Bijna alle aan de wetenschap bekende eiwitstructuren voorspeld door AlphaFold AI

Het AI-aangedreven eiwitvouwmodel AlphaFold heeft meer dan 200 miljoen eiwitten voorspeld, bijna alle structuren die de wetenschap kent, zei DeepMind donderdag.

Eiwitten zijn complexe biologische moleculen die in levende organismen worden geproduceerd op basis van instructies die in het DNA zijn opgeslagen. Deze ketens op nanoschaal zijn gemaakt van maar liefst 20 soorten aminozuren en voeren vitale cellulaire taken uit om allerlei lichaamsfuncties uit te voeren. Het is belangrijk om de driedimensionale vorm van eiwitten te kennen, omdat de fysieke structuur ervan hints geeft over hoe het zich gedraagt ​​en welk doel het dient, wat ons helpt om dingen te doen zoals het ontwikkelen van medicijnen en het creëren van copycat-eiwitten voor degenen die ze niet hebben.

Sommige eiwitten zijn nuttig, zoals die welke betrokken zijn bij het verteren van voedsel, terwijl andere schadelijk kunnen zijn, zoals die welke betrokken zijn bij de groei van tumoren. Het is echter moeilijk om hun gecompliceerde kronkelige vormen te achterhalen. Moleculair biologen kunnen jaren bezig zijn met het uitvoeren van experimenten om de structuur van een eiwit te ontcijferen, en AlphaFold kan dit in minuten doen, afhankelijk van hoe groot het molecuul is, uit de aminozuursamenstelling. 

AlphaFold werd getraind op honderdduizenden bekende eiwitstructuren en leerde de relaties tussen de samenstellende aminozuren en de uiteindelijke algemene vormen. Gegeven een willekeurige invoer aminozuursequentie, kan het model een 3D-eiwitstructuur voorspellen. Nu heeft het model bijna alle eiwitstructuren voorspeld die de wetenschap kent.

In samenwerking met het European Bioinformatics Institute heeft DeepMind zijn AlphaFold Eiwitstructuur Database om meer dan 200 miljoen 3D-vormen van eiwitten te bevatten, van dieren tot planten, bacteriën tot virussen - een toename van meer dan 200x van bijna een miljoen moleculen tot minstens 200 miljoen moleculen in slechts een jaar.

"We hoopten dat deze baanbrekende bron zou helpen om wetenschappelijk onderzoek en ontdekkingen wereldwijd te versnellen, en dat andere teams zouden kunnen leren van en voortbouwen op de vooruitgang die we met AlphaFold hebben geboekt om verdere doorbraken te creëren", zegt Demis Hassibis, medeoprichter en CEO van DeepMind, zei in een verklaring donderdag.

“Die hoop is veel sneller werkelijkheid geworden dan we hadden durven dromen. Slechts twaalf maanden later is AlphaFold door meer dan een half miljoen onderzoekers benaderd en gebruikt om de voortgang van belangrijke real-world problemen, variërend van plasticvervuiling tot antibioticaresistentie, te versnellen.”

Het register heeft DeepMind om nader commentaar gevraagd. 

AlphaFold heeft ook een groot potentieel getoond voor het ontwerpen van nieuwe medicijnen. De structuren helpen wetenschappers chemische verbindingen te vinden die kunnen binden aan doeleiwitten om ze te behandelen of te voorkomen dat ze pathologische functies uitvoeren. Bedrijven, waaronder Insilco Medicine, hebben experimenteerde met het model om nieuwe medicijnen te ontdekken; CEO Alex Zhavoronkov vertelde Het register dat het proces veel gecompliceerder is dan je zou denken, en meerdere stappen omvat.

Het is niet duidelijk hoe volledig de voorspellingen van AlphaFold zijn. De lintachtige structuur van een eiwit verandert vaak van vorm wanneer het in wisselwerking staat met een medicijn, iets waar AlphaFold wetenschappers niet mee kan helpen omdat het daar niet op is getraind. Zhavoronkov zei dat het model een "behoorlijk opmerkelijke doorbraak" is, maar was op zijn hoede voor alle hype. 

"Totdat we een structuur zien voor een nieuw doelwit in een grote ziekte die is verkregen via AlphaFold zonder aanvullende experimenten, wordt een molecuul ontworpen met behulp van AI - of andere methoden - met behulp van deze voorspelde structuur, gesynthetiseerd en helemaal getest en vervolgens gepubliceerd in een hoogstaand tijdschrift – [we kunnen] dan vieren.”

Big pharma wil zien dat moleculen die zijn ontworpen met behulp van AI-tools zoals AlphaFold, daadwerkelijk worden getest op muizen en mensen. "Pure algoritmische prestaties zijn niet waardevol voor de farmaceutische bedrijven en vooral niet voor de patiënten", voegde Zhavoronkov eraan toe.

Fabio Urbina, een senior wetenschapper bij Collaboration Pharmaceuticals, een startup die algoritmen voor machinaal leren gebruikt om medicijnen te ontwikkelen voor zeldzame genetische ziekten, zei dat AlphaFold nog niet helemaal nuttig is gebleken in zijn onderzoek. Urbina gebruikt een andere techniek en richt zich meer op de structuur van een mogelijk nieuw medicijn dan op een doeleiwit.

Het moet nog worden bekeken of de eiwitstructuren nuttig genoeg zullen zijn ... om ons te helpen nieuwe potentiële medicijnen voor zeldzame ziekten te ontdekken

“Dit is om een ​​paar redenen; de eiwitstructuren voor veel medicijndoelen waren vaak niet gemakkelijk beschikbaar voor onderzoekers om te gebruiken, en eiwitinformatie leek de vroege machine learning-modellen niet te helpen hun voorspellende kracht met een aanzienlijke marge te verbeteren, "vertelde hij. Het register.

"Ik ben voorzichtig optimistisch dat AlphaFold het eerste probleem in wezen heeft 'opgelost', maar het moet nog worden bezien of de eiwitstructuren nuttig genoeg zullen zijn voor onze downstream-toepassing van het verbeteren van de voorspellende kracht van machine learning om ons te helpen nieuwe potentiële medicijnen te ontdekken voor zeldzame ziekten. We hebben echter steeds vaker gezien dat structurele informatie over eiwitten in aanmerking wordt genomen als onderdeel van nieuwere methoden voor machinaal leren, en we hebben erover nagedacht om hetzelfde te doen."

Door een database met bijna alle bekende eiwitstructuren beschikbaar te maken, zoals DeepMind heeft beloofd, zullen meer wetenschappers de middelen hebben om te experimenteren en krachtigere AI-modellen te bouwen, zei Urbina. "Ik ben voorzichtig optimistisch, maar met de hele bibliotheek van beschikbare eiwitstructuren, zou ik zeggen dat er een goede kans is dat AlphaFold-structuren worden opgenomen in sommige van onze machine-learningmodellen, en ons uiteindelijk kunnen helpen om nieuwe therapieën te ontdekken. ” ®