の研究者がアクセスし、プラスチック汚染から抗生物質耐性に至るまで、現実世界の重要な問題の進展を加速させるために使用されています。」
登録 DeepMind にさらにコメントを求めました。
AlphaFold は、新薬の設計にも大きな可能性を示しています。 この構造は、科学者が標的タンパク質に結合して病的機能の実行を治療または防止できる化合物を見つけ出すのに役立ちます。 Insilco Medicine を含む企業は、 実験 新薬を発見するためのモデル。 CEOのアレックス・ジャボロンコフは次のように述べています。 登録 このプロセスは想像以上に複雑で、いくつかのステップが必要です。
AlphaFold の予測がどれほど完全に正確かは明らかではありません。 タンパク質のリボン状の構造は、薬物と相互作用すると形状が変化することがよくありますが、AlphaFold はそれについて訓練されていないため、科学者を助けることはできません. Zhavoronkov 氏は、このモデルは「かなり注目に値するブレークスルー」であると述べたが、誇大広告には慎重だった。
「AlphaFold を介して追加の実験なしで得られた大きな病気の新しい標的の構造を見るまでは、この予測された構造を使用して AI またはその他の方法で分子を設計し、合成してテストし、高度なジャーナルに掲載します。 –[私たちは]それから祝います。
大手製薬会社は、AlphaFold のような AI ツールを使用して設計された分子が、マウスやヒトで実際にテストされることを望んでいます。 「純粋なアルゴリズムの成果は、製薬会社、特に患者にとって価値がありません」と Zhavoronkov 氏は付け加えました。
Collaboration Pharmaceuticals の上級科学者である Fabio Urbina は、機械学習アルゴリズムを使用して希少な遺伝性疾患の薬を開発する新興企業であり、AlphaFold が彼の研究に役立つことはまだ証明されていないと述べています。 Urbina は別の手法を使用し、標的タンパク質ではなく潜在的な新薬の構造に重点を置いています。
タンパク質構造が十分に役立つかどうかはまだわかっていません…希少疾患の新しい潜在的な薬を発見するのに役立ちます
これにはいくつかの理由があります。 多くの創薬ターゲットのタンパク質構造は、研究者が使用するのに簡単に利用できないことが多く、タンパク質情報は、初期の機械学習モデルが予測力を大幅に改善するのに役立たないように思われました. 登録.
「AlphaFold が最初の問題を本質的に「解決」したと慎重ながら楽観的ですが、機械学習の予測能力を向上させて新薬の発見に役立てるダウンストリーム アプリケーションに、タンパク質構造が十分に役立つかどうかはまだわかりません。希少疾患に。 しかし、新しい機械学習手法の一部としてタンパク質の構造情報が考慮されることが増えてきており、同じことを考えていました。」
DeepMind が約束したように、ほぼすべての既知のタンパク質構造を利用できるデータベースを作成することは、より強力な AI モデルを実験して構築するためのリソースをより多くの科学者が持つことを意味します、と Urbina は言いました。 「私は慎重に楽観的ですが、タンパク質構造のライブラリ全体が利用可能であるため、AlphaFold 構造が機械学習モデルの一部に組み込まれ、最終的に新しい治療法を発見するのに役立つ可能性が高いと思います. 」 ®
