AI 기반 단백질 폴딩 모델 AlphaFold는 200억 개 이상의 단백질을 예측했으며 거의 모든 이러한 구조가 과학에 알려져 있다고 딥마인드(DeepMind)가 목요일 밝혔다.
단백질은 DNA에 저장된 명령에 따라 살아있는 유기체에서 생성되는 복잡한 생물학적 분자입니다. 20가지 종류의 아미노산으로 만들어진 이 나노 크기의 사슬은 모든 종류의 신체 기능을 수행하는 데 중요한 세포 작업을 수행합니다. 단백질의 XNUMX차원적 형태를 아는 것은 물리적 구조가 어떻게 행동하고 어떤 목적을 수행하는지에 대한 힌트를 제공하기 때문에 중요합니다. 이는 우리가 약물 개발과 단백질이 부족한 사람들을 위한 모방 단백질 생성과 같은 일을 하는 데 도움이 됩니다.
음식 소화에 관여하는 단백질과 같은 일부 단백질은 도움이 되는 반면 종양 성장과 관련된 단백질은 해로울 수 있습니다. 그러나 복잡한 구불구불한 모양을 파악하는 것은 어렵습니다. 분자생물학자는 단백질의 구조를 해독하기 위한 실험을 수행하는 데 몇 년을 보낼 수 있으며 AlphaFold는 아미노산 구성에서 분자의 크기에 따라 몇 분 안에 이 작업을 수행할 수 있습니다.
AlphaFold는 알려진 수십만 개의 단백질 구조에 대해 교육을 받았으며 구성 아미노산과 최종 전체 모양 간의 관계를 학습했습니다. 임의의 입력 아미노산 서열이 주어지면 모델은 3D 단백질 구조를 예측할 수 있습니다. 이제 이 모델은 과학에 알려진 거의 모든 단백질 구조를 예측했습니다.
DeepMind는 European Bioinformatics Institute와 협력하여 AlphaFold 단백질 구조 데이터베이스 동물에서 식물, 박테리아에서 바이러스에 이르기까지 200억 개 이상의 3D 형태의 단백질을 포함할 수 있습니다. 단 200년 만에 거의 200만 분자에서 최소 XNUMX억 분자로 XNUMX배 이상 증가했습니다.
DeepMind의 공동 설립자이자 CEO인 Demis Hassibis는 "이 획기적인 리소스가 전 세계적으로 과학 연구 및 발견을 가속화하는 데 도움이 되며 다른 팀이 AlphaFold로 우리가 이룬 발전을 배우고 구축하여 더 큰 돌파구를 만들 수 있기를 희망했습니다."라고 말했습니다. 말했다 목요일 성명에서.
“그 희망은 우리가 감히 꿈꾸던 것보다 훨씬 빨리 현실이 되었습니다. 불과 XNUMX개월 후 AlphaFold는 XNUMX만 명이 넘는 연구원이 액세스했으며 플라스틱 오염에서 항생제 내성에 이르는 중요한 실제 문제에 대한 진전을 가속화하는 데 사용되었습니다.”
등록 은(는) DeepMind에 추가 의견을 요청했습니다.
AlphaFold는 또한 신약을 설계할 수 있는 큰 잠재력을 보여주었습니다. 이 구조는 과학자들이 표적 단백질에 결합하여 병리학적 기능을 수행하는 것을 치료하거나 예방할 수 있는 화합물을 파악하는 데 도움이 됩니다. Insilco Medicine을 포함한 회사들은 실험 새로운 약물을 발견하는 모델과 함께; CEO Alex Zhavoronkov는 말했습니다. 등록 그 과정은 생각보다 훨씬 복잡하고 여러 단계가 필요합니다.
AlphaFold의 예측이 얼마나 정확한지는 확실하지 않습니다. 단백질의 리본 같은 구조는 약물과 상호 작용할 때 모양이 자주 바뀌는데, AlphaFold는 이에 대해 훈련을 받지 않았기 때문에 과학자들을 도울 수 없습니다. Zhavoronkov는 이 모델이 "아주 놀라운 돌파구"라고 말했지만 모든 과대 광고에 대해 경계했습니다.
"추가 실험 없이 AlphaFold를 통해 얻은 큰 질병에서 새로운 표적에 대한 구조를 볼 때까지 AI 또는 다른 방법을 사용하여 이 예측된 구조를 사용하여 분자를 설계하고 모든 방법을 합성 및 테스트한 다음 고급 저널에 게재 – [우리는] 그러면 축하할 수 있습니다.”
거대 제약회사는 AlphaFold와 같은 AI 도구의 도움으로 설계된 분자가 실제로 쥐와 인간에서 테스트되기를 원합니다. Zhavoronkov는 "순수한 알고리즘 성과는 제약 회사와 특히 환자에게 가치가 없습니다."라고 덧붙였습니다.
희귀 유전 질환 치료제를 개발하기 위해 기계 학습 알고리즘을 사용하는 스타트업인 Collaboration Pharmaceuticals의 선임 과학자인 Fabio Urbina는 AlphaFold가 아직 그의 연구에서 유용한 것으로 입증되지 않았다고 말했습니다. Urbina는 다른 기술을 사용하고 표적 단백질보다 잠재적인 신약의 구조에 더 중점을 둡니다.
단백질 구조가 희귀 질환에 대한 새로운 잠재적인 약물을 발견하는 데 도움이 될 만큼 충분히 유용할지는 아직 알 수 없습니다.
“이것은 몇 가지 이유 때문입니다. 많은 약물 표적에 대한 단백질 구조는 종종 연구자가 쉽게 사용할 수 없었고 단백질 정보는 초기 기계 학습 모델이 예측력을 크게 향상시키는 데 도움이 되지 않는 것 같았습니다.”라고 그는 말했습니다. 등록.
"나는 AlphaFold가 본질적으로 첫 번째 문제를 '해결'했다고 조심스럽게 낙관하지만, 단백질 구조가 새로운 잠재적 약물을 발견하는 데 도움이 되는 기계 학습 예측 능력을 개선하는 다운스트림 응용 프로그램에 충분히 유용할지는 아직 알 수 없습니다. 희귀질환용. 그러나 우리는 새로운 기계 학습 방법의 일부로 단백질 구조 정보가 고려되는 것을 점점 더 많이 보았고 우리도 똑같이 하는 것에 대해 생각했습니다.”
딥마인드(DeepMind)가 약속한 대로 거의 모든 알려진 단백질 구조로 데이터베이스를 만들 수 있다는 것은 더 많은 과학자들이 더 강력한 AI 모델을 실험하고 구축할 수 있는 자원을 갖게 된다는 것을 의미한다고 Urbina는 말했습니다. "조심스럽게 낙관적이지만, 전체 단백질 구조 라이브러리를 사용할 수 있으므로 AlphaFold 구조가 일부 기계 학습 모델에 통합되고 궁극적으로 새로운 치료법을 발견하는 데 도움이 될 수 있는 좋은 기회가 있다고 말하고 싶습니다. " ®
